Modelos de Pronostico

Modelos de Pronsticos y Series de Tiempo
_____________________________________________________________
1
MODELOS DE PRONSTICOS

1. INTRODUCCIN A LOS MODELOS DE PRONSTICO
1.1. EL MODELO Y EL PRONSTICO.

El arte o ciencia de modelar, consiste en la integracin lgica de un conjunto
de herramientas, cualitativas o cuantitativas, que se usan para construir y
evaluar representaciones de los procesos del mundo real, derivadas de
observaciones cuantificables y juicios intuitivos sobre estos procesos. El
modelo es slo una representacin conceptual conveniente del proceso
observado, el cual aumenta en complejidad a medida que se analiza el
fenmeno real que se pretende modelar. En particular, casi siempre es
posible desarrollar un modelo matemtico basado en las leyes de fsica para
calcular los valores de variables dependientes. Por ejemplo, es posible
calcular la trayectoria de un misil disparado con una cierta velocidad y con
una cierta direccin. An en este caso, el clculo de cualquier variable
dependiente puede no ser exacto si existe un factor desconocido, por
ejemplo la velocidad del viento, que pudiera afectar la trayectoria del misil.

El proceso de integracin empieza con el anlisis de la informacin obtenida
y con el primer diseo del modelo, para llegar al modelo operativo, el cual
se espera que represente la realidad de "la mejor manera" posible.

Para construir el modelo operativo, es necesario contar con la toda la
informacin del sistema o proceso a modelar. Sin embargo en la mayora de
los casos no existe la informacin suficiente, por lo que se seleccionar para
el primer anlisis a la "familia" de modelos a la cual pertenece el modelo de
inters.

Los modelos pueden ser suaves o duros, dependiendo de la naturaleza del
sistema y del propsito mismo del modelo. Dentro de los modelos
_____________________________________________________________
2
clasificados como duros o modelos matemticos se encuentran los modelos
de pronsticos, la aplicacin de los cuales es el tema de nuestro inters.

1.2. EL PRONSTICO Y SUS APLICACIONES

En el diario quehacer del hombre, as como de la sociedad y de las
diferentes instituciones que le dan sustento, el papel de la planeacin es de
gran importancia. Cuando el resultado de un evento esta condicionado a
factores identificables, la planeacin puede proporcionarnos las alternativas
que nos permitan alcanzar los objetivos planeados. Es en estas situaciones
cuando el papel de las tcnicas y metodologas de pronsticos es
determinante para la toma de decisiones.

En los procesos de planeacin y toma de decisin, el pronstico del
comportamiento del sistema usualmente se genera de una manera intuitiva,
sin separar necesariamente el pronstico de la decisin. Esto es cierto desde
las decisiones que tomamos sobre los aspectos ms cotidianos de nuestra
vida hasta las decisiones en las grandes corporaciones. Sin embargo, con el
desarrollo de tcnicas de pronstico formales y la disponibilidad cada vez
mayor de programas computacionales comerciales enfocados a tcnicas
cuantitativas de pronsticos, la aplicacin de stas a procesos de planeacin
y toma de decisin, tambin es mayor, tanto en la industria como en el
sector pblico y de servicios.

Los enfoques de la planeacin basada en pronsticos son tan variados como
variadas son en s las metodologas de planeacin. Es obvio que existen
dudas sobre la validez y eficiencia de los mtodos de pronsticos y que stas
pudieran ser vlidas en ciertos contextos. Sin embargo, es necesario
reconocer que el avance presentado por los mtodos de pronsticos ha sido
substancial en los ltimos aos. Existen un gran nmero de fenmenos
cuyos resultados pueden ser pronosticados con facilidad. Las empresas con
un enfoque moderno de la administracin deberan incorporar las tcnicas
de pronsticos a su diario quehacer. Las decisiones de que producir, cuanto
producir, cuando producir y donde producir impactan los presupuestos tanto
de administracin y produccin, como de inventarios de materia prima o
_____________________________________________________________
3
producto terminado, as como de fijacin de precios, vas de distribucin y
gastos publicitarios.

Algunas de las reas donde la aplicacin de metodologas de pronstico ha
generado informacin confiable para la toma de decisin son:

- Programacin del uso de recursos. Pronsticos sobre el nivel de
demanda de un producto, servicio o financiamiento son esenciales
para la administracin de de recursos.

- Adquisicin de recursos: Pronsticos sobre futuros requerimientos
de recursos materiales, mano de obra, transporte o servicios.

- Planeacin de la Capacidad. El anlisis de las necesidades a futuro
de la empresa en relacin a su crecimiento, al aumento o
disminucin de su capacidad de produccin.

- Planeacin del futuro deseado: Planeacin de los requerimientos
de recursos a largo plazo, que puedan depender a su vez de otros
pronsticos: En este caso se podra analizar el impacto del
mercado de inversiones, los factores ambientales, desarrollos
tecnolgicos, etc.

- Economa. Determinacin de las variables econmicas, tales
como el producto interno bruto, los ndices de desempleo, el
consumo, la inflacin, el ritmo de crecimiento, tasa de inters, etc.

- Demografa. Los pronsticos de las variables que caracterizan a la
poblacin como la edad, sexo y raza; los ndices de crecimiento
de la poblacin, nacimientos, muertes, migracin, etc.

Independientemente de que las reas de aplicacin son variadas y de una
gran diversidad, se puede enfatizar la importancia que el pronstico tiene el
actividades administrativas para minimizar la dependencia de la toma de
_____________________________________________________________
4
decisin en la eventualidad de la ocurrencia de un evento y para contar con
las bases ms cientficas para la planeacin.

1.3. DESARROLLO DE LAS METODOLOGAS DE PRONSTICO

La evolucin de la ciencia ha hecho posible el entendimiento de varios
aspectos del entorno y por lo tanto la predecibilidad de los eventos. Este es
el caso, por ejemplo del movimiento de los cuerpos celestes, la presencia de
huracanes, o de las alteraciones en el cuerpo humano debidas al hambre y la
sed.

La habilidad de predecir estos eventos hoy parece ser muy natural y se
espera que el predecir las condiciones climticas o el comportamiento de la
economa en un futuro sea tan efectivo como el predecir la velocidad de un
cuerpo en cada libre.

Pero, independientemente de los avances y aciertos en las metodologas de
pronsticos, es necesario hacer notar que el pronstico no necesariamente es
til a la sociedad en ese momento. El predecir, hace ms de 150 aos, la
existencia de nuevas tecnologas, tales como la computadora, no influy en
su desarrollo, sino que fue necesario esperar el desarrollo de otras
tecnologas que finalmente dieron paso a los avanzados circuitos integrados
que nos permiten, hoy en da, contar con equipos de cmputo, no
nicamente de escritorio si no tambin con computadoras porttiles cada vez
ms pequeas y ligeras.

Otro punto importante es que independientemente de que tan bueno sea el
pronstico, existen eventos externos no controlables, como las cadas en los
mercados de inversin, las decisiones gubernamentales o las polticas
internacionales, que pueden alterar substancialmente el resultado de un
evento. En estos casos, el pronstico, la toma de decisin y la planeacin
debern complementarse para evitar errores que pudieran ser de graves
consecuencias.

_____________________________________________________________
5
Sin embargo, an en este contexto es necesario reconocer el valor que tiene
el pronstico y que depende en gran manera del mtodo seleccionado para
determinarlo.

Existen una gran variedad de tcnicas o metodologas para pronsticos, los
cuales van desde el pronstico ms simple e intuitivo, como el pensar que lo
que pas ayer pasar hoy y pasar maana, hasta metodologas complejas
como sistemas economtricos de ecuaciones simultneas. La eficacia y
exactitud del pronstico depender en la seleccin del modelo y de la
aplicacin del mismo.

Las metodologas de pronsticos, en general, se enfrentan a cuatro
problemas: la identificacin y definicin del problema de pronstico,
procedimientos para determinar la tcnica ms apropiada, conocimientos
especficos sobre la tcnica a aplicar y el soporte tcnico, esto es,
especficamente la informacin necesaria para la aplicacin del modelo.

1.4. LAS TCNICAS Y EL PRONSTICO

Hoy en da, la gran variedad de tcnicas y metodologas de pronsticos,
permiten la solucin de problemas cada vez ms complejos. Las
metodologas de pronstico se han desarrollado para dar respuesta a la gran
diversidad de problemas en las organizaciones, as como la rapidez de los
cambios en las mismas y la creciente necesidad de una toma de decisiones
sistemtica y bien fundamentada. Sin embargo esta misma variedad de
metodologas representa en s un problema para el usuario. La seleccin
del mtodo ms apropiado depende de muchos factores y de la naturaleza
misma del problema.

Los pronsticos se relacionan con la construccin de modelos que en su
gran mayora estn ntimamente relacionados con la estadstica. stos
deben resumir los enlaces entre el presente, el pasado y el futuro. Esto es: el
modelo de pronstico nos proporciona la caracterizacin del presente en
_____________________________________________________________
6
base en lo acontecido en el pasado y nos permite hacer inferencias sobre el
futuro.

Las metodologas de pronsticos pueden dividirse en dos grandes grupos:
mtodos cuantitativos y mtodos cualitativos, yendo desde un extremo al
otro, de los mtodos intuitivos hasta los mtodos matemticos ms
complejos basados en principios estadsticos. Los mtodos de pronstico
tambin varan de acuerdo a la disciplina de su aplicacin. Cada mtodo
tiene sus propiedades, su anlisis de exactitud y sus costos de aplicacin.
Los mtodos cualitativos intuitivos son sencillos, pero no tan exactos como
los mtodos cuantitativos. Los mtodos formales son ms complejos y
costosos, pero a la vez ms exactos. La aplicacin del mtodo ms
apropiado puede aportar mejores resultados y determinar las relaciones entre
los elementos que determinan el fenmeno.

Los mtodos cuantitativos necesitan de informacin histrica para su
aplicacin, mientras que los mtodos cualitativos requieren de informacin
que en su mayor parte es el producto del pensamiento intuitivo, del juicio y
del conocimiento acumulado. Estos mtodos pueden a su vez subdividirse
en mtodos normativos, tales como matrices de decisin, rboles de
relevancia y anlisis de sistemas, y mtodos exploratorios, tales como la
Tcnica Delphi, analogas e investigacin morfolgica.

Los mtodos de pronstico cuantitativos pueden dividirse en dos ramas: los
modelos de series de tiempo y los modelos causales o explicativos. En los
primeros el pronstico se basa en datos histricos y su objetivo es descubrir
el patrn en el comportamiento de los datos para extrapolarlo al futuro. En
el segundo caso, se asume que hay una relacin de causa y efecto entre las
variables, que pueden ser independientes o dependientes. En este caso el
objetivo es determinar la forma de esa relacin y aplicarla para predecir
valores futuros de la variable dependiente.

Ambos tipos de modelos tienen ventajas y desventajas. La aplicacin de
mtodos de series de tiempo genera pronsticos ms exactos y la aplicacin
de mtodos causales permite una mejor toma de decisin.
_____________________________________________________________
7
En estos modelos los escenarios de pronsticos dependen no slo del
horizonte del tiempo, sino tambin de la informacin disponible, de los
patrones de los datos representativos de esa informacin, y de las relaciones
del patrn de los datos con otros fenmenos asociados. Para que sea posible
aplicar cualquier metodologa de pronsticos es necesario contar con:

- Informacin histrica susceptible de ser cuantificada como datos
numricos.
- Seguridad de cierta continuidad en los patrones de comportamiento
del fenmeno a predecir.

Esta ltima condicin, conocida como el supuesto de continuidad, es una
premisa fundamental de todos los mtodos de pronstico cuantitativos.
Ningn modelo de pronstico obtendr resultados vlidos si el patrn de los
datos sufre modificaciones drsticas. El decisor, en estos casos, deber
anticipar estos cambios y proponer un modelo de pronstico sensible a
variaciones.

A continuacin se presenta una propuesta para la divisin de las tcnicas de
pronsticos en diferentes categoras. Tabla 1.

Categoras de Metodologas de Pronsticos y su Aplicacin
Tipo de
Situacin
Tipo de Informacin Disponible
Suficiente Informacin
Cuantitativa
No hay suficiente informacin
Cuantitativa,
Pero existe informacin
cualitativa y experiencia
No hay
informacin
disponible
Tcnica Modelos de
Series de
Tiempo
Modelos
Explicativos
o causales
Mtodos
Exploratorios
Mtodos
Normativos

Ejemplo del
Pronstico
Obtenido
si se
continua el
patrn actual
de los datos
ndice de
Precios al
Consumidor
El efecto de
la demanda
en el
mercado
Velocidad de
los vehculos
de transporte
Ao 2015
Modelos de
automviles
del ao 2020
Efectos de viajes
interplanetarios
_____________________________________________________________
8
Ejemplo del
Pronstico
Obtenido
si no se
continua el
patrn actual
de los datos
La siguiente
recesin y
su gravedad
Efectos de
control de
precios.
Como podra
afectar el
consumo de
petrleo un
gran
incremento en
su precio
La guerra
U.S.A. vs.
Iraq
El impacto de
una fuente barata
y limpia de
energa.
Tabla 1

1.5. LA FUNCIN DE PRDIDA

Todo pronstico contiene como elemento intrnseco un cierto grado de
incertidumbre. Este elemento se incorpora al modelo como un componente
aleatorio que ayudar a explicar los cambios impredecibles en el patrn de
los datos, los componentes irregulares del mismo, as como los errores en el
pronstico. Si el impacto del componente aleatorio es muy grande, la
habilidad del decisor para pronosticar ser muy limitada y el error en el
pronstico ser determinante. Asociada al error en el pronstico se tiene la
funcin de prdida, la cual tiene la forma L (e), donde e representa al error.
Las funciones de prdida satisfacen tres requisitos mnimos:

1. L (0) = 0. Esto es: la prdida asociada a un pronstico perfecto con
un error 0 es cero.
2. L (e) es una funcin continua.
3. L (e) es una funcin creciente. Esto es, L (e) aumenta si e aumenta.

Existen funciones de prdida simtricas y asimtricas. Entre las funciones
de prdida simtricas se tiene por ejemplo L (e) = e
2
. Esta funcin es una de
las ms comunes ya que en la prctica representa una aproximacin
adecuada a las estructuras de prdida. A esta funcin se le denomina
prdida cuadrtica, y al elevar el error al cuadrado tambin la prdida se
elevar al cuadrado. Figura. 1.1

Otra funcin simtrica es la prdida absoluta que equivale al valor absoluto
del error L (e) = ,e,. Figura 1.2.

_____________________________________________________________
9
Funcin de Prdida Cuadrtica
0
0.2
0.4
0.6
0.8
1
1.2
-
1
-
0
.
8
-
0
.
6
-
0
.
4
-
0
.
2 0
0
.
2
0
.
4
0
.
6
0
.
8 1

Figura 1.1

Funcin de Prdida Absoluta
0
0.2
0.4
0.6
0.8
1
1.2
-
1
-
0
.
8
-
0
.
6
-
0
.
4
-
0
.
2 0
0
.
2
0
.
4
0
.
6
0
.
8 1

Figura 1.2

Las funciones de prdida asimtrica generalmente estn asociadas a
procesos donde los errores negativos tienen un menor impacto que los
errores positivos. Figura 1.3.

_____________________________________________________________
10

Funcin de Prdida Asimtrica
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
-
1
-
0
.
8
-
0
.
6
-
0
.
4
-
0
.
2 0
0
.
2
0
.
4
0
.
6
0
.
8 1

Figura 1.3

Entre los factores que influyen en la generacin de errores en el pronstico
se encuentran la seleccin del modelo en s, as como la determinacin de
los componentes de ste; el anlisis de los datos observados, el tratamiento
de stos y errores en la observacin y captura de los mismos.

Debido a esto, es necesario contar con las herramientas adecuadas para
evaluar el pronstico, as como para cuantificar el costo relacionado con los
errores en ste.

1.6. EL OBJETO DEL PRONSTICO

Dado que existen diferentes tipos de pronsticos es necesario determinar la
naturaleza del objeto a pronosticar. Es una serie de temporal, como la
demanda de un producto en el mercado un evento, por ejemplo una cada
drstica en la bolsa de valores o una devaluacin considerable de la
moneda?

_____________________________________________________________
11
Al seleccionar el modelo de pronstico se debe considerar que tipo de
resultado se desea:

- Un pronstico puntual?
- Una estimacin razonable?
- Un intervalo con un cierto nivel de confianza?
- Una distribucin de probabilidad de valores futuros posibles?

El pronstico puntual es slo un nmero, como el Producto Interno Bruto
del prximo ao o el nmero de estudiantes que se titularn en cierta
disciplina.

Un pronstico de intervalo no es slo un nmero. En cierto sentido se
parece ms a la idea de un intervalo de confianza en la estadstica, es decir,
es un conjunto de valores dentro del cual se espera que se encuentre el valor
real que tendr el evento con una cierta probabilidad o nivel de confianza.
Sin embargo, aunque se podra suponer que en este caso el grado de
aceptabilidad del pronstico es mayor, lo cierto es que el nivel de
incertidumbre aumenta. La longitud del intervalo refleja la incertidumbre
del pronstico, pero tambin proporcionan ms informacin y si es
necesario se puede inferir un pronstico puntual a partir del punto
intermedio del intervalo.

Un pronstico de densidad expresa la distribucin de probabilidad del valor
del evento en un futuro y proporcionan ms informacin que un pronstico
de intervalo ya que establecen con facilidad un pronstico de intervalo con
el nivel de confianza fijado por el decisor o experto.
En la prctica los pronsticos puntuales son los ms utilizados ya que stos
requieren un menor nmero de hiptesis estadsticas y son ms fciles de
comprender. Las metodologas y tcnicas presentadas en este libro estn
enfocadas a la generacin de pronsticos puntuales.

_____________________________________________________________
12
1.7. EL PRONSTICO Y LA COMPLEJIDAD: EL PRINCIPIO DE
PARSIMONIA

Finalmente, qu tan complejo deber ser el modelo? Cmo determinar los
costos asociados a la complejidad o simplicidad del modelo? Ser lo
suficientemente robusto para garantizar el mejor pronstico con la mnima
prdida?

Existen criterios formales, que se presentarn en los diferentes captulos de
este libro, que facilitan la seleccin del modelo. Se podra suponer que los
modelos tienen una gran complejidad para corresponder en cierta medida a
la gran complejidad de los eventos y fenmenos que se tratan de
pronosticar. Para tranquilidad del lector, esto no es as. Tras muchos aos
de experiencia, los expertos en pronsticos proponen la opinin opuesta:
los modelos ms simples generan mejores pronsticos a partir de las series
histricas disponibles. Esto se refleja en el Principio de Parsimonia, el cual
declara que los modelos simples, en igualdad de condiciones, son
preferibles a los modelos ms complejos.

1.8. DE LA VALIDEZ DE LOS DATOS

No importa que tan adecuado sea el modelo, que tan simple se haya
mantenido el proceso, si se ha ingresado basura como informacin, se
obtendr basura como pronstico. Es imprescindible que el decisor
realmente analice los datos histricos antes de pensar en ajustar un modelo o
de elaborar un pronstico. Por ejemplo, si se tiene un grupo de series que
se analizarn conjuntamente, tienen las mismas fechas de inicio y de
trmino? Faltan datos intermedios? Hay datos atpicos que sobresalen
del resto de los datos de la serie? Estos datos, son observaciones vlidas,
generadas por algn suceso especfico o son datos aberrantes? Ser
sencillo el procesamiento computacional de los mismos o ser necesario
invertir tiempo en limpiarlos y organizarlos?

_____________________________________________________________
13
Por lo que es necesario asegurar que los datos sean vlidos, contengan la
informacin necesaria organizada de la mejor manera posible y que los
datos atpicos sean inherentes al proceso.

1.9. LOS PRONSTICOS Y EL FUTURO

El futuro de las metodologas de pronsticos esta relacionado al futuro de
otras disciplinas afines como son la Investigacin de Operaciones,
Planeacin, Toma de Decisin y Computacin, por lo que parece ser
necesario tambin incursionar en el pasado de estas disciplinas. La
Investigacin de Operaciones y la Administracin aparecieron durante la
Segunda Guerra Mundial para dar soporte a la logstica de la Guerra. Estas
disciplinas buscan resolver problemas organizacionales desde un punto de
vista cientfico. Las tcnicas de Programacin Lineal, Lneas de Espera,
Redes y Simulacin, as como la Teora de Juegos, se desarrollaron para
resolver problemas particulares derivados de la Guerra. Muchas
organizaciones financiaron el desarrollo de estas tcnicas. Durante los aos
60, el uso de estas tcnicas haba perdido popularidad, sin embargo grupos
de investigadores siguieron desarrollando modelos para ellas. Al mismo
tiempo las computadoras empezaron a desarrollarse. Para el principio de la
dcada de los 80 y ya con la facilidad de las computadoras, estas disciplinas
emergieron nuevamente integradas a procesos de planeacin.

Dada la amplia variedad de tcnicas disponibles tanto en el rea
administrativa como en las metodologas de pronsticos, se pude predecir
que en el futuro no ser necesario continuar desarrollando ms tcnicas, sino
que ser necesario mejorar las existentes y que el mayor nfasis deber
estar puesto en la divulgacin de los mtodos existentes y su aplicacin a la
organizacin de la informacin y la planeacin organizacional.

_____________________________________________________________
14
2. FUNDAMENTOS DE LOS MTODOS DE PRONSTICO.

2.1. METODOS CAUSALES Y MODELOS DE SERIES DE TIEMPO

Los mtodos causales de pronstico presuponen una relacin de causa
efecto entre las entradas y las salidas del sistema. El sistema puede ser
cualquier cosa: un sistema poltico, un sistema socio- econmico, una
organizacin financiera, una fbrica, etc. De acuerdo al pensamiento
sistmico, cualquier cambio en las entradas dar como resultado un cambio
en las salidas y si se supone que la relacin de causa efecto es constante,
estos cambios pueden ser predecibles. Esto es, el objetivo de estas
metodologas es determinar la relacin causa efecto. Esta relacin pude ser
utilizada para predecir los estados futuros del sistema, en funcin de las
entradas al mismo.

La determinacin de la relacin causa efecto puede ser ilustrada por la ley
de Newton:

OJO FALTA AGREGAR EL EJEMPLO

A diferencia de los mtodos causales, en los mtodos de series de tiempo se
considera la relacin como una caja negra. No existe inters en saber como
se relacionan, sino en determinar lo que suceder. Por ejemplo, mientras
que en un modelo causal se determinara cual es la causa de los eclipses, los
modelos de series de tiempo se enfocaran a determinar cada cuando
suceden.

Finalmente, la seleccin del modelo depende del tipo de informacin
disponible y de la aplicacin misma del modelo. El proceso de seleccin y
construccin del modelo deber incluir las pruebas estadsticas necesarias
para la validacin del modelo como un todo, as como los estadsticos de la
validacin de las relaciones supuestas entre las variables que definen el
modelo. El anlisis estadstico genera la medida de confianza en los
resultados del anlisis y en el pronstico asociado.

_____________________________________________________________
15
2.2. OBTENCIN, REGISTRO, ANLISIS Y ADMINISTRACN DE
DATOS.

2.2.1. Definicin de Serie de Tiempo y Series de Tiempo Relacionadas.

Todo pronstico comienza con una serie de observaciones a la cual se le
asocia un dato. El proceso se sita en algn momento del tiempo, por lo que
es necesario identificar el periodo de tiempo en el cual se generaron los
datos observados. A los valores de los datos observados se les asocia una
variable, por ejemplo X, la cual depende del tiempo.

Se determina el momento del tiempo inicial t
0
, el intervalo de tiempo para
cada perodo y a cada periodo de tiempo se le asignan nmeros
consecutivos, t
i
, para i = 1, 2, 3, . . . , n. Generalmente el proceso es no
determinstico, por lo que al modelo se le asocia un elemento de
aleatoriedad que representa la desviacin existente entre los datos
observados y el pronstico.

Una serie de tiempo es continua cuando las observaciones son continuas en
el tiempo, an cuando los valores observados sean valores puntales o
discretos de una variable. Una serie de tiempo es discreta cuando las
observaciones se hacen en puntos especficos del tiempo, generalmente
espaciados uniformemente, es decir, en intervalos iguales.

Para un par de datos aleatorios para dos series de tiempo apareadas, es
importante determinar como se relacionan entre si las dos series. Para una
serie de tiempo es til comparar observaciones en dos momentos diferentes
en el tiempo. Por ejemplo se compara el dato X
1
con el dato X
t+1
.,
obteniendo como resultado la relacin que la serie tiene con si misma t
perodos atrs. De la misma manera se puede comparar X
t
con X
t+i
,
obtenindose la relacin de la serie con si misma un perodo atrs, dos
perodos atrs, i perodos atrs. A este tipo de relacin se le denomina
retraso de la variable en relacin a s misma. Asociadas a esta relacin se
tienen las medidas de autocovariancia y autocorrelacin y las funciones de
autocorrelacin y autocorrelacin parcial.
_____________________________________________________________
16

2.2.2. Anlisis Grfico de una Serie de Tiempo.

2.2.2.1. Cuarteto de Anscome

Para ilustrar la importancia de un anlisis grfico antes de empezar a
elaborar un pronstico, se presentar un conjunto de cuatro series de datos el
cual de denomina Cuarteto de Anscome. Cada conjunto de datos esta
formado por once observaciones de dos variables, Tabla 2.1. A cada
conjunto se le aplicar un modelo de regresin lineal. Los resultados
aparecen en la Tabla 2.2 y las grficas correspondientes de los datos y de la
recta de regresin ajustada a continuacin. (Figuras 2.1, 2.2 , 2.3 y 2.4). En
el anexo 1, al final del captulo se encuentran los clculos de los
coeficientes.

Modelo de Regresin Lineal: Mtodo de Mnimos Cuadrados.

Supngase que se tienen dos muestras y se desea encontrar una funcin que
las relacione en forma lineal. Esto es, los valores observados de la variable
Y se estiman en base de un patrn y un error.

Y = patrn + error

Y = a + bX + error

Y =
Y e +

tal que: Y aX b = + , donde a y b representan respectivamente, la pendiente
y el punto de interseccin de la recta con el eje de las ordenadas. Estos
parmetros son los coeficientes de regresin determinados al minimizar la
suma de los errores elevados al cuadrado entre los datos reales y los datos
estimados a partir de la funcin lineal. (El desarrollo especfico de las
frmulas se presentar en un captulo posterior).

_____________________________________________________________
17
1 1 1
2
2
1 1
n n n
i i i i
i i i
n n
i i
i i
n X Y X Y
b
n X X
= = =
= =
| || |
| |
\ .\ .
=
| |
|
\ .

2.1

1 1
n n
i i
i i
Y X
a b
n n
= =
=

2.2

Datos de Cuatro Series de Datos
Serie 1 Serie 2 Serie 3 Serie 4
X
1
Y
1
X
2
Y
2
X
3
Y
3
X
4
Y
4
10.00
8.00
13.00
9.00
11.00
14.00
6.00
4.00
12.00
7.00
5.00
8.04
6.95
7.58
8.81
8.33
9.96
7.24
4.26
10.84
4.82
5.68
10.00
8.00
13.00
9.00
11.00
14.00
6.00
4.00
12.00
7.00
5.00
9.14
8.14
8.74
8.77
9.26
8.10
6.13
3.10
9.13
7.26
4.74
10.00
8.00
13.00
9.00
11.00
14.00
6.00
4.00
12.00
7.00
5.00
7.46
6.77
12.74
7.11
7.81
8.84
6.08
5.39
8.15
6.42
5.73
8.00
8.00
8.00
8.00
8.00
8.00
8.00
19.00
8.00
8.00
8.00
6.58
5.76
7.71
8.84
8.47
7.04
5.25
12.5
5.56
7.91
6.89
Tabla 2.1

_____________________________________________________________
18

Coeficientes de Regresin
Coeficiente a 3.00 3.00 3.00 3.00
Coeficiente b 5.00 5.00 5.00 5.00
Tabla 2.2

Analcese cada uno de los cuatro conjuntos de datos la lnea de regresin
ajustada. En los cuatro casos la lnea es la misma, pero el modelo de
regresin lineal no es el adecuado. En el primer conjunto de datos, X y Y
tienen una correlacin positiva, sin embargo el ajuste no es bueno. En el
segundo caso aunque se podra suponer que si existe una relacin entre X y
Y, pero es claro que la relacin no es lineal. En el tercer caso, nuevamente
se puede concluir que existe una relacin lineal entre X y Y, pero existe un
punto (13.00, 12.74) que no se apega bien a la recta. Finalmente en el cuarto
caso los datos aparecen en forma vertical a excepcin de un punto (19.00,
12.5), el cual ejerce una gran influencia en la lnea de regresin. En estos
dos ltimos casos se puede inferir que estos puntos o son datos atpicos o
existi un error en la captura.

A partir de este ejemplo se pude concluir que:

- Las grficas son una excelente ayuda para resumir y revelar patrones
en los datos.

- Las grficas permiten detectar datos anmalos.

- Las grficas promueven la comparacin de los resultados en los
modelos seleccionados.

- Las grficas resumen una gran informacin en un objeto visual.

_____________________________________________________________
19
Grficas de Cuatro Series de Datos y la Lnea de Regresin Ajustada.

0
2
4
6
8
10
12
0 5 10 15

Figura 2.1

0
2
4
6
8
10
12
0 2 4 6 8 10 12 14 16

Figura 2.2

_____________________________________________________________
20

0
2
4
6
8
10
12
14
0 2 4 6 8 10 12 14 16

Figura 2.3

0
2
4
6
8
10
12
14
4 6 8 10 12 14 16 18 20

Figura 2.4

_____________________________________________________________
21
Cuando los datos no pueden ser caracterizados o no satisfacen los requisitos
del modelo de pronstico seleccionado es posible aplicar tcnicas de
suavizacin de los datos con el propsito de simplificar la interpretacin de
los mismos. Las tcnicas de suavizacin de datos se aplican con los
siguientes criterios:

- No todos los conjuntos de datos pueden ser transformados.

- Los datos debern ser no negativos.

- Los sesgos presentados en los datos debern ser muy grandes.

- Las cantidades debern variar entre dos y tres rdenes de
magnitud.

- Pueden transformarse tanto la variable dependiente como la
independiente.

A continuacin se presenta un resumen de las transformaciones mas usuales
y los criterios para su aplicacin, as como unos ejemplos de funciones
linealizables. Tabla 2.3 y Figura 2.5.

_____________________________________________________________
22
FUNCIONES LINEALIZABLES
Tipo de Grfica x y

x
2

x
3

Log y

-1/y

Log x

-1/x

y
2

y
3

Log x

-1/x

Log y

-1/y

x
2

x
3

y
2

y
3

Figura 2.5
y
y
x
y

y
y

y
x
x
y
x
_____________________________________________________________
23

TRANSFORMACIONES USUALES PARA SUAVIZACIN DE DATOS
Funciones Linealizables Transformacin Forma Lineal
1
1
0
0 1
0
0 1
log
x
y x
y x
y e
x
y
x
|
|
|
| |
|
| |
=
= +
=
=

' log , ' log
' log
' ln
' 1 , ' 1
y y x x
x x
y y
y y x x
= =
=
=
= =

0 1
0 1
0 1
0 1
' log '
' '
' ln '
' '
y x
y x
y x
y x
| |
| |
| |
| |
= +
= +
= +
=

Tabla 2.3

2.3. CARACTERIZACIN DE LOS DATOS

Todos los modelos de pronstico cuantitativos tienen caractersticas en
comn que determinan los requerimientos del modelo y que deben ser
identificadas plenamente para asegurar la eficiencia del mismo. Estas
caractersticas son:

- El horizonte en el tiempo. Esto es, el periodo de tiempo durante el cual
se llevar a cabo el proceso que se ha planeado. Este se divide en: a plazo
inmediato (menos de un mes), a corto plazo (de uno a tres meses), a
mediano plazo (tres meses a dos aos) y a largo plazo (ms de dos aos).
Esta clasificacin puede variar dependiendo de las situaciones especficas
y debern existir criterios para fijar el horizonte del pronstico.

- El nivel del detalle. Para seleccionar el modelo de pronstico en una
situacin especfica, es necesario puntualizar el nivel de detalle requerido
para que el pronstico sea til. En este rengln, la agregacin o
desagregacin de datos es importante, as como el impacto que los
niveles de agregacin tendrn en el proceso.

_____________________________________________________________
24
- Nmero de entradas o variables. Cuando el pronstico involucra un
gran nmero de productos o eventos, es necesario incorporar criterios
para seleccionar los ms importantes, o para seleccionar el mtodo de
pronstico ms adecuado.

- Control. Si el proceso analizado es tal que se hace necesario
implementar controles que impactarn en tal forma al proceso que la
informacin histrica deje de ser relevante.

- Constancia. Cuando el proceso ha sido constante durante cierto lapso de
tiempo se valida el modelo verificndolo contra resultados reales del
proceso. Si por otro lado, el proceso es tal que sufre cambios constantes,
es importante seleccionar el modelo adaptativo que pueda reflejarlos.

- El patrn de los Datos. Dado que los diferentes medios de pronstico
varan en su habilidad de identificar el patrn de los datos, es importante
seleccionar el modelo adecuado de tal manera que ste concuerde con el
patrn de los datos.

a) Patrn Horizontal: No hay una tendencia en los datos (estacionariedad).
Esto es, el valor de los datos no crece ni decrece en el tiempo, oscilando
alrededor de un valor fijo. Figura. 2.6.

b) Patrn Estacional: Cuando la serie vara de acuerdo a algn factor
asociado a las estaciones o meses del ao, das de la semana u horas del da.
Figura 2.7.

c) Patrn Cclico: Los datos se repiten cclicamente a travs del tiempo y es
difcil de predecir o detectar ya que el ciclo puede ser un intervalo grande de
tiempo o por que no se repite con intervalos constantes. Figura 2.8.

d) Patrn de Tendencia: Cuando la serie crece o decrece en el tiempo.
Figura 2.9.

_____________________________________________________________
25
Figura 2.6 PATRN HORIZONTAL
0
2
4
6
8
1 3 5 7 9 11 13 15 17

Fig. 2.7 PATRN ESTACIONAL
0
2
4
6
8
01/01/1900 15/01/1900

Fig. 2.8 PATRN CCLICO
3
4
5
6
7
8
9
01/01/1900

Fig. 2.9 PATRN CON TENDENCIA
0
5
10
15
1 3 5 7 9 11 13 15 17 19 21 23

- Exactitud. De la mano con el nivel de detalle va el grado de exactitud
requerido. En algunas situaciones puede ser suficiente el alcanzar una
exactitud de 10%, en otros puede ser necesario obtener ms del 98% de
exactitud, y una variacin del 5% podra significar un desastre.

_____________________________________________________________
26
- Facilidad de Aplicacin y Sencillez. Un principio generalmente
aceptado en la aplicacin de mtodos cientficos a la administracin es la
importancia de que los decisores comprendan los modelos y que esta
comprensin genere la confianza en del decisor Esto es necesariamente
cierto en los modelos de pronstico, por lo que es necesario seleccionar
la tcnica ms sencilla posible, sin menoscabo de la utilidad del anlisis
del modelo de pronstico.

2.4. ESTADSTICOS BSICOS

La estadstica es una disciplina que entre sus objetivos se encuentran la de
proporcionar al usuario las medidas cuantitativas que mejor representan a un
conjunto de datos. A continuacin se definirn algunas de estas medidas,
las cuales en general reciben el nombre de estadsticos.

2.4.1. Medidas de Tendencia Central.

Los estadsticos de tendencia central estn diseados para proporcionar al
decisor la regla para determinar con una medida cuantitativa donde se
encuentra el centro de los datos. Los estadsticos de tendencia central son: la
media, la mediana y la moda.
^ La media es el promedio numrico de los datos y se define como:

1 2 3 4
1
...
n
i n
i
x x x x x x
x
n n
=
+ + + + +
= =
2.3

Ejemplo: Considere los datos de la Tabla 2.4.
Dentese la estatura de la persona con x
i
, entonces la estatura media es:

15
1
1 2550
170
15 15
i
i
x x
=
= = =
2.4

_____________________________________________________________
27
Estatura en Centmetros de 15 personas
Persona
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Estatura
158 167 177 165 172 164 167 175 185 179 182 162 167 159 171
Tabla 2.4

^ La mediana es el dato que se encuentra al centro de los datos
ordenados en orden creciente de magnitud, esto es:

( )
( )
1 / 2
/ 2 / 2 1

n
n n
x x
x x x
+
+
=
= +

Si n es impar

Si n es par

Ejemplo.
Calcule la mediana para los datos de la tabla 2.3
Es necesario como primer paso ordenar los datos en orden creciente, (Tabla
2.5).
Como n es impar (n = 15), (x +1)/2 = 8. La mediana corresponde al dato
nmero 8, x = 167.

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
158 159 162 164 165 167 167 167 171 172 175 177 179 182 185
Tabla 2.5

^ La moda de un conjunto de datos es el valor que se repite con mayor
frecuencia. Para los datos de la Tabla 2.5, la moda es 167, valor que se
repite tres veces.

_____________________________________________________________
28
2.4.2. Medidas de Variabilidad o Dispersin.

Las medidas de variabilidad o dispersin son un indicador de la distancia
que hay entre el primer y el ltimo dato de un conjunto de datos ordenados y
la distancia entre datos que pudieran ser o no consecutivos. Existen varias
medidas de dispersin entre las cuales tenemos: el rango de la muestra, la
desviacin, la varianza y la desviacin estndar.
El rango de la muestra se define como:

max min
X X

Para los datos de la Tabla 2.3, el rango es

185 158 = 27

La desviacin entre datos se determina encontrando la diferencia entre el
valor del dato y la media del conjunto de datos: esto es:

Desviacin =
i
x x 2.5

La suma de las desviaciones siempre ser cero, como se demuestra a
continuacin.

( ) ( ) ( ) ( )
1 2 3
1 2 3
1
, para toda i = 1 , . . . , n.
Por lo tanto la suma de las desviaciones es:
D= ...
D= ...
D=
i
n
n
n
i
i
D x x
x x x x x x x x
x x x x nx
x nx
=
=
+ + + +
+ + + +
| |
|
\ .

_____________________________________________________________
29

1
1 1
1
Pero a su vez
Por lo que
1
D= 0
n
i
i
n n
i i
i i
x x
n
x n x
n
=
= =
=
| |
=
|
\ .

Para un mejor anlisis de los datos es necesario aplicar otros estadsticos,
entre los cuales se encuentran:

^ La media del valor absoluto de las desviaciones:

MAD =
1
1
n
i
i
x x
n
=

2.6

^ La suma del cuadrado de las desviaciones:

SCD =
( )
2
1
n
i
i
x x
=

2.7
^ La media del cuadrado de las desviaciones:

MCD =
( )
2
1
1
n
n
i
i
x x
=

2.8

^ La varianza de la muestra:

( )
2
2
1
1
1
n
i
i
s x x
n
=
=

2.9

_____________________________________________________________
30
^ La desviacin estndar:

( )
( )
2
1
1
n
i
i
x x
s
n
=
2.10

La diferencia entre la media del cuadrado de las desviaciones y la variancia,
es que, mientras que la primera depende directamente del nmero de datos,
la segunda depende de los grados de libertad, los cuales se definen como el
nmero de datos menos el nmero de parmetros a estimar. En este caso, el
nmero de parmetros es uno, la media.

Para el ejemplo de la Tabla 2.4,

2
MAD =6.8
SCD=946
MCD=67.57
63.07
8.22
s
s
=
=

En el caso que sea necesario analizar dos conjuntos de datos y su
interrelacin o una serie de tiempo con retardo, el estadstico que indica
como co varan las variables, esto es, como vara la primera en funcin
de las variaciones de la segunda, se llama covariancia y esta definida
formalmente como:

Cov
x,y
=
( )( )
1
1
1
n
i i
i
x x y y
n
=

2.11

_____________________________________________________________
31
Asociado a la covariancia se tiene el coeficiente de correlacin entre la
variable x y la variable y, definido como:

( )( )
( ) ( )
x,y
1
2 2
x
1 1
Cov
n
i i
i
n n
y
i i
i i
x x y y
r
S S
x x y y
=
= =

= =

2.12

Este coeficiente es una medida especial de la covariancia y permite
representar en una misma escala, dos conjuntos de datos con diferentes
unidades de medida.

Ejemplo: La Tabla 2.6 muestra la estatura en centmetros y el peso en kilos
de 15 personas. En la Tabla 2.6.a, se muestra el clculo de la media del
cuadrado de las desviaciones y la variancia, tanto de la estatura como del
peso, y la covariancia.

Estatura y Peso de 15 personas
Persona
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Estatura
158 167 177 165 172 164 167 175 185 179 182 162 167 159 171
Peso
62 75 69 70 77 68 71 79 87 75 79 59 69 63 74
Tabla 2.6.

_____________________________________________________________
32

Persona Estatur
a
Peso D
E
D
P
D
E
2
D
P
2
(D
E
)(D
P
)
1 158 62 -12 -9.8 144 96.4 117.6
2 167 75 -3 3.2 9 10.24 -9.6
3 177 69 7 -2.8 49 7.84 -19.6
4 165 70 -5 -1.8 25 3.24 9
5 172 77 2 5.2 4 27.04 10.4
6 164 68 -6 -3.8 36 14.44 22.8
7 167 71 -3 -0.8 9 .64 2.4
8 175 79 5 7.2 25 51.84 36
9 185 87 15 15.2 225 231.04 228
10 179 75 9 3.2 81 10.24 28.8
11 182 79 12 7.2 144 51.84 86.4
12 162 59 -8 -12.8 64 163.84 102.4
13 167 69 -3 -2.8 9 7.84 8.4
14 159 63 -11 -8.8 121 77.44 96.8
15 171 74 1 2.2 1 4.84 2.2
Suma 2520 1077 0 0 946 758.4 722
Media 170 71.8
Variancia 67.57 54.17
Covariancia 51.57
Tabla 2.6a

Cuando una serie de tiempo representa un fenmeno que se repite a lo largo
del tiempo, (por ejemplo la temporada de lluvias), se analiza en
comportamiento de los datos contra si mismos con un retardo de n
periodos. Esto es, se analiza la relacin que pudiera haber entre el dato X
t
y
el dato X
t+n
.

En la Tabla 2.7 se presenta la serie X, con 20 observaciones y la serie Y, la
cual corresponde a la serie X con un retardo de 2 periodos, Y = X
t-2
, y T
representa el periodo.

_____________________________________________________________
33
Serie de Tiempo X y Serie de Tiempo Y, donde Y
T+2
= X
T
T X Y
1 28
2 34
3 37 28
4 41 34
5 25 37
6 32 41
7 44 25
8 19 32
9 26 44
10 31 19
11 33 26
12 46 31
13 58 33
14 43 46
15 39 58
16 25 43
17 38 39
18 45 25
19 39 38
20 49 45
Tabla 2.7

Para estas dos series hay 18 pares de datos a comparar. Para estos 18 datos
se puede determinar la covariancia y la correlacin, como si fueran dos
series de datos independientes. Sin embargo, dado que nicamente es una
serie, las medidas estadsticas se denominan autocovariancia y
autocorrelacin y estn definidas como:

_____________________________________________________________
34
( )( )
1 2
1
1
1
2
1
1
cov
1
donde
1
1
n
r k t t k
t k
n
t
t k
n k
t
t
Auto X M X M
n k
M X
n k
M X
n k
=
= +
= +
=
=

=
2.13
para un retardo de k, donde k = 1, 2, 3, ,

y

( )( )
( ) ( )
1 2
1
2 2
1 2
1 1
n
t t k
t k
r k
n n k
t t
t k t
X M X M
auto r
X M X M
= +
=

= + =

=

2.14

La aplicacin de estas frmulas presenta dos problemas:
- Las medias M
1
y M
2
no son iguales dado que estn basadas en dos
conjuntos de datos que no son exactamente iguales.
- El denominador en la ltima ecuacin involucra dos desviaciones
estndar diferentes entre s.

Sin embargo, dado que los datos de los dos conjuntos pertenecen a la misma
serie. Es posible simplificar las frmulas haciendo las siguientes
consideraciones:
_____________________________________________________________
35
- Las dos medias pueden ser estimadas usando la media de todos los
datos de la serie.
- Las dos desviaciones estndar pueden ser estimadas por la
desviacin estndar de todos los datos de la serie.

Con estas dos suposiciones las frmulas para la autocovariancia y auto
correlacin se simplifican, quedando expresadas por las siguientes
ecuaciones:

( )( )
( )( )
( )
k
1
1
2
1
1
auto cov =
1
auto r
n
t t k
t k
n
t t k
t k
k n
t
t
X X X X
n k
X X X X
X X
= +
= +
=

=
2.15

Para los datos de la Tabla 2.8:
La columna 1 representa el intervalo de tiempo; la columna 2 es el conjunto
de datos originales, la columna 3 es la serie original con un retardo de k =
2, esto es: X
t-2
= X
t
;

la columna 4 es la diferencia entre la serie X
t
y la
media; la columna 5 es la diferencia entre la serie X
t-2
y la media; la
columna 6 se obtiene al elevar al cuadrado los datos de la columna 4; y la
columna 7 es el producto de los datos de la columna 5 y los datos de la
columna 4.
Obtenindose las siguientes medidas estadsticas:

2
X=36.6
s =9.561
_____________________________________________________________
36

-65.32
Auto cov = = -3.84
17
-65.32
Auto reg = 0.0376
1736.8
para un retardo k= 2
=

1 2 3 4 5 6 7
T X Y
t
X X
2 t
X X

( )
2
t
X X ( )( )
2 t t
X X X X

1 28 -8.6 73.96
2 34 -2.6 6.76
3 37 28 0.4 -8.6 0.16 -3.44
4 41 34 4.4 -2.6 19.36 -11.44
5 25 37 -11.6 0.4 134.56 -4.64
6 32 41 -4.6 4.4 21.16 -20.24
7 44 25 7.4 -11.6 54.76 -85.84
8 19 32 -17.6 -4.6 309.76 80.96
9 26 44 -10.6 7.4 112.36 -78.44
10 31 19 -5.6 -17.6 31.36 98.56
11 33 26 -3.6 -10.6 12.96 38.16
12 46 31 9.4 -5.6 88.36 -52.64
13 58 33 21.4 -3.6 457.96 -77.04
14 43 46 6.4 9.4 40.96 60.16
15 39 58 2.4 21.4 5.76 51.36
16 25 43 -11.6 6.4 134.56 -74.24
17 38 39 1.4 2.4 1.96 3.36
18 45 25 8.4 -11.6 70.56 -97.44
19 39 38 2.4 1.4 5.76 3.36
20 49 45 12.4 8.4 153.76 104.16
Suma 732 1736.8 -65.32
Tabla 2.8 Clculo de la autocovariancia y auto correlacin de una Serie de
Tiempo de veinte datos con un retardo k = 2.

_____________________________________________________________
37
Como el coeficiente de auto correlacin estimado tiene un valor cercano a
cero, Auto reg. = -0.0376, se infiere que la serie no tiene un patrn asociado
a sta.

La autocorrelacin es una medida estadstica muy importante en el anlisis
de series de tiempo y la elaboracin de pronsticos y su aplicacin
especfica se ver en el anlisis de el mtodo de Box & Jenkins.

2.5. BONDAD DE AJUSTE

Otro de los problemas fundamentales de los mtodos de pronstico es el
determinar que tan exacto es ste, por lo que es necesario definir criterios
para determinarlo. Estos criterios se denominan Bondad de Ajuste y son
una medida de que tan bien el modelo seleccionado reproduce los datos
originales. Para calcular la exactitud del pronstico o la bondad de ajuste, se
divide el conjunto de datos en dos subconjuntos. El primer subconjunto se
usa para calcular el pronstico para todo el conjunto de datos, y el segundo
subconjunto para comparar el pronstico contra los datos originales. Este
anlisis plantea algunas preguntas que el decisor deber considerar al
realizarlo.

- Se puede obtener un mejor pronstico?
- Es necesario usar una tcnica formal o es suficiente un
pronstico intuitivo o causal?
- Si se tiene un modelo formal, es ste el adecuado?
- Es necesario modificar nicamente los coeficientes del modelo?
- Es necesario analizar otros modelos de pronsticos?

Realmente las tres primeras preguntas corresponden a la seleccin del
modelo, y las ltimas a que tan adecuado es el modelo que se seleccion.
Se puede elegir un buen mtodo de pronstico y elegir errneamente una
versin ms compleja del mismo, por ejemplo, en lugar de ajustar un
polinomio de segundo grado, elegir uno de tercero.

_____________________________________________________________
38
Se selecciona el modelo de acuerdo a la naturaleza de los datos, as como el
propsito del anlisis de los mismos. Una vez que se ha aplicado el modelo
seleccionado, ser necesario determinar la bondad de ajuste del mismo.
En cada uno de los mtodos de pronsticos existen pruebas inherentes al
modelo en s y pruebas que son comunes a todos los modelos. El escrutinio
de los residuos (o error entre los datos reales y los estimados) para el
anlisis de variancia y otras pruebas derivadas de la distribucin de los
mismos, como la grfica de probabilidad normal y el perodo grama
acumulado son algunas de las pruebas de diagnstico necesarias para
determinar la confiabilidad del pronstico. Una prueba sencilla y que
deber considerarse como el primer paso en cualquier diagnstico es la
grfica de los residuos en s.

Ningn modelo ser completamente acertado y ningn diagnstico ser
100% efectivo. Pueden existir datos para los cuales un modelo sea el
adecuado y que sin embargo el diagnstico lo descalifique y pueden existir
situaciones en donde el modelo diste mucho de ser el adecuado y sin
embargo las pruebas no ofrecern evidencia de esto. El mejor criterio ser
entonces aquel que sea el ms sensible a las tcnicas estadsticas diseadas
para determinar la bondad de ajuste, pero que al mismo tiempo permita al
decisor integrar juicios basados en su experiencia. Al mismo tiempo
debern ser sensibles a posibles discrepancias en los resultados debido a
datos atpicos, errores en captura, o caractersticas propias del fenmeno. Si
se han aplicado tcnicas de suavizacin o linealizacin a los datos
originales, es posible que se generen problemas en el momento del
diagnstico o del mismo pronstico si no se regresa a la escala original
correctamente.

En las secciones 2.5.1 y 2.5.2 se presentan las algunas de las herramientas
ms sencillas para determinar la bondad de ajuste para modelos de
pronstico formales.

_____________________________________________________________
39
2.5.1. Medidas Estadsticas Estndar.

Sea X
t
el dato para el periodo t, de la serie original con un nmero n de
observaciones. Sea Y
t
el pronstico para el dato X
t
.
Entonces a la diferencia
t t
X Y , se le denomina error del pronstico o
residuo y se denota por e
t
.

Para una serie de datos correspondientes a n observaciones y el pronstico
asociad, se tendrn n residuos o errores y se definen las siguientes medidas
estadsticas:

Error medio o media de los residuos:

1
1
n
i
ME e
n
=

2.16

Media del Valor absoluto del error:

1
1
n
i
i
MAE e
n
=
=

2.17

Suma del cuadrado del error:

( )
2
1
n
i
i
SSE e
=
=
2.18

Media del cuadrado del error:

( )
2
1
1
n
i
i
MSE e
n
=
=

2.19

_____________________________________________________________
40
Desviacin estndar de los errores

( )
2
1
1
( 1)
n
i
i
SDE e
n
=
=

2.20

La Tabla 2.9 presenta un ejemplo de la aplicacin de las medidas
estadsticas.

Datos de ventas de un artculo
Periodo Observacin Pronstico
Error o
residuo
Valor
absoluto
del error
Error al
cuadrado
1
2
3
4
5
6
7
8
9
10
342
389
415
375
342
289
245
278
415
396
349
375
422
390
351
284
239
286
403
405
-7
14
-7
-15
-9
5
6
-8
12
-9
7
14
7
15
9
5
6
8
12
9

49
196
49
225
81
25
36
64
144
81

Suma -18 92 950
Tabla 2.9

Por lo tanto:

ME = -18/10 = -1.8
MAE = 9.2
SSE = 950
MSE = 95
SDE = 10.274

_____________________________________________________________
41
A pesar de que estas medidas pueden ser de utilidad, es importante
reconocer las limitaciones de cada una de ellas. Por ejemplo, la media del
cuadrado de los errores se usa frecuentemente en optimizacin estadstica
como una medida a minimizar. Sin embargo esta medida estadstica tiene
una gran desventaja: Se ajusta un modelo a datos histricos lo que no
implica que se ha obtenido un buen pronstico. La media del cuadrado de
los errores bien puede ser cero si en la fase de ajuste del modelo se
selecciona un polinomio de grado lo suficientemente alto o una
transformada de Fourier. Los modelos de pronstico de suavizacin o
descomposicin dependen de manera importante de la exactitud de los
primeros pronsticos y los modelos de Box Jenkins minimizan la media
del cuadrado del error en un procedimiento de optimizacin no lineal Esta
medida por lo tanto no ofrece un indicador apropiado para la exactitud del
ajuste.

Para ejemplificar lo anterior, analcese de nuevo el Cuarteto de Anscome.
En las Tabla 2.10a, 2.10b, 2.10c y 2.10d se presenta el clculo del error para
cada una de las series del cuarteto y la Tabla 2.11 presenta el resumen de
los estadsticos.

X Y
Y
Error
4
5
6
7
8
9
10
11
12
13
14
4.26
5.68
7.24
4.82
6.95
8.81
8.04
8.33
10.84
7.58
9.96
5.000
5.501
6.001
6.501
7.001
7.501
8.001
8.501
9.001
9.501
10.001
4.26 - 5.000
5.68 - 5.501
7.24 - 6.001
4.82 - 6.501
6.95 - 7.001
8.81 - 7.501
8.04 - 8.001
8.33 - 8.501
10.84 - 9.001
7.58-9.501
9.96-10.001
-0.740
0.179
1.239
-1.681
-0.051
1.309
0.039
-0.171
1.839
-1.921
-0.041
Promedio 0
Desviacin Estndar 1.173
Tabla 2.10a, Serie 1
_____________________________________________________________
42
X Y
Y
Error
4
5
6
7
8
9
10
11
12
13
14
3.10
4.74
6.13
7.26
8.14
8.77
9.14
9.26
9.13
8.74
8.10
5.001
5.501
6.001
6.501
7.001
7.501
8.001
8.501
9.001
9.501
10.001
3.10 5.001
4.74 - 5.501
6.13 - 6.001
7.26 - 6.501
8.14 - 7.001
8.77 - 7.501
9.14 - 8.001
9.26 - 8.501
9.13 - 9.001
8.74 - 9.501
8.10 10.001
-1.901
-0.761
0.129
0.759
1.139
1.269
1.139
0.759
0.129
-0.761
-1.901
Promedio 0
Desviacin
Estndar
1.174
Tabla 2.10b, Serie 2

X Y
Y
Error
4
5
6
7
8
9
10
11
12
13
14
5.39
5.73
6.08
6.42
6.77
7.11
7.46
7.81
8.15
12.74
8.84
5.001
5.501
6.001
6.501
7.000
7.500
8.000
8.499
8.999
9.499
9.999
5.39 - 5.001
5.73 - 5.501
6.08 - 6.001
6.42 - 6.501
6.77 - 7.000
7.11- 7.500
7.46 - 8.000
7.81 - 8.499
8.15 - 8.999
12.74 - 9.499
8.84 - 9.999
0.389
0.229
0.079
-0.081
-0.230
-0.390
-0.540
-0.689
-0.849
3.241
-1.159
Promedio 0
Desviacin
Estndar
1.172
Tabla 2.10c, Serie 3

_____________________________________________________________
43
X Y
Y
Error
8
8
8
8
8
8
8
8
8
8
19
6.58
5.76
7.71
8.84
8.47
7.04
5.25
5.56
7.91
6.89
12.5
7.001
7.001
7.001
7.001
7.001
7.001
7.001
7.001
7.001
7.001
12.500
6.58 - 7.001
5.76 - 7.001
7.71 - 7.001
8.84 - 7.001
8.47 - 7.001
7.04 - 7.001
5.25 - 7.001
5.56 - 7.001
7.91 - 7.001
6.89 - 7.001
12.5 - 12.500
-0.421
-1.241
0.709
1.839
1.469
0.039
-1.751
-1.441
0.909
-0.111
0.000
Promedio 0
Desviacin
Estndar
1.173
Tabla 2.10d, Serie 4

Coeficiente a 3.00 3.00 3.00 3.00
Coeficiente b 5.00 5.00 5.00 5.00
Error Promedio 0.00 0.00 0.00 0.00
Desviacin Estndar
del error
1.173 1.174 1.172 1.173
Tabla 2.11

Este ejemplo se ve claramente que a pesar de que el error en cada caso es
cero y la desviacin estndar es pequea y en todos los casos alrededor de
1.173, el ajuste de la regresin lineal a los datos no es bueno. Es por esto
que estos estadsticos no son suficientes para garantizar el mejor ajuste.

_____________________________________________________________
44
2.5.2. Medidas Estadsticas Relativas.

Debido a las limitaciones de las medidas estadsticas estndar, se han
desarrollado las siguientes tres medidas alternativas para el anlisis del
error:

- Porcentaje de error = PE
t
=
( )
100
t t
t
t
X Y
PE
X
| |
=
|
\ .
2.21

- La Media del Porcentaje del Error = MPE =
1
1
n
i
i
PE
n
=
2.22

- La Media del Valor absoluto del Porcentaje de Error = MAPE

1
1
n
i
i
MAPE PE
n
=
=

2.23

Desde el punto de vista del experto en pronsticos, es ms til saber que la
Media del Valor absoluto del Porcentaje de Error es 5% a saber que la
Media del Error al Cuadrado es 174, por ilustrar el concepto.

2.6. PRUEBA U DE THEIL.

Esta prueba permite una comparacin relativa entre los mtodos formales de
pronstico y los mtodos intuitivos o elementales de juicio. La expresin
matemtica de este estadstico es:

( )
( )
1
2
1 1
1
1
2
1
1
1
1
1
n
i i
i
T n
i
i
CPR CRR
n
U
CRR
n
+ +
=
+
=
2.24
_____________________________________________________________
45

donde

1
i+1
CRP
i i
i
y x
x
+

= 2.25

es el cambio relativo pronosticado y

1
i+1
CRR
i i
i
x x
x
+

= 2.26

es el cambio relativo real.

Esta prueba se interpreta de la siguiente manera:
El valor de U
T
ser cero si y slo si
1 1 i i
CRP CRR
+ +
= , que nicamente ocurre
cuando las estimaciones o pronsticos son exactos, (error cero), y por otro
lado U
T
= 1 nicamente si CRP
i+1
= 0, lo que equivaldra a utilizar un
mtodo de juicio para pronosticar que no habra cambios en el futuro.

Se resume el anlisis de la prueba U de Theil de la siguiente manera:

U = 1: El mtodo de juicio es tan bueno como el modelo matemtico.

U < 1: El mtodo formal es mejor que los mtodos de juicio.

U > 1: No es conveniente utilizar un mtodo formal. Los resultados de un
pronstico intuitivo sern mejores.

En la tabla 2.12 se presenta un ejemplo del clculo de la estadstica U de
Theil.

_____________________________________________________________
46
Periodo
t
Dato
X
i

Pronstico
F
i

Numerador
2
1 1 i i
i
F X
X
+ +
| |
|
\ .

Denominador
2
1 i i
i
X X
X
+
| |
|
\ .

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
541
532
506
496
471
466
449
432
417
402
395
387
371
365
359
544
529
510
502
485
471
457
439
425
414
404
391
386
379
362
0.00003
0.00003
0.00006
0.00014
0.00080
0.00011
0.00029
0.00024
0.00034
0.00083
0.00050
0.00010
0.00150
0.00142
0.00007
0.00040
0.00028
0.00239
0.00039
0.00254
0.00011
0.00133
0.00143
0.00121
0.00129
0.00030
0.00041
0.00171
0.00026
0.00027
Sumas 0.00647 0.01432
Tabla 2.12

Y por lo tanto:

Estadstica U de Theil
0.00647
0.4519
0.01432
= =

_____________________________________________________________
47
2.7. OTRAS PRUEBAS

2.7.1. Medida Estadstica Durbin Watson.

Esta medida es muy til para indicar si existe un patrn en los errores o
residuos despus de que un mtodo de pronstico ha sido aplicado. Esta
medida esta definida por:

( )
2
1
2
2
1
n
t t
t
n
t
t
e e
D W
e
=
=
2.27

Esta medida estadstica se aplica una vez determinado el pronstico. Si los
errores son aleatorios, entonces la medida estar cercana al 2. Si existe una
auto correlacin positiva en el conjunto de errores, entonces la medida ser
menor que 2. Si existe una auto correlacin negativa, la medida ser mayor
que 2. El rango de esta medida va de 0 a 4. Para el ejemplo anterior, se
tiene que D W es igual a 2.424 por lo que se podra concluir que existe
auto correlacin negativa entre los residuos.

En la Tabla 2.13 se presenta un ejemplo del clculo de la estadstica D
W.

Tipo de Cambio del Peso Mexicano con respecto al Dlar de los Estados
Unidos de Amrica de 1990 a 2002
Periodo Dato Pronstico error (e
t
e
t-1
) (e
t
e
t-1
)
2
e
t
2
1
2
3
4
2.941
3.070
3.118
3.108
3.015
3.114
3.251
3.189
-0.074
-0.044
-0.133
-.0081

0.03
-0.089
0.052

0.0009
0.0079
0.0027
0.0055
0.0019
0.0177
0.0066
_____________________________________________________________
48
5
6
7
8
9
10
11
12
13
3.931
7.660
7.877
8.136
9.912
9.415
9.444
9.167
10.198
3.756
7.859
7.942
8.214
9.564
9.691
9.587
9.213
10.315
0.175
-0.199
-0.065
-0.078
0.348
-0.276
-0.143
-0.046
-0.117
0.256
-0.374
0.134
-0.013
0.426
-0.624
0.133
0.097
-0.071
0.0655
0.1399
0.0180
0.0002
0.1815
0.3894
0.0177
0.0094
0.00050
0.0306
0.0396
0.0042
0.0061
0.1211
0.0762
0.0204
0.0021
0.0137
Sumas 0.8381 .3457
Tabla 2.13

0.8381
2.424
0.3457
D W = =

2.7.2. Medida Estadstica McLaughlin.

Esta medida, denotada por McL, es muy similar la estadstica U de Theil y
esta diseada en trminos del clculo del promedio de bateo de los
jugadores de Bisbol, el cual flucta entre 200 a 400, con las siguientes
equivalencias:

U de Theil McL
U >114 McL < 300
U =115 McL = 300
U< 1 McL > 300

Esta medida se calcula de la siguiente manera: ( )
4 100 McL UdeT =

Para el ejemplo de la Tabla 2.12, el valor de la medida McL es:

( )
4 0.4519 100 354.81 =

_____________________________________________________________
49

3 MTODOS DE SUAVIZACIN

3.1 INTRODUCCIN

Una de las medidas estadsticas ms importantes en los mtodos de
pronsticos es la media. La media es un estimados insesgado. Cuando es
utilizado como una herramienta en los mtodos de pronstico, es necesario
conocer las condiciones bajo las cuales su uso es apropiado.
Especficamente, se podr considerar til la media si los datos son
estacionarios, lo cual significa que el proceso que genera los datos no vara
significativamente y que la varianza permanece constante a travs del
tiempo. Sin embargo, si los datos tienen tendencia, sea sta positiva o
negativa, o un componente de estacionalidad, entonces la media no ser
representativa del patrn de los datos.

En este captulo se aplicarn diferentes alternativas de mtodos de
suavizacin basados en la media como pronstico. Estas alternativas parten
de un criterio en comn para el escenario del pronstico, el cual se define a
continuacin:

Se selecciona un punto en el tiempo al cual se le denomina punto de
referencia y el cual divide al conjunto de datos en dos. A partir de los datos
del primer subconjunto, se selecciona un modelo de pronsticos y se ajusta.
Con el modelo seleccionado se calculan los valores para los datos y se
determina el error entre el dato estimado y el dato observado. Una vez
calculado el error, se aplican las pruebas de bondad de ajuste. Con el
modelo seleccionado se procede a estimar el valor de los datos para el
segundo subconjunto, se determina el error del pronstico y se procede a
aplicar las pruebas de bondad de ajuste. De esta manera se generan dos
conjuntos de resultados que permitirn determinar que tan bueno es el
modelo seleccionado.

_____________________________________________________________
50
La siguiente figura describe la estrategia descrita para evaluar el proceso.

Etapa 1: Seleccione el conjunto de datos para analizar.
Divdalo en dos subconjuntos: Inicial y Prueba
Etapa 2: Seleccin del Mtodo de Suavizacin
Etpa 3: Aplique el Mtodo al conjunto Inicial
Etapa 4: Aplique el Mtodo seleccionado para hacer el pronstico
para el nmero de datos en el conjunto Prueba
Etapa 5: Aplique las pruebas de bondad de ajuste al pronstico
Etapa 6: Optimice: Modifique los parmetros hasta obtener un mejor ajuste
Evaluacin del Mtodo y sus Resultados

Figura 3.1

_____________________________________________________________
51
3.2 BASES TERICAS

Los mtodos de suavizacin, en general, se dividen en dos grupos: Mtodos
de Promedios y Mtodos de Suavizacin exponencial.

El primer grupo, Mtodos de Promedios, se basan el lo que generalmente
se entiende por promedio o media. Los mtodos ms sencillos aplican el
promedio no ponderado de los datos histricos para determinar el
pronstico, mientras que los ms complejos, promedios mviles, utilizan
un conjunto de n observaciones que vara en cada clculo del siguiente
dato en la serie de tiempo que corresponde al pronstico. En este caso los
promedios estn ponderados por pesos no equitativamente distribuidos.

El segundo grupo lo forman los mtodos que dependen de pesos que decaen
exponencialmente en el tiempo y requieren la determinacin de parmetros
que toman valores entre 0 y 1. Estos modelos tambin dependen de
promedios mviles y de ajuste de curvas con regresin lineal o regresin no
lineal para su desarrollo. En estos modelos se encuentran adems modelos
adaptativos que permiten correcciones en los parmetros a medida que se
van generando los pronsticos.

Entre estos dos grupos pueden considerarse ciertas analogas las cuales se
presentan en la Figura 3.2

_____________________________________________________________
52
Mtodos de Promedios Mtodos de Suavizacin Exponencial
Promedios Simples
Promedios Mviles de Primer Orden
Promedios Mviles de Segundo Orden
Otras variaciones de Promedios Mviles
Suavizacin exponencial con un Parmetro
Suavizacin Exponencial Doble con un Parmetro (Modelo de Brown)
Suavizacin Exponencial Doble con dos Parmetros (Modelo de Holt)
Suavizacin Exponencial triple, con un parmetro
(Modelo Cuadrtico de Brown).
Suavizacin Exponencial Triple con tres parmetros,
(Modelo de Winter).
Clasificacin de Pegel

Figura 3.2

La figura 3.3 representa un conjunto de patrones encontrados en las series
de tiempo de los datos histricos, los cuales son usados para evaluar el
comportamiento de los datos, y que pueden ser de gran utilidad para la
seleccin del modelo de pronsticos a utilizar.

_____________________________________________________________
53
Proceso Sin error Con error aleatorio

Proceso Constante

Pulso

Rampa

Escaln

Fig.
Algunos Patrones Bsicos

Sin efecto
estacional
Efecto
Estacional
Aditivo
Efecto Estacional
Multiplicativo

Sin Tendencia

Tendencia con
Efecto Aditivo

Tendencia con
Efecto
Multiplicativo

_____________________________________________________________
54
3.3 MTODOS DE PROMEDIOS

Los datos histricos pueden ser suavizados de varias maneras, entre estas se
encuentran el promedio simple o media, promedios mviles simples,
promedios mviles dobles y combinaciones de promedios mviles de mayor
orden.

3.3.1 Promedios Simples.

Considere que se tienen n datos histricos y que ste ha sido dividido,
para el propsito de anlisis, en dos conjuntos: el subconjunto de modelado,
con T datos y el subconjunto de prueba, con n-t datos.

1 2 3 4
, , , ,...,
T
X X X X X
1 2 3 4
, , , ,...,
T T T T n
X X X X X
+ + + +

Entonces para determinar el pronstico se determina la media de todos los
datos del primer subconjunto, esto es:

1
1
1
T
i T
i
X X F
T
+
=
= =
3.1

Para determinar el error del pronstico se tiene:

1 1 1 T T T
e X F
+ + +
= 3.2

Para el periodo T+2, se tiene un dato ms en el conjunto de modelado y un
dato menos en el subconjunto de prueba:

1 2 3 4 1
, , , ,..., ,
T T
X X X X X X
+

2 3 4
, , ,...,
T T T n
X X X X
+ + +

_____________________________________________________________
55
El pronstico ahora ser:

1
2
1
1
1
T
i T
i
X X F
T
+
+
=
= =
+

3.3

y el error esta dado por:

2 2 2 T T T
e X F
+ + +
= 3.4

Aunque este mtodo es muy sencillo, su aplicacin depende de la naturaleza
de los datos de la serie histrica que se tiene. Si existe tendencia o
estacionalidad, este mtodo no ser apropiado. Sin embargo en casos en los
cuales la serie sea estacionaria, este mtodo generar un pronstico
aceptable.

3.3.2 Promedios Mviles Sencillos

Para modificar la influencia de los datos histricos en una serie de tiempo es
posible especificar cuantos trminos pueden incluirse en el promedio. El
trmino Media Mvil se usa para describir un procedimiento en el cual
cada vez que se genera un nuevo trmino en la serie, se determina un nuevo
promedio. Este clculo implica desechar el primer trmino de la serie y
agregar el nuevo dato. En este caso el nmero de datos promediados
permanece constante durante todo el proceso. El orden del promedio lo
determina el nmero de datos tomados para el clculo del promedio. El
pronstico en el tiempo T +1 es el promedio de los primeros T datos de la
serie histrica. La tabla 3.1 ilustra el proceso.

_____________________________________________________________
56
Tiempo Promedio Mvil Pronstico
T

T+1

T+2
1 2 3 4
1
1
2 3 4 1
2
2
3 4 1 2
3
... 1
... 1
... 1
T
T
i
i
T
T T
i
i
T
T T T
i
i
X X X X X
X X
T T
X X X X X
X X
T T
X X X X X
X X
T T
=
+
+
=
+
+ +
=
+ + + + +
= =
+ + + + +
= =
+ + + + +
= =

y continua . . .

1
1
1
2
2
2
3
3
1
1
1
T
T i
i
T
T i
i
T
T i
i
F X
T
F X
T
F X
T
+
=
+
+
=
+
+
=
=
=
=

Tabla 3.1

1 El proceso de medias mviles tiene las siguientes caractersticas:

^ nicamente se utilizan los ltimos T periodos anteriores para
calcular el promedio.
^ El nmero de datos no vara durante el proceso.
^ Requiere ms capacidad de almacenamiento.
^ Si la serie presenta estacionalidad o tendencia, el pronstico puede
no ser apropiado.
^ La serie que se genera con este proceso tendr menos datos que la
serie original. Por ejemplo, si se tiene un promedio mvil de orden
tres, se perder un dato al inicio y un dato al final en la serie que
representa el pronstico. En promedios mviles de mayor orden se
perdern n-1 datos y ser necesario centrar la serie, de tal forma que
se pierdan (n-1)/2 al principio y al final de la serie de
pronsticos.

_____________________________________________________________
57
El siguiente ejemplo presenta el desarrollo de un proceso de Promedios
Mviles Sencillos de orden tres. Tabla 3.2

Datos Promedio Mvil
de Orden 3
303,407
319,995
337,271
354,866
374,947
396,131
440,008
476,062
534,572
585,014
649,279
698,356
749,862
786,155
810,936
846,541
884,350
904,615
924,595
930,996
942,601
967,695
988,625
1,020,435
1,060,074
1,094,286
1,148,867
1,121,467
1,145,013

320,224
337,377
355,695
375,315
403,695
437,400
483,547
531,883
589,622
644,216
699,166
744,791
782,318
814,544
847,276
878,502
904,520
920,069
932,731
947,097
966,307
992,252
1,023,045
1,058,265
1,101,076
1,121,540
1,138,449

Tabla 3.2
_____________________________________________________________
58
El primer nmero de la columna de promedios mviles se calcula tomando
el promedio de los tres primeros datos:

303,407 + 319,995 + 337,271 =960,673
960,673 / 3 = 320,224

Para determinar el orden del Promedio Mvil es necesario considerar los
siguientes procesos:

MA(1) Promedio Mvil de Orden Uno. El ltimo dato conocido se toma
como pronstico. Esto es
1 t t
F X
+
= . El pronstico para maana es el valor
de la variable hoy.

MA(4) Promedio Mvil de orden Cuatro. Para datos cuatrimestrales, un
promedio mvil de orden cuatro suaviza el efecto estacional eficientemente.
Sin embargo no ser apropiado como pronstico para el siguiente periodo ya
que no integrar adecuadamente ni la tendencia ni la estacionalidad. Este
proceso es til cuando se desea examinar estos dos componentes en la serie.

MA(12) Promedio Mvil de Orden Doce. Para datos mensuales este
proceso suavizar los efectos estacionales, pero no ser efectivo como
pronstico para series histricas con tendencia y estacionalidad.

3.3.3 Promedios Mviles Dobles.

Dado que la media y los promedios mviles ordinarios no ofrecen un
pronstico aceptable cuando existe tendencia, los promedios mviles
dobles ofrecen una tcnica alternativa para determinar el pronstico en este
caso. El componente de tendencia se observa si al determinar el error, ste
es sistemtico, permaneciendo constante alrededor de un valor y con una
desviacin estndar muy pequea.

_____________________________________________________________
59
Para reducir el error sistemtico que se produce al aplicar un proceso de
promedios mviles a series con tendencia, se desarroll una variante:
promedios mviles lineales, la cual se basa en el clculo de promedios
mviles dobles.

En este proceso se calcula un segundo promedio mvil del primer promedio
mvil denotado por MA(M x N), lo cual significa que se genera una serie
con un promedio mvil de orden M de la serie de promedio mvil de orden
N previamente calculada. Sin embargo, si existe un componente aleatorio
significativo, este procedimiento no lo atena y el pronstico no ser
apropiado.

El proceso de promedios mviles lineales puede resumirse en los siguientes
pasos:

1.- Clculo de la serie de promedios mviles de orden N, denotada por S
n.

2.- Anlisis de los residuos con el fin de determinar una posible tendencia.
3.- En caso de existir tendencia, clculo de la serie de promedios mviles de
orden M, a partir de la serie S
n
. Esta serie se denota por S
m*n
.

4.- Realizar un ajuste con la diferencia S
n
S
m*n
.

5.- Ajustar el pronstico para compensar la tendencia, con el clculo de los
parmetros de una recta.

Y puede representarse con el siguiente conjunto de ecuaciones:

_____________________________________________________________
60

( )
( )
1 2 3 1
*
1 2 3 1
* *
*
...
...
2
2
1
N
t t t t t N
N N N N N
M N
t t t t t N
N N M N N M N
t t t t t t
N M N
t t t
t m t t
X X X X X
S
N
S S S S S
S
N
a S S S S S
b S S
n
F a b m
+
+
+
+ + + + +
=
+ + + + +
=
= + =
=
= +
3.5

Donde a
t
es el ajuste debido a la diferencia S
n
S
m*n
, b
t
es el ajuste que
corresponde a la tendencia y F
t+m
es el pronstico m periodos adelante,
representado por la ecuacin de una recta.

En la tabla 3.3 se presenta un ejemplo de este procedimiento.

T X MA 3
error:X-
MA3 MA 3*3
error:
MA3 -
Ma3*3
Valor de
a
Valor de
b
Pronstico,
m=1
Error:
X-F
1 215.00
2 222.00
3 231.00
4 239.00 222.67 16.33
5 245.00 230.67 14.33
6 252.00 238.33 13.67
7 257.00 245.33 11.67 230.56 14.78 260.11 0.87 260.98 -3.98
_____________________________________________________________
61
8 263.00 251.33 11.67 238.11 13.22 264.56 0.78 265.33 -2.33
9 269.00 257.33 11.67 245.00 12.33 269.67 0.73 270.39 -1.39
10 274.00 263.00 11.00 251.33 11.67 274.67 0.69 275.35 -1.35
11 280.00 268.67 11.33 257.22 11.44 280.11 0.67 280.78 -0.78
12 286.00 274.33 11.67 263.00 11.33 285.67 0.67 286.33 -0.33
13 293.00 280.00 13.00 268.67 11.33 291.33 0.67 292.00 1.00
14 300.00 286.33 13.67 274.33 12.00 298.33 0.71 299.04 0.96
15 305.00 293.00 12.00 280.22 12.78 305.78 0.75 306.53 -1.53
16 312.00 299.33 12.67 286.44 12.89 312.22 0.76 312.98 -0.98
17 318.00 305.67 12.33 292.89 12.78 318.44 0.75 319.20 -1.20
18 325.00 311.67 13.33 299.33 12.33 324.00 0.73 324.73 0.27
19 331.00 318.33 12.67 305.56 12.78 331.11 0.75 331.86 -0.86
20 338.00 324.67 13.33 311.89 12.78 337.44 0.75 338.20 -0.20
21 342.00 331.33 10.67 318.22 13.11 344.44 0.77 345.22 -3.22
22 347.00 337.00 10.00 324.78 12.22 349.22 0.72 349.94 -2.94
23 353.00 342.33 10.67 331.00 11.33 353.67 0.67 354.33 -1.33
24 360.00 347.33 12.67 336.89 10.44 357.78 0.61 358.39 1.61
25 365.00 353.33 11.67 342.22 11.11 364.44 0.65 365.10 -0.10
26 371.00 359.33 11.67 347.67 11.67 371.00 0.69 371.69 -0.69
27 378.00 365.33 12.67 353.33 12.00 377.33 0.71 378.04 -0.04
28 384.00 371.33 12.67 359.33 12.00 383.33 0.71 384.04 -0.04
29 389.00 377.67 11.33 365.33 12.33 390.00 0.73 390.73 -1.73
30 395.00 383.67 11.33 371.44 12.22 395.89 0.72 396.61 -1.61
31 402.00 389.33 12.67 377.56 11.78 401.11 0.69 401.80 0.20
32 409.00 395.33 13.67 383.56 11.78 407.11 0.69 407.80 1.20
33 414.00 402.00 12.00 389.44 12.56 414.56 0.74 415.29 -1.29
34 421.00 408.33 12.67 395.56 12.78 421.11 0.75 421.86 -0.86
35 427.00 414.67 12.33 401.89 12.78 427.44 0.75 428.20 -1.20

Promedio 12.34 12.23 -0.85
Variancia 1.52 0.69 1.67
Tabla 3.3

_____________________________________________________________
62
En ejemplo anterior se puede apreciar que el error, entre los datos de la
serie histrica y la serie S
n
, tiene una media constante que oscila alrededor
de 12 con una desviacin estndar relativamente pequea. Este es el mismo
caso para la diferencia entre S
n
y S
m*n
. El error para el pronstico es
cercano a cero con desviacin estndar tambin relativamente pequea.

3.3.4 Otras Combinaciones de Promedios Mviles.

Es posible generar un gran nmero de combinaciones de promedios
mviles. Puede generarse combinaciones de promedios mviles de tercer
orden con promedios mviles de cuarto orden (4 x 3), y en general se
podran generar promedios mviles dobles de orden M x N. De la misma
manera se pueden generar promedios mviles triples de orden M x N x P y
promedios mviles de cudruples de orden M x N x P x R.

Es til mencionar que en todos los procesos de promedios mviles usados
para suavizar la serie original, el resultado obtenido equivale a ponderar los
datos de tal manea que los datos ms antiguos tengan menos pesos que los
datos centrales, los cuales tendrn ms peso que los ms recientes.

Analcese una serie generada por promedios mviles sencillos de orden n.
El promedio esta dado por:

1 2 3
1
1 1 1 1 1

Pesos iguales
n
i n
i
X X X X X X
n n n n n
=
= = + + + +
| |

Sin embargo, para una serie de promedios mviles dobles, los pesos se
determinan de la siguiente manera:

Dada una serie generada por promedios mviles dobles de orden 3 x 3.

_____________________________________________________________
63
( )
( )
( )
( )
( ) ( ) ( )
| |
1 1 2 3
2 2 3 4
3 3 4 5
1 1 2 3
1 1 2 3 2 3 4 3 4 5
1 1 2 3 2 3 4 3 4 5
1 1 2 3
1
'
3
1
'
3
1
'
3
1
'' ' ' '
3
1 1 1 1
''
3 3 3 3
1
''
9
1 2 3 2
''
9 9 9 9
S X X X
S X X X
S X X X
S S S S
S X X X X X X X X X
S X X X X X X X X X
S X X X
= + +
= + +
= + +
= + +
(
| | | | | |
= + + + + + + + +
| | | (
\ . \ . \ .

= + + + + + + + +
| | | | | | | |
= + + +
| | |
\ . \ . \ . \
4 5
1
9

Pesos diferentes
X X
| |
+
| |
. \ .
|

Cuando se utilizan modelos lineales de promedios mviles para generar
pronsticos, entonces los datos ms recientes tendrn ms peso que los
datos anteriores.

El proceso de generacin de pronsticos con promedios mviles se puede
representar algebraicamente con las siguientes frmulas:

1 2 3
1
1
1
2 3 1
2
2
... 1
... 1
R
R
t i
I
R
R R
t i
i
X X X X
F X
R R
X X X X
F X
R R
+
=
+
+
+
=
+ + + +
= =
+ + + +
= =
3.6

_____________________________________________________________
64
Si se compara F
T+1
con F
T+2
se constata que para calcular el segundo
pronstico es necesario quitar el trmino X
1
y agregar el trmino X
T+1
. Pro
lo que :

( )
2 1 1 1
1
T T T
F F X X
T
+ + +
= + 3.7

Esto es, el pronstico F
T+2
es slo una adecuacin de F
T+1
. Es obvio que si T
es grande, el ajuste ser pequeo. Los promedios mviles de orden grande
generan pronsticos que no varan mucho.

3.4 MTODOS EXPONENCIALES

Los mtodos de suavizacin exponencial se generan cuando los pesos
relativos de los datos decrecen exponencialmente con el tiempo. Los pesos
de los datos ms antiguos tendrn menos peso que los datos ms recientes,
como es el caso del mtodo lineal de promedios mviles. A diferencia de
los mtodos de promedios mviles, donde los parmetros son los pesos de
cada uno de los datos, en los mtodos de suavizacin exponencial, se
determinan los parmetros de las ecuaciones que los representan. En este
caso los parmetros seleccionados determinan los pesos asignados a los
datos observados.

3.4.1 Mtodos de Suavizacin Exponencial de Primer Orden.

Los pronsticos asociados a los mtodos de suavizacin exponencial de
primer orden dependen nicamente de un parmetro y se analizarn dos
modelos

_____________________________________________________________
65
3.4.1.1 Modelo de Suavizacin Exponencial Ordinario.

El caso ms sencillo de suavizacin exponencial se deriva de la ecuacin
No. 3.7, la cual se obtiene de la diferencia de dos valores consecutivos de
una serie de promedios mviles sencillos de orden T, como a continuacin
se muestra:

1 2 3 4
1
1
... 1
T
T
T i
i
X X X X X
F X
T T
+
=
+ + + + +
= =

3.8

1
2 3 4 1
2
2
... 1
T
T T
T i
i
X X X X X
F X
T T
+
+
+
=
+ + + + +
= =
3.9

Restando la ecuacin 3.1 de la ecuacin 3.2 se obtiene:

( )
2 1 1 1
1
T T T
F F X X
T
+ + +
= +
3.10

Rescribiendo estas ecuaciones e invirtiendo el orden de los sumandos, se
tiene:

_____________________________________________________________
66
1 2 3 1
1
1 2 3 1
1
1
...
...
T T T T T n
T
T T T T n T n
T
T n T
T T
T n T
T T
X X X X X
F
n
X X X X X
F
n
X X
F F
n n
X X
F F
n n
+
+
+
+
+ + + + +
=
+ + + + +
=
| |
=
|
\ .
| |
= +
|
\ .
3.11

Si la serie es estacionaria, se puede sustituir, sin prdida de exactitud, la
observacin X
T-n
por F
T
, de tal manera que la ecuacin 3.10 puede ser
rescrita como:

1
1
1 1
1
T T
T t
T T T
X F
F F
n n
F X F
n n
+
+
| |
= +
|
\ .
| |
= +
|
\ .
3.12

Nota: Si la serie tiene tendencia, entonces esta substitucin no ser
apropiada y este mtodo no generar un pronstico adecuado.

_____________________________________________________________
67
De la ltima ecuacin, se puede observar que el pronstico en el tiempo T+1
se basa en el ltimo dato de la serie, X
T
, con un peso ponderado de (1/n) y
en el ltimo pronstico calculado, F
t
, con un peso ponderado de |1/(n-1)|.

Como n es un nmero positivo, (1/n) ser un nmero positivo entre 0 (si n
es infinita) y 1 (si n es igual a 1).

Substituyendo o por (1/n), la ecuacin 3.12 se convierte en:

1
(1 )
T T T
F X F o o
+
= + 3.13

Esta ecuacin resume el proceso de suavizacin exponencial ordinaria y se
utiliza para calcular el pronstico. Tiene la gran ventaja de que los
requerimientos de espacio de memoria en un proceso computacional son
muy pequeos, dado que no es necesario guardar todos los datos histricos,
sino nicamente la observacin ms reciente adems de un slo valor para
o.

Analcese la ecuacin 3.13, de la siguiente manera: substityase F
T
por
( )
1 1
1
T T
X F o o

+ , obtenindose:

( ) ( )
1 1 1
1 1
t t t t
F X X F o o o o
+
= + + (

3.14

Entonces:

( ) ( )
2
1 1 1
1 1
T T T T
F X X F o o o o
+
= + + 3.15

_____________________________________________________________
68
Si en este proceso se contina reemplazando F
T-i
por la expresin
correspondiente el resultado es la ecuacin 3.16.

( ) ( ) ( )
( ) ( )
( )
( )
( )
2 3
1 1 2 3
4 1
4 1 1
1 1 1
1 ... 1 1
T T T T T
N N
T T N t N
F X X X X
X X F
o o o o o o o
o o o o o
+

= + + +
+ + +
3.16

Para ejemplificar, asgnense valores a o. o=.1, .3, .5, o .7. Los pesos de las
observaciones X
i
, se presentan en la Tabla 3.4.

Valor de o o = 0.1 o = 0.3 o = 0.5 o = 0.7
Peso de
la
Variable
1
2
3
4
5
T
T
T
T
T
T
X
X
X
X
X
X

X
T-6
0.1
0.090
0.081
0.073
0.066
0.059
0.053
0.3
0.210
0.147
0.103
0.072
0.050
0.035
0.5
0.250
0.125
0.063
0.031
0.016
0.008
0.7
0.210
0.063
0.019
0.006
0.002
0.001
Tabla 3.4

Las grficas correspondientes a los pesos para cada valor de o se presentan
en la Figura 3.1.

De las grficas se puede observar que los pesos decaen exponencialmente y
por lo tanto el nombre de suavizacin exponencial. Tambin se puede
observar que entre ms grande sea el valor de o , ms pronunciado es el
decaimiento.

_____________________________________________________________
69

0.1
0.040
0.050
0.060
0.070
0.080
0.090
0.100
0 1 2 3 4 5

0.3
0.00
0.05
0.10
0.15
0.20
0.25
0 1 2 3 4 5

0.5
0.00
0.05
0.10
0.15
0.20
0.25
0.30
0 1 2 3 4 5

0.7
0.00
0.05
0.10
0.15
0.20
0.25
0 1 2 3 4 5

Figura 3.1

_____________________________________________________________
70

Una expresin equivalente a la ecuacin 3.13 es:

( )
1 T T T T
F F X F o
+
= + 3.17

Dado que
T T
X F representa el error en el pronstico, la ecuacin 3.17
puede rescribirse como:

( )
1 T T T
F F e o
+
= + 3.18

En esta ecuacin se puede observar que el pronstico en el tiempo T+1
corresponde al pronstico del tiempo T ms un ajuste por el error. Si o
tiene un valor cercano a uno, el pronstico nuevo tendr un ajuste
considerable sobre el pronstico inmediato anterior. Si o est cercano a
cero, el ajuste ser mnimo. El mtodo de Suavizacin Exponencial
Ordinario de Primer Orden ajusta el pronstico en un porcentaje del
pronstico precedente, lo que permite fijar un criterio para la seleccin de o.
Entre mayor sea el ajuste necesario mayor tendr que ser el valor de o. Este
procedimiento es comprable a un proceso de control con retroalimentacin,
donde el error en el pronstico se usa para corregir el siguiente pronstico
en la direccin contraria de ese error. Habr ajustes hasta que el error se
corrija. Si este procedimiento se aplica de una manera correcta, puede ser
usado para desarrollar un proceso de correccin automtica del pronstico.

En la Tablas 3.4a y 3.4b se presenta un ejemplo de este proceso para tres
valores de o. Se calcula el pronstico y el error para cada valor de o y
finalmente se comparan los resultados de aplicar las pruebas de ajuste a cada
conjunto de errores.

_____________________________________________________________
71

o=0.1 o= 0.5 o=0.9
X
Pronstico Error Pronstico Error Pronstico Error
215
185
195
179
268
177
160
159
220
272
235

200.000
198.500
198.150
196.235
203.412
200.770
196.693
192.924
195.632
203.268
206.442

-15.000
-3.500
-19.150
71.765
-26.412
-40.770
-37.693
27.076
76.368
31.732

200.000
192.500
193.750
186.375
227.188
202.094
181.047
170.023
195.012
233.506
234.253

-15.000
2.500
-14.750
81.625
-50.188
-42.094
-22.047
49.977
76.988
1.494

200.000
186.500
194.150
180.515
259.252
185.225
162.523
159.352
213.935
266.194
238.119

-15.000
8.500
-15.150
87.485
-82.252
-25.225
-3.523
60.648
58.065
-31.194

Tabla 3.4a

Estadstico
o=0.1 o= 0.5 o=0.9
Error Promedio
Promedio Error Absoluto
Porcentaje de Error
Desviacin Estndar
Prueba U de Theil
6.442
34.947
43.066
16.538
0.857
6.851
35.666
46.959
16.827
0.941
4.235
38.704
51.031
18.021
0.978
Tabla 3.4b

Por lo que se puede concluir que aunque ninguno de los tres valores de o
generan un pronstico aceptable, el mejor sera o = 0.1.

_____________________________________________________________
72

3.4.1.2 Modelo de Suavizacin exponencial Adaptativo de Primer Orden.

Dado que en el proceso anterior es necesario determinar el valor de o, y
que los valores de la Media del Valor Absoluto del Porcentaje de Error,
MAPE y la Media del Cuadrado del Error, MSE, dependen de esta valor, se
desarrollo un mtodo adaptativo el cual tiene algunas ventajas sobre el
mtodo ordinario, pues permite que el valor de o se modifique de una
manera controlada durante las fases del proceso.

Las ecuaciones bsicas de este proceso se presentan a continuacin y son
similares a la ecuacin del mtodo ordinario, con excepcin del valor de o,
el cual ser reemplazado por o
t
.

( )
1
1
t t t t t
F X F o o
+
= + 3.19

donde:

( )
( )
1
1
1
1
1
t
t
t
t t t
t t t
t t t
E
M
E e E
M e M
e X F
o
| |
| |
+
=
= +
= +
=
3.20

y o y | son parmetros entre cero y uno .

Para iniciar el proceso del modelo adaptativo, supngase que:

_____________________________________________________________
73

2 1
2 3 4
1 1
constante, con un valor sugerido de 0.2
0
F X
c
c
E M
o o o |
=
= = = =
=
= =
3.21

En la Tabla 3.5 se presenta un ejemplo. La Tabla 3.6 presenta el resumen de
los estadsticos de prueba de bondad de ajuste y la Figura 3.2 la grfica de
los datos y el pronstico.

Dato Pronstico Error Error
Suavizado
Valor
Absoluto del
Error
Suavizado
Valor de
o
t
8830
9012
9529
10252
10235
10193
10569
10136
10142
11672
12189
13247
14665
15785
15300
15325
13799
11174
12978
13478
10473
10064
8830.000
8830.000
9012.000
9529.000
10252.000
10235.567
10198.572
10537.504
10417.685
10412.914
11118.652
11892.665
13010.473
14480.221
15677.489
15393.800
15344.428
15169.883
13254.247
13115.490
13260.939
11486.728
0.000
182.000
517.000
723.000
-17.000
-42.567
370.428
-401.504
-275.685
1259.086
1070.348
1354.335
1654.527
1304.779
-377.489
-68.800
-1545.428
-3995.883
-276.247
362.510
-2787.939
-1422.728
0.000
0.000
36.400
132.520
250.616
197.093
149.161
193.414
74.431
4.407
255.343
418.344
605.542
815.339
913.227
655.084
510.307
99.160
-719.849
-631.128
-432.400
-903.508
0.000
0.000
36.400
132.520
250.616
203.893
171.628
211.388
249.411
254.666
455.550
578.509
733.675
917.845
995.232
871.683
711.107
877.971
1501.553
1256.492
1077.696
1419.744
0.200
1.000
1.000
1.000
0.967
0.869
0.915
0.298
0.017
0.561
0.723
0.825
0.888
0.918
0.752
0.718
0.113
0.479
0.502
0.401
0.636
0.709
_____________________________________________________________
74
13939
11674
10964
11964
12472
12057
12848
12327
12999
13278
12277
11826
12380
14097
13999
12275
12551
12824
13009
10477.683
10692.756
10755.067
10774.307
11076.638
11647.084
11831.814
12390.162
12356.806
12741.117
13091.460
12833.928
12832.896
12779.613
13068.125
13424.765
13373.825
13255.827
13154.883

3461.317
981.244
208.933
1189.693
1395.362
409.916
1016.186
-63.162
642.194
536.883
-814.460
-1007.928
-452.896
1317.387
930.875
-1149.765
-822.825
-431.827
-145.883

-1007.352
-113.618
105.354
126.070
338.795
550.108
522.070
620.893
484.082
515.704
519.940
253.060
0.862
-89.889
191.566
339.428
41.589
-131.294
-191.400
-182.297

1420.341
1828.536
1659.078
1369.049
1333.178
1345.615
1158.475
1130.017
916.646
861.756
796.781
800.317
841.839
764.051
874.718
885.949
938.712
915.535
818.793
684.211

0.062
0.064
0.092
0.254
0.409
0.451
0.549
0.528
0.598
0.653
0.316
0.001
0.118
0.219
0.383
0.044
0.143
0.234
0.266

Tabla 3.5

Estadstico Valor
Media del Error
Desviacin Estndar del Error
Media del Error Absoluto
Media del Error al Cuadrado
La Media del Valor Absoluto del % de Error
Prueba U de Theil
Prueba Durbin - Watson
116.78

902.15
1552682.5
7.37
0.553
1.35

Tabla 3.6
_____________________________________________________________
75
7000
8000
9000
10000
11000
12000
13000
14000
15000
16000
17000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41
Datos Pronstico

Figura 3.2

3.4.2 Modelos de Suavizacin Exponencial Doble
3.4.2.1 Suavizacin Exponencial Doble de un Parmetro: Modelo Lineal
de Brown.

Al igual que en los mtodos de Promedios Mviles, en los mtodos de
suavizacin exponencial es posible pasar del modelo simple a un modelo
lineal. El Modelo Lineal de Brown asigna mayores pesos a las
observaciones ms recientes y puede ajustar la tendencia al suavizar dos
veces los datos histricos. El proceso metodolgico y las ecuaciones
correspondientes se presentan a continuacin.

Sea ( )
1
' 1 '
t t t
S X S o o

= + la serie generada con el primer proceso de
suavizacin y ( )
1
'' 1 ''
t t t
S X S o o

= + la serie correspondiente al segundo
proceso de suavizacin. Entonces el pronstico estar dado por:

_____________________________________________________________
76

( )
( )
donde
' ' '' 2 ' ''
' ''
1
t m t t
t t t t t t
t t t
F a b m
a S S S S S
b S S
o
o
+
= +
= + =
=
3.22

y m es el nmero de perodos adelante a pronosticar. Los valores iniciales
requeridas por el modelo son
1 1
' y '' S S , los cuales se pueden igualar a X
1

En la Tabla 3.7 se presenta un ejemplo de la aplicacin de este modelo. El
valor de o aplicado es 0.18.

Datos S S a b F Error
1148
1151
1159
1143
1154
1169
1175
1182
1168
1185
1179
1192
1209
1224
1212
1219
1228
1231
1216
1227
1231
1148.000
1148.540
1150.423
1149.087
1149.971
1153.396
1157.285
1161.734
1162.862
1166.847
1169.034
1173.168
1179.618
1187.607
1191.997
1196.858
1202.463
1207.600
1209.112
1212.332
1215.692
1148.000
1148.097
1148.516
1148.619
1148.862
1149.678
1151.047
1152.971
1154.751
1156.928
1159.107
1161.638
1164.875
1168.966
1173.112
1177.386
1181.900
1186.526
1190.592
1194.505
1198.319
1148.000
1148.983
1152.330
1149.555
1151.080
1157.114
1163.523
1170.496
1170.972
1176.765
1178.961
1184.698
1194.361
1206.247
1210.883
1216.329
1223.027
1228.674
1227.632
1230.159
1233.066
0.000
0.097
0.419
0.103
0.243
0.816
1.369
1.924
1.780
2.177
2.179
2.531
3.236
4.092
4.146
4.274
4.514
4.626
4.065
3.913
3.814
1148.000
1149.080
1152.748
1149.658
1151.324
1157.931
1164.892
1172.420
1172.752
1178.942
1181.140
1187.229
1197.597
1210.338
1215.028
1220.604
1227.541
1233.300
1231.698
1234.072
1236.879
0.000
1.920
6.252
-6.658
2.676
11.069
10.108
9.580
-4.752
6.058
-2.140
4.771
11.403
13.662
-3.028
-1.604
0.459
-2.300
-15.698
-7.072
-5.879
_____________________________________________________________
77
1238
1224
1221
1242
1249
1235
1239
1245
1258
1263
1268
1255
1261
1274
1278
1219.708
1220.480
1220.574
1224.430
1228.853
1229.959
1231.587
1234.001
1238.321
1242.763
1247.306
1248.691
1250.906
1255.063
1259.192
1202.169
1205.465
1208.184
1211.109
1214.303
1217.121
1219.725
1222.294
1225.179
1228.344
1231.757
1234.805
1237.704
1240.828
1244.134
1237.247
1235.496
1232.963
1237.752
1243.403
1242.798
1243.449
1245.708
1251.463
1257.182
1262.854
1262.576
1264.109
1269.298
1274.250
3.850
3.296
2.720
2.924
3.194
2.818
2.604
2.570
2.885
3.165
3.413
3.048
2.898
3.125
3.305
1241.097
1238.792
1235.683
1240.677
1246.597
1245.616
1246.053
1248.278
1254.347
1260.347
1266.267
1265.624
1267.007
1272.423
1277.555
-3.097
-14.792
-14.683
1.323
2.403
-10.616
-7.053
-3.278
3.653
2.653
1.733
-10.624
-6.007
1.577
0.445
Tabla 3.7

Los resultados de las medidas estadsticas de Bondad de Ajuste se presentan
en la Tabla 3.8

Estadstico

Valor
Media del Error
Promedio del Error Absoluto
La Media del Valor Absoluto del % de Error
Prueba U de Theil
Prueba Durbin Watson
-0.765
7.447
5.862
54.500
0.484
0.036
1.1542
Tabla 3.8

_____________________________________________________________
78
1125
1145
1165
1185
1205
1225
1245
1265
1285
1305
1 4 7
1
0
1
3
1
6
1
9
2
2
2
5
2
8
3
1
3
4
Datos Suavizacin1 Suavizacin2 Pronstico
Figura 3.3

La Figura 3.3 muestra la serie histrica, la primera y segunda suavizacin, y
el pronstico.

Como conclusin: El modelo ajusta aceptablemente los datos puesto que las
medidas estadsticas son relativamente pequeas. La Prueba U de Theil
indica que aplicar el modelo es mejor a generar un pronstico intuitivo, pero
la Prueba Durbin Watson indica que existe una correlacin positiva en los
errores.

_____________________________________________________________
79
3.4.2.2 Suavizacin Exponencial Doble: Modelo de Holt de dos
Parmetros.

Este modelo es similar al modelo de Brown, excepto en su forma de
tratamiento del componente de tendencia, el cual se suaviza
independientemente. Esto genera una mayor flexibilidad porque permite
modificar el parmetro de suavizacin de la tendencia como en un proceso
adaptativo. El pronstico para el modelo de Holt se calcula de la siguiente
manera:

( )( )
( )
1 1
1 1
1
(1 )
t t t t
t t t t
t m t t
S X S b
b S S b
F S b m
o o

+
= + +
= +
= +
3.23

donde o y son los parmetros de suavizacin y b
t
actualiza el
componente de tendencia El componente aleatorio se suaviza con el
producto del parmetro y el componte de tendencia de la ltima
iteracin. Los valores iniciales requeridos son S
1
, para el cual se puede
tomar S
1
= X
1
, y el valor de b
1
el cual se estimar con cualquiera de las
siguientes opciones.

( ) ( ) ( )
1 2 1
2 1 3 2 4 3
1
1
3
la pendiente de la recta que ajusta la tendencia.
b X X
X X X X X X
b
b
=
+ +
=
=
3.24

En la Tabla 3.9 se encuentra un ejemplo de este modelo, la Tabla 3.10
presenta los estadsticos de prueba y la Figura 3.4 la grfica de los datos y
los pronsticos. Los valores de los parmetros son: o = 0.2 y = 0.3.

_____________________________________________________________
80
Datos Pronstico Error
1148
1156
1162
1152
1157
1169
1175
1162
1168
1185
1192
1174
1179
1188
1197
1193
1193
1209
1231
1218
1225
1238
1248
1221
1242
1249
1235
1239
1245
1258
1253
1268
1275
1281
1274
1278
1151.000
1154.000
1158.300
1157.622
1159.062
1160.691
1164.892
1171.880
1171.317
1174.108
1178.034
1178.373
1183.482
1192.060
1196.579
1208.819
1222.822
1232.915
1237.755
1242.581
1246.548
1250.608
1249.979
1250.378
1251.594
1253.811
1251.657
1249.973
1249.528
1252.281
1256.126
1254.154
1255.228
1257.633
1263.139
1269.235
-3.000
-3.000
0.700
-14.622
-5.062
-3.691
4.108
10.120
-15.317
-2.108
0.966
-10.373
5.518
12.940
-3.579
18.181
16.178
-1.915
-18.755
-15.581
-15.548
-12.608
-23.979
-15.378
-9.594
-4.811
-16.657
-10.973
-4.528
5.719
6.874
-12.154
-0.228
3.367
10.861
8.765
Tabla 3.9
_____________________________________________________________
81

Estadstico Valor
Media del Error

Prueba U de Theil
-3.310
10.589
9.104
233.471
0.748
0.838
0.983

Tabla 3.10

1100
1150
1200
1250
1300
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
Datos Pronstico

Figura 3.4

_____________________________________________________________
82
3.4.3 Suavizacin Exponencial Triple
3.4.3.1 Suavizacin Exponencial Triple de un Parmetro: Modelo de
Brown

Cuando el patrn de los datos no es lineal, ste pude ser ajustado a
funciones cuadrticas, cbicas o de un mayor orden. Para generar el modelo
de suavizacin cuadrtica es necesario aplicar tres veces el procedimiento de
suavizacin sencilla y generar una ecuacin cuadrtica para el pronstico.
Las ecuaciones para suavizacin cuadrtica son las siguientes:

( )
( )
( )
( )
( ) ( ) ( ) ( )
( )
( )
' '
1
'' ' ''
1
''' '' '''
1
' '' '''
' '' '''
2
2
' '' '''
2
2
1
1
1
3 3
6 5 10 8 4 3
2 1
2
1
1
2
t t t
t t t
t t t
t t t t
t t t t
t t t t
t t t t
S X S
S S S
S S S
a S S S
b S S S
c S S S
F a b m c m
o o
o o
o o
o
o o o
o
o
o
= +
= +
= +
= +
= +
= +
= + +
3.25

_____________________________________________________________
83
Para iniciar el proceso, fjese

1 1 1 1
' '' ''' S S S X = = =

En la Tabla 3.8 se encuentra un ejemplo de este mtodo.

1148
1156
1162
1152
1157
1169
1175
1162
1168
1185
1192
1174
1179
1188
1197
1193
1193
1209
1231
1218
1225
1238
1248
1221
1242
1249
1235
1239
1245
1258
1148.000
1149.080
1152.748
1149.658
1151.324
1153.611
1159.578
1168.576
1165.701
1169.214
1174.186
1173.725
1180.790
1191.566
1194.927
1209.365
1223.964
1231.388
1232.047
1234.948
1238.080
1242.477
1240.969
1242.710
1246.150
1250.849
1248.909
1248.594
1250.231
1255.842
0.000
1.920
6.252
-6.658
2.676
3.389
9.422
13.424
-9.701
2.786
4.814
-5.725
8.210
13.434
-1.927
17.635
15.036
-0.388
-13.047
-7.948
-7.080
-4.477
-14.969
-7.710
-4.150
-1.849
-13.909
-9.594
-5.231
2.158
_____________________________________________________________
84
1253
1268
1275
1281
1274
1278

1261.485
1257.769
1259.439
1262.578
1269.317
1275.441

1.515
-15.769
-4.439
-1.578
4.683
2.559

Tabla 3.8

Estadstico Valor
Media del Error

Prueba U de Theil
-0.729
8.501
6.835
70.784
0.564
0.041
1.304

Tabla 3.9

1100
1150
1200
1250
1300
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
Datos Pronstico

Figura 3.5

_____________________________________________________________
85
3.4.3.2 Modelo de Winters: Suavizacin Exponencial Triple con
Tendencia y Estacionalidad:

Los modelos hasta ahora presentados son eficientes a pesar de la no
estacionariedad de los datos. Sin embargo, cuado existe estacionalidad es
necesario aplicar otros criterios. El Modelo de Winters es aplicable en estos
casos, ya que ste proporciona criterios para suavizar el componente
estacional. El Mtodo de Winters esta basado en tres ecuaciones de
suavizacin, una para estacionariedad, otra para la tendencia y una ms para
el componente estacional.

Suavizacin General

( )( )
1 1
1
T
T T T
T L
X
S S b
I
o o

= + +

Componente de Tendencia:

( ) ( )
1 1
1
T T T T
b S S b

= +

Componente Estacional

( )
1
T
T T L
T
X
I I
S
| |

= +

Pronstico

( )
T m T T T L m
F S b m I
+ +
= +

donde para iniciar el proceso se fija:

_____________________________________________________________
86
( ) ( ) ( )
1 1 2 2
1
...
L L L L L
X X X X X X
b
L L L L
+ + +
(
= + + +
(

Dado el conjunto de datos con un componente estacional presentado en la
Tabla 3. 10, se presentan en la tabla 3.11 los resultados obtenidos al aplicar
los modelos de suavizacin simple y suavizacin lineal. En la tabla 3.11 se
encuentra una aplicacin de este modelo al mismo conjunto de datos y
finalmente se presenta una comparacin entre los resultados. Los valores de
los parmetros son: o = .2, | =0.05 y = 0.1.

1148
1156
1162
1152
1157
1169
1175
1162
1168
1185
1192
1174
1179
1188
1197
1193
1193
1209
1231
1218
1225
1238
1248
1221
1166.176
1166.176
1166.176
1166.176
1166.176
1166.176
1188.131
1179.831
1181.495
1173.121
1194.887
1191.608
1194.795
1182.426
1200.461
1190.468
1199.473
1198.932
1214.790
1213.694
1233.058
1227.460
1248.094
1240.768
-18.176
-10.176
-4.176
-14.176
-9.176
2.824
-13.131
-17.831
-13.495
11.879
-2.887
-17.608
-15.795
5.574
-3.461
2.532
-6.473
10.068
16.210
4.306
-8.058
10.540
-0.094
-19.768
_____________________________________________________________
87
1242
1249
1235
1239
1245
1258
1253
1268
1275
1281
1274
1278

1247.039
1231.215
1261.634
1244.016
1237.632
1243.825
1263.189
1253.869
1258.283
1275.381
1293.742
1278.911

-5.039
17.785
-26.634
-5.016
7.368
14.175
-10.189
14.131
16.717
5.619
-19.742
-0.911

Tabla 3.10

Estadstico Valor
Media del Error

Prueba U de Theil
-2.841
12.204
10.604
297.478
0.876
0.061
1.716
Tabla 3.11

_____________________________________________________________
88
1140
1165
1190
1215
1240
1265
1290
1 3 5 7 9
1
1
1
3
1
5
1
7
1
9
2
1
2
3
2
5
2
7
2
9
3
1
3
3
3
5
Datos Pronstico

Figura

_____________________________________________________________
89
4. DESCOMPOSICIN.

4.1. Introduccin

Los mtodos presentados en los captulos anteriores estn basados en el
supuesto de que cuando existe un patrn definido en la serie de datos
histricos, el patrn puede obtenerse con algn mtodo de suavizacin de
los valores histricos. El efecto de suavizar por medio de promedios elimina
la aleatoriedad y el patrn puede proyectarse para pronosticar los valores a
futuro. Sin embargo los mtodos de suavizacin no permiten descomponer
el patrn en ms componentes. En algunas ocasiones es posible
descomponer el patrn de los datos en factores que facilitan su
interpretacin, mejoran el pronstico y coadyuvan al entendimiento del
fenmeno bajo estudio, caracterizando su comportamiento.

Los mtodos de descomposicin no son nuevos. Sus primeras aplicaciones
son en el rea de negocios, alrededor el ao 1920, cuando los economistas
pretendan identificar y controlar las variables del ciclo econmico. Fue
durante esta dcada que se establecieron las bases de los mtodos de
descomposicin al incorporar el concepto de proporcin - tendencia.
Existen varios mtodos de descomposicin, sin embargo el principio es el
mismo: aislar cada componente de la serie con la mayor exactitud posible.

Los mtodos de suavizacin asumen que el patrn de los datos se compone
de tres factores y componente aleatorio. Estos tres factores son: la
tendencia, la estacionalidad y el ciclo. La tendencia representa el
comportamiento a largo plazo, y puede crecer, decrecer o permanecer
constante. El ciclo representa las variaciones de los datos que se presentan
con cierta frecuencia, por ejemplo temporadas de sequa o de una gran
intensidad de lluvia, los ciclos econmicos: crecimiento y recesin, etc. El
factor estacional representa las caractersticas asociadas a las estaciones o a
los meses del ao, das de la semana, vacaciones y das feriados. La
diferencia entre el componente cclico y el componente estacional es que el
segundo siempre est fijo y tiene una duracin especfica como aos, meses,
semanas, mientras que el primero tiene una duracin ms
_____________________________________________________________
90
larga puede variar de ciclo a ciclo. Este principio puede representarse de la
siguiente manera:

X(t) = patrn + error
Patrn = f(tendencia, estacionalidad, ciclo).
Error = componente aleatorio.

La descomposicin es realmente emprica y se reduce a remover la
estacionalidad, luego la tendencia y por ltimo el ciclo, considerando que el
residuo es el factor aleatorio y que no puede ni ser predicho ni eliminado.
Por esta razn muchos analistas o expertos en pronsticos consideran que
este mtodo tiene deficiencias tericas, sin embargo en la prctica en un
buen mtodo y como se ver en los ejemplos presentados, es posible obtener
pronsticos muy aceptables.

El modelo matemtico que representa en general a los mtodos de
descomposicin es el siguiente:

X(t) = f( I
t
, T
t
, C
t
, e
t
) (1)

Donde:
X(t) es el dato
I es el componente estacional
T es el componente de Tendencia
C es el componente de ciclo
E es el componente aleatorio.

Y la forma de la funcin f depende del mtodo utilizado.

_____________________________________________________________
91
4.2. Metodologa General de los Modelos de Descomposicin.

1. Se determina la longitud de la estacionalidad = N. La longitud de la
estacionalidad est en funcin de la naturaleza misma de los datos y
se pueden considerar siete das a la semana, cuatro semanas por mes,
doce meses por ao, etc.
2. Se calcula una nueva serie con promedios mviles, tal que el orden
del promedio es la longitud de la estacionalidad. El objetivo al
aplicar promedios mviles es eliminar la estacionalidad y la
aleatoriedad, ya que se promedian periodos de alta estacionalidad
con periodos de baja estacionalidad. Dado que los errores
ocasionados por la aleatoriedad del proceso no tienen un
comportamiento sistemtico, el realizar promedios elimina tambin
este factor.
3. Se separa un conjunto de N periodos de la serie anterior y se obtiene
el componente tendencia ciclo.
4. Se aslan los factores de estacionalidad promedindolos para cada
uno de los periodos que forman la longitud total de la estacin.
5. Se identifica la forma de la tendencia (lineal, cuadrtica,
exponencial, logartmica, etc) y se ajusta una funcin. Lo anterior se
puede llevar a cabo aplicando regresin lineal o no lineal.
6. Se separa el resultado del punto 5 y del punto 3, (Tendencia y ciclo),
y se obtiene el ciclo.
7. Se obtiene la estacionalidad, ciclo, tendencia y el componente
aleatorio.

4.3. Promedios Mviles

El proceso de promedios mviles se usa generalmente para eliminar la
aleatoriedad de los datos, as como para aislar el componente estacional.
Este proceso es la columna vertebral de los modelos de descomposicin.
Existen varios tipos de promedios mviles por lo que se citarn algunos de
ellos.

_____________________________________________________________
92
4.3.1. Promedios Mviles Centrados.

Para garantizar la precisin del proceso la serie obtenida deber estar
centrada en el punto medio de la serie original. Esto no representa ningn
problema cuando el nmero de datos de la serie original es non, dado que el
punto medio ser
( )
1
1
2
N +
. Sin embargo cuando el nmero de datos es
par, la nueva serie quedar desplazada. Este problema se resuelve aplicando
a la serie obtenida otro promedio mvil de longitud 2.

4.3.2. Promedios Mviles de Orden Dos.

Un proceso de promedios mviles de orden dos de longitud n x n equivale a
obtener un promedio mvil de longitud n a partir de una serie de datos y
volverle a aplicar a esta serie un promedio mvil de longitud n. As se
pueden generar promedios mviles de orden dos de diferentes longitudes,
tales como 3 x 3, 3 x 5, 5 x 4, etc.

4.3.3. Promedios Mviles de Mayor Orden.

Existen varias combinaciones de promedios mviles donde el orden es
mayor a dos. Como en el caso anterior, ser necesario aplicarle a la serie
obtenida nuevamente el promedio mvil hasta obtener el orden deseado. Un
ejemplo de un promedio mvil de orden cudruple es de promedio mvil de
Spencer, el cual se define como un promedio mvil de 5 x 5 x 4 x 4.

4.4. Modelos de Descomposicin.

Existen varios modelos de descomposicin los cuales en general pueden
agruparse en modelos aditivos o en modelo multiplicativos.

Los Modelos Aditivos presuponen que las componentes tienen un impacto
aditivo y en este caso la funcin f tiene la forma:

X(t) = I+T+C+e (2)
_____________________________________________________________
93
En los Modelos Multiplicativos la funcin f tiene la forma:

X(t) = I*T*C*e (3)

Para el propsito de este estudio, slo se analizarn modelos multiplicativos
basados en el principio de: Cocientes entre datos y promedios mviles.

4.4.1. Modelo Clsico de Descomposicin: Cocientes y Promedios
Mviles.

El Modelo Clsico de Descomposicin presupone que los componentes de
la serie siguen un patrn multiplicativo de la forma:

X I T C e
t t t t t
=
(4)

Con promedios mviles del orden apropiado se encuentran

M T C
t T T
X I T C e
t t t t t
I e
t t
M T C
t T T
M T C
t T T
C
T
T T
T T
=

= =
= =
(5)

_____________________________________________________________
94
Para ilustrar la metodologa del Mtodo Clsico de Descomposicin, se
presenta el siguiente ejemplo.

1 2 3 4
Periodo de
Tiempo
t
Serie de Tiempo
Dato
X I T C e
t t t t t
=
Promedio Mvil de
Orden 12
M T C
t T T
=
Datos Originales /
Promedio Mvil
X
t
M
t
I e
t t
=

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
796
626
781
790
903
1036
1107
1023
979
1118
1097
1062
827
761
820
892
887
1051
1255
1172
1112
1197
1086
1091
854
755
807
965
999
1158
1263
1215
1194
1233
1189
1231
857

943.167
945.750
957.000
960.250
968.750
967.417
968.667
981.000
993.417
1004.500
1011.083
1010.167
1012.583
1014.833
1014.333
1013.250
1019.333
1028.667
1037.583
1038.250
1041.833
1048.667
1051.667
1060.250
1071.917
1072.167
1067.917
1075.583
1078.333
1089.000
1094.333

117.371
108.168
102.299
116.428
113.239
109.777
85.375
77.574
82.543
88.800
87.728
104.042
123.940
115.487
109.629
118.135
106.540
106.060
82.307
72.719
77.460
92.022
94.992
109.220
117.826
113.322
111.806
114.635
110.263
113.039
78.313
_____________________________________________________________
95
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67

704
899
998
1127
1222
1395
1354
1243
1263
1313
1278
1031
845
925
947
1008
1191
1439
1378
1168
1272
1337
1202
895
851
937
1094
1233
1384
1652

1105.333
1116.917
1121.000
1123.500
1133.833
1137.750
1152.250
1164.000
1166.167
1161.917
1152.000
1149.417
1153.083
1155.083
1148.833
1149.583
1151.583
1145.250
1133.917
1134.417
1135.417
1147.667
1166.417
1182.500
1200.250
1209.083
1218.833
1239.833
1240.333
1253.417
63.691
80.489
89.028
100.312
107.776
122.610
117.509
106.787
108.304
113.003
110.938
89.698
73.282
80.081
82.431
87.684
103.423
125.649
121.526
102.960
112.029
116.497
103.051
75.687
70.902
77.497
89.758
99.449
111.583
131.800
Tabla 4. 1 Modelo de Descomposicin Clsico

La primera columna representa el periodo de tiempo t, la segunda, los datos
originales, la tercera, la serie generada con el proceso de promedios
mviles de orden doce y la tercera, el cociente entre los datos de la serie
original y la serie de promedios mviles para cada t, desde 7 hasta 67,
debido a la prdida de valores en el proceso de obtener la tercera serie. En
la Tabla 4.2 se encuentra la columna No. 4 de la Tabla 4.1, con los valores
de los datos arreglados por mes para cada ao, el promedio de los valores
por mes, factor de ajuste y el ndice estacional.

_____________________________________________________________
96
Tabla 4.2 Modelo de Descomposicin Clsico:
Clculo del ndice de Estacionalidad

A continuacin es necesario calcular el componente de tendencia, el cual se
encuentra ajustando una recta a los datos usando el mtodo de regresin
lineal el cual consiste en minimizar la media de los errores al cuadrado.
Como Anexo I, al final del captulo, se encuentra el desarrollo del Mtodo
de Mnimos Cuadrados.

Para este caso se tiene que la recta que ajusta los valores es:
(5.888)t + 879.114

X =

Una vez que se han calculado todos los valores para
X (Col. 3, Tabla 4.3),

se calcular el ciclo, (Col 4, Tabla 4.3), se incorporar el ndice estacional
mensual, repitindolo para cada ao, (Col. 5, Tabla 4.3), de tal manera que
se obtenga el pronstico, (Col.6, Tabla 4.3).

Ao Enero Febrero Marzo Abril Mayo Junio Julio Agosto Sept. Octubre Nov. Dic. Total

- - - - - - 117.4 108.2 102.3 116.4 113.2 109.8
1986 85.4 77.6 82.5 88.8 87.7 104.0 123.9 115.5 109.6 118.1 106.5 106.1
1987 82.3 72.7 77.5 92.0 95.0 109.2 117.8 113.3 111.8 114.6 110.3 113.0
1988 78.3 63.7 80.5 89.0 100.3 107.8 122.6 117.5 106.8 108.3 113.0 110.9
1989 89.7 73.3 80.1 82.4 87.7 103.4 125.6 121.5 103.0 112.0 116.5 103.1
1990 75.7 70.9 77.5 89.8 99.4 111.6 131.8
Prome-
dio 82.3 71.6 79.6 88.4 94.0 107.2 123.2 115.2 106.7 113.9 111.9 108.6 1202.658
Factor
de
Ajuste 0.998
ndice
Esta-
cional 82.1 71.5 79.4 88.2 93.8 107.0 122.9 114.9 106.5 113.7 111.7 108.3 1200.000
_____________________________________________________________
97

Tendencia - Ciclo
(Col. 3, Tabla
4.1)
Tendencia
(5.541)t + 888.047

X =

Ciclo =
Tendencia
Ciclo
/ tendencia
ndice
Estacional
Rengln 9
Transpuesto
Tabla 4.2
Pronstico
* * P T C I =
Col. 1 Col. 2
t
Col. 3
X

Col. 4 Col. 5 Col. 6
943.17
945.75
957.00
960.25
968.75
967.42
968.67
981.00
993.42
1004.50
1011.08
1010.17
1012.58
1014.83
1014.33
1013.25
1019.33
1028.67
1045.92
1054.92
1058.50
1065.33
1068.33
1076.92
1088.58
1088.83
1084.58
1092.25
1095.00
1105.67
1102.67
1105.33
1116.92
1122.67
1125.17
1140.50
1125.33
1139.83
1151.58
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
926.831
932.371
937.912
943.452
948.993
954.534
960.074
965.615
971.155
976.696
982.236
987.777
993.318
998.858
1004.399
1009.939
1015.480
1021.021
1026.561
1032.102
1037.642
1043.183
1048.723
1054.264
1059.805
1065.345
1070.886
1076.426
1081.967
1087.507
1093.048
1098.589
1104.129
1109.670
1115.210
1120.751
1126.292
1131.832
1137.373
101.76
101.43
102.04
101.78
102.08
101.35
100.89
101.59
102.29
102.85
102.94
102.27
101.94
101.60
100.99
100.33
100.38
100.75
101.89
102.21
102.01
102.12
101.87
102.15
102.72
102.20
101.28
101.47
101.20
101.67
100.88
100.61
101.16
101.17
100.89
101.76
99.91
100.71
101.25
125.059
115.257
107.048
113.919
113.001
104.553
82.549
71.850
79.855
86.508
94.295
106.108
125.059
115.257
107.048
113.919
113.001
104.553
82.549
71.850
79.855
86.508
94.295
106.108
125.059
115.257
107.048
113.919
113.001
104.553
82.549
71.850
79.855
86.508
94.295
106.108
125.059
115.257
107.048
1159.408
1087.118
1018.826
1091.367
1081.716
1048.030
795.217
701.171
789.151
886.094
948.649
1080.593
1244.740
1166.528
1079.864
1151.604
1138.198
1114.384
851.793
742.091
827.612
925.054
986.726
1134.168
1317.677
1232.432
1136.909
1222.448
1204.078
1179.745
898.382
790.038
887.257
988.861
1054.124
1212.881
1398.604
1324.486
1239.200
_____________________________________________________________
98
1153.75
1139.50
1129.58
1127.00
1130.67
1132.67
1124.75
1125.50
1122.50
1135.25
1123.92
1124.42
1125.42
1147.67
1166.42
1165.83
1183.58
1192.42
1202.17
1223.17
1223.67
1236.75
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
1142.913
1148.454
1153.994
1159.535
1165.076
1170.616
1176.157
1181.697
1187.238
1192.779
1198.319
1203.860
1209.400
1214.941
1220.481
1226.022
1231.563
1237.103
1242.644
1248.184
1253.725
1259.266
100.95
99.22
97.88
97.19
97.05
96.76
95.63
95.24
94.55
95.18
93.79
93.40
93.06
94.46
95.57
95.09
96.10
96.39
9674
98.00
97.60
98.21
113.919
113.001
104.553
82.549
71.850
79.855
86.508
94.295
106.108
125.059
115.257
107.048
113.919
113.001
104.553
82.549
71.850
79.855
86.508
94.295
106.108
125.059
1325.400
1297.408
1247.995
943.602
824.168
917.575
1013.414
1078.596
1231.869
1407.824
1303.412
1207.705
1290.452
1281.496
1263.613
970.761
857.880
960.472
1075.162
1163.273
1326.806
1540.790
Tabla 4.3

En la Figura 4.1, se presentan las grficas correspondientes a los datos, la
tendencia, la estacionalidad y el pronstico. Se puede observar que el
pronstico sigue fielmente el comportamiento de los datos y se puede
esperar un buen ajuste.

Una vez obtenido el pronstico, se deber calcular el error y realizar todas
las pruebas de bondad de ajuste para verificar la exactitud del mismo. En la
Tabla 4.4 se presentan los datos originales, el pronstico y el error. En la
Tabla 4.5 se encuentra un resumen de los estadsticos de prueba y a
continuacin la grfica de probabilidad normal y la grfica de los residuos
vs. los valores estimados.

Nota: Algunas de las pruebas de bondad de ajuste se encuentran en el
captulo Dos y al final de ste, como Anexo II, se presentan otras ms.

_____________________________________________________________
99
0
200
400
600
800
1000
1200
1400
1600
1800
= Datos Tendencia Pronstico Estacionalidad

Figura 4.1

Periodo de
Tiempo t
Dato Pronstico Error o
Residuo
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
1107
1023
979
1118
1097
1062
827
761
820
892
887
1051
1255
1172
1112
1197
1086
1091
854
1159.408
1087.118
1018.826
1091.367
1081.716
1048.030
795.217
701.171
789.151
886.094
948.649
1080.593
1244.740
1166.528
1079.864
1151.604
1138.198
1114.384
851.793
-52.408
-64.118
-39.826
26.633
15.284
13.970
31.783
59.829
30.849
5.906
-61.649
-29.593
10.260
5.472
32.136
45.396
-52.198
-23.384
2.207
_____________________________________________________________
100
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
79
70
71
72
755
807
965
999
1158
1263
1215
1194
1233
1189
1231
857
704
899
998
1127
1222
1395
1354
1243
1263
1313
1278
1031
845
925
947
1008
1191
1439
1378
1168
1272
1337
1202
895
851
937
1094
1233
1384
1652
1484
1285
1524
1343
1359
742.091
827.612
925.054
986.726
1134.168
1317.677
1232.432
1136.909
1222.448
1204.078
1179.745
898.382
790.038
887.257
988.861
1054.124
1212.881
1398.604
1324.486
1239.200
1325.400
1297.408
1247.995
943.602
824.168
917.575
1013.414
1078.596
1231.869
1407.824
1303.412
1207.705
1290.452
1281.496
1263.613
970.761
857.880
960.472
1075.162
1163.273
1326.806
1540.790
1440.085
1339.892
1436.987
1418.220
1382.194
12.909
-20.612
39.946
12.274
23.832
-54.677
-17.432
57.091
10.552
-15.078
51.255
-41.382
-86.038
11.743
9.139
72.876
9.119
-3.604
29.514
3.800
-62.400
15.592
30.005
87.398
20.832
7.425
-66.414
-70.596
-40.869
31.176
74.588
-39.705
-18.452
55.504
-61.613
-75.761
-6.880
-23.472
18.838
69.727
57.194
111.210
43.915
-54.892
87.013
-75.220
-23.194
_____________________________________________________________
101

Estadstico Valor
Media de los residuos
Media del valor absoluto de los residuos
Suma del cuadrado de los residuos
Media del cuadrado de los residuos
Desviacin Estndar
Media del Porcentaje de error
Media del valor absoluto del Porcentaje de error
Prueba U de Theil
Durbin Watson

ME
MAE
SSE
MSE
DE
MPE
MAPE
UT
D-W

2.871
36.58
121145
5.74
44.84
0.04
3.42
0.33329927
1.87

Tabla 4.5

Av erage: 2.87056
StDev : 44.8410 Anderson-Darling Normality Test
-50 0 50 100
.001
.01
.05
.20
.50
.80
.95
.99
.999
P
r
o
b
a
b
i
l
i
t
y
C3
Normal Probability Plot
Figura 4.2

_____________________________________________________________
102
Residuos Vs. Valores Estimados
-110.000
-60.000
-10.000
40.000
90.000
R
e
s
i
d
u
o
s

Figura 4.3

Se puede constatar despus de haber efectuado el anlisis de bondad de
ajuste que el modelo seleccionado, as como el pronstico, es bueno.

4.5. Mtodo de Descomposicin Census II

El mtodo Census II fue desarrollado por la oficina Nacional de
Investigaciones Econmicas de los EE.UU. Es uno de los mtodos de
descomposicin ms populares y a partir de 1950 ha tenido una serie de
modificaciones que han mejorado notablemente su eficiencia.

El modelo matemtico del mtodo Census II es un modelo multiplicativo
representado por la siguiente ecuacin:

X
t
= I
t
*T
t
*C
t
*E
t
(6)

Esto es, se tiene un modelo multiplicativo donde la variable X
t
, depende del
componente estacional I
t
, del componente de tendencia T
t
, del componente
cclico C
t
y del factor aleatorio E
t
.
_____________________________________________________________
103
Este consiste de cuatro diferentes fases. En la primera, se ajustan los datos
para las variaciones de los das laborables. El ajuste de das laborables en
ocasiones resulta necesario dado que un determinado mes puede no tener el
mismo nmero de das laborables en diferentes aos. En el caso del sector
elctrico los das laborables no son un factor de importancia dado que el
proceso de generacin de energa elctrica es continuo. La segunda fase es
la estimacin preliminar de los factores estacionales y el ajuste preliminar
de la serie para identificar estacionalidad. La tercera fase mejora los ajustes
de tal forma que los factores estacionales puedan ser calculados en forma
ms precisa. Adems, se estiman los componentes tendencia-ciclo y del
error. Se determina con un proceso de regresin lineal (o no lineal), la
tendencia. La etapa final consiste en un anlisis para verificar que tan bueno
ha sido el proceso de descomposicin para aislar el componente tendencia
ciclo. Una vez determinados los cuatro factores que componen la serie, se
calcular el pronstico y se le aplicarn las pruebas de bondad de ajuste y
las pruebas propias del modelo para determinar que tan aceptable es.

4.5.1. Metodologa
4.5.1.1. Ajuste de Das laborables.

El ajuste de das laborables en ocasiones resulta necesario cuando el proceso
que da origen a la serie de tiempo depende de los das laborados en los
diferentes periodos considerados. Por ejemplo, en el caso de los bancos el
nmero de clientes atendidos vara en funcin de los das laborados, el cual
no sera el caso por ejemplo de un hospital, donde la atencin es continua
independientemente del periodo en cuestin.

Ejemplo: Se presenta una serie de tiempo que corresponde a los usuarios
mensuales de una sala de biblioteca durante ocho aos. Tabla 4.6. La Tabla
4.7 presenta los das por mes que la sala estuvo abierta al pblico,
calculndose en el ltimo rengln de la misma los das promedio para cada
mes.

_____________________________________________________________
104

Usuarios de una sala de Biblioteca
Enero Feb. Marzo Abril Mayo Junio Julio Agosto Sept. Oct. Nov. Dic.
1517
1531
1564
1682
1768
1688
1774
1765
1524
1534
1582
1719
1764
1743
1777
1788
1567
1557
1658
1736
1786
1780
1771
1851
1512
1541
1621
1684
1779
1751
1786
1848
1486
1532
1689
1687
1748
1776
1796
1857
1569
1579
1696
1759
1768
1779
1845
1874
1597
1624
1715
1773
1774
1829
1867
1916
1697
1627
1725
1785
1782
1808
1839
1894
1573
1593
1693
1742
1772
1689
1835
1848
1509
1549
1675
1739
1746
1757
1812
1825
1486
1537
1574
1734
1687
1671
1782
1787
1534
1561
1629
1753
1738
1759
1793
1828
Tabla 4.6

Das Laborados por Mes
20
21
22
22
21
20
20
21
20
20
20
21
20
20
20
21
23
23
22
21
22
23
23
22
21
20
21
22
22
22
21
21
21
22
22
21
20
20
21
22
22
22
21
21
22
22
22
21
20
20
21
22
22
21
20
21
23
23
23
21
21
22
23
23
21
20
19
21
21
21
21
19
21
22
23
23
22
21
21
23
21
21
21
19
20
21
21
21
21
20
20
22
22
22
21
20
20.875 20.25 22.375 21.25 21.125 21.625 20.875 22.375 20.375 22 20.625 21
Tabla 4.7

A continuacin se calcula el ndice, dividiendo cada dato de la columna entre el
promedio de la misma. Tabla 4.8. Y finalmente se ajustan los datos originales
(nmero de usuarios), dividiendo el dato original entre el ndice correspondiente,
Tabla 4.9

ndice

0.958
1.006
1.054
1.054
1.006
0.958
0.958
1.006
0.988
0.988
0.988
1.037
0.988
0.988
0.988
1.037
1.028
1.028
0.983
0.939
0.983
1.028
1.028
0.983
0.988
0.941
0.988
1.035
1.035
1.035
0.988
0.988
0.994
1.041
1.041
0.994
0.947
0.947
0.994
1.041
1.017
1.017
0.971
0.971
1.017
1.017
1.017
0.971
0.958
0.958
1.006
1.054
1.054
1.006
0.958
1.006
1.028
1.028
1.028
0.939
0.939
0.983
1.028
1.028
1.031
0.982
0.933
1.031
1.031
1.031
1.031
0.933
0.955
1.000
1.045
1.045
1.000
0.955
0.955
1.045
1.018
1.018
1.018
0.921
0.970
1.018
1.018
1.018
1.000
0.952
0.952
1.048
1.048
1.048
1.000
0.952
Tabla 4.8
_____________________________________________________________
105

1583
1522
1484
1596
1757
1762
1852
1754
1543
1553
1602
1658
1786
1765
1799
1724
1524
1515
1686
1850
1816
1732
1723
1883
1530
1637
1640
1627
1718
1691
1807
1870
1495
1471
1622
1697
1846
1876
1807
1783
1542
1552
1746
1811
1738
1749
1814
1930
1667
1695
1705
1682
1683
1818
1949
1905
1651
1583
1678
1902
1899
1839
1789
1843
1526
1623
1816
1690
1719
1639
1780
1982
1581
1549
1602
1663
1746
1841
1898
1746
1459
1510
1546
1882
1740
1641
1750
1755
1534
1639
1710
1673
1659
1679
1793
1919
Tabla 4.9

4.5.1.2. Ajuste Estacional Preliminar

Para efectos de separar la estacionalidad del componente tendencia ciclo y
aislar al componente aleatorio, se aplica la segunda fase de mtodo, la cual
consiste los siguientes pasos:

1) Clculo de una serie de promedios mviles del orden apropiado, en
funcin de la estacionalidad de los datos.

2) Centrado de la serie. Para centrar la serie se calcula un promedio mvil
de longitud dos.

3) Se determina el cociente entre los datos de la serie original y los valores
obtenidos con la serie de promedios mviles centrados de longitud 12.
Dentese a esta nueva serie con R
t
.

M
t
=T
t
*C
t
(7)

Dividiendo la ecuacin (6) entre la ecuacin (7), se obtiene

_____________________________________________________________
106

( ) ( )
t
t
t
t t t t t t t
t t t
X
R
M
R I T C E T C
R I E
=
=
=
(8)

donde R
t
es el cociente entre la serie de los valores observados y la serie de
promedios mviles, aislando los componentes de estacionalidad y
aleatoriedad, (Ecuacin 8).

Cabe destacar que las representaciones matemticas del mtodo se utilizan
para ilustrarlo en una forma ms clara y no implican que los factores de
estacionalidad o aleatoriedad se determinen de la serie original por medio de
divisiones directas.

4) Reemplazo de valores extremos.
a) Frmese una matriz con los valores de la serie R
t
, de tal manera que
las columnas correspondan a los valores mensuales y las filas al
valor del mes para cada ao. Calclese una serie de promedios
mviles de segundo orden de longitud 3 x 3. Dentese esta serie
como
'
t
R Para evitar la prdida de valores al aplicar el promedio
mvil, agrguense dos datos al principio y dos al final de cada
columna. Estos valores se obtienen al calcular el promedio del
primer y segundo dato de la columna y el promedio del ltimo y el
penltimo dato de sta.

b) Determnese un intervalo de confianza para los valores de la serie R
t
.
El objetivo ser determinar si existen valores fuera de los lmites del
intervalo de confianza, los cuales se identifican como valores
extremos o datos atpicos. Para determinar el intervalo de confianza,
encuentre la diferencia entre los valores de R
t
y los valores de
'
t
R .
Calcule la desviacin estndar de las diferencias.
_____________________________________________________________
107

( )
( )
2
12 '
t t
SDj R R n =
(9)

Genrese el intervalo de confianza alrededor de la serie
'
t
R sumado y
restando a cada valor de la serie dos veces la desviacin estndar
'
2
t j
R SD . Compare cada valor con los de la serie R
t
. Reemplace
aquellos valores de la serie R
t
que no se encuentren en el intervalo de
confianza por el promedio del valor antecedente y el valor
procedente eliminndose efectos de eventos extraordinarios como
desastres naturales, huelgas o guerras.

5) Determinacin de los factores estacionales preliminares.
Una vez reemplazados los valores atpicos o extremos, la nueva serie
t
R , en
su forma matricial, ser utilizada para calcular los factores estacionales
preliminares mediante los siguientes pasos:

a) Proponer los seis valores faltantes tanto al principio como al final de la
serie R
t
. Pueden tomarse los promedios de los dos primeros y los dos
ltimos nmeros.

b) Normalizar los valores de la matriz de tal manera que cada rengln sume
12000. Para normalizar se divide cada uno de los valores de la columna
entre el promedio de la columna.

c) Calcular nuevamente una serie de promedios mviles de orden dos de
longitud 3 x 3, la cual se denotar por
'
t
R . Para evitar la prdida de los
valores al principio y al final de la serie, es necesario agregar dos datos
al principio y dos al final de cada columna. Estos valores se obtienen al
calcular el promedio del primer y segundo dato de la columna y el
promedio del ltimo y el penltimo dato de sta.
_____________________________________________________________
108

d) Dividir la serie original entre
'
t
R , obtenindose la serie estacional
preliminar estacionalmente ajustada. Esto es,
'
t
R representa el
componente estacional y si se divide la serie original entre el
componente estacional, se obtendr una nueva serie que representa el
componente tendencia ciclo y las fluctuaciones debidas al componente
aleatorio. Esta serie constituye la base para las estimaciones de
estacionalidad, tendencia, ciclo y aleatoriedad en la tercera fase. Esta
serie se denota por P
t

.
4.5.1.3. Ajuste estacional final: Tercera fase

1) Aislamiento del factor tendencia ciclo.

Con las columnas de la matriz que representa la serie P
t
, se generar una
serie continua con una longitud igual a la de la serie de datos original. A esta
serie se le aplicar un promedio mvil de cuarto orden de longitud 5 x 4 x 5
x 4. A este proceso de promedios mviles se le conoce por el nombre de
promedios mviles de Spencer. Para evitar la prdida de valores por el
proceso de promedios mviles, es necesario agregar siete valores tanto al
principio como al final de la serie. Estos valores son iguales,
respectivamente, al promedio de los primeros cuatro valores y cuatro
ltimos valores de la serie. Este proceso de promedios mviles de Spencer
proporciona una serie cuya grfica es una curva amortiguada que destaca la
existencia del factor tendencia - ciclo. A esta nueva serie se le denota por
'
t
M .

2) Clculo del Factor Estacionalidad con un componente de aleatoriedad
presente.

Este factor se obtiene al dividir la serie original entre la serie
'
t
M . Si se
recurre a su representacin matemtica se tiene:

_____________________________________________________________
109

'
'
t t t
t t t t t
t t Iet
t t t
M TC
X TC I e
I e F
M TC
=
= = =
(10)

3) Factores Estacionales Finales. Nuevamente es necesario presentar los
datos en forma matricial, por lo que es necesario transponer los valores
de la serie F
Iet
y obtener una matriz de doce columnas y n renglones los
cuales corresponden respectivamente a los meses del ao y a los n aos
analizados. Una vez que se tiene los datos en forma matricial se
repetirn los pasos 4a, 4b, 5b y 5c, de la fase 2. El ndice de
estacionalidad para un ao adelante por cada mes, se obtiene aplicando
la siguiente frmula:

( ) ( )
0 1
3
2
a a
(11)

donde
0
a es el ltimo dato de la columna y
1
a el penltimo.

Matemticamente la serie obtenida en este proceso es equivalente a
obtener los valores esperados sin aleatoriedad y se denota por
'
t
FA ,
donde

( )
'
t t t t
FA I e I = E = (12)

y E es el operador de la esperanza matemtica.

4) Finalmente calclese nuevamente un Promedio Mvil de Orden 3 x 3.
La serie que se obtiene representa los ajustes estacionales.

'
t t
R I =
(13)

_____________________________________________________________
110
4.5.1.4. La Fase 4 consiste en la evaluacin y Pruebas Estadsticas en la
cual se aplica una serie de pruebas propias del mtodo para determinar si la
descomposicin ha sido exitosa.

- Prueba del mes adyacente
El clculo del cociente de un mes dado y el promedio del mes precedente y
del mes siguiente e indica la variacin del mes en particular en relacin a los
otros dos meses. Si los datos no son estacionales, las variaciones debern ser
pequeas- Sin embargo, cuando el componente de estacionalidad es grande,
las variaciones sern considerables. Estas variaciones reflejan el patrn que
existe entre meses sucesivos. Si esta prueba se le aplica a la serie
estacionalmente ajustada, no debern presentarse variaciones altas si el
ajuste ha sido exitoso. Los valores de estos datos debern estar entre 105 y
95. Si los datos son mayores o menores a estos lmites el proceso no ha sido
exitoso.

- Prueba de enero
Si se divide la serie final estacionalmente ajustada entre los valores del mes
de enero, se obtiene un conjunto de valores normalizados a enero. Si al
revisar estos valores se puede identificar un patrn constante con una
duracin de ms de un mes, entonces se puede concluir que la
estacionalidad no ha sido removida de manera satisfactoria. Los resultados
de esta prueba aportan evidencia de la existencia o no de estacionalidad en
un ao en la serie analizada. Esta prueba es el complemento de la prueba
PMA y deber ser aplicada conjuntamente.

- Prueba de igualdad
El objetivo de esta prueba es determinar si la serie ha sido sobre ajustada.
Para aplicarla se divide la serie obtenida de la serie original con el promedio
mvil de longitud 12 entre la serie obtenida con el promedio mvil de
longitud 12 de la serie final estacionalmente ajustada. El proceso de aplicar
promedios mviles de longitud 12 a la serie original tiene como objetivo
eliminar la estacionalidad sin modificar substancialmente el rango de lo
datos. El segundo proceso de promedios mviles tiene como objetivo tanto
_____________________________________________________________
111
eliminar cualquier residuo de estacionalidad as como el de eliminar la
aleatoriedad. El cociente entre estas dos series puede utilizarse para
determinar si existe un sobre ajuste. Si estos cocientes estn por debajo de
90 por arriba de 110, la serie ha sido sobre ajustada y ser necesario
repetir el proceso de descomposicin con promedios de menor longitud.

- Prueba de porcentaje de cambio
o a) De los datos originales
De los datos originales. Es una medida de comparacin entre los datos y su
objetivo es servir de base para evaluar los porcentajes de cambio en las otras
pruebas. En general, para calcularla se aplica la siguiente frmula:

1 i i
t
i
X X
PC
X
+

= (14)

y el promedio general de porcentaje de cambio se calcula con la siguiente
frmula:

2
1
n
t
t
PC
n
=
(15)

Los valores de porcentaje de cambio para los datos originales debern de ser
mayores que los porcentajes de cambio de las otras pruebas.

o b) De la serie final estacionalmente ajustada
Como se ha expuesto anteriormente, la serie final estacionalmente ajustada
no contiene componentes estacionales, por lo que el comparar los
porcentajes de cambio de esta serie contra los de la serie de datos originales
ser una medida de la estacionalidad presente en los datos originales.

o c) Del componente aleatorio
Para esta prueba se utiliza la serie que representa el componente aleatorio.
Es una medida del componente de error que puede esperarse en el
_____________________________________________________________
112
pronstico. Un porcentaje de error promedio de 1.9 indica que el pronstico
tendr un error esperado del 1.9%.

o d) Del componente tendencia ciclo
Esta prueba se aplica a la serie que corresponde al componente Tendencia
Ciclo y representa los cambios mes a mes en este componente. Esta prueba
aunada a la prueba de porcentaje de cambio en el componente aleatorio
forman la base de la prueba del Mes de Dominancia Cclica.

- Mes de la dominancia cclica

Para aplicar esta prueba es necesario haber calculado los porcentajes de
cambio del componente aleatorio y del componente de Tendencia Ciclo y
el promedio del porcentaje de cambio de cada serie. Divdase el promedio
del porcentaje de cambio del componente aleatorio por el promedio del
porcentaje de cambio del componente Tendencia Ciclo. Por lo general se
encontrar que este cociente ser mayor que 1. Calclese el porcentaje de
cambio para dos, tres, cuatro o cinco meses. Esto es:
i r i
r
i
X X
PC
X
+

= , para
r = 2, 3, 4,etc.

Vulvase a calcular el cociente entre los promedios de porcentaje de
cambio, para r = 2, 3, 4, 5, ... Al incrementar el intervalo de tiempo entre
y
i r i
X X
+
, los cambios en el componente de tendencia ciclo aumentan,
mientras que los cambios en el componente aleatorio disminuyen. Para
alguna r , 2< r < 12, el cociente entre los promedios de porcentaje de
cambio se aproximar a 1. Al mes que corresponde a este valor de r se le
denomina Mes de Dominancia Cclica.

La informacin generada por esta prueba permite calcular una serie del
componente tendencia ciclo con un proceso de promedios mviles de la
mnima longitud, de tal manera que la prdida de valores debida al proceso
sea tambin mnima y sirva de base para el clculo del pronstico.

_____________________________________________________________
113
Adems de las pruebas propias del Census II, se aplican las pruebas de
bondad de ajuste, para validar la efectividad del modelo.

A continuacin se presenta en ejemplo del nmero de usuarios mensuales de
una sala de biblioteca durante siete aos. Para este caso especfico se aplica
un promedio mvil de longitud doce a los datos de la serie original con el
fin de eliminar el mayor grado de estacionalidad y aleatoriedad. Columna 3,
Tabla 4. Para centrar la serie se calcula un promedio mvil de longitud
dos, Columna 4, Tabla 4. Como consecuencia de este proceso se pierden
los seis primeros y los seis ltimos valores de la serie. Se calcula la serie R
t
,
dividiendo los valores de los datos originales entre los valores de la serie de
longitud 12, centrada, Columna 5, Tabla 4.

Ejemplo: Nmero de Usuarios de una Sala de Biblioteca
Periodo
de
Tiempo t

Datos
Promedio Mvil de
Longitud 12
Promedio Mvil de
Longitud 12,
Centrado
t
M
t
t t t
t
X
R I E
M
= =

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
1517
1524
1567
1512
1486
1569
1597
1697
1573
1509
1486
1534
1531
1534
1557
1541
1532
1579
1624
1627
1593
1549
1537
1561
1564
1582

1547.583
1548.750
1549.583
1548.750
1551.166
1555.000
1555.833
1558.083
1552.250
1553.916
1557.250
1561.500
1563.750
1566.500
1570.500
1578.916
1585.583
1598.666
1608.416
1616.000

1548.166
1549.166
1549.166
1549.958
1553.083
1555.416
1556.958
1555.166
1553.083
1555.583
1559.375
1562.625
1565.125
1568.500
1574.708
1582.250
1592.125
1603.541
1612.208
1620.083
0
0
0
0
0
0
103.154
109.542
101.538
97.357
95.680
98.623
98.332
98.638
100.252
99.062
98.244
101.047
103.761
103.729
101.161
97.898
96.537
97.347
97.009
97.649
_____________________________________________________________
114
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
1658
1621
1689
1696
1715
1725
1693
1675
1574
1629
1682
1719
1736
1684
1687
1759
1773
1785
1742
1739
1734
1753
1768
1764
1786
1779
1748
1768
1774
1782
1772
1746
1687
1738
1688
1743
1780
1751
1776
1779
1829
1808
1689
1757
1671
1759
1774
1777
1771
1786
1796
1845
1867
1624.166
1632.500
1643.000
1646.083
1651.750
1661.583
1673.000
1679.500
1684.75
1684.583
1689.833
1694.666
1699.666
1703.750
1709.083
1722.416
1732.750
1739.916
1743.666
1747.833
1755.750
1760.833
1761.583
1761.666
1761.416
1763.916
1764.500
1760.583
1759.333
1752.666
1750.916
1750.416
1748.083
1750.416
1751.333
1755.916
1758.083
1751.166
1752.083
1750.750
1752.500
1759.666
1762.500
1761.750
1764.666
1766.333
1771.833
1775.000
1777.583
1789.750
1794.333
1803.583
1806.416
1628.333
1637.750
1644.541
1648.916
1656.666
1667.291
1676.250
1682.125
1684.666
1687.208
1692.250
1697.166
1701.708
1706.416
1715.750
1727.583
1736.333
1741.791
1745.750
1751.791
1758.291
1761.208
1761.625
1761.541
1762.666
1764.208
1762.541
1759.958
1756.000
1751.791
1750.666
1749.250
1749.250
1750.875
1753.625
1757.000
1754.625
1751.625
1751.416
1751.625
1756.083
1761.083
1762.125
1763.208
1765.500
1769.083
1773.416
1776.291
1783.666
1792.041
1798.958
1805.000
1806.041
101.821
98.977
102.703
102.855
103.521
103.461
100.999
99.576
93.430
96.550
99.394
101.286
102.015
98.686
98.324
101.818
102.111
102.480
99.785
99.269
98.618
99.534
100.362
100.139
101.323
100.838
99.175
100.457
101.025
101.724
101.218
99.814
96.441
99.264
96.257
99.203
101.446
99.964
101.403
101.562
104.152
102.664
95.850
99.647
94.647
99.430
100.033
100.034
99.289
99.663
99.835
102.216
103.375
_____________________________________________________________
115
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
1839
1835
1812
1782
1793
1765
1788
1851
1848
1857
1874
1916
1894
1848
1825
1787
1828
1805.666
1806.583
1813.250
1818.416
1823.500
1825.916
1830.000
1834.583
1835.666
1836.750
1837.166
1840.083
1806.125
1809.916
1815.833
1820.958
1824.708
1827.958
1832.291
1835.125
1836.208
1836.958
1838.625
101.820
101.386
99.789
97.860
98.262
96.556
97.583
100.865
100.642
101.091
101.924

Tabla 4.10

Se reorganizan los valores de la columna 5, de la Tabla 4.10 para obtener la
matriz R
t

Ao Enero Feb. Marzo Abril Mayo Junio Julio Agosto Sept. Oct. Nov. Dic.
1989
1990
1991
1992
1993
1994
1995
1996
0.00
98.33
97.01
99.39
100.36
96.26
100.03
96.56
0.00
98.64
97.65
101.29
100.14
99.20
100.04
97.58
0.00
100.25
101.82
102.02
101.32
101.45
99.29
100.87
0.00
99.06
98.98
98.69
100.84
99.96
99.66
100.64
0.00
98.24
102.70
98.32
99.17
101.40
99.84
101.09
0.00
101.05
102.86
101.82
100.46
101.56
102.22
101.92
103.15
103.76
103.52
102.11
101.03
104.15
103.38
0.00
109.54
103.73
103.46
102.48
101.72
102.66
101.82
0.00
101.54
101.16
101.00
99.79
101.22
95.85
101.39
0.00
97.36
97.90
99.58
99.27
99.81
99.65
99.79
0.00
95.68
96.54
93.43
98.62
96.44
94.65
97.86
0.00
98.62
97.35
96.55
99.53
99.26
99.43
98.26
0.00
Tabla 4.11: Matriz R
t

Se agregan dos valores tanto al principio como al final de la serie para
compensar la prdida de valores debida al proceso de promedios mviles.

La Tabla 4.12 muestra como ejemplo el mes de junio y en las tablas 4.13 y
4.14 se presenta el clculo de todos los meses.

_____________________________________________________________
116
Ao Cocientes
R
t

Agregar dos valores al
principio y dos valores al final
Promedio Mvil de Orden 2
3 x 3
MA 3 MA 3

1989
1990
1991
1992
1993
1994
1995
1996

0.00
101.05
102.86
101.82
100.46
101.56
102.22
101.92
101.05 102.86
2
+
=

102.22 101.92
2
+
=

101.952
101.952
101.05
102.86
101.82
100.46
101.56
102.22
101.92
102.07
102.07

101.65
101.95
101.91
101.71
101.28
101.41
101.90
102.07
102.02

101.84
101.86
101.63
101.47
101.53
101.79
102.00
Tabla 4.1


98.33
97.89
98.24
98.92
98.67
98.88
97.61
98.29
97.71
98.63
98.30
99.19
99.69
100.21
99.79
98.94
98.81
98.40
100.25
100.77
101.36
101.72
101.59
100.68
100.53
100.07
100.34

99.06
99.03
98.90
99.50
99.83
100.15
100.09
100.15
100.31

98.24
99.73
99.75
100.06
99.63
100.13
100.77
100.46
100.67

101.65
101.95
101.90
101.71
101.27
101.41
101.90
102.07
102.02

103.76
103.68
103.13
102.21
102.43
102.85
103.76
103.63
103.76

107.60
105.57
103.22
102.55
102.29
102.07
102.24
102.10
102.24

101.41
101.23
100.64
100.66
98.95
99.48
98.61
99.54
98.61

97.53
98.27
98.91
99.55
99.57
99.75
99.71
99.74
99.71

95.966
95.216
96.196
96.164
96.569
96.316
96.254
96.790
96.254

98.198
97.507
97.810
98.450
99.410
98.986
98.846
98.652
98.846
Tabla 4.13 MA 3
Clculo del promedio mvil de longitud tres.

98.16
98.35
98.61
98.83
98.39
98.27
97.88
98.71
99.06
99.67
99.90
99.65
99.18
98.72
100.80
101.29
101.56
101.33
100.94
100.43
100.32
99.00
99.15
99.41
99.83
100.03
100.13
100.19
99.24
99.85
99.82
99.95
100.18
100.46
100.64
101.84
101.86
101.63
101.47
101.53
101.79
101.10
103.52
103.01
102.59
102.50
103.02
103.42
103.72
105.46
103.78
102.69
102.30
102.20
102.14
102.19
101.10
100.85
100.09
99.70
99.02
99.22
98.93
98.24
98.91
99.34
99.62
99.68
99.73
99.72
95.79
95.86
96.31
96.35
96.38
96.45
96.43
97.84
97.92
98.56
98.95
99.08
98.83
98.78
Tabla 4.14 MA 3 x 3

Clculo del promedio mvil de longitud tres a partir de la serie de la Tabla 4.13

_____________________________________________________________
117
Eliminacin de valores extremos o datos atpicos.

R
t
'
t
R
Desviacin Desviacin al cuadrado
101.05
102.86
101.82
100.46
101.56
102.22
101.92
101.84
101.86
101.63
101.47
101.53
101.79
102.00
2.86 - 101.84 = - 0.79
102.86 101.86 = 1.0
101.82 101.63 = 0.19
100.46 101.47 = -1.01
101.56 101.53 = 0.03
102.22 101.79 = 0.43
101.93 102.00 = -0.07
0.622
1.000
0.035
1.021
0.001
0.178
0.005
Suma
Var.
DE
2.86
2.86 / 7=0.41
0.41 0.64 =
Tabla 4. 15
Clculo de la desviacin estndar de las diferencias

'
t
R -2SD
Enero Febrero Marzo Abril Mayo Junio Julio Agosto Sept. Oct. Nov. Dic.
88.28
88.48
88.74
88.95
88.52
88.39
88.00
96.74
97.09
97.72
97.93
97.68
97.21
96.75
99.57
100.05
100.33
100.10
99.71
99.20
99.09
97.93
98.08
98.34
98.76
98.95
99.06
99.11
96.41
97.02
96.99
97.11
97.35
97.63
97.80
100.56
100.58
100.35
100.19
100.25
100.52
100.72
101.62
101.11
100.69
100.60
101.11
101.51
101.82
102.27
100.59
99.49
99.11
99.00
98.94
99.00
97.45
97.20
96.44
96.05
95.37
95.56
95.27
97.17
97.84
98.27
98.55
98.61
98.66
98.65
92.48
92.55
93.00
93.04
93.07
93.14
93.12
95.99
96.07
96.71
97.10
97.23
96.98
96.93
Tabla 4.16
Clculo del Intervalo de Confianza

'
t
R +2SD
108.03
108.23
108.49
108.70
108.26
108.14
107.7
100.69
101.04
101.67
101.87
101.62
101.16
100.69
102.03
102.52
102.79
102.57
102.17
101.66
101.55
100.07
100.22
100.49
100.90
101.10
101.21
101.26
102.08
102.69
102.65
102.78
103.02
103.29
103.47
103.11
103.13
102.91
102.75
102.81
103.07
103.28
105.43
104.91
104.50
104.40
104.92
105.32
105.62
108.66
106.98
105.89
105.50
105.40
105.33
105.39
104.75
104.50
103.74
103.35
102.67
102.87
102.58
99.32
99.99
100.42
100.70
100.76
100.81
100.80
99.11
99.17
99.62
99.66
99.69
99.77
99.75
99.69
99.77
100.41
100.80
100.93
100.68
100.63
Tabla 4.17
Clculo del Intervalo de Confianza

_____________________________________________________________
118
Al revisar la serie R
t
, verific que no existen valores extremos o atpicos por lo
que se determina que la serie R
t
es la adecuada para continuar con el proceso de
descomposicin y se procede a normalizar los valores, encontrando el promedio
correspondiente a cada mes y dividiendo cada valor de la columna entre ste.

La Tabla 4.18 presenta los valores normalizados.

R
t
Normalizada
98.44
98.00
98.30
98.82
98.63
98.84
97.59
98.10
98.74
98.42
99.25
99.59
100.17
99.75
98.92
98.62
100.36
100.88
101.42
101.62
101.56
100.65
100.51
99.88
99.17
99.14
98.97
99.40
99.79
100.11
100.06
99.96
98.35
99.84
99.82
99.97
99.60
100.10
100.75
100.27
101.15
101.76
101.97
101.61
101.24
101.37
101.87
101.87
103.57
103.59
103.19
102.12
102.40
102.81
103.61
103.17
106.74
105.69
103.29
102.45
102.25
102.03
102.08
101.62
101.46
101.34
100.71
100.57
98.91
99.44
99.51
101.19
97.73
98.39
98.97
99.45
99.54
99.71
99.72
99.59
96.21
95.32
96.25
96.06
96.53
96.27
96.76
97.67
98.09
97.61
97.87
98.35
99.37
98.94
98.63
98.07
Tabla 4.18

A continuacin se calcul un promedio mvil de segundo orden de longitud 3 x 3
el cual se presenta en las tablas 4.19 y 4.20.

MA3
98.44
98.00
98.30
98.82
98.63
98.84
97.59
98.10
98.74
98.42
99.25
99.59
100.17
99.75
98.92
98.62
100.36
100.89
101.42
101.62
101.56
100.64
100.51
99.88
99.17
99.14
98.97
99.40
99.79
100.11
100.06
99.96
98.35
99.84
99.82
99.97
99.60
100.10
100.75
100.27
101.15
101.76
101.97
101.61
101.24
101.37
101.87
101.87
103.57
103.59
103.19
102.12
102.40
102.81
103.61
103.17
106.74
105.69
103.29
102.45
102.25
102.03
102.08
101.62
101.46
101.34
100.71
100.57
98.91
99.44
99.51
101.19
97.73
98.39
98.97
99.45
99.54
99.71
99.72
99.59
96.21
95.32
96.25
96.06
96.53
96.27
96.76
97.67
98.09
97.61
97.87
98.35
99.37
98.94
98.63
98.07
Tabla 4.19

MA 3 x 3
98.22
98.25
98.37
98.58
98.76
98.35
98.17
97.84
98.58
98.80
99.08
99.67
99.84
99.61
99.09
98.77
100.62
100.89
101.31
101.53
101.27
100.90
100.35
100.20
99.16
99.09
99.17
99.39
99.77
99.99
100.04
100.01
99.09
99.34
99.88
99.80
99.89
100.15
100.37
100.51
101.46
101.63
101.78
101.61
101.41
101.49
101.70
101.87
103.58
103.45
102.97
102.57
102.44
102.94
103.20
103.39
106.22
105.24
103.81
102.66
102.24
102.12
101.91
101.85
101.40
101.17
100.87
100.06
99.64
99.28
100.04
100.35
98.06
98.36
98.94
99.32
99.57
99.65
99.67
99.65
95.77
95.93
95.88
96.28
96.29
96.52
96.90
97.21
97.85
97.86
97.94
98.53
98.89
98.98
98.55
98.35
Tabla 4.20

_____________________________________________________________
119
El siguiente paso del proceso se muestra en la Tabla 4.21 y corresponde a los
valores obtenidos de dividir, valor por valor, la serie de los datos originales entre la
serie de datos obtenida con el proceso de promedios mviles de 3 x3.

X / MA 3x3
1544.5
1558.3
1589.9
1706.2
1790.2
1716.3
1807.0
1803.9
1545.9
1552.6
1596.6
1724.7
1766.9
1749.8
1793.3
1810.3
1557.3
1543.3
1636.6
1709.8
1763.6
1764.1
1764.9
1847.4
1524.9
1555.1
1634.6
1694.4
1783.1
1751.2
1785.2
1847.8
1499.6
1542.3
1691.1
1690.5
1750.0
1773.3
1789.4
1847.6
1546.5
1553.7
1666.4
1731.2
1743.5
1752.8
1814.1
1839.6
1541.8
1569.8
1665.6
1728.6
1731.8
1776.8
1809.2
1853.2
1597.7
1546.0
1661.7
1738.7
1742.9
1770.5
1804.6
1859.6
1551.3
1574.6
1678.3
1740.9
1778.5
1701.2
1834.2
1841.6
1538.9
1574.8
1693.0
1750.9
1753.6
1763.1
1818.0
1831.3
1551.7
1602.3
1641.7
1801.0
1752.0
1731.2
1839.0
1838.2
1567.7
1595.2
1663.2
1779.2
1757.5
1777.1
1819.4
1858.7
Tabla 4.21

La Tabla 4.22 muestra el proceso y los valores obtenidos de calcular un
promedio mvil de Spencer lo cual corresponde al determinar el factor
tendencia ciclo. La primera columna corresponde a los datos de la Tabla
4.21 transpuestos para formar una sola columna.

Tabla 4.21 MA 5 MA 5 x 4 MA 5 x 4 x 5 MA 5 x 4 x 5 x 4 =
'
t t t
M TC =

1544.5
1546.0
1557.3
1524.9
1499.6
1546.4
1541.8
1597.7
1551.3
1538.9
1551.7
1567.7
1558.3
1552.6
1543.3
1555.1
1542.3
1553.7
1569.8
1546.0
1574.6
1574.8
1602.3
1544.5
1545.2
1534.5
1534.8
1534.0
1542.1
1547.4
1555.2
1556.3
1561.4
1553.6
1553.8
1554.7
1555.4
1550.3
1549.4
1552.8
1553.4
1557.3
1563.8
1573.5
1578.6
1587.3
1544.5
1544.9
1541.4
1539.8
1538.5
1542.7
1547.0
1552.5
1554.8
1556.1
1556.0
1555.8
1553.6
1552.7
1552.5
1552.3
1552.6
1555.3
1560.1
1565.3
1572.1
1579.0
1587.0
1544.5
1544.7
1542.6
1541.1
1540.6
1542.0
1545.2
1549.2
1552.6
1554.8
1555.7
1555.4
1554.5
1553.7
1552.8
1552.5
1553.2
1555.1
1558.4
1563.2
1569.1
1575.9
1583.1
1544.5
1544.6
1543.3
1542.3
1541.6
1542.2
1544.3
1547.2
1550.5
1553.1
1554.6
1555.1
1554.8
1554.1
1553.4
1553.0
1553.4
1554.8
1557.5
1561.4
1566.6
1572.8
1579.9
_____________________________________________________________
120
1595.2
1589.9
1596.6
1636.6
1634.6
1691.1
1666.4
1665.6
1661.7
1678.3
1693.0
1641.7
1663.2
1706.2
1724.7
1709.8
1694.4
1690.5
1731.2
1728.6
1738.7
1740.9
1750.9
1801.0
1779.2
1790.2
1766.9
1763.5
1783.1
1749.9
1743.5
1731.7
1742.9
1778.5
1753.6
1752.0
1757.5
1716.3
1749.8
1764.1
1751.2
1773.3
1752.8
1776.8
1770.5
1701.2
1763.1
1731.2
1777.1
1807.0
1793.2
1764.9
1785.2
1591.7
1604.1
1610.6
1629.7
1645.0
1658.8
1663.9
1672.6
1673.0
1668.1
1667.6
1676.5
1685.8
1689.1
1699.7
1705.1
1710.1
1710.9
1716.7
1726.0
1738.1
1752.0
1762.1
1772.4
1777.6
1780.1
1776.6
1770.7
1761.4
1754.4
1750.2
1749.3
1750.0
1751.7
1756.9
1751.6
1745.8
1747.9
1747.8
1750.9
1758.2
1763.6
1764.9
1754.9
1752.9
1748.6
1748.6
1755.9
1774.3
1774.7
1785.5
1787.9
1789.4
1594.5
1604.7
1616.2
1629.7
1641.6
1654.0
1662.7
1667.3
1669.0
1671.5
1674.2
1677.4
1683.7
1691.2
1697.9
1703.0
1708.5
1713.7
1720.3
1728.7
1739.0
1750.1
1760.4
1768.9
1773.8
1775.5
1773.3
1768.6
1762.7
1757.2
1753.1
1751.1
1751.6
1751.9
1751.2
1750.8
1750.0
1748.8
1750.1
1753.7
1757.1
1758.5
1758.9
1757.0
1754.0
1752.2
1756.1
1760.4
1767.8
1775.7
1782.4
1786.0
1791.2
1591.3
1600.6
1611.3
1623.1
1635.4
1647.0
1656.4
1663.2
1667.6
1670.5
1673.0
1676.7
1681.6
1687.6
1694.0
1700.2
1705.8
1711.4
1717.8
1725.4
1734.5
1744.6
1754.6
1763.3
1769.6
1772.9
1772.8
1770.0
1765.5
1760.4
1756.0
1753.3
1751.9
1751.5
1751.4
1751.0
1750.2
1749.9
1750.7
1752.4
1754.9
1757.1
1757.9
1757.1
1755.5
1754.8
1755.7
1759. 1
1765.0
1771.6
1778.0
1783.8
1788.9
1587.7
1596.6
1606.6
1617.6
1629.2
1640.5
1650.5
1658.6
1664.4
1668.6
1672.0
1675.5
1679.7
1685.0
1690.8
1696.9
1702.8
1708.8
1715.1
1722.3
1730.6
1739.8
1749.2
1758.0
1765.1
1769.7
1771.3
1770.3
1767.2
1763.0
1758.8
1755.4
1753.2
1752.0
1751.5
1751.0
1750.6
1750.5
1750.8
1752.0
1753.8
1755.6
1756.7
1756.9
1756.3
1755.8
1756.3
1758. 6
1762.8
1768.4
1774.6
1780.6
1786.1
_____________________________________________________________
121
1789.3
1814.1
1809.2
1804.6
1834.2
1818.0
1839.0
1819.4
1803.9
1810.3
1847.4
1847.8
1847.6
1839.6
1853.2
1859.6
1841.6
1831.3
1838.2
1858.7
1792.5
1800.5
1810.3
1816.0
1821.0
1823.0
1822.9
1818.1
1824.0
1825.8
1831.4
1838.5
1847.1
1849.6
1848.3
1845.1
1844.8
1845.9
1842.5
1842.7
1796.1
1801.7
1808.1
1814.2
1818.6
1820.2
1821.8
1822.8
1824.4
1827.6
1833.4
1838.5
1843.0
1845.7
1847.0
1846.7
1845.3
1844.2
1844.0
1843.7
1793.8
1799.3
1805.0
1810.6
1815.3
1818.7
1820.9
1822.3
1824.2
1827.0
1831.0
1835.6
1840.1
1843.5
1845.6
1846.2
1845.8
1845.0
1844.3
1844.0
1791.4
1796.7
1802.2
1807.5
1812.4
1816.4
1819.3
1821.5
1823.6
1826.1
1829.4
1833.4
1837.6
1841.2
1843.9
1845.3
1845.7
1845.3
1844.8
1844.4
Tabla 4.22

Para el clculo del Factor de Estacionalidad, se dividen los datos la columna
2 de la Tabla 4.23, (datos originales), entre los valores de la columna 5 de
la Tabla 4.22, obtenindose:

Periodo de
Tiempo t
Datos Mt Columna 5
Tabla 4.
Datos/ Mt
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
1517.00
1524.00
1567.00
1512.00
1486.00
1569.00
1597.00
1697.00
1573.00
1509.00
1486.00
1534.00
1531.00
1534.00
1557.00
1541.00
1532.00
1579.00
1624.00
1627.00
1593.00
1549.00
1544.52
1544.61
1543.25
1542.27
1541.60
1542.23
1544.25
1547.24
1550.45
1553.07
1554.60
1555.09
1554.80
1554.08
1553.37
1553.04
1553.40
1554.79
1557.46
1561.45
1566.64
1572.83
98.22
98.67
101.54
98.04
96.39
101.74
103.42
109.68
101.45
97.16
95.59
98.64
98.47
98.71
100.23
99.22
98.62
101.56
104.27
104.20
101.68
98.48
_____________________________________________________________
122
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
1537.00
1561.00
1564.00
1582.00
1658.00
1621.00
1689.00
1696.00
1715.00
1725.00
1693.00
1675.00
1574.00
1629.00
1682.00
1719.00
1736.00
1684.00
1687.00
1759.00
1773.00
1785.00
1742.00
1739.00
1734.00
1753.00
1768.00
1764.00
1786.00
1779.00
1748.00
1768.00
1774.00
1782.00
1772.00
1746.00
1687.00
1738.00
1688.00
1743.00
1780.00
1751.00
1776.00
1779.00
1829.00
1808.00
1689.00
1757.00
1671.00
1759.00
1774.00
1777.00
1771.00
1579.85
1587.73
1596.58
1606.56
1617.58
1629.17
1640.45
1650.50
1658.56
1664.44
1668.60
1671.97
1675.47
1679.73
1684.97
1690.83
1696.87
1702.82
1708.79
1715.11
1722.30
1730.59
1739.78
1749.25
1758.03
1765.10
1769.65
1771.33
1770.29
1767.17
1762.97
1758.78
1755.41
1753.18
1752.02
1751.45
1751.02
1750.63
1750.45
1750.82
1751.98
1753.76
1755.56
1756.73
1756.89
1756.32
1755.77
1756.27
1758.64
1762.83
1768.41
1774.58
1780.56
97.29
98.32
97.96
98.47
102.50
99.50
102.96
102.76
103.40
103.64
101.46
100.18
93.94
96.98
99.82
101.67
102.31
98.89
98.72
102.56
102.94
103.14
100.13
99.41
98.63
99.31
99.91
99.59
100.89
100.67
99.15
100.52
101.06
101.64
101.14
99.69
96.34
99.28
96.43
99.55
101.60
99.84
101.16
101.27
104.10
102.94
96.20
100.04
95.02
99.78
100.32
100.14
99.46
_____________________________________________________________
123
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
1786.00
1796.00
1845.00
1867.00
1839.00
1835.00
1812.00
1782.00
1793.00
1765.00
1788.00
1851.00
1848.00
1857.00
1874.00
1916.00
1894.00
1848.00
1825.00
1787.00
1828.00
1786.11
1791.43
1796.74
1802.17
1807.55
1812.41
1816.37
1819.29
1821.51
1823.59
1826.12
1829.44
1833.44
1837.56
1841.22
1843.86
1845.27
1845.65
1845.32
1844.77
1844.43
99.99
100.25
102.69
103.60
101.74
101.25
99.76
97.95
98.43
96.79
97.91
101.18
100.79
101.06
101.78
103.91
102.64
100.13
98.90
96.87
99.11
Tabla 4.23

Factores Estacionales Finales. A continuacin se presentan las Tablas 4.24,
4.25, 4.26, 4.27, 4.28 y 4.29 corresponden a la tercera fase de la
metodologa.

t
FIE
98.22
98.47
97.96
99.82
99.91
96.43
100.32
96.79
98.67
98.71
98.47
101.67
99.59
99.55
100.14
97.91
101.54
100.23
102.50
102.31
100.89
101.60
99.46
101.18
98.04
99.22
99.50
98.89
100.67
99.84
99.99
100.79
96.39
98.62
102.96
98.72
99.15
101.16
100.25
101.06
101.74
101.56
102.76
102.56
100.52
101.27
102.69
101.78
103.42
104.27
103.40
102.94
101.06
104.10
103.60
103.91
109.68
104.20
103.64
103.14
101.64
102.94
101.74
102.64
101.45
101.68
101.46
100.13
101.14
96.20
101.25
100.13
97.16
98.48
100.18
99.41
99.69
100.04
99.76
98.90
95.59
97.29
93.94
98.63
96.34
95.02
97.95
96.87
98.64
98.32
96.98
99.31
99.28
99.78
98.43
99.11
Tabla 4.24

_____________________________________________________________
124
t
FIE ms valores extras
98.34
98.34
98.22
98.47
97.96
99.82
99.91
96.43
100.32
96.79
98.55
98.55
98.69
98.69
98.67
98.71
98.47
101.67
99.59
99.55
100.14
97.91
99.02
99.02
100.89
100.89
101.54
100.23
102.50
102.31
100.89
101.60
99.46
101.18
100.32
100.32
98.63
98.63
98.04
99.22
99.50
98.89
100.67
99.84
99.99
100.79
100.39
100.39
97.51
97.51
96.39
98.62
102.96
98.72
99.15
101.16
100.25
101.06
100.66
100.66
101.65
101.65
101.74
101.56
102.76
102.56
100.52
101.27
102.69
101.78
102.23
102.23
103.84
103.84
103.42
104.27
103.40
102.94
101.06
104.10
103.60
103.91
103.75
103.75
106.94
106.94
109.68
104.20
103.64
103.14
101.64
102.94
101.74
102.64
102.19
102.19
101.57
101.57
101.45
101.68
101.46
100.13
101.14
96.20
101.25
100.13
100.69
100.69
97.82
97.82
97.16
98.48
100.18
99.41
99.69
100.04
99.76
98.90
99.33
99.33
96.44
96.44
95.59
97.29
93.94
98.63
96.34
95.02
97.95
96.87
97.41
97.41
98.48
98.48
98.64
98.32
96.98
99.31
99.28
99.78
98.43
99.11
98.77
98.77
Tabla 4.25

Promedio Mvil de Longitud 3
98.3
98.3
98.2
98.8
99.2
98.7
98.9
97.8
98.6
98.0
98.7
98.7
98.6
99.6
99.9
100.3
99.8
99.2
99.0
98.7
101.1
100.9
101.4
101.7
101.9
101.6
100.7
100.7
100.3
100.6
98.4
98.6
98.9
99.2
99.7
99.8
100.2
100.2
100.4
100.5
97.1
97.5
99.3
100.1
100.3
99.7
100.2
100.8
100.7
100.8
101.7
101.7
102.0
102.3
101.9
101.5
101.5
101.9
102.2
102.1
103.7
103.8
103.7
103.5
102.5
102.7
102.9
103.9
103.8
103.8
107.9
106.9
105.8
103.7
102.8
102.6
102.1
102.4
102.2
102.3
101.5
101.6
101.5
101.1
100.9
99.2
99.5
99.2
100.7
100.5
97.6
97.8
98.6
99.4
99.8
99.7
99.8
99.6
99.3
99.2
96.2
96.4
95.6
96.6
96.3
96.7
96.4
96.6
97.4
97.2
98.5
98.5
98.0
98.2
98.5
99.5
99.2
99.1
98.8
98.9
Tabla 4.26
Promedio Mvil de Longitud 3 x 3
'
t
FS
98.3
98.4
98.7
98.9
98.9
98.5
98.4
98.1
98.7
99.0
99.4
99.9
100.0
99.7
99.3
99.0
101.1
101.3
101.7
101.7
101.4
101.0
100.6
100.6
98.7
98.9
99.3
99.6
99.9
100.1
100.3
100.4
98.0
99.0
99.9
100.0
100.0
100.2
100.6
100.8
101.8
102.0
102.1
101.9
101.6
101.6
101.9
102.1
103.7
103.7
103.2
102.9
102.7
103.2
103.5
103.8
106.9
105.5
104.1
103.0
102.5
102.4
102.2
102.3
101.5
101.4
101.2
100.4
99.9
99.3
99.8
100.1
98.0
98.6
99.2
99.6
99.8
99.7
99.6
99.4
96.1
96.2
96.2
96.5
96.5
96.6
96.8
97.1
98.3
98.2
98.2
98.7
99.0
99.2
99.0
98.9
Tabla 4.27

_____________________________________________________________
125

FA
t
1543.4
1555.3
1584.1
1700.7
1786.8
1714.0
1802.3
1798.8
1544.7
1549.9
1591.9
1720.2
1764.4
1747.5
1789.0
1806.8
1549.4
1536.6
1630.8
1706.6
1761.7
1762.4
1760.9
1840.7
1532.5
1557.8
1632.9
1691.4
1781.0
1749.9
1781.4
1841.1
1516.5
1547.8
1690.7
1686.7
1747.1
1771.9
1786.0
1843.0
1541.6
1548.3
1661.4
1726.3
1739.6
1750.7
1811.0
1835.9
1539.3
1566.2
1661.3
1723.0
1727.4
1772.9
1803.6
1845.7
1587.8
1542.5
1657.0
1732.8
1738.6
1766.0
1798.6
1851.0
1549.1
1571.0
1673.3
1735.3
1774.4
1701.1
1838.6
1845.7
1539.6
1571.0
1687.8
1745.8
1750.0
1762.2
1819.7
1836.7
1546.9
1597.4
1636.5
1796.3
1748.7
1730.3
1840.5
1840.7
1691.6
1732.4
1822.0
1982.0
1976.9
2004.3
2029.6
2054.4
Tabla 2.28

Promedio Mvil de Spencer
Periodo FA
t

MA5 MA5 x 4 MA 5 x 4 x 5 MA 5 x 4 x
5 x 4
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
1543.438
1544.691
1549.277
1532.392
1516.376
1541.455
1539.299
1587.832
1549.081
1539.606
1546.855
1560.024
1555.313
1549.928
1536.516
1557.772
1547.752
1548.212
1566.144
1542.494
1571.044
1571.030
1597.352
1589.267
1584.083
1591.880
1630.794
1632.873
1690.633
1543.438
1544.065
1537.235
1536.838
1535.760
1543.471
1546.808
1551.454
1552.534
1556.679
1550.176
1550.345
1549.727
1551.910
1549.456
1548.036
1551.279
1552.475
1555.129
1559.785
1569.613
1574.237
1582.555
1586.722
1598.675
1605.779
1626.052
1641.504
1655.378
1543.438
1543.751
1540.394
1538.474
1538.326
1540.719
1544.373
1548.567
1551.869
1552.711
1552.434
1551.732
1550.540
1550.360
1549.782
1550.170
1550.311
1551.730
1554.667
1559.250
1564.691
1571.548
1578.282
1585.548
1593.433
1604.307
1618.003
1632.179
1645.890
1543.438
1543.595
1540.877
1540.333
1540.457
1542.092
1544.771
1547.648
1549.991
1551.463
1551.857
1551.555
1550.969
1550.517
1550.233
1550.471
1551.332
1553.226
1556.130
1560.377
1565.688
1571.864
1578.700
1586.624
1595.915
1606.694
1618.762
1631.386
1643.167
1543.438
1543.516
1542.061
1541.315
1540.940
1541.913
1543.742
1546.125
1548.468
1550.240
1551.216
1551.461
1551.225
1550.818
1550.547
1550.638
1551.315
1552.790
1555.266
1558.855
1563.515
1569.157
1575.719
1583.276
1591.983
1601.999
1613.189
1625.002
1636.479
_____________________________________________________________
126
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
1661.340
1661.253
1657.024
1673.288
1687.765
1636.544
1658.252
1700.697
1720.195
1706.563
1691.354
1686.660
1726.271
1722.971
1732.752
1735.314
1745.772
1796.313
1775.573
1786.846
1764.382
1761.658
1781.028
1747.137
1739.646
1727.408
1738.568
1774.407
1750.048
1748.739
1754.683
1713.990
1747.497
1762.407
1749.943
1771.892
1750.672
1772.892
1766.047
1701.059
1762.228
1730.341
1772.409
1802.347
1789.022
1760.917
1781.409
1660.624
1668.708
1668.134
1663.175
1662.575
1671.309
1680.691
1684.450
1695.412
1701.094
1706.209
1706.764
1712.002
1720.794
1732.616
1746.624
1757.145
1767.964
1773.777
1776.954
1773.897
1768.210
1758.770
1751.376
1746.758
1745.433
1746.016
1747.834
1753.289
1748.373
1742.991
1745.463
1745.704
1749.146
1756.482
1761.561
1762.289
1752.512
1750.580
1746.513
1746.417
1753.677
1771.269
1771.007
1781.221
1783.948
1785.673
1656.554
1663.211
1665.160
1665.648
1666.298
1669.437
1674.756
1682.966
1690.412
1696.791
1702.370
1706.517
1711.442
1718.044
1728.009
1739.295
1751.087
1761.377
1768.960
1773.148
1773.210
1769.458
1763.063
1756.278
1750.584
1747.396
1746.510
1748.143
1748.878
1748.122
1747.529
1745.633
1745.826
1749.198
1753.223
1757.369
1758.211
1756.736
1752.974
1749.006
1749.297
1754.469
1760.592
1769.293
1776.861
1780.462
1784.857
1652.599
1659.292
1663.374
1665.951
1668.260
1671.821
1676.774
1682.872
1689.459
1695.811
1701.506
1707.033
1713.276
1720.661
1729.575
1739.562
1749.746
1758.773
1765.556
1769.231
1769.568
1767.032
1762.519
1757.356
1752.766
1749.782
1748.302
1747.810
1747.836
1747.661
1747.197
1747.262
1748.282
1750.250
1752.766
1754.948
1755.703
1754.859
1753.244
1752.496
1753.267
1756.531
1762.103
1768.336
1774.413
1780.011
1785.050
1646.611
1654.608
1660.304
1664.219
1667.351
1670.701
1674.932
1680.232
1686.229
1692.412
1698.452
1704.407
1710.619
1717.636
1725.769
1734.886
1744.414
1753.410
1760.827
1765.782
1767.847
1767.087
1764.119
1759.918
1755.606
1752.052
1749.665
1748.433
1747.902
1747.626
1747.489
1747.600
1748.248
1749.640
1751.561
1753.416
1754.569
1754.688
1754.076
1753.467
1753.885
1756.099
1760.059
1765.346
1771.216
1776.953
1782.371
_____________________________________________________________
127
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
1786.046
1810.969
1803.594
1798.592
1838.645
1819.749
1840.565
1810.863
1798.817
1806.795
1840.726
1841.052
1843.040
1835.892
1845.658
1850.986
1845.676
1836.780
1840.730
1847.985

1788.587
1796.122
1807.569
1814.310
1820.229
1821.683
1821.728
1815.358
1819.553
1819.651
1826.086
1833.501
1841.274
1843.326
1844.250
1842.998
1843.966
1844.431
1844.358
1847.985
1788.582
1794.488
1801.647
1809.558
1815.948
1819.487
1819.749
1819.580
1819.072
1820.162
1824.698
1830.128
1836.047
1840.588
1842.962
1843.635
1843.912
1843.938
1845.185
1845.592

1790.007
1795.826
1802.044
1808.225
1813.278
1816.864
1818.767
1819.610
1820.652
1822.728
1826.021
1830.324
1834.884
1838.672
1841.429
1843.007
1843.926
1844.452
1844.657
1844.905
1787.724
1793.232
1799.026
1804.844
1810.103
1814.284
1817.130
1818.974
1820.439
1822.253
1824.931
1828.489
1832.475
1836.327
1839.498
1841.758
1843.204
1844.011
1844.485
1844.905

Tabla 4.29

La columna 6 de la Tabla 4.29 representa al componente tendencia ciclo.
Con la tcnica de mnimos cuadrados de regresin lineal, Apndice I, se
determin la tendencia, 3.545 t+1528.615 X = . Figura 4.4

_____________________________________________________________
128
1450
1500
1550
1600
1650
1700
1750
1800
1850
1900
1 6
1
1
1
6
2
1
2
6
3
1
3
6
4
1
4
6
5
1
5
6
6
1
6
6
7
1
7
6
8
1
8
6
9
1
9
6
Componente Tendencia -
Ciclo
Tendencia: Regresin Lineal

Figura 4.4
Componente Estacional
80
85
90
95
100
105
110
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96
Figura 4.5
_____________________________________________________________
129
La Figura 4.5 corresponde a la grfica del componente de estacionalidad,
columna 3, Tabla 4.31

5) Finalmente la Tabla 4.31 presenta el clculo de la serie estimada la cual
se obtiene de multiplicar entrada por entrada las columnas 2,3 y 5 y el
pronstico. Para el clculo del pronstico, es necesario usar la ecuacin
de regresin lineal 3.545 t+1528.615 X = , la estacionalidad un ao
adelante calculada aplicando la siguiente frmula:

( ) ( )
0 1
3
2
a a

donde
0
a es el ltimo dato y
1
a el penltimo, para cada una de las
columnas de la Tabla 4.27. Estos valores se muestran en la Tabla 4.30

Mes ndice
Estacional
Enero
Feb.
Marzo
Abril
Mayo
Junio
Julio
Agosto
Sept.
Oct.
Nov.
Dic

97.966
98.776
100.551
100.437
100.858
102.174
103.959
102.362
100.288
99.253
97.216
98.875
Tabla 4.30

Pronstico
t t t t t
P T C I e =
Periodo
Tendencia -
Ciclo
Estacionalidad Aleatoriedad
%
Aleatoriedad
Pronstico
1
2
3
4
5
6
7
1543.438
1543.516
1542.329
1541.600
1541.239
1542.055
1543.795
98.287
98.661
101.138
98.661
97.990
101.780
103.747
100.000
100.076
100.474
99.429
98.413
99.978
99.713
1.000
1.001
1.005
0.994
0.984
1.000
0.997
1517.000
1524.000
1567.273
1512.279
1486.289
1569.144
1597.055
_____________________________________________________________
130
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
1546.168
1548.499
1550.259
1551.228
1551.470
1551.236
1550.835
1550.571
1550.668
1551.349
1552.824
1555.297
1558.880
1563.532
1569.168
1575.725
1583.280
1591.988
1602.006
1613.199
1625.015
1636.493
1646.626
1654.621
1660.314
1664.227
1667.356
1670.704
1674.933
1680.232
1686.229
1692.412
1698.452
1704.407
1710.619
1717.636
1725.769
1734.886
1744.414
1753.410
1760.827
1765.782
1767.847
1767.087
1764.119
1759.918
1755.606
1752.052
1749.665
1748.433
1747.902
1747.626
1747.489
106.876
101.544
98.012
96.066
98.332
98.437
98.972
101.330
98.919
98.978
101.985
103.694
105.479
101.398
98.598
96.222
98.221
98.732
99.379
101.667
99.271
99.902
102.085
103.235
104.103
101.178
99.244
96.178
98.236
98.901
99.931
101.725
99.565
100.020
101.896
102.904
103.015
100.385
99.612
96.531
98.729
98.945
99.978
101.382
99.886
100.049
101.630
102.697
102.498
99.864
99.769
96.470
99.049
102.696
100.040
99.314
99.719
100.552
100.264
99.943
99.098
100.465
99.774
99.709
100.700
98.950
100.482
100.119
101.373
100.378
99.504
99.368
101.093
100.486
103.311
100.896
100.402
99.802
100.545
101.224
97.955
99.004
101.218
102.014
100.836
99.582
98.959
100.915
100.311
100.405
100.025
100.078
102.447
100.837
101.193
99.804
99.693
100.959
99.274
99.091
98.593
99.366
101.486
100.123
100.064
100.412
1.027
1.000
0.993
0.997
1.006
1.003
0.999
0.991
1.005
0.998
0.997
1.007
0.989
1.005
1.001
1.014
1.004
0.995
0.994
1.011
1.005
1.033
1.009
1.004
0.998
1.005
1.012
0.980
0.990
1.012
1.020
1.008
0.996
0.990
1.009
1.003
1.004
1.000
1.001
1.024
1.008
1.012
0.998
0.997
1.010
0.993
0.991
0.986
0.994
1.015
1.001
1.001
1.004
1697.047
1573.031
1509.019
1486.011
1534.009
1531.011
1534.016
1557.024
1541.030
1532.034
1579.035
1624.032
1627.025
1593.017
1549.011
1537.006
1561.004
1564.005
1582.007
1658.010
1621.013
1689.015
1696.015
1715.014
1725.011
1693.007
1675.004
1574.002
1629.001
1682.000
1719.000
1736.000
1684.000
1687.000
1759.000
1773.000
1785.000
1742.000
1739.000
1734.000
1753.000
1768.000
1764.000
1786.000
1779.000
1748.000
1768.000
1774.000
1782.000
1772.000
1746.000
1687.000
1738.000
_____________________________________________________________
131
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
1747.600
1748.248
1749.640
1751.561
1753.416
1754.568
1754.688
1754.074
1753.465
1753.882
1756.096
1760.055
1765.342
1771.212
1776.950
1782.369
1787.723
1793.231
1799.024
1804.840
1810.097
1814.276
1817.120
1818.963
1820.429
1822.244
1824.925
1828.485
1832.473
1836.325
1839.494
1841.751
1843.245
1844.310
1845.541
1847.923
1872.527
1876.073
1879.618
1883.164
1886.709
1890.255
1893.800
1897.346
1900.891
1904.437
1907.982
1911.528
98.484
99.743
100.998
100.060
100.232
101.618
103.165
102.376
99.291
99.704
96.571
99.244
98.427
99.328
100.573
100.258
100.557
101.879
103.516
102.247
99.802
99.575
96.819
99.015
98.120
98.960
100.558
100.377
100.757
102.076
103.811
102.324
100.126
99.360
97.084
98.922
97.966
98.776
100.551
100.437
100.858
102.174
103.959
102.362
100.288
99.253
97.216
98.875
98.077
99.957
100.730
99.908
101.054
99.778
101.037
100.683
97.011
100.475
98.533
100.701
102.096
101.005
99.098
99.946
99.906
100.989
100.254
99.654
101.577
100.300
101.288
99.552
98.812
99.152
100.865
100.687
100.577
99.976
100.335
100.501
100.134
99.606
99.794
100.164
98.727
98.842
99.146
99.398
99.681
99.900
99.956
99.926
99.506
99.006
98.381
108.319
0.981
1.000
1.007
0.999
1.011
0.998
1.010
1.007
0.970
1.005
0.985
1.007
1.021
1.010
0.991
0.999
0.999
1.010
1.003
0.997
1.016
1.003
1.013
0.996
0.988
0.992
1.009
1.007
1.006
1.000
1.003
1.005
1.001
0.996
0.998
1.002
0.987
0.988
0.991
0.994
0.997
0.999
1.000
0.999
0.995
0.990
0.984
1.083
1688.000
1743.000
1780.000
1751.000
1776.000
1779.000
1828.999
1807.999
1688.998
1756.997
1670.996
1758.996
1773.996
1776.996
1770.997
1785.998
1795.999
1844.999
1866.998
1838.996
1834.994
1811.992
1781.990
1792.989
1764.990
1787.991
1850.993
1847.995
1856.997
1873.997
1915.996
1893.992
1848.042
1825.296
1788.023
1830.990
1811.102
1831.652
1873.840
1880.014
1896.811
1929.418
1967.916
1940.734
1896.952
1871.421
1824.823
2047.264
Tabla 4. 31
_____________________________________________________________
132
1450
1550
1650
1750
1850
1950
1 10 19 28 37 46 55 64 73 82 91 100
Pronsticos Datos

Figura 4.6

4.5.2. Pasos de la Metodologa.

A continuacin se presenta un diagrama reflujo de la metodologa.

Paso Descripcin
1 Datos Y(t)
Ajuste de das feriados
Calcula el coeficiente de das
feriados (T-D)
Ajustar
Dj/D
j
2
Con Promedios Moviles se encuentra
( )
t t t t t
t T T
t t t t t
t t
t T T
X I T C e
M T C
X I T C e
I e R t
M T C
=
=

= = =

M
t
es el componente
Tendencia - Ciclo y queda el
componente
de la estacionalidad por el error,
R(t).
3 Llenar los espacios libres de datos perdidos Por extrapolacin.
_____________________________________________________________
133
por el promedio mvil.
*
t t t
R I e =
4 Promedio Mvil de 3 x 3, R(t) Elimina el componente del error.
5 Calcular lmite superior y lmite inferior para
los valores de la Serie.
( )
2
'
/12
t t
j
R R
SD
n
=

Se calcula la desviacin estndar
de las diferencias al cuadrado entre
R(t) y R(t).
6
Comparar
contra
2
t j t
R SD R

Reemplazar valores extremos de R
t

con el promedio de los datos
precedentes y siguientes.
7 Factores estacionales preliminares
Promedio doble 3 x 3
Promedio doble de 5 x 5
Reemplazar los valores faltantes de la serie.
Se elimina la aleatoriedad. El
resultado
t
R ya no contiene el
componente de aleatoriedad.
8 Ajuste estacional preliminar

* * *
t t t t t
t
t t
X I C T e
PS
I R
= =

Dividir los datos originales entre el
factor estacional.
9 Componente Preliminar Tendencia Ciclo,
llenar los valores faltantes
'
*
t t t
M T C =

Aplicar el Promedio Mvil de
Spencer,
Modelo cudruple 5*5*4*4
10
'
'
Con Promedios Moviles se encuentra
t t t t t
t T T
t t t t t
t
t T T
X I T C e
M T C
X I T C e
FS
M T C
=
=

= =

Dividir los datos originales por M
t

11 Promedio Mvil de 3 x 3, FS(t)=I(t) Elimina el componente del error.
12 Llenar los espacios libres de datos perdidos
por el promedio mvil.
Por extrapolacin.
13 Calcular lmite superior y lmite inferior para
los valores de la Serie.
( )
2
'
/12
t t
j
FS FS
SD
n
=

Se calcula la desviacin estndar
de las diferencias al cuadrado entre
FS(t) y FS(t).
14
Comparar contra ' 2 FS
t j t
FS SD
Reemplazar valores extremos de
FS
t
con el promedio de los datos
precedentes y siguientes.
15 Factores estacionales preliminares Se elimina la aleatoriedad. El
_____________________________________________________________
134
Promedio doble 3 x 3
O
Promedio doble de 5 x 5
Reemplazar los valores faltantes de la serie.
resultado I
t
ya no contiene el
componente de aleatoriedad.
16 Ajuste estacional final
* * *
X I C T e
t t t t t
FA
t
FS I
t t
= =

Dividir los datos originales entre el
factor estacional.
17
' *
t t t
FA T C =

Aplicar Spencer 15 a FA
t
y llenar
los valores faltantes
18
* *
' *
FA T C E
t t t t
RC E
t t
FA T C
t t t
= = =
Se obtiene el componente aleatorio
19

Aplicar la s pruebas para validar el modelo

Figura 4.6

A los datos obtenidos de la serie estimada se les aplicaron los criterios
propios del mtodo y del anlisis de residuos para determinar la eficiencia y
bondad del ajuste, obtenindose como resultado que todos estos criterios se
cumplen adecuadamente. A continuacin se presentan algunas de las
pruebas ms significativas.

En la Prueba del mes adyacente se calcul el cociente de un mes dado y el
promedio del mes precedente y del mes siguiente. Como se puede apreciar
los promedios mensuales de la serie estacionalmente ajustada se concentran
alrededor de 100. Como el criterio establece que si la variacin es pequea,
los efectos de la estacionalidad han sido eliminados satisfactoriamente, se
puede concluir que efectivamente ste se cumple. Tabla 4.32 y Figura 4.7

0.00
100.02
99.59
100.68
100.95
97.88
101.22
99.45

99.89
100.26
99.03
100.97
99.44
100.53
100.41
99.29

100.70
98.89
101.14
100.05
99.38
100.78
98.64
100.92

99.97
101.01
98.32
99.69
101.52
99.03
100.45
99.95

98.66
99.66
102.64
98.70
99.25
101.23
99.44
100.25

100.89
99.44
99.13
101.26
100.14
98.77
100.90
99.54

98.38
101.34
100.12
99.62
99.33
100.83
99.93
100.12

102.82
98.34
99.39
100.21
99.30
101.67
98.76
100.29

99.06
100.92
100.05
99.77
101.73
96.42
101.63
100.10

99.46
99.17
101.98
98.87
99.35
102.71
98.92
99.65

99.81
101.09
97.82
102.02
99.79
97.91
101.39
99.91

100.58
99.91
99.38
99.11
101.35
100.34
99.51
0.00

_____________________________________________________________
135
99.970 99.979 100.06 99.99 99.98 100.01 99.96 100.097 99.96 100.01 99.97 100.02
Tabla 4.32
99.850
99.900
99.950
100.000
100.050
100.100
100.150
1 2 3 4 5 6 7 8 9 10 11 12

Figura 4.7

Se dividi la serie final estacionalmente ajustada entre los valores del mes
de enero, obtenindose un conjunto de valores normalizados a enero. Los
resultados, presentados en la Tabla 4.33 y en la figura 4.8 nos indica que la
estacionalidad ha sido removida exitosamente y que slo se refleja el
componente de tendencia.

Ene
ro Feb.
Marz
o Abril Mayo Junio Julio Agosto Sept. Oct. Nov. Dic.
100
100
100
100
100
100
100
100

100.1
99.7
100.5
101.2
98.7
101.9
99.3
100.5

100.4
98.8
103.0
100.3
98.6
102.8
97.7
102.3

99.3
100.2
103.1
99.4
99.7
102.1
98.8
102.4

98.3
99.5
106.7
99.2
97.8
103.4
99.1
102.5

99.88
99.55
104.9
101.5
97.4
102.1
100.5
102.1

99.7
100.7
104.9
101.3
96.7
103.4
100.1
102.6

102.88
99.18
104.60
101.88
97.30
103.04
99.79
102.90

100.37
101.01
105.63
102.04
99.30
99.25
102.01
102.61

99.75
101.01
106.55
102.65
97.94
102.81
100.96
102.11

100.22
102.70
103.31
105.62
97.87
100.95
102.12
102.33

101.07
102.18
104.68
104.40
98.20
103.41
100.47
102.73

100 100.2 100.5 100.6 100.8 101 101.2 101.5 101.5 101.7 101.9 102.2
Tabla 4.33
_____________________________________________________________
136
Prueba de Enero
98.00
99.00
100.00
101.00
102.00
103.00
1 2 3 4 5 6 7 8 9 10 11 12

Figura 4.8

En la Prueba de Igualdad se encuentran las tasas entre la serie de promedios
mviles de orden 12 obtenida de la serie original y la serie de promedios
mviles de orden 12 obtenida de la serie estacionalmente ajustada. Estas
tasas deben encontrarse alrededor de 100. En la Tabla 4.34 se encuentran los
resultados al aplicar esta prueba.

Ajuste Estacional Promedio Mvil 12
de la Columna 1
Promedio Mvil
12 de los Datos
Originales
Prueba de
Igualdad
1543.44
1544.69
1549.37
1532.52
1516.48
1541.57
1539.32
1587.82
1549.08
1539.61
1546.86
1560.02
1555.31
1549.93
1536.57
1557.84
1547.81
1548.27
1566.15

1537.30
1545.90
1546.89
1547.32
1546.26
1548.37
1550.98
1551.54
1553.77
1550.00
1551.83
1554.44
1558.65
1561.09
1563.49

1529.17
1547.58
1548.75
1549.58
1548.75
1551.17
1555.00
1555.83
1558.08
1552.25
1553.92
1557.25
1561.50
1563.75
1566.50

99.47
100.11
100.12
100.15
100.16
100.18
100.26
100.28
100.28
100.15
100.13
100.18
100.18
100.17
100.19
_____________________________________________________________
137
1542.49
1571.04
1571.03
1597.35
1589.27
1584.08
1591.88
1630.82
1632.90
1690.66
1661.37
1661.26
1657.02
1673.29
1687.76
1636.54
1658.25
1700.70
1720.19
1706.56
1691.35
1686.66
1726.27
1722.97
1732.75
1735.31
1745.77
1796.31
1775.57
1786.85
1764.38
1761.66
1781.03
1747.14
1739.65
1727.41
1738.57
1774.41
1750.05
1748.74
1754.68
1713.99
1747.50
1762.41
1749.94
1771.89
1750.67
1772.89
1766.05
1701.06
1762.22
1730.33
1772.40
1566.98
1574.84
1581.09
1593.00
1602.42
1610.35
1619.89
1628.41
1638.14
1641.40
1647.15
1656.87
1667.56
1673.88
1678.75
1678.41
1683.82
1688.97
1695.28
1700.44
1705.28
1718.59
1728.37
1735.55
1739.23
1743.82
1751.30
1756.33
1757.45
1757.82
1758.30
1761.56
1761.92
1757.95
1756.21
1750.14
1748.73
1748.80
1746.21
1748.27
1749.19
1752.98
1755.27
1749.16
1750.17
1748.64
1750.11
1757.48
1760.94
1760.81
1763.43
1764.61
1769.64
1570.50
1578.92
1585.58
1598.67
1608.42
1616.00
1624.17
1632.50
1643.00
1646.08
1651.75
1661.58
1673.00
1679.50
1684.75
1684.58
1689.83
1694.67
1699.67
1703.75
1709.08
1722.42
1732.75
1739.92
1743.67
1747.83
1755.75
1760.83
1761.58
1761.67
1761.42
1763.92
1764.50
1760.58
1759.33
1752.67
1750.92
1750.42
1748.08
1750.42
1751.33
1755.92
1758.08
1751.17
1752.08
1750.75
1752.50
1759.67
1762.50
1761.75
1764.67
1766.33
1771.83
100.22
100.26
100.28
100.36
100.37
100.35
100.26
100.25
100.30
100.29
100.28
100.28
100.33
100.34
100.36
100.37
100.36
100.34
100.26
100.19
100.22
100.22
100.25
100.25
100.26
100.23
100.25
100.26
100.24
100.22
100.18
100.13
100.15
100.15
100.18
100.14
100.12
100.09
100.11
100.12
100.12
100.17
100.16
100.11
100.11
100.12
100.14
100.12
100.09
100.05
100.07
100.10
100.12
_____________________________________________________________
138
1802.35
1789.02
1760.92
1781.41
1786.05
1810.97
1803.59
1798.59
1838.65
1819.73
1840.54
1810.83
1798.82
1806.80
1840.73
1841.05
1843.04
1835.89
1845.66
1850.99
1845.68
1836.75
1840.68
1847.92
1772.20
1774.91
1786.37
1791.17
1800.35
1803.55
1803.26
1804.74
1811.39
1816.36
1821.11
1823.19
1826.69
1831.06
1831.65
1833.06
1833.08
1836.17
1775.00
1777.58
1789.75
1794.33
1803.58
1806.42
1805.67
1806.58
1813.25
1818.42
1823.50
1825.92
1830.00
1834.58
1835.67
1836.75
1837.17
1840.08
100.16
100.15
100.19
100.18
100.18
100.16
100.13
100.10
100.10
100.11
100.13
100.15
100.18
100.19
100.22
100.20
100.22
100.21
Tabla 4.34

Las pruebas de Bondad de Ajuste se aplican a los residuos. El criterio
fundamental indica que los residuos deben tener una distribucin normal
con media "cero" y desviacin estndar. En la Tabla 4.35 se presenta un
resumen de los estadsticos bsicos.

Estadstico Valor
Media
-0.060
Desviacin Estndar
0.325
Media del Valor Absoluto
0.062
Media del Cuadrado del
Error
0.108
Porcentaje de Error
-0.003
Media del Valor Absoluto
del Porcentaje de error
0.004
Tabla 4. 35

_____________________________________________________________
139
ANEXO 1

MTODO DE MNIMOS CUADRADOS

Supngase que se tiene un conjunto de n datos, denotados por X
i
, la
ecuacin de regresin lineal
i i
Y a bX = + , puede ser estimada de tal forma
que se minimice la suma del cuadrado de los errores entre el valor real y el
valor estimado de Y.

Sea:
i i i
e Y Y = (16)
entonces

( )
( )
2
2
2
2
1 1
i i i
n n
i i i
i i
e Y Y
e Y Y
= =
=
=

(17)

Substituyendo el valor de
i i
Y a bX = + , se obtiene:

( )
2
2
1 1
n n
i i i
i i
e Y a bX
= =
=

(18)

Para encontrar el mnimo, aplquense los conceptos de clculo, derivando
parcialmente con respecto a los parmetros a y b.

_____________________________________________________________
140
( )
( )
2
2
2 0
2 0
i
i i
i
i i i
e
Y a bX
a
e
X Y a bX
b
c
= =
c
c
= =
c

(19)

De donde se obtiene:

2
0
0
i i
i i i i
Y na b X
Y X a X b X
+ + =
+ + =

(20)

Resolviendo las ecuaciones (5) simultneamente para encontrar a:

i i
Y X
a b
n n
=

(21)

y substituyendo para encontrar b:

,.
( )
2
2
i i i i
i i
n X Y X Y
b
n X X

(22)
Para verificar que efectivamente el mnimo se encuentra en el punto (a, b),
obtngase la segunda derivada parcial y demustrese que:

2 2
2 2
0 y 0
i i
e e
a b
o o
o o
> >

(23)
_____________________________________________________________
141
Simplificando las ecuaciones para a y b aplicando las siguientes
equivalencias

o
y
o
i i i i
i i i i
x X X X x X
y Y Y Y y Y
= = +
= = +
(24)

se obtendr:

2
i i
i
a Y bX
x y
b
x
=
=

(25)

Si adems redefinimos las variables tal que Y
i
= X
t
, donde X
t
corresponde
a los valores de la serie de datos y X
t
= t, donde t es el periodo de tiempo,
entonces:

( )
2
2
n tX t x
b
n t t
X t
a b
n n
=

(26)

_____________________________________________________________
142
ANEXO II

PROPIEDADES DE LOS RESIDUOS

Residuos Normalmente Distribuidos

Los residuos tienen una distribucin normal con media 0 y variancia
constante, estimada por

( )
1
2
n
i i
i
E
MS
n
c c
=

=

donde:

1
1
n
i
i
n
c c
=
=

Residuos Estandarizados

Cuando los residuos tienen una distribucin normal el 68% de los residuos
estandarizados d
j
, donde :

j
j
E
d
MS
c
=

debern tomar valores entre 1 y +1, y el 95%, entre 1 y +2. Si hay
desviaciones muy grandes de estos valores, se puede suponer una violacin
de la hiptesis de normalidad.

_____________________________________________________________
143

Mtodos Grficos

Una de las tcnicas ms usuales de deteccin de error en la seleccin del
modelo es el uso de las grficas especficas de los residuos. Esta tcnica es
fcil de usar y muy eficiente por los que se justifica incluirla en cualquier
tipo de anlisis de ajuste de curvas o pronsticos. Existen varios tipos de
grficas especficas que permiten detectar si el modelo es o no adecuado.
Entre stas las ms representativas son:

1.- Grfica de Probabilidad Normal.

Para verificar que los residuos efectivamente tienen una distribucin normal,
es necesario ordenar los residuos en orden creciente. Esto es:
| | | | | | | | 1 2 3
...
n
c c c c < < < < . Los valores de los residuos ordenados
corresponden a los valores de la abscisa. La ordenada es la probabilidad
acumulada
( )
1
2
i
i
P
n
= , para i = 1,2,3,..., n. Los puntos obtenidos debern

estar en lnea recta. Desviaciones muy grandes entre puntos y la recta
indican que no es una distribucin normal. Para muestras pequeas (n<16),
las desviaciones tienden a ser mayores, mientras que para muestras donde
n>32 el comportamiento de los residuos mejora notablemente.
Generalmente se requieren por los menos 20 valores para obtener una
grfica estable.

A continuacin se presenta la grfica ideal de probabilidad normal. Fig.
4.9.

_____________________________________________________________
144
Grfica de Probabilidad Normal
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1 3 5 7 9
1
1
1
3
1
5
1
7
1
9
2
1
2
3
2
5
Nmero del Residuo Ordenado
P
r
o
b
a
b
i
l
i
d
a
d

Figura 4.9

Grfica de los residuos contra valores estimados.

Este tipo de grfica es muy til para detectar inadecuaciones muy comunes
en los modelos. Se grafica utilizando los valores estimados ya que no existe
correlacin entre stos y los residuos. Si en la grfica se observa que los
valores estn dentro de una franja horizontal, no existen defectos graves en
la seleccin del modelo. Si por el contrario, las grficas se asemejan a
embudos o arcos (lo cual indica que la variancia no es constante) o los
valores se encuentran en una franja no lineal, entonces existen deficiencias
en la seleccin del modelo. Para mejorar el modelo, se sugiere que en los
dos primeros casos se aplique alguna tcnica de suavizacin anteriormente
presentadas y que en el tercer caso en lugar de aplicar un modelo de
regresin lineal, se aplique un modelo de regresin no lineal.
_____________________________________________________________
145
5
6
7
8
9
10
1 5 9
1
3
1
7
2
1
2
5
2
9
3
3
3
7
4
1
4
5
4
9
R
e
s
i
d
u
o
s

Figura 4.10
Valores aleatorios, sin forma aparente

Residuos Vs Valores Estimados
R
e
s
i
d
u
o
s

Figura 4.11
Grfica de Cono

_____________________________________________________________
146

Figura 4.12
Grfica No lineal

_____________________________________________________________
147
5. ANLISIS DE SERIES DE TIEMPO: MODELO BOX-JENKINS

5.1. INTRODUCCIN
La metodologa de Box-Jenkins selecciona algunos modelos entre los
modelos de series de tiempo estacionarias. En general, el modelo de Box-
Jenkins requiere que el decisor tenga la experiencia para producir e
interpretar los modelos. Asociado a este conocimiento es necesario contar
con los recursos necesarios para la obtencin de informacin y con la
infraestructura necesaria para el procesamiento de datos. El procesamiento
de datos, en s, representa un problema especfico y en la mayora de los
casos, requiere de un paquete computacional que genere las funciones de
auto correlacin y auto correlacin parcial para determinar los patrones
caractersticos de los datos y sea posible la identificacin del modelo
especfico. Una vez identificado el modelo, ste genera las estimaciones de
los parmetros y el pronstico.
Para utilizar este modelo se deben desarrollar tcnicas para solucionar los
problemas prcticos del tratamiento de los datos y aquellas inherentes a la
identificacin de datos atpicos y condiciones externas excepcionales que
impacten en los datos.

5.2. ANLISIS DE SERIES DE TIEMPO
Una serie de tiempo es un conjunto de observaciones hechas de una manera
secuencial, a las cuales se les asocia una variable real, que a su vez, est en
funcin del tiempo. Una serie de tiempo es continua cuando las
observaciones son continuas en el tiempo, an cuando los valores
observados sean valores puntales o discretos de una variable. Una serie de
tiempo es discreta cuando las observaciones se hacen en puntos especficos
del tiempo, generalmente espaciados uniformemente, es decir, en intervalos
iguales.

_____________________________________________________________
148
5.3. MODELOS PROBABILISTICOS DE SERIES DE TIEMPO.

La mayora de los procesos reales involucran un elemento de aleatoriedad y
variacin en el tiempo y en su estructura; a un fenmeno de este tipo se le
denomina proceso estocstico. Formalmente, un proceso estocstico es una
sucesin de variables aleatorias ordenadas en el tiempo y definen un
conjunto de momentos que pueden o no ser discretos, Se denota la variable
aleatoria por X
t
para variables discretas y con X(t), si la variable es
continua.

Un proceso de ruido blanco es un proceso estocstico, cuyas variables
aleatorias estn normalmente distribuidas con la esperanza igual a 0, igual
variancia y donde la covariancia entre variables definida por.

( ) | |
,
t k t
k Cov X X
+
= (1)
es:

( )
0 para k= 1, 2, k = (2)

Un paseo aleatorio o caminata aleatoria es un proceso estocstico tal que sus
primeras diferencias forman parte del proceso de un ruido blanco. Es decir,
dado un proceso aleatorio
{ }
t
Z con media igual a 0 y variancia o
2
t
, el
proceso
{ }
t
Y es una caminata aleatoria si:

1 t t t
Y Y Z
= + (3)

Considere una caminata con t valores de la variable observados. Si se desea
pronosticar el siguiente valor de las variables, i.e.,
1 t
Y
, este valor se podra

estimar por

1 1 1
, ,
t t t
Y E Y Y Y
+
= (

(4)

_____________________________________________________________
149
Sin embargo
1 1 t t t
Y Y Z
+ +
= + y es independiente de
1 1
, ,
t
Y Y
por lo que
nicamente se puede predecir un periodo y:

| |
1 1
t t t t
Y Y E Z Y
+ +
= + = (5)

En general para t+k se tiene que:

1
t t
Y Y
+
= (6)

El error en el pronstico es la diferencia entre el valor observado de la
variable y el pronstico:

1 1 1
1 1
t t t
t t t t t
Y Y
Y Z Y Z
c
c
+ + +
+ +
=
= + =
(7)

La media de c es 0 y su variancia es
2 2
1 t t
E Z o
+
( =

.

En general para t+k

2 2
t k t
k o o
+
= (8)

La funcin de autocovariancia de un proceso estocstico,
{ }
t
Z , denotada
por
( )
t
t es igual a la covariancia entre dos valores de
t
Z , es decir:

| |
,
k t t k
Cov Z Z
+
= (9)

La funcin de autocorrelacin de un proceso estocstico, denotada por
k
,
es igual al coeficiente de correlacin entre Z
t
y Z
t .

_____________________________________________________________
150

( )
| | ( )
,
t t k
t t k k
K
Z Z
t t k
Cov Z Z t
t
VARZ VARZ
o o
+
+
+
= = (10)

La funcin de autocorrelacin parcial mide la correlacin ajustada por el
efecto de retardos intermedios. Ejemplos: la correlacin entre Z
t
y Z
t+2
es
debido, en general a que ambas variables estn correlacionadas con Z
t+1
.

La esperanza matemtica de un proceso estocstico es la sucesin de
esperanzas matemticas de cada una de las variables aleatorias que la
integran. La esperanza de un proceso estocstico, en general, no es una
constante ni se calcula en diferentes instantes del tiempo.

5.3.1. Series de Tiempo Estacionarias

Una serie de tiempo es estacionaria si el proceso estocstico que la genera es
invariante con respecto al tiempo. En trminos muy generales, una serie de
tiempo es estacionaria si no tiene tendencia, ni variaciones cclicas y ni
variaciones estacionales. La mayora de los modelos de pronstico
involucran series estacionarias por lo que su estudio es de gran importancia.

Dada una serie de tiempo estocstica representada por un conjunto de
variables aleatorias conjuntamente distribuidas
{ }
t
Y con una funcin de
distribucin de probabilidad
| |
1
, ,
t
p Y Y y una funcin de distribucin de
probabilidad condicional:

1 1
, ,
t t
p Y Y Y
+
(

(11)

se define un proceso estacionario como uno para el que la distribucin
conjunta y distribucin condicional son invariantes con respecto al
desplazamiento de la variable en el tiempo.

_____________________________________________________________
151
Es decir, la serie Y
t
es estacionaria si:

| | | |
, , , ,
t t k t m t k m
p Y Y p Y Y
+ + + +
= (12)

para toda t, k y m.

Si la serie es estacionaria, el promedio de los valores de la variable aleatoria
de la serie denotado por
| |
y t
E y = y definido por:

| |
y t
E y = (13)

es tambin estacionario, es decir.

| |
y t m
E Y E Y
+
( =

(14)

La variancia de la serie
( )
2
2
y t y
E Y o
(
=
(

tambin es estacionaria y

( ) ( )
2 2
t y t m y
E Y E Y
+
( (
=
( (

(15)

y la covariancia, definida por:

( ) ( )( )
k t t k t y t k y
Cov Y Y E Y Y
+ +
(
= =

(16)

deber tambin ser estacionaria.

_____________________________________________________________
152
En la prctica se definen estimadores para los valores de
y
y
2
y
o de la
manera convencional:

( )
1
2
2
1
1
1

n
y i
i
N
y t y
n
y
N
Y
N
o
=
=
=
=
(17)

Para propsito de anlisis, se define la funcin de autocorrelacin como:

0
k
k

= (18)

la cual mide la correlacin entre
t
Y y
t k
Y
+
y tiene tres propiedades:
1) Es una funcin par:
t t

=
2) El valor absoluto de
t
es menor o igual a 1,
t
s 1
3) No existe unicidad. Es decir, pueden existir dos procesos estocsticos
con la misma funcin de autocorrelacin.

Se debe notar que:
( )
0 1 = .

Para procesos estocsticos, la funcin de autocorrelacin decae rpidamente
al incrementarse k.

_____________________________________________________________
153
5.4. MODELADO

Un modelo de Box-Jenkins est asociado a un proceso de modelado
iterativo de tres etapas:

1) Identificacin.
2) Estimacin y Diagnstico.
3) Pronstico.

La primera etapa consiste en examinar las funciones de autocorrelacin y
autocorrelacin parcial estimadas. Determinar si es necesario o no
diferenciar la serie para obtener series estacionarias, y si se requiere aplicar
algn otro tratamiento a los datos para facilitar el anlisis de los mismos. La
siguiente tabla presenta un resumen del comportamiento de estas funciones

5.5. MODELOS DE PROMEDIOS MVILES (MA)

Supngase que {Z
t
} es un proceso aleatorio con media igual a cero y
variancia
2
y
o Entonces el proceso {x
t
} es un proceso de promedios mviles
de orden q, denotado por [MA(q)] si:

0 1 1 t t t q t q
x Z Z Z | | |

= + + + (19)

donde
i
| son constantes. En la prctica se fija
0
1 | = con los ajustes
necesarios en
i
| , para i=1, 2, ... , q.

De (19):

| |
0
t
E x = (20)

| |
2 2
0
var
q
t z i
i
x o |
=
=

(21)

_____________________________________________________________
154
ya que las Zs son independientes.

Tambin se tiene:

( ) | |
,
t t k
k Cov x x
+
= (22)

( )
( )
2
0
0
0, ,
0
q k
z i i k
i
k q
k k q
k k
o | |
=
+
=
>
= =
<
(23)

y la funcin de autocorrelacin est dada por:

( )
( )
2
0 1
1 0
1, ,
0
0
q k q
i i k i
i i
k
k q
k
k q
p k k
| | |
=
+
= =
=
>
<

(24)

Se puede observar que:
( )
k no depende de t, la media es constante, el
proceso es estacionario de segundo orden para todos los valores de
i
| y la
funcin de autocorrelacin muere pata k> q.

Si las variables Z y X son normalmente distribuidas, el proceso es
estrictamente estacionario. Adems la funcin de autocorrelacin para un
retraso q= 1 para MA(1) con
0
1 | = , es:

_____________________________________________________________
155

( )
2
1 0
1 1
0 1, 0
i i
k
p k k
k
| |
=
( = + =
(25)

Este proceso requiere adems satisfacer la condicin de invertibilidad, la
cual se define de la siguiente manera para un proceso MA:

5.5.1. INVERTIBILIDAD

Sea B el operador de retraso, tal que:

j
t t j
B x x j
( =

(26)

Entonces, la ecuacin (26) se puede escribir de la forma:

( )
t t
x Q B Z = (27)

donde Q(B) es el polinomio de orden q (asociado a B con una variable
compleja).

Un proceso MA(q) es invertible si las races de la ecuacin auxiliara

( )
2
0 1 2
0
q
q
Q B B B B | | | | = + + + + = (28)

estn fuera del crculo unitario.

_____________________________________________________________
156
Para MA(1)

( )
0 1
Q B B | | == + (29)

se tiene que

1
B
|
= (30)

es la raz, por lo que el proceso es invertible si 1 | < .

Esta condicin garantiza que existe un slo proceso MA para una funcin de
autocorrelacin dada.

5.6. MODELOS AUTORREGRESIVOS (AR)

Sea {Z
t
} un proceso aleatorio con media igual a cero y variancia
2
z
o .
Entonces se dice que {X
t
} es un proceso autorregresivo de orden "p" si:

1 1 2 2
,
t t t p t p t
X X X X Z o o o

= + + + + (31)

El trmino "autorregresivo " se debe a que la variable X
t
depende de valores
pasados de la misma variable. Un proceso autorregresivo de orden "p" se
denotar por AR(p).

5.6.1. Proceso Autorregresivo de Primer Orden [AR(1)].

Dado un proceso autorregresivo de primer orden, ste se denota por:

1 t t t
X X Z o

= + (32)

y aplicando el operador de retraso B, la ecuacin (32) se puede expresar de
la forma:
_____________________________________________________________
157

( )
1
t t
B Z o = (33)

donde:

( )
1 t t
B X X

= (34)

y tal que:

( )
1
t t
X Z B o = (35)

Es decir:

2 2
1
t t
X B B Z o o ( = + + + +

(36)

De (36) se puede demostrar que:

| |
| |
2 2 4
0
1
t
t z
E X
Var X o o o
=
( = + + + +

(37)

de donde la variancia de X
t
sera infinita a menos que se restringa 1 o < , y
para este caso:

| |
2 2 2
1
t z x
Var X o o o ( = =

(38)

_____________________________________________________________
158
La funcin de covariancia para dos elementos de la serie separados por un
retardo de k unidades se define por:

( ) | |
( )( )
2
1

0
t t k
i j
t i t k j
n
i k i
z
i
K E X X
E Z Z
K
o o
o o o
+
+
+
=
=
(
=

= >

(39)

la cual, para 1 o < converge a:

( )
( )
2 2 2
2
1
k k
z x
k
x
K
K
o o o o o
o o
( = =

=
(40)

ya que:

2 2 2
1
x z
o o o ( =

(41)

Dado que
( )
K no depende de t, un proceso AR de orden 1 es estacionario
de segundo orden si 1 o < .

_____________________________________________________________
159
5.6.2. Caso General

Usando el operador de retardo B, la ecuacin (2), se puede escribir de la
forma:

( )
( )
1
1
1
1
1
1
donde
1
p
p t t
p
t t p
t t
p
p
B B X Z
o
X Z B B
X f B Z
f B B B
o o
o o
o o

( =

( =

=
( =

(42)

La funcin de autocovariancia para este caso est dada por:

( )
2
1
0
z t k
t
K o | |
+
=
=

(43)

donde
0
1 | = , y es condicin suficiente para asegurar la convergencia de la
serie que
1
1 | =
converja. Esta misma condicin asegura la

estacionariedad de la serie.

_____________________________________________________________
160
5.7. MODELOS MIXTOS
5.7.1. ARMA: Modelo Mixto Autorregresivo de Promedios Mviles

Esta es una clase de modelos formados por la combinacin de procesos de
promedios mviles y autorregresivos denotada por:

1 1 2 2 1 1 t t t p t p t t q t q
X X X X Z Z Z o o o | |

= + + + + + + + (44)

Aplicando el operador de retardo:

( ) ( )
t t
B X Q B Z | = (45)

donde
( )
B | y
( )
Q B son los polinomios de orden p y q respectivamente,
tal que:

( )
( )
2
1 2
2
1 2
1
1
p
p
p
p
Q B B B B
B B B B
o o o
| | | |
=
=
(46)

Como en el caso de un proceso AR, los valores de
{ }
1
o que generan un
proceso estacionario ARMA son aquellos para los cuales las races de:

( )
0 B | = (47)

se encuentran fuera del crculo unitario.

_____________________________________________________________
161
Y, como en un proceso MA, los valores de
{ }
1
| , para los cuales el proceso
es invertible, son aquellos para los cuales las races de:

( )
0 Q B = (48)

se encuentran fuera del crculo unitario.

5.7.2. ARIMA: Modelo Integrado Autorregresivo de Promedios Mviles

En la prctica la generalidad de los modelos son no-estacionarios. Cuando
series no estacionarias pueden ser transformadas en estacionarias por el
proceso de toma de diferencias, aplicado d veces, se dice que el proceso
es homogneo no-estacionario de orden d.

Sea Y
t
una serie de tiempo, entonces si
d
t t
Y e = A es una serie estacionaria,
Y
t
es una serie homognea no-estacionaria, donde el operador A se define
por:

1
2
1
1 1 2
t t t
t t t
t t t t
Y T T
Y T T
Y Y Y Y

A =
A =
= +
(49)

Si W
t
es un proceso ARMA tal que
d
t t
W Y = A , entonces se dice que Y
t
es un
proceso integrado autorregresivo de promedios mviles ARIMA.

_____________________________________________________________
162
5.7.3. Parmetros de un Modelo ARIMA.

Para modelar una serie homognea no estacionaria como un proceso
ARIMA, el problema que se presenta en la prctica es la eleccin de los
valores ms apropiados para p, q y d. Este problema se resuelve
parcialmente analizando las funciones de autocorrelacin y autocorrelacin
parcial de Y
t
.

5.8. VENTAJAS Y DESVENTAJAS DEL MODELO DE SERIES DE
TIEMPO DE BOX-JENKINS.

Cuando en una sucesin de datos observados, los trminos de la sucesin de
errores asociada son estadsticamente dependientes, se dice que las
observaciones son autocorrelacionadas. La ventaja principal de los modelos
de series de tiempo de Box-Jenkins es precisamente la de utilizar esta
dependencia de una manera ms eficiente para expresar elementos de la
sucesin en trminos de los componentes aleatorios pasados y presentes de
la serie, para obtener como resultado pronsticos ms precisos o correctos
que los mtodos de regresin o suavizamiento exponencial. Como ventaja
adicional, el modelo de series de tiempo de Box-Jenkins ofrece una
metodologa ms sistemtica para construir y analizar el modelo especfico
(determinacin de los parmetros) y generar los pronsticos asociados.

Las desventajas del modelo son que ste requiere de una gran cantidad de
datos de entrada (por lo menos 50 y de preferencia 100) para asegurar la
validez del mismo. Los resultados obtenidos al aplicar el modelo de Box-
Jenkins de series de tiempo son mejores cuando el intervalo de tiempo es
pequeo, ya que para horizontes de tiempo mayores posiblemente no exista
informacin o la situacin que gener los datos vare constantemente en el
tiempo. Si adems existen variaciones estacionales, el problema aumenta, ya
que un ao completo de datos, representa nicamente una observacin
estacional. Otra desventaja es que el modelo no incluye un procedimiento
para la actualizacin de las estimaciones de los parmetros del sistema o
para detectar cambios en los procesos que generan los datos.. La desventaja
final es que el procesamiento de datos puede ser muy costoso, consumir
_____________________________________________________________
163
mucho tiempo y hacer necesaria la adquisicin de un paquete computacional
para llevarlo a cabo.

5.9. METODOLOGIA DEL MODELO DE SERIES DE TIEMPO DE
BOX JENKINS.

En general, el modelo de Box-Jenkins requiere que el decisor tenga la
experiencia para producir e interpretar los modelos. Asociado a este
conocimiento es necesario contar con los recursos necesarios para la
obtencin de informacin y con la infraestructura necesaria para el
procesamiento de datos. El procesamiento de datos, en s, representa un
problema especfico y en la mayora de los casos, requiere de un paquete
computacional que genere las funciones de autocorrelacin y
autocorrelacin parcial para determinar los patrones caractersticos de los
datos y sea posible la identificacin del modelo especfico. Una vez
identificado el modelo, ste genera las estimaciones de los parmetros y el
pronstico.

Para utilizar este modelo se deben desarrollar tcnicas para solucionar los
problemas prcticos del tratamiento de los datos y aquellas inherentes a la
identificacin de datos atpicos y condiciones externas excepcionales que
impacten en los datos.
Modelado

Un modelo de Box-Jenkins est asociado a un proceso de modelado
iterativo de tres etapas:

1) Identificacin.
2) Estimacin y Diagnstico.
3) Pronstico.

_____________________________________________________________
164
La primera etapa consiste en examinar las funciones de autocorrelacin y
autocorrelacin parcial estimadas. Determinar s es necesario o no
diferenciar la serie para obtener series estacionarias, y si se requiere aplicar
algn otro tratamiento a los datos para facilitar el anlisis de los mismos. La
siguiente tabla presenta un resumen del comportamiento de estas funciones.

MODELO FAC FACP
AR(p)
Exponenciales o
senoidales amortiguadas
Muere para el retardo
k = p
MA(q)
Muere para el retardo
k=q
Aproximadamente
exponencial o
senoidal amortiguada
ARMA (p/q)
Exponenciales o
senoidales amortiguadas
despus del retardo
K=p-q
Aproximadamente
exponencial o
senoidal amortiguada
despus del retardo
K = p-q
Tabla 6.1

En la segunda etapa, se procede a estimar los parmetros del modelo que se
haya seleccionado, el cual, en general, tendr la siguiente forma:

( )
( )
t
t t
t
B X
X
B X
c
|
O
= + (50)

donde ( )
B O es el polinomio caracterstico correspondiente a un modelo de
promedios mviles, ( )
B u es el modelo autorregresivo, X
t
la variable de
decisin y
t
c la variable estocstica del proceso.
Estos resultados se pueden obtener directamente de algn paquete
computacional como Minitab y se presentan en una tabla similar a la que a
continuacin se presenta:
_____________________________________________________________
165

Tabla 6.2

En el presente caso los parmetros estimados de AR(1) y AR(2)
corresponden al siguiente modelo.

0 0 0
.26867 .10833 .688
t
x x x c + = + (51)

El error estndar est definido por la siguiente frmula:

( )
2
1
( )
1
n
i
i
X X
s
n p
=

=

(52)

donde x
t
es el dato obtenido por observacin,
t
x es el valor estimado, n el
nmero de datos y p el nmero de parmetros estimados.

_____________________________________________________________
166
La estadstica t, mide la importancia de cada una de las variables
asociadas a los parmetros estimados, i.e.,
t
t
mide el impacto de la variable

X
t-1
asociada al parmetro estimado
1
y para el modelo de Box-Jenkins su
valor absoluto deber mantenerse menor a 2 y entre ms pequeo sea, mejor
ser la estimacin del modelo.

5.10. Ejemplo

22 12 2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
LBQ T Corr Lag LBQ T Corr Lag LBQ T Corr Lag LBQ T Corr Lag
768.17
762.08
755.84
749.42
742.14
734.49
724.95
714.00
701.13
685.20
664.93
638.74
605.50
565.47
524.87
483.28
442.15
400.45
358.41
313.28
262.90
209.52
150.23
80.92
0.54
0.55
0.57
0.61
0.63
0.71
0.78
0.85
0.96
1.11
1.29
1.49
1.70
1.78
1.87
1.95
2.05
2.17
2.40
2.74
3.11
3.74
5.02
8.86
0.22
0.22
0.22
0.24
0.25
0.28
0.30
0.33
0.37
0.42
0.48
0.54
0.60
0.61
0.62
0.62
0.62
0.63
0.66
0.70
0.72
0.77
0.83
0.90
24
23
22
21
20
19
18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
Usuarios

_____________________________________________________________
167
2 12 22
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
P
a
r
t
i
a
l

A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
0.90
0.08
0.00
0.10
0.11
-0.07
0.07
0.15
0.02
0.06
0.02
0.04
-0.27
-0.12
-0.05
-0.05
-0.06
0.07
0.02
-0.14
0.11
-0.02
0.05
0.05
8.86
0.81
0.04
0.98
1.09
-0.67
0.65
1.43
0.22
0.60
0.17
0.37
-2.65
-1.19
-0.47
-0.52
-0.54
0.66
0.20
-1.42
1.06
-0.18
0.51
0.53
Lag PAC T Lag PAC T Lag PAC T Lag PAC T
Usuarios

_____________________________________________________________
168
10 20 30 40 50 60 70 80 90
-100
0
100
Observation Order
R
e
s
i
d
u
a
l
Residuals Versus the Order of the Data
(response i s C1)

_____________________________________________________________
169
1500 1600 1700 1800 1900
-100
0
100
Fitted Value
R
e
s
i
d
u
a
l
Residuals Versus the Fitted Values
(response i s C1)

_____________________________________________________________
170
-100 0 100
-3
-2
-1
0
1
2
3
N
o
r
m
a
l

S
c
o
r
e
Residual
Normal Probability Plot of the Residuals
(response i s C1)

_____________________________________________________________
171
-100 0 100
0
10
20
Residual
F
r
e
q
u
e
n
c
y
Histogram of the Residuals
(response i s C1)

_____________________________________________________________
172
2 4 6 8 10 12 14 16 18 20 22 24
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
Lag
P
a
r
t
i
a
l

A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
PACF of Residuals for C1
(wi th 95% confi dence l i mi ts for the parti al autocorrel ati ons)

_____________________________________________________________
173
10 20 30 40 50 60 70 80 90
1500
1600
1700
1800
1900
2000
2100
Time
C
1
Time Series Plot for C1
(wi th forecasts and thei r 95% confi dence l i mi ts)

ARIMA Model

ARIMA model for C1

Estimates at each iteration
2 166227 -0.134 -0.034 3.770
Iteration SSE Parameters
0 177528 0.100 0.100 2.699
1 167808 -0.050 0.015 3.411
3 166222 -0.139 -0.037 3.775
4 166222 -0.139 -0.038 3.774
5 166222 -0.139 -0.038 3.774
Relative change in each estimate less than 0.0010

Final Estimates of Parameters
Type Coef StDev T P
_____________________________________________________________
174
AR 1 -0.1388 0.1045 -1.33 0.188
AR 2 -0.0375 0.1050 -0.36 0.722
Constant 3.774 4.361 0.87 0.389

Differencing: 1 regular difference
Number of observations: Original series 96, after
differencing 95
Residuales: SS = 166218 MS = 1807 DF
= 92

Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 34.0 65.9 115.8 128.7
DF 9 21 33 45
P-Value 0.000 0.000 0.000 0.000

Forecasts from period 96
95 Percent Limits
Period Forecast Lower Upper Actual
97 1827.51 1744.18 1910.84
98 1829.81 1719.84 1939.79
99 1833.29 1702.80 1963.78
100 1836.49 1687.99 1985.00
101 1839.69 1675.15 2004.23
102 1842.90 1663.76 2022.04
103 1846.11 1653.47 2038.75
104 1849.32 1644.07 2054.57
105 1852.53 1635.40 2069.66
106 1855.74 1627.34 2084.13
107 1858.95 1619.82 2098.07
108 1862.15 1612.75 2111.55

Modelos de Pronostico

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Modelos de Pronostico

Încărcat de

Drepturi de autor:

Formate disponibile

Modelos de Pronsticos y Series de Tiempo

X (Col. 3, Tabla 4.3),

= , para i = 1,2,3,..., n. Los puntos obtenidos debern

, este valor se podra

converja. Esta misma condicin asegura la

mide el impacto de la variable

S-ar putea să vă placă și