Introduccin al Anlisis Clsico de Series de Tiempo

Citar como: Arellano, M. (2001): "Introduccin al Anlisis Clsico de Series de Tiempo", [en lnea! 5campus.com,
Estadstica "#ttp:$$%%%&'campus&com$leccion$seriest( [) a*adir +ec#a consulta!


1. Conceptos Basicos De Series De Tiempo
1.1 Introduccin
1.2 Definicin De Serie De Tiempo
1.3 Primer Paso Al Analizar Cualquier Serie De Tiempo
2. odelos Clasicos De Series De Tiempo
2.1 odelos De Descomposicin
2.2 !stimacin De "a Tendencia
2.3 !stimacin De "a !stacionalidad
3. Predicciones
3.1 !#emplo Ilustrati$o

1. CONCEPTOS BASICOS DE SERIES DE TIEMPO
1.1 INTRODUCCIN

Toda institucin% &a sea la familia% la empresa o el 'o(ierno% tiene que )acer planes para
el futuro si )a de so(re$i$ir & pro'resar. *o& en d+a di$ersas instituciones requieren
conocer el comportamiento futuro de ciertos fenmenos con el fin de planificar% pre$er
o pre$enir.

"a planificacin racional e,i'e pre$er los sucesos del futuro que pro(a(lemente $a&an a
ocurrir. "a pre$isin% a su $ez% se suele (asar en lo que )a ocurrido en el pasado. Se
tiene pues un nue$o tipo de inferencia estad+stica que se )ace acerca del futuro de
al'una $aria(le o compuesto de $aria(les (as-ndose en sucesos pasados. "a t.cnica
m-s importante para )acer inferencias so(re el futuro con (ase en lo ocurrido en el
pasado% es el anlisis de series de tiempo.

Son innumera(les las aplicaciones que se pueden citar% en distintas -reas del
conocimiento% tales como% en econom+a% f+sica% 'eof+sica% qu+mica% electricidad% en
demo'raf+a% en mar/etin'% en telecomunicaciones% en transporte% etc.

Series De Tiempo Eemplos


1. Series econmicas0
1 Precios de un art+culo
1 Tasas de desempleo
1 Tasa de inflacin
1 2ndice de precios% etc.


2. Series 3+sicas0
1 eteorolo'+a
1 Cantidad de a'ua ca+da
1 Temperatura m-,ima diaria
1 4elocidad del $iento 5ener'+a elica6
1 !ner'+a solar% etc.
3. 7eof+sica0

1 Series sismolo'+as


8. Series demo'r-ficas0

1 Tasas de crecimiento de la po(lacin
1 Tasa de natalidad% mortalidad
1 9esultados de censos po(lacionales
:. Series de mar/etin'0

1 Series de demanda% 'astos% ofertas

;. Series de telecomunicacin0

1 An-lisis de se<ales

=. Series de transporte0

1 Series de tr-fico


>no de los pro(lemas que intenta resol$er las series de tiempo es el de prediccin. !sto
es dado una serie ?x(t1),...,x(tn)@ nuestros o(#eti$os de inter.s son descri(ir el
comportamiento de la serie% in$esti'ar el mecanismo 'enerador de la serie temporal%
(uscar posi(les patrones temporales que permitan so(repasar la incertidum(re del
futuro.

!n adelante se estudiar- como construir un modelo para e,plicar la estructura & pre$er
la e$olucin de una $aria(le que o(ser$amos a lo lar'o del tiempo. "a $aria(les de
inter.s puede ser macroeconmica 5+ndice de precios al consumo% demanda de
electricidad% series de e,portaciones o importaciones% etc.6% microeconmica 5$entas de
una empresa% e,istencias en un almac.n% 'astos en pu(licidad de un sector6% f+sica
5$elocidad del $iento en una central elica% temperatura en un proceso% caudal de un r+o%
concentracin en la atmsfera de un a'ente contaminante6% o social 5nAmero de
nacimientos% matrimonios% defunciones% o $otos a un partido pol+tico6.


1.! DE"INICIN DE SERIE DE TIEMPO

!n muc)as -reas del conocimiento las o(ser$aciones de inter.s son o(tenidas en
instantes sucesi$os del tiempo% por e#emplo% a cada )ora% durante 28 )oras% mensuales%
trimestrales% semestrales o (ien re'istradas por al'An equipo en forma continua.

"lamamos Serie de Tiempo a un con#unto de mediciones de cierto fenmeno o
e,perimento re'istradas secuencialmente en el tiempo. !stas o(ser$aciones ser-n
denotadas por ?x(t
1
), x(t
2
), ..., x(t
n
)@ B ?x(t) 0 t T 9@ con x(t
i
) el $alor de la $aria(le
x en el instante t
i
. Si T B C se dece que la serie de tiempo es discreta & si T B 9 se dice
que la serie de tiempo es continua. Cuando t
i+1
- t
i
B / para todo i B 1%...%n11% se dice que
la serie es equiespaciada% en caso contrario ser- no equiespaciada.

!n adelante se tra(a#ar- con series de tiempo discreta% equiespaciadas en cu&o caso
asumiremos & sin perdida de 'eneralidad que0 ?x(t1), x(t2), ..., x(tn)@B ?x(1), x(2), ...%
x(n)@.


1.# PRIMER PASO A$ ANA$I%AR CUA$&UIER SERIE DE TIEMPO

!l primer paso en el an-lisis de series de tiempo% consiste en 'raficar la serie. !sto nos
permite detectar las componentes esenciales de la serie.

!l 'r-fico de la serie permitir-0

a' Dete(tar O)tlier0 se refiere a puntos de la serie que se escapan de lo normal. >n
outliers es una o(ser$acin de la serie que corresponde a un comportamiento anormal
del fenmeno 5sin incidencias futuras6 o a un error de medicin.

Se de(e determinar desde fuera si un punto dado es outlier o no. Si se conclu&e que lo
es% se de(e omitir o reemplazar por otro $alor antes de analizar la serie.

Por e#emplo% en un estudio de la produccin diaria en una fa(rica se present la
si'uiente situacin $er fi'ura 1.10
3i'ura 1.1
"os dos puntos enmarcados en un c+rculo parecen corresponder a un comportamiento
anormal de la serie. Al in$esti'ar estos dos puntos se $io que correspond+an a dos d+as
de paro% lo que naturalmente afect la produccin en esos d+as. !l pro(lema fue
solucionado eliminando las o(ser$aciones e interpolando.

*' Permite dete(tar tenden(ia0 la tendencia representa el comportamiento predominante
de la serie. !sta puede ser definida $a'amente como el cam(io de la media a lo lar'o de
un periodo 5$er fi'ura 1.26.
3i'ura 1.2

(' +aria(i,n esta(ional0 la $ariacin estacional representa un mo$imiento peridico de
la serie de tiempo. "a duracin de la unidad del periodo es 'eneralmente menor que un
a<o. Puede ser un trimestre% un mes o un d+a% etc 5$er fi'ura 1.36.

atem-ticamente% podemos decir que la serie representa $ariacin estacional si e,iste
un nAmero s tal que x(t) B x(t + ks).

"as principales fuerzas que causan una $ariacin estacional son las condiciones del
tiempo% como por e#emplo0
16 en in$ierno las $entas de )elado
26 en $erano la $enta de lana
36 e,portacin de fruta en marzo.

Todos estos fenmenos presentan un comportamiento estacional 5anual% semanal% etc.6
3i'ura 1.3

d' +aria(iones irre-)lares .(omponente aleatoria'/ los mo$imientos irre'ulares 5al
azar6 representan todos los tipos de mo$imientos de una serie de tiempo que no sea
tendencia% $ariaciones estacionales & fluctuaciones c+clicas.

!. MODE$OS C$ASICOS DE SERIES DE TIEMPO
!.1 MODE$OS DE DESCOMPOSICIN

>n modelo cl-sico para una serie de tiempo% supone que una serie x(1), ..., x(n) puede
ser e,presada como suma o producto de tres componentes0 tendencia% estacionalidad &
un t.rmino de error aleatorio.

!,isten tres modelos de series de tiempos% que 'eneralmente se aceptan como (uenas
apro,imaciones a las $erdaderas relaciones% entre los componentes de los datos
o(ser$ados. !stos son0

1. Aditi$o0 X(t) = T(t) + E(t) + A(t)

2. ultiplicati$o0 X(t) = T(t) E(t) A(t)

3. i,to0 X(t) = T(t) E(t) + A(t)

Donde0
X(t6 serie o(ser$ada en instante t

T(t) componente de tendencia
E(t) componente estacional
A(t) componente aleatoria 5accidental6


>na suposicin usual es que A(t) sea una componente aleatoria o ruido (lanco con
media cero & $arianza constante.

>n modelo aditi$o 516% es adecuado% por e#emplo% cuando E(t) no depende de otras
componentes% como T(t)% s+ por el contrario la estacionalidad $ar+a con la tendencia% el
modelo m-s adecuado es un modelo multiplicati$o 526. !s claro que el modelo 2 puede
ser transformado en aditi$o% tomando lo'aritmos. !l pro(lema que se presenta% es
modelar adecuadamente las componentes de la serie.

"a fi'ura 2.1 ilustra posi(les patrones que podr+an se'uir series representadas por los
modelos 516% 526 & 536.

3i'ura 2.1


!.! ESTIMACIN DE $A TENDENCIA

Supondremos aqu+ que la componente estacional E(t) no est- presente & que el modelo
aditi$o es adecuado% esto es0

X(t) = T(t) + A(t), donde A(t) es ruido (lanco.

*a& $arios m.todos para estimar T(t). "os m-s utilizados consisten en0

16 16 A#ustar una funcin del tiempo% como un polinomio% una e,ponencial u otra
funcin sua$e de t.
26 26 Sua$izar 5o filtrar6 los $alores de la serie.
36 36 >tilizar diferencias.


!.!.1 A0USTE DE UNA "UNCIN

"os si'uientes 'r-ficos ilustran al'unas de las formas de estas cur$as.


1.T(t) B a D (t 5"ineal6


2.T(t) B a e
(t
5!,ponencial6

3. T(t) B a D ( e
(t
5!,ponencial modificada6


8.T(t) B
E
D
1t
%...%D
mt
m
5Polinomial6


:.T(t) B e,p5a D (5rt66
57ompertz E F r F 16

;. T(t) B
1 E %
6 5
1
< <
+
r
r a
t
5"o'+stica6

Nota/
i. i. la cur$a de tendencia de(e cu(rir un periodo relati$amente lar'o para ser
una (uena representacin de la tendencia a lar'o plazo.
ii. ii. "a tendencia rectil+nea & e,ponencial son aplica(le a corto plazo% puesto
que una cur$a S a lar'o plazo puede parecer una recta en un per+odo restrin'ido de
tiempo 5por e#emplo6.

3i'ura 2.2

!n la fi'ura 2.2 am(as cur$as 5recta & 7ompertz6 a#ustan (ien pero las pro&ecciones
di$er'en enormemente a lar'o plazo.

Eemplo 10 !n la ta(la 2.1 se presentan los datos trimestrales de unidades )a(itacionales
iniciadas en los !stados >nidos desde el tercer trimestre de 1G;8 )asta el se'undo
trimestre de 1G=2 H1I. 5!s necesario ad$ertir que para el an-lisis de tendencia el periodo
que se considera de(er+a ser m-s lar'o. Sin em(ar'o% &a que el propsito principal es el
de ilustrar el m.todo de descomposicin & las t.cnicas para inferir partiendo de los
elementos as+ descompuestos% la insuficiencia de los datos no tiene por qu. interesar.6

Ta*la !.10 Jue$as unidades )a(itacionales comenzadas en los !stados >nidos del tercer
trimestre de 1G;8 al se'undo trimestre de 1G=2 5en miles de unidades6.

A1o I II III I+ Total An)al
1234 3GK 3:2
1235 2K3 8:8 3G2 38: 1%8=8
1233 2=8 3G2 2GE 21E 1%1;;
1236 21K 3K2 3K2 38E 1%322
1237 2GK 8:2 823 3=2 1%:8:
1232 33; 8;K 3K= 3EG 1%:EE
1268 2;8 3GG 8EK 3G; 1%8;=
1261 3KG ;E8 :=G :13 2%EK:
126! :1E ;;1
!"ente# $.S. %epartment o& 'omerse, S"r(e) o& '"rrent *"ssiness.

Sea t cada uno de los 32 trimestres que $an de 1G;8 a 1G=2% o sea que t B 1 para el tercer
trimestre de 1G;8% t B 2 para el cuarto trimestre% & as+ sucesi$amente. As+ que el
dominio de definicin de t es el con#unto de los enteros de 1 a 32 inclusi$e. Sea T(t) las
iniciaciones de $i$iendas trimestralmente. "os $alores de t & T(t) se dan en la ta(la 2.2.
Para calcular los $alores de a & de en la recta de tendencia

T(t) = a + t

Se o(tienen las si'uientes cifras a partir de los datos de la ta(la 2.1.
Ta*la !.!0 C-lculo de la tendencia de las $i$iendas comenzadas en los !stados >nidos
del tercer trimestre de 1G;8 al se'undo trimestre de 1G=2

A1o trimestre t T.t' Tenden(ia
1G;80 3 1 3GK 2G1%=3
8 2 3:2 2GK%E=
1G;:0 1 3 2K3 3E8%81
2 8 8:8 31E%=:
3 : 3G2 31=%EG
8 ; 38: 323%83
1G;;0 1 = 2=8 32G%==
2 K 3G2 33;%11
3 G 2GE 382%8:
8 1E 21E 38K%=G
1G;=0 1 11 21K 3::%13
2 12 3K2 3;1%8=
3 13 3K2 3;=%K1
8 18 38E 3=8%1:
1G;K0 1 1: 2GK 3KE%8G
2 1; 8:2 3K;%K3
3 1= 823 3G3%1=
8 1K 3=2 3GG%:1
1G;G0 1 1G 33; 8E:%K:
2 2E 8;K 812%1G
3 21 3K= 81K%:3
8 22 3EG 828%K=
1G=E0 1 23 2;8 831%21
2 28 3GG 83=%::
3 2: 8EK 883%KG
8 2; 3G; 8:E%23
1G=10 1 2= 3KG 8:;%:=
2 2K ;E8 8;2%G1
3 2G :=G 8;G%2:
8 3E :13 8=:%:G
1G=20 1 31 :1E 8K1%G3
2 32 ;;1 8KK%2=

!ntonces% la recta de tendencia es

T(t) = 2+,,-. + /,-0t

"a fi'ura 2.3 muestra 'r-ficamente la recta de tendencia a#ustada a los datos
trimestrales de la ta(la 2.2. "a recta de trazos despu.s de 1G=2 representa pro&ecciones
5$er seccin 3 Predicciones6.
3i'ura 2.3


!.!.! SUA+I%AMIENTO. "I$TROS $INEA$ES

>na forma de $isualizar la tendencia% es mediante sua$izamiento de la serie. "a idea
central es definir a partir de la serie o(ser$ada un nue$a serie que sua$iza los efectos
a#enos a la tendencia 5estacionalidad% efectos aleatorios6% de manera que podamos
determinar la direccin de la tendencia 5$er fi'ura 2.86.

3i'ura 2.8

"o que )acemos es usar una e,presin lineal que transforma la serie X(t) en una serie
s"a(i1ada 2(t)# 2(t) = !(X(t)), t B 1%...%n

X(t6 2(t)

de tal modo que 35X(t)) B T(t). "a funcin 3 se denomina 3iltro "ineal. !l filtro lineal
m-s usado es el promedio m3(il.


!.!.!.1 PROMEDIOS M+I$ES

!l o(#eti$o es eliminar de la serie las componentes estacionales & accidentales. Para una
serie mensual con estacionalidad anual 5s B 126% la serie sua$izada se o(tiene%

; = %
12
6 ; 5 6 : 5 6 : 5 6 ; 5
6 5
2
1
2
1

+ + + + + +
= n k
k 2 k 2 k 2 k 2
k 2

516

Para una serie trimestral% con estacionalidad anual 5s B 86% la serie sua$izada est- dada
por

2 3 %
8
6 2 5 6 1 5 6 5 6 1 5 6 2 5
6 5
2
1
2
1

+ + + + + +
= n k
k 2 k 2 k 2 k 2 k 2
k 2
526

A este procedimiento se les llama0 &iltro sim4trico &inito.

Nota0 se sua$iza cuando e,isten muc)os cam(ios (ruscos% mo$imientos irre'ulares.

Eemplo !0 A partir de los datos del e#emplo1% se calcula un promedio m$il sumando
los $alores para un cierto nAmero de periodos sucesi$os & di$idiendo lue'o la suma as+
o(tenida por el nAmero de per+odos a(arcados. !n este caso se trata de una serie
trimestral & para ello se ocupa la frmula 526.

3
Ta*la !.#0 C-lculo del Promedio $il centrado de cuatro trimestres de las iniciaciones
de $i$iendas en los !!>>% tercer trimestre 1G;8 a se'undo trimestre de 1G=2 5en miles
de unidades6

A1o por
trimestre
Datos
Ori-inales 9
Total M,:il en
()atro trimestres
Promedio M,:il de
()atro trimestres
Promedio M,:il Centrado
de ()atro trimestres
(1) (2) (3) (4) (5)
1G;80 3 3GK
8 3:2
1G;:0 1 2K3 1.8K= 3=2 3=1
2 8:8 1.8K1 3=E 3;G
3 3G2 1.8=8 3;G 3;=
8 38: 1.8;: 3;; 3:G
1G;;0 1 2=8 1.8E3 3:1 33K
2 3G2 1.3E1 32: 3EK
3 2GE 1.1;; 2G2 2K:
8 21E 1.11E 2=K 2=;
1G;=0 1 21K 1.1EE 2=: 2K=
2 3K2 1.1G2 2GK 318
3 3K2 1.322 331 381
8 38E 1.8E2 3:1 3:G
1G;K0 1 2GK 1.8=2 3;K 3=3
2 8:2 1.:13 3=K 3K2
3 823 1.:8: 3K; 3G1
8 3=2 1.:K3 3G; 3GK
1G;G0 1 33; 1.:GG 8EE 3G:
2 8;K 1.:;3 3G1 3K3
3 3K= 1.:EE 3=: 3;;
8 3EG 1.82K 3:= 38K
1G=E0 1 2;8 1.3:G 38E 382
2 3GG 1.3KE 38: 3:;
3 8EK 1.8;= 3;= 3K2
8 3G; 1.:G2 3GK 828
1G=10 1 3KG 1.=G= 88G 8=1
2 ;E8 1.G;K 8G2 :E=
3 :=G 2.EK: :21 :3;
8 :13 2.2E; ::2 ::G
1G=20 1 :1E 2.2;3 :;;
2 ;;1

!n la ta(la 2.3% por e#emplo% el promedio m$il de cuatro trimestres para el primer
trimestre de 1G;: se o(tiene sumando los $alores del tercer & cuarto trimestres de 1G;8
& el primero & se'undo trimestres de 1G;: & di$idiendo lue'o la suma por 8. !l
promedio para el se'undo trimestre de 1G;: se o(tiene sumando los $alores del cuarto
trimestre de 1G;8 con los del primero% se'undo & tercer trimestres de 1G;: & lue'o
di$idiendo la suma por 8. As+ pues% para cada promedio sucesi$o% se resta el trimestre
que $iene primero & se suma el Altimo si'uiente.

"a columna 8 de la ta(la 2.3 muestra los promedios m$iles de cuatro trimestres
o(tenidos% partiendo de los datos iniciaciones de $i$iendas para el 1G;8 a 1G=2. !l
promedio m$il no elimina las fluctuaciones mu& acentuadas de la serie% pero reduce
sustancialmente la amplitud de las $ariaciones de los datos ori'inales.

Si en el c-lculo de un promedio m$il entra un nAmero impar de per+odos% el proceso
ser- m-s sencillo puesto que el nAmero de per+odos antes & despu.s del per+odo para el
cual se calcula el promedio son i'uales. Si el nAmero de periodos es par% como en este
e#emplo% no se puede utilizar el mismo nAmero de per+odos antes & despu.s de un
periodo especificado. Por tanto% el promedio m$il )a de quedar a mitad de camino
entre los $alores de dos per+odos consecuti$os & no se relaciona con nin'An per+odo.
!ste pro(lema se puede resol$er calculando un promedio m$il centrado en la serie% lo
cual se lo'ra o(teniendo primero un promedio m$il centrado de dos trimestres de los
promedios m$iles &a o(tenidos. !l primer promedio m$il centrado es la media de los
dos primeros promedios m$iles de cuatro trimestres% el se'undo promedio m$il
centrado es la media de los promedios m$iles de cuatro trimestres se'undo & tercero%
etc. De esta manera% )a(r- un nAmero i'ual de per+odos despu.s & antes del periodo
especificado para el cual se est- calculando el promedio m$il centrado. "os promedios
m$iles centrados se $en en la columna : de la ta(la 2.3.

6 2 5 L 8
3G2 6 8:8 2K3 3:2 5 L 2 3GK
6 3 5
2
6 3 5
8
3G2 8:8 2K3 3:2
8
8:8 2K3 3:2 3GK
+ + + +
=
+
=
+ + + + + +
2
2

Se'An la frmula 2% el c-lculo ser+a el si'uiente0

3=1
8
8:8 2K3 3:2
6 3 5
8
6 : 5 6 8 5 6 3 5 6 2 5 6 1 5
6 3 5
2
3G2
2
3GK
2
1
2
1
=
+ + + +
=
+ + + +
=
2
2 2 2 2 2
2

!ste $alor corresponde al 5romedio 63(il 'entrado que se muestra en la columna :.

"a fi'ura 2.: muestra 'r-ficamente el a#uste por a tra$.s del promedio m$il% se'An
ta(la 2.3% donde el se'mento ne'ro representa la serie ori'inal & el se'mento azul la
serie sua$izada.

3i'ura 2.:




!.# ESTIMACIN DE $A ESTACIONA$IDAD

"a estimacin de la estacionalidad no slo se realiza con el fin de incorporarla al
modelo para o(tener predicciones% sino tam(i.n con el fin de eliminarla de la serie para
$isualizar otras componentes como tendencia & componente irre'ular que se pueden
confundir en las fluctuaciones estacionales.

De acuerdo con los modelos de descomposicin 5seccin 2.16% se asume el si'uiente
modelo para T(t),

a6
6 5 6 5 6 5 6 5 t A t E t T t X + =
Aditi$o

(6

accidental Estacional
t T
t A
t E
t T
t X
+
+ =
.
6 5
6 5
6 5
6 5
6 5
i,to

>na $ez remo$ida la tendencia se o(tiene los si'uientes 'r-ficos% donde en la fi'ura 2.;
5a6 aparece el modelo aditi$o & en la 5(6 el modelo mi,to.


5a6
5(6
3i'ura 2.;


Pues si no )a& tendencia% se espera
1 6 5 %
E 6 5 %
=
=
t T t
t E t

Como
= + = + = 6 28 5 6 12 5 6 5 t E t E t E
para serie mensual% entonces (asta estimar
E(1), E(2), E(-), ... , E(12). Para una serie trimestral% (astar+a conocer0 E(1), E(2), E(-)
& E(0).

Supon'a que se )a estimado la tendencia por al'uno de los m.todos $istos en la seccin
pre$ia. Sea
6 5
M
t T
la estimacin de la tendencia &a sea mediante una cur$a o filtros
lineales. !ntonces%

Si el modelo es aditi(o
n t t T t X t 7 %...% 1 6% 5
M
6 5 6 5 = =
representa la serie con los
efectos de tendencia remo$idos.

An-lo'amente% si el modelo es mixto
6 5
M
6 5
6 5
t T
t X
t 8 =
representa la serie% una $ez
remo$idos los efectos de tendencia.

!stas series 'eneradas a partir de la ori'inal por eliminacin de la tendencia se
denominan Nseries de resid"osO & de(er-n contener predominantemente fluctuaciones
estacionales. Para estimar la estacionalidad se requiere )a(er decidido el modelo a
utilizar 5mi,to o aditi$o6% lamenta(lemente esto no es siempre claro% &a sea porque no
contamos con informacin a priori para suponerlo o porque el 'r-fico no )a de#ado
e$idencia suficientemente clara como para decidirnos por al'uno de ellos. !n tal
situacin se propone calcular am(as series residuales & ele'ir aquella cu&os $alores
correspondientes a una estacin dada oscilen menos en torno a su promedio.

Para fi#ar ideas% supon'amos una serie con datos trimestrales & que la informacin de las
series residuales pueden ser resumidas como en las ta(las 2.8 & 2.:.

Ta*la !.4. 9esiduos modelo i,to
Per;odo 1 ! < Promedio STD C.+.
Esta(i,n "ila "ila "ila
1 8(1) 8(,) 8(0k--)
6 1 5 8
S
1
6 1 5
1
8
S
2 8(2) 8(/) 8(0k-2)
6 2 5 8
S
2
6 2 5
2
8
S
3 8(-) 8(9) 8(0k-1)
6 3 5 8
S
-
6 3 5
2
8
S
8 8(0) 8(+) 8(0k)
6 8 5 8
S
0
6 8 5
8
8
S

Ta*la !.5. 9esiduos modelo Aditi$o
Per;odo 1 ! < Promedio STD C.+.
Esta(i,n "ila "ila "ila
1 7(1) 7(,) 7(0k--)
6 1 5 7
S
1
6 1 5
1
7
S
2 7(2) 7(/) 7(0k-2)
6 2 5 7
S
2
6 2 5
2
7
S
3 7(-) 7(9) 7(0k-1)
6 3 5 7
S
-
6 3 5
2
7
S
8 7(0) 7(+) 7(0k)
6 8 5 7
S
0
6 8 5
8
7
S

>na forma de seleccionar el modelo% es por inspeccin de los coeficientes de $ariacin
5C.4.6. Suponemos% que en aquellas filas donde la $ariacin sea menor en torno a la
media tendr- menor coeficiente de $ariacin en t.rminos a(solutos. "ue'o%
comparando dic)os coeficientes parece razona(le seleccionar el modelo cu&os
coeficientes sean menores en t.rminos a(solutos. !sto puede complementarse con
'r-ficos para cada fila en am(os modelos.

3inalmente% una $ez que se )a ele'ido el modelo a utilizar% se procede a estimar la
estacionalidad.

Si el modelo es i,to% entonces%

6 1 5 6 1 5 6 1 5
M
= 8 8 E
6 1 5 6 2 5 6 2 5
M
= 8 8 E
6 1 5 6 3 5 6 3 5
M
= 8 8 E
6 1 5 6 8 5 6 8 5
M
= 8 8 E

donde0

=
=
8
1
8
6 5
:
: 8
8


& si el modelo es Aditi$o% entonces%

7 7 E = 6 1 5 6 1 5
M
7 7 E = 6 2 5 6 2 5
M
7 7 E = 6 3 5 6 3 5
M
7 7 E = 6 8 5 6 8 5
M

donde

=
=
8
1
8
6 5
:
: 7
7

Pro(a(lemente% la primera idea para estimar la estacionalidad consistir+a de los
promedios por estacin en las series residuales. "a correccin que aparece arri(a para
cada caso% apunta a 'arantizar que%

Aditi(o 6odelo n E
S
n

=
=
1
% E 6 5
M

6ixto 6odelo n E
S
n

=
=
1
% 1 6 5
M
como es de esperarse en el modelo terico.








Eemplo #. Continuando con el e#emplo 2% tenemos lo si'uiente0

Se supuso que el 6odelo es 6ixto
6 5
M
6 5
6 5
t T
t X
t 8 =
& se o(tu$o la serie sua$izada
C5t60
Trimestre 1235 1233 1236 1237 1232 1268 1261
1 3=1 33K 2K;%: 3=3%12: 3G:%2: 382%3=: 8=E%;2:
2 3;G 3EK%3=: 318%2: 3K2%2: 3K2%K=: 3::%K=: :E;%;2:
3 3;= 2K8%: 38E%: 3G1 3;; 3K2%3=: :3;%3=:
8 3:G 2=;%2: 3:G%2: 3G=%=: 38K%3=: 823%;2: ::K%;2:


Sea
6 5
M
t T
la estimacin de la tendencia 5
2
L :G83K; % E L 3GK8 % 11 ;3 % 3=G 6 5
M
t t t T + =
6

Trimestre 1235 1233 1236 1237 1232 1268 1261
1 3;K%K3 33=%:E 32:%1G 331%GE 3:=%;3 8E2%3G 8;;%1;
2 3:G%21 332%;8 32:%EG 33;%:: 3;=%E8 81;%:: 8K:%EK
3 3:E%=K 32K%G= 32;%8K 382%3G 3==%;3 831%GE :E:%1K
8 383%:: 32;%8K 32K%88 38G%82 3KG%82 88K%88 :2;%8=


!ntonces%
6 5
M
6 5
6 5
t T
t X
t 8 =
% donde X(t) es la serie o(ser$ada.
Trimestre 1235 1233 1236 1237 1232 1268 1261
6 5: 8
1 E%== E%K1 E%;= E%G E%G8 E%;; E%K3 E%KE
2 1%2; 1%1K 1%1K 1%38 1%2K E%G; 1%2: 1%21
3 1%12 E%KK 1%1= 1%28 1%E2 E%G8 1%1: 1%E=
8 1 E%;8 1%E8 1%E; E%=G E%KK E%G= E%G1

8
B
E%GG=:


6 5: 8
B promedio de 8(t) para el trimestre :% : B 1% 2% 3% 8.

6 5
M
6 5
accidental parte la remo$ido )a Se
G1 % E 6 8 5
E= % 1 6 3 5
21 % 1 6 2 5
K % E 6 1 5
t T
t A
8
8
8
8

=
=
=
=
&
GG=: % E
8
6 5
8
1
= =

= :
: 8
8




Como se o(ser$a en la si'uiente fi'ura% en el modelo mixto estos $alores $ar+an entorno
al uno.
0
0,'
1
1,'
2
0 ' 10 1' 20 2' ,0
t
W(t)


Si el modelo es i,to% entonces%

6 1 5 6 1 5 6 1 5
M
= 8 8 E
B E%K P 5E%GG=: 1 16 B E%KE2:
6 1 5 6 2 5 6 2 5
M
= 8 8 E
B 1%21 P 5E%GG=: P 16 B 1%212:
6 1 5 6 3 5 6 3 5
M
= 8 8 E
B 1%E= P 5E%GG=: P 16 B 1%E=2:
6 1 5 6 8 5 6 8 5
M
= 8 8 E
B E%G1 P 5E%GG=: P 16 B E%G12:

"a idea es que

=
=
8
1
1
8
6 5
M
:
: E


!n definiti$a% la estimacin de la estacionalidad es%

G12: % E 6 8 5
M
E=2: % 1 6 3 5
M
212: % 1 6 2 5
M
KE2: % E 6 1 5
M
=
=
=
=
E
E
E
E




#. PREDICCIONES

Predecir% es estimar el futuro utilizando informacin del presente & del pasado. !l
conocimiento del futuro nos capacita para planificar% pre$er o pre$enir.

"a idea es estimar X(t6 en un instante n + k posterior al Altimo dato o(ser$ado en t
=n% k B 1%2%3%8%... 5trimestre% mes% etc.6.

>na $ez estimada la tendencia & la estacionalidad las frmulas de prediccin quedar-n
determinadas por0

6 mod 6 55
M
6 5
M
6 5
M
6 % 5
M
s k n E k n T k n X k n X + + = + =
odelo i,to
6 mod 6 55
M
6 5
M
6 5
M
6 % 5
M
s k n E k n T k n X k n X + + + = + =
odelo Aditi$o


#.1 E0EMP$O I$USTRATI+O

Con el o(#eto de ilustrar los m.todos re$isados en este cap+tulo considere los si'uientes
datos0

Ta*la #.1. Serie Qri'inal
SEM=A>O 1 ! # 4 5 3
1 1%=3=:= 2%821E; 8%8=8K1 8%=KG3G :%1G21E :%1E==:
2 2%E1K1: 2%KE32: 8%K::;; :%18E=; :%E;3K= :%28=K=

Con el fin de eliminar los efectos irre'ulares & estacionalidad se o(tiene la serie
sua$izada 2(t) con un promedio m$il centrado de orden 2% como se muestra en la ta(la
3.2.

Ta*la #.!. Serie Sua$izada 52(t))
SEM=A>O 1 ! # 4 5 3
1 1 2%81:KG 8%1:218 8%KG3K1 :%18=21 :%121K1
2 2%E8K=8 3%12:; 8%=83KG :%E;:=; :%1E;G 1

>na $ez sua$izada la serie% se o(tienen las series residuales con el o(#eto de eliminar la
estacionalidad dentro del modelo & sa(er por medio de un an-lisis ta(ular de los
residuos si el modelo es aditi$o o mi,to.








PRIMER CASO0 odelo i,to. X(t) = T(t) E(t) + A(t)

Con el o(#eto de eliminar la estacionalidad de la serie% se 'enera la serie de residuos0
6 5
6 5
6 5
t 2
t X
t 8 =

"a si'uiente ta(la contiene los residuos.

Ta*la #.#. Serie de 9esiduos 5R5t66
Sem=A1o 1 ! # 4 5 3
6 5: 8
S
?
C+
1 1 1%EE21
8
1%E===
1
E%G=K;
;
1%EEK=
2
E%GG:
3
1%E12:
1
E%E3K1
3
E%E2=;;
2 E%GK:E
=
E%KG;K
=
1%E23:
;
1%E18K E%GG1:
=
1 E%GK23
=
E%E:E3
=
E%E:12=

"a estimacin de la estacionalidad para este caso queda dada por0

GG=88 % E = 8
6 1 5 6 5 6 5
M
= 8 : 8 : E
6 1 5 6 1 5 6 1 5
M
= 8 8 E
B 1%E12:1P 5E%GG=881 16 B 1%E12:1 D E%EE2:; B 1%E1:E=
6 1 5 6 2 5 6 2 5
M
= 8 8 E
B E%GK23= D E%EE2:; B E%GK8G3



SE@UNDO CASO0 odelo Aditi$o. X(t) = T(t) + E(t) + A(t)

Como en el caso anterior & con el o(#eto de eliminar la estacionalidad se constru&e la
serie de residuos.

7(t) = X(t) - 2(t)

"os resultados se muestran en Ta(la 3.8.

Ta*la #.4. Serie de 9esiduos 595t66
Sem=A1 1 ! # 4 5 3
6 5: 7
S
R
C+
1
1 E%EE:1
=
E%322;
=
1E%1E882 E%E88KG 1E%E28E; E%E8KK: E%1;2:
;
3%32=K
2
1E%E3E:G E%3223
:
E%111=
=
E%E=: 1E%E83E3 1 1E%E81K8 E%1=E3
8
18%E=12

"a estimacin de la estacionalidad para este caso queda dada por0

7 7 E = 6 1 5 6 1 5
M
B E%E8KK: 1 E%E3:1 B E%E8:38
7 7 E = 6 2 5 6 2 5
M
B E%EE81K8 1 E%EE3:1 B E%E8:38

!l c-lculo de las series residuales se realiz con el o(#eto de identificar a tra$.s de los
coeficientes de $ariacin para cada fila de los modelosS aquel modelo que sus filas
presenten una menor $aria(ilidad relati$a a su media% ser- esco'ido como el que
interpreta a la serie a analizar. !n este caso el modelo adoptado% es el modelo mi,to.

A tra$.s de este modelo se o(tendr-n las pro&ecciones deseadas para los pr,imos dos
semestres. Para tal efecto resta entonces o(tener una estimacin de la tendencia. Con
tal fin% se a#ustar- una cur$a a la serie sua$izada.

2(t) = a + t

Al a#ustar la recta por m+nimos cuadrados se o(tiene0

3;11 % E
M
& K3; % 1 M = = a
Tt B E%882G;; D E%G3KE2=Lt 1 8%:;!1E2LtLL2

>na $ez o(tenidas estas estimaciones se utiliza la ecuacin

6 mod 6 55
M
6 5
M
6 5
M
s k n E k n T k n X + + + = +

para pro&ectar.


ProAe((iones
; % ; 6 13 5
M
E1:E= % 1 6 13 L 3;11 % E K3; % 1 5 6 13 5
M
=
+ =
X
X

K % ; 6 18 5
M
GK8G3 % E 6 18 L 3;11 % E K3; % 1 5 6 18 5
M
=
+ =
X
X




9esumen

Se llama Serie de Tiempo% a un con#unto de mediciones de cierto fenmeno o
e,perimento re'istradas secuencialmente en el tiempo% por e#emplo a cada )ora%
mensualmente% trimestralmente% semestralmente% etc.. !n este apunte se tra(a# con
series de tiempo discreto% equiespaciadas en cu&o caso se asume que0 0 ?x(t
1
), x(t
2
), ...,
x(t
n
)@B ?x(1), x(2), ..., x(n)@. De(ido al car-cter introductorio se restrin'i al caso de
series de tiempo uni$ariadas.

Al analizar una serie de tiempo% lo primero que se de(e )acer es 'raficar la serie. !sto
nos permite detectar las componentes esenciales de la serie. !l 'r-fico de la serie
permitir-0 detectar Qutlier% detectar tendencias% $ariacin estacional% $ariaciones
irre'ulares 5o componente aleatoria6.

>n modelo cl-sico para una serie de tiempo% puede ser e,presada como suma o
producto de tres componentes0 tendencia% estacional & un t.rmino de error aleatorio.
!,isten tres modelos de series de tiempos. !stos son0

1. Aditi$o0 X(t) = T(t) + E(t) + A(t)
2. ultiplicati$o0 X(t) = T(t) E(t) A(t)
3. i,to0 X(t) = T(t) E(t) + A(t)

Con el fin de o(tener un modelo% es necesario estimar la tendencia & la estacionalidad.
Para estimar la tendencia% se supone que la componente estacional no est- presente. "a
estimacin se lo'ra al a#ustar a una funcin de tiempo a un polinomio o sua$izamiento
de la serie a tra$.s de los promedios m$iles. Para estimar la estacionalidad se requiere
)a(er decidido el modelo a utilizar 5mi,to o aditi$o6. >na $ez estimada la tendencia &
la estacionalidad se esta en condiciones de predecir.

"os m.todos re$isados en este apunte son de naturaleza descripti$a% por lo que el #uicio
& el conocimiento del fenmeno #ue'an un rol importante en la seleccin del modelo.

"os m.todos cl-sicos tienen la des$enta#a que se adaptan a tra$.s del tiempo% lo que
implica que el proceso de estimacin de(e $ol$er a iniciarse frente al conocimiento de
un nue$o dato.




Bi(lio'raf+a

H1I H1I C)ao% "incoln ". 51G=:6 Estadstica para ciencias sociales y
administrativas. Bo'ota0 c7raU1*ill.
H2I H2I I'lesias C. Pilar. 51GKK6. Elementos de series de tiempo.
H3I H3I a/rida/is% SS R)eelri')t% S.C.S c7ee% 4.!. 51GK36. Forecasting:
Methods and Applications Rile&% JeU Tor/.
H8I H8I Pe<a% Daniel. 51GKG6. !stadstica! Modelos y M"todos 2 Modelos #ineales
y $eries %emporales. Alianza >ni$ersidad% adrid.

!nlaces

!insteinnet 52EE16. An&lisis 'l&sico (e $eries %emporales Hen l+neaI.
Disponi(le en0
)ttp0VVUUU.einsteinnet.comVeconometriaVseriestempVacseriestemp.)tm
Conectado el 2: de #unio de 2EE1.
IJ!I.52EE16. (esestacionali)aci*n de series de tiempo econ*micas Hen
l+neaI. Disponi(le en0
UUU.inei.'o(.peVcpiV(ancopu(Vli(freeV"IB8EKV"IB8EK.)tm Conectado el 2; de
#unio de 2EE1.

2222222222222222222222222
CURSO / IN+ESTI@ACIN DE OPERACIONES
CAT./ MS(. ED@AR N. CARRERA
PRONSTICOS
Introduccin

-l pronstico es un proceso de estimacin de un acontecimiento o +enmeno,
re.ularmente econmico en el cual se in/olucra el tiempo, pro)ectando #acia el
+uturo datos del pasado, para reali0ar una estimacin cuantitati/a del
comportamiento del +enmeno estudiado #acia el +uturo&

1a prediccin, previsin o adivinacin, es un proceso de estimacin de un
suceso +uturo 2asndose en consideraciones su23eti/as di+erentes a los
simples datos pro/enientes del pasado4 estas consideraciones su23eti/as no
necesariamente de2en com2inarse de una manera predeterminada& -s decir,
cuando se 2ase en suposiciones su23eti/as ) no e5isten datos del pasado, se
re6uiere una prediccin, ) de lo contrario, se necesita un pronstico&

1os pronsticos son la 2ase de la plani+icacin corporati/a a lar.o pla0o& -l
personal de produccin ) de operacin utili0a pronsticos para tomar
decisiones peridicas con respecto a la seleccin de procesos, a la
plani+icacin de la capacidad, a la plani+icacin de la produccin, a la
pro.ramacin de acti/idades ) al in/entario&

Tipos de pronsticos

1os pronsticos se pueden clasi+icar en cuatro tipos 2sicos: cualitativos,
anlisis de series de tiempo o cuantitativos, relaciones causales ) simulacin&

1as t7cnicas cualitativas son de carcter su23eti/o ) se 2asan en estimaciones
) opiniones&

-l anlisis de series de tiempo se 2asa en la idea de 6ue se pueden usar los
datos relacionados con la demanda del pasado para reali0ar pronsticos&

1os pronsticos causales suponen 6ue la demanda esta relacionada con uno
o ms +actores su2)acentes del am2iente&

1os modelos de simulacin permiten al pronosticador recorrer una .ama de
suposiciones so2re la condicin del pronstico&

Modelos comunes para pronsticos cuantitativos

8romedio 9/il Simple Se promedia un periodo que contiene varios puntos de
datos, dividiendo la suma de los valores de los puntos entre el nmero de
puntos. As, cada punto tiene la misma influencia.
8romedio 9/il 8onderado iertos puntos se ponderan ms o menos que
otros, se!n se considere conveniente de acuerdo con la e"periencia.

Sua/i0amiento o sua/i0acin -5ponencial #os puntos de datos ms recientes
tienen ma$or peso% este peso se reduce e"ponencialmente cuanto ms
anti!uos son los datos.

Anlisis de :e.resiones A&usta una lnea recta a datos pasados, por lo !eneral
relacionando el valor del dato con el tiempo. El m'todo de a&uste ms comn
es el de mnimos cuadrados, permite identificar la tendencia de la serie de
tiempo anali(ada.

Anlisis de series de tiempo

1os modelos de pronstico de series de tiempo tratan de pronosticar el +uturo
con 2ase a datos pasados&

1os promedios mviles ) el suavi(amiento e"ponencial son los me3ores ) ms
+ciles de usar para pronsticos a corto pla0o: re6uieren pocos datos ) los
resultados son de ni/el medio& 1os modelos a lar.o pla0o son ms comple3os,
re6uieren ms datos de entrada ) o+recen ma)or precisin& ;esde )a, los
t7rminos corto, medio ) lar!o son relati/os, dependiendo del conte5to en 6ue
se apli6uen&

-n los pronsticos empresariales, el corto pla0o por lo .eneral se re+iere a
menos de tres meses4 el medio, de tres meses a dos a*os4 ) el lar.o, a mas de
dos a*os& -n t7rminos .enerales, los modelos a corto pla0o se a3ustan para
cam2ios a corto pla0o (como la respuesta de los consumidores ante un nue/o
producto)&

1os pronsticos a medio pla0o son 2uenos para e+ectos estacinales ) los
modelos a lar.o pla0o detectan las tendencias .enerales ) son de utilidad
especial para identi+icar punto de cam2ios decisi/os&

-l modelo de pronsticos a esco.er depende de lo si.uiente:

1& <ori0onte de tiempo para el pronstico&
2& ;isponi2ilidad de datos&
,& 8recisin re6uerida&
=& Tama*o del presupuesto para pronsticos&
'& ;isponi2ilidad de personal cali+icado&

Tam2i7n #a) 6ue tener en cuenta el .rado de fle"i)ilidad de la empresa (si es
ma)or la capacidad para reaccionar con rapide0 ante los cam2ios, no tiene 6ue
ser tan preciso el pronstico)

Promedio Simple

-s un promedio de los datos del pasado en el cual las demandas de todos los
perodos anteriores tienen el mismo peso relati/o&
Se calcula de la si.uiente manera:
8S > Suma de demandas de todos los perodos anteriores, entre o di/idido por
? > @Amero de periodos de demanda

8S > ;1 B ;2 B&&&&&B;C
?

;onde:
;1> demanda del perodo ms reciente4
;2> demanda 6ue ocurri #ace dos perodos4
;C> demanda 6ue ocurri #ace C perodos&

Promedio Mvil
Dna media mvil simple com2ina los datos de demanda de la ma)or parte de
los periodos recientes, siendo su promedio el pronstico para el si.uiente
periodo&

Dna media m/il simple de n periodos se puede e5presar mediante:

99S > Suma de las demandas anteriores de los Altimos n periodos entre o
di/idido por
@ > @Amero de periodos empleados en la media m/il

99S > ;t > ;1 B ;2 B&&&&&B ;n
@
;onde:
t > 1 es el periodo ms anti.uo en el promedio de n periodos4
t > n es el periodo ms reciente&

Suaviamiento o suaviacin !"ponencial

1as principales ra0ones de popularidad de las t7cnicas de sua/i0acin son:

1& 1os modelos e5ponenciales tienen una precisin sorprendente&
2& -s mu) +cil +ormular un modelo e5ponencial&
,& -l usuario puede comprender como +unciona el modelo&
=& Se re6uiere mu) pocos clculos para usar el modelo&
'& Como se usan datos #istricos limitados, son pocos los re6uisitos de
almacenamiento en computadores&
E& -s +cil calcular prue2as para de terminar la precisin del modelo en la
practica&
-n el m7todo solo se necesitan tres datos: el pronostico ms reciente, la
demanda real 6ue se present para ese periodo, ) una constante de
suavi(acin alfa, .
1a ecuacin para un pronstico de sua/i0amiento e5ponencial simple no es
mas 6ue:
8ronstico de la demanda > #t $ #%t & '( ) F % A%t*'( & #%t*'( (
;onde:
Gt > -l pronstico sua/i0ado e5ponencialmente para el periodo t&
GtH1 > -l pronstico sua/i0ado e5ponencialmente para el periodo anterior&
AtH1 > 1a demanda real para el periodo anterior&
a > 1a tasa de respuesta deseada, o constante de sua/i0amiento&

Anlisis de re+resin lineal

Se de+ine a la re!resin como una relacin +uncional entre dos o ms /aria2les
correlacionadas ) se usa para pronosticar una /aria2le con 2ase en la otra&

-n la re.resin lineal la relacin entre las /aria2les +orma una lnea recta&
1a lnea de re.resin lineal es de +orma
, $ a ) -., otras +ormas son I > aJ B 2, I > mJ B 2
donde , es la /aria2le dependiente 6ue 6ueremos resol/er4 a es la interseccin
de ,4 - es la pendiente ) . es la /aria2le independiente (en el anlisis de
series de tiempo, . representa unidades de tiempo)&

1os /alores de a ) 2 se o2tienen de calcular:

a> nK(Jt;t) L (KJt) (K;t)
n(KJ
2
t) L (KJt)
2
2 > K;t L 2KJt
n

1a re.resin lineal es Atil para pronsticos a lar.o pla0o de sucesos
importantes&

1a restriccin principal para usar los pronsticos de re.resin lineal es 6ue,
supuestamente, los datos pasados ) las pro)ecciones caen so2re una lnea
recta