5 SERIES DE TIEMPO

Los pronsticos o predicciones, son una herramienta esencial en cualquier

proceso de toma de decisiones. La calidad de las predicciones que los
administradores pueden efectuar est estrechamente relacionada con la
informacin que se puede extraer y utilizar de los datos que se tengan.
El anlisis de series de tiempo se utiliza para detectar patrones de cambio en la
informacin estadstica durante intervalos regulares de tiempo. Proyectamos estos
patrones para obtener una estimacin para el futuro. En consecuencia, el anlisis
de series de tiempo nos ayuda a tener una visin con certidumbre acerca del
futuro.

5.1

MODELO CLSICO DE SERIES DE TIEMPO

Una serie de tiempo es un conjunto de valores observados, como datos de

produccin o ventas, durante una serie de periodos temporales secuencialmente
ordenada. Ejemplos de estos datos son las ventas de un producto en particular
durante una serie de meses y el nmero de trabajadores empleados en una
industria en particular durante una serie de aos. Una serie de tiempo se
representa por medio de una grfica de lneas, sobre cuyo eje horizontal se
representan los periodos y en cuyo eje vertical se representan los valores de la
serie de tiempo.

El anlisis de series de tiempo es el procedimiento por el cual se identifican y

aslan los factores relacionados con el tiempo que influyen en los valores
observados en las series de tiempo. Una vez identificados, estos factores pueden
contribuir a la interpretacin de valores histricos y a pronosticar valores futuros de
de series de tiempo.

En resumen, utilizamos el trmino serie de tiempo para referirnos a cualquier

grupo de informacin estadstica que se acumula a intervalos regulares.

El mtodo clsico para el anlisis de series de tiempo identifica cuatro de estas

influencias, componentes, tipos de cambio o variacin de series de tiempo, y
son:
1

1.
2.
3.
4.

Tendencia secular (T).

Fluctuacin cclica (C).
Variacin temporal o estacional (E).
Variacin irregular (I).

Con el primer tipo de variacin, tendencia secular (T), el valor de la variable tiende
a aumentar o disminuir en un periodo muy largo. El ndice de precios al
consumidor es un ejemplo de esta tendencia; ya que de un ao a otro, el costo de
la vida vara bastante, pero si examinamos un periodo a largo plazo, nos damos
cuenta que la tendencia es hacia un aumento estable.

El segundo tipo de variacin, es la fluctuacin cclica (C). El ejemplo ms comn

de la fluctuacin cclica es el ciclo de negocios. A travs del tiempo, hay aos en
que el ciclo de negocios llega a un pico por encima de la lnea de tendencia. En
otros tiempos, la actividad de los negocios parece caer, llegando a un punto bajo
la lnea de tendencia. El tiempo que transcurre entre picos o puntos bajos es de al
menos un ao, y puede llegar a durar hasta 15 o 20 aos.

El tercer tipo de cambio es la variacin temporal o estacional (E). Por su nombre,

este tipo de variacin implica patrones de cambio en el lapso de un ao que
tienden a repetirse anualmente. Por ejemplo, un mdico, puede predecir un
aumento del nmero de casos de gripe cada invierno y afecciones de tifoidea cada
verano. Como se trata de patrones regulares, son tiles en la prediccin del futuro.

La variacin irregular (I) es el cuarto tipo de cambio que se da en las series de

tiempo. El valor de la variable puede ser completamente impredecible, es decir,
cambia de manera aleatoria. Algunos ejemplos de esta variacin pueden ser los
efectos del conflicto en el Medio Oriente en 1973, la situacin en Irak en 1990
ambos sobre la situacin de la gasolina en Estados Unidos.

El modelo en que se apoya el anlisis clsico de series de tiempo se basa en el

supuesto de que, para cualquier periodo designado en la variable de tiempo, el
valor de la variable est determinado por los cuatro componentes anteriormente
definidos y de que, adems, los componentes tienen una relacin multiplicativa.
As, donde Y representa el valor de serie de tiempo observado,
Y= T x C x E x I
2

Este modelo sirve de base para el aislamiento de las influencias de los diversos
componentes que afectan a los valores de series de tiempo, como veremos en las
siguientes secciones de este material.

5.2

ANLISIS DE TENDENCIA

De los cuatro componentes de una serie de tiempo, la tendencia secular

representa la direccin a largo plazo de la serie.
Una manera de describir la componente que corresponde a la tendencia es
ajustando visual e intuitivamente una recta a un conjunto de puntos de una grfica.
Sin embargo, dicha grfica est sujeta a interpretaciones ligeramente diferentes
por parte de individuos diferentes. As que podemos tambin ajustar una recta o
lnea de tendencia mediante el mtodo de mnimos cuadrados, como lo realizamos
en la unidad de regresin lineal simple. En nuestro anlisis, nos concentraremos
en el mtodo de mnimos cuadrados, ya que el ajuste visual de una recta a una
serie de tiempo no es un proceso completamente seguro.

AJUSTE DE LA TENDENCIA LINEAL MEDIANTE EL MTODO DE MNIMOS

CUADRADOS.
Antes de desarrollar la ecuacin para una tendencia lineal, necesitamos revisar la
ecuacin general para estimar una lnea recta:
 =  + 
En la que:
 = valor estimado de la variable dependiente.
X = variable independiente (tiempo en el anlisis de tendencia)
a = interseccin con el eje Y
b = pendiente de la lnea de tendencia.

Pero para encontrar la lnea de mejor ajuste debemos utilizar el mtodo de

mnimos cuadrados; dicha recta est determinada por:
=

 
 

 =  

En las que:
Y = valores de la variable dependiente.
X = valores de la variable independiente (tiempo en el anlisis de tendencia)
 = valor estimado de la variable dependiente.
a = interseccin con el eje Y
b = pendiente de la lnea de tendencia.

Con las ecuaciones anteriores podemos establecer la lnea de mejor ajuste para
describir los datos de la serie. Sin embargo, la regularidad de los datos de la serie
de tiempo nos permite simplificar los clculos que hay que efectuar en las
ecuaciones mencionadas a travs del siguiente proceso.

Normalmente medimos la variable independiente tiempo en trminos tales como

semanas, meses o aos. Afortunadamente podemos codificar dichas medidas.

Para utilizar la ecuacin, encontramos el tiempo medio y luego restamos ese valor
de cada uno de los tiempos de muestra.
Supongamos que nuestra serie temporal consiste en solamente tres puntos de
dato, 1989, 1990 y 1991.
Si tuviramos que sustituir estos valores en las ecuaciones dadas, los clculos
serian muy tediosos, as que podemos transformar los valores 1989, 1990 y 1991
en valores codificados, es decir valores correspondientes de -1, 0 y 1, en donde 0
representa la media o sea 1990, -1 representa el primer ao (1989-1990 = -1) y 1
representa el ltimo ao (1991-1990=1).

Cuando codifiquemos valores de tiempo es necesario que tomemos en cuenta dos

casos:
1. Es una serie temporal con un nmero impar de elementos, como en nuestro
ejemplo dado.
2. Es una serie temporal con un nmero par de elementos.

Veamos la siguiente tabla

1.- Cuando hay nmero impar de elementos

en la serie de tiempo.

2.- Cuando hay nmero par de elementos en la serie de

tiempo.

 

( )x 2

Tiempo
traducido o
codificado

(3)

(1)

(2)

(3)

(4)

 

Tiempo
traducido o
codificado

(1)

(2)

1986

1986

-1989

=-3

1987

1987

-1989

=-2

=-5

1987

1987

-1989

=-2

1988

1988

-1989

=-1

=-3

1988

1988

-1989

=-1

1989

1989

-1989

=-

=-1

1989

1989

-1989

=0

1990

1990

-1989

=1

1990

1990

-1989

=1

1991

1991

-1989

=1

=3

1991

1991

-1989

=2

1992

1992

-1989

=2

=5

1992

1992

-1989

=3

 = 13,923
 =

 13,923
=
= 

7

(el ao medio) = 0

 = 11,937
 =

(el ao medio) = 0

 11,937
=
=  

6

En la parte izquierda tenemos un nmero impar de aos, as que el procedimiento

es el mismo que acabamos de describir utilizando los aos 1989, 1990 y 1991.
En la parte de la derecha, tenemos un nmero par de elementos. En casos como
este, es cuando encontramos la media y la restamos de cada elemento, la fraccin
se convierte en parte de la respuesta.

Para simplificar el proceso de codificacin y eliminar el , multiplicamos cada

elemento de tiempo por dos. Denotaremos el tiempo codificado o traducido con
la letra x (equis minscula).

Para qu usar un cdigo?, hay dos razones para hacer esta codificacin del
tiempo. Primero, elimina la necesidad de elevar al cuadrado nmeros grandes
como 1989, 1990 y 1991, etc. Este mtodo tambin hace que el ao medio  sea
igual a cero y permite simplificar las ecuaciones de b y a.

Ahora podemos continuar con el clculo de la pendiente y la interseccin para

determinar la lnea de mejor ajuste. Como estamos utilizando la variable codificada
x, sustituimos X y  por  (minsculas) en las ecuaciones de a y b. Luego, como la
media de nuestra variable de tiempo codificada  es cero, podemos sustituir 0 por
 en las ecuaciones a y b. obteniendo:
b=

XY nXY
X nX

=

!"#$! "

=

!"#$&"

=

x (la variable codificada) sustituida en lugar de X y  en lugar de

! % #$! %



! % #$&%

Sustituida por 0




La ecuacin para a cambia de la siguiente manera:

 =  

 =  



 =  0



 = 

en lugar de

sustituida por

EJEMPLO 1. Consideremos los datos de la siguiente tabla, que ilustran el nmero

de naves cargadas entre 1985 y 1992; queremos encontrar la ecuacin que
describir la tendencia secular de las cargas.
X
(1)
1985
1986
1987
1988
1989
1990
1991
1992
X=15,908

Y
(2)
98
105
116
119
135
156
177
208
Y=1,114



15,908
 =
8
 = ,  



1,114
 =
8
 = +. -

 =

 =

 
(3)
1985-1988
1986-1988
1987-1988
1988-1988
1989-1988
1990-1988
1991-1988
1992-1988

X
(4)
=-3x2=-7
=-2x2=-5
=-1x2=-3
=- x2=-1
=
x2= 1
= 1x2= 3
= 2x2= 5
= 3x2= 7

xY
(4)x(2)
- 686
-525
-348
-119
135
468
885
1,456
xY=1,266

x
2
(4)
49
25
9
1
1
9
25
49
2
x =168

Con estos valores, podemos ahora trabajar con

las ecuaciones de a y b, y encontrar la
pendiente y la interseccin para la recta que
describe las tendencias en la carga de naves.
6

=

 1266
=
= 7.536

168

 =  = 139.25

As pues la ecuacin lineal general que describe la tendencia secular en la carga

de naves es:
 =  +  = 139.25 + 7.53
En la que:
 = nmero anual estimado de barcos cargados
x = valor de tiempo codificado que representa el numero de intervalos de
medio ao (el signo menos indica intervalos de medio ao anteriores a
1988 el signo ms indica intervalos de medio ao posteriores a 1988)
Ya que tenemos desarrollada la ecuacin de tendencia, podemos proyectarla para
predecir la variable en cuestin. Tomando el ejemplo anterior, la ecuacin de
tendencia secular apropiada es:
 = 139.25 + 7.53
Ahora, supongamos que deseamos estimar los cargamentos de embarcaciones
para 1993. Primero debemos convertir 1993 al valor de tiempo codificado (en
intervalos de medio ao)
X = 1993 1988 = 4.5 aos y multiplicamos por 2 ya que es anual 4.5(2) = 9
intervalos de medio ao.
Sustituimos este valor en la ecuacin correspondiente a la tendencia secular
obtenemos:
 = 139.25 + 7.53.9/ = 139.25 + 67.82 = 01 234567 53483967.
Hemos estimado que 207 barcos sern cargados en 1993. Si el nmero de
elementos de nuestra serie temporal hubiera sido impar, nuestro procedimiento
hubiera sido el mismo, excepto que hubiramos tenido que tratar con intervalos de
un ao, no con intervalos de medio ao como ocurri en este ejemplo.
Muchas de estas series de tiempo se describen mejor mediante curvas, no lneas
rectas. En estos casos, el modelo lineal no describe de manera adecuada el
cambio en la variable conforme avanza el tiempo. Es por ello que utilizamos una
curva parablica que es descrita matemticamente por una ecuacin de segundo
grado.
La forma general para una ecuacin de segundo grado estimada es:
7

 =  +  + :
Donde:
 = estimacin de la variable dependiente
a, b y c = constantes numricas
x = valores codificados de la variable temporal.

De nuevo volvemos a usar el mtodo de mnimos cuadrados para determinar la

ecuacin de segundo grado que describe el mejor ajuste.

Podemos determinar el valor de las constantes numricas (a, b y c) a partir de las

siguientes tres ecuaciones:
 =  + : 

  =   + : ;
=

!"
!%

Despus de encontrar los valores de a, b y c resolviendo las tres ecuaciones

anteriores de manera simultnea, sustituimos estos valores en la ecuacin de
segundo grado.

Al igual que la relacin lineal, transformamos la variable independiente, tiempo (X),

en una forma codificada (x) para simplificar los clculos. Veamos un problema en
el cual ajustamos una parbola a una serie de tiempo.

EJEMPLO 2. En los ltimos aos, la venta de relojes electrnicos de cuarzo ha

aumentado con una rapidez significativa. La tabla siguiente contiene informacin
acerca de las ventas de estos artculos.

X (ao)
Y (ventas unitarias en millones)

1988

1989

1990

1991

1992

13

24

39

65

106
8

En esta tabla organizamos los clculos necesarios. El primer paso es traducir la

variable independiente X a una variable de tiempo codificada x.

X
(1)
1988
1989
1990
1991
1992
X=9,950

Y
(2)
13
24
39
65
106
Y=247



9,950
 =
5
 = , 0

 
(3)
1988-1990
1989-1990
1990-1990
1991-1990
1992-1990

X
(4)
=-2
=-1
=0
=1
=2

xY
(4)x(2)
-26
-24
0
65
212
xY=227

x
2
(4)
4
1
0
1
4
2
x =10

x
4
(4)
16
1
0
1
16
34

xY
2
(4) x(2)
52
24
0
65
424
565

Notemos que la variable codificada x se encuentra en

intervalos de un ao, debido a que tenemos un nmero
impar de elementos en nuestra serie de tiempo, por lo que
no es necesario multiplicar la variable por dos.

 =

Sustituimos los valores de la tabla en las ecuaciones simultneas:

 =  + : 

247 = 5a + 10c

  =   + :  ;
565 = 10a + 34c

=

!"
!%

=

<

(1)
(2)
(3)

=&

De la ecuacin 3, nos damos cuenta que b = 22.7

Ahora debemos encontrar a y c resolviendo las ecuaciones (1) y (2) de forma

simultnea. As
1. Multiplicamos la ecuacin (1) por dos y restamos la ecuacin (2) de la
ecuacin (1)
(1)x2:

494 = 10a + 20c

-(2):

-565 = -10a - 34c

(4):

- 71 =

- 14c

De la ecuacin 4, por despeje, rpidamente encontramos el valor de c:

-14c = -71
#<=

5 = #=; = -. 01
9

Sustituimos el valor de c en la ecuacin (1) y despejamos a:

247 = 5a + 10c
247 = 5a+ 10(5.07)
247 = 5a + 50.7
196.3 = 5a
a = 39.3

Ya tenemos los valores de a, b y c, ahora podemos describir la serie de tiempo

con la ecuacin de segundo grado estimada.
 =  +  + :
= 39.3 +22.7x + 5.07x2

Supongamos que queremos predecir las ventas de relojes para 1997. Para hacer
una prediccin, debemos primero transformar 1997 en una variable codificada x;
restndole el ao medio, 1990:

Este valor codificado (x=7) se sustituye entonces en la ecuacin de segundo grado

que describe la venta de relojes:
 =  +  + :
= 39.3 + 22.7x + 5.07x2
= 39.3 + 22.7(7) + 5.07(7)2
= 39.3 + 158.9 + 248.4
= 446.6

Basados en la tendencia secular calculada, llegamos a la conclusin de que las

ventas de relojes deber ser de aproximadamente 446600,000 unidades en 1997.
Esta prediccin extraordinariamente grande, sugiere que debemos ser ms
cuidadosos cuando hacemos predicciones con una curva parablica, que cuando
trabajamos con una tendencia lineal.
10

Representemos grficamente los datos correspondientes a los relojes

120
100
80
60
40
20
0
1987 1988 1989 1990 1991 1992 1993

La pendiente de la ecuacin de segundo grado en esta figura se incrementa

continuamente. En consecuencia la curva parablica puede volverse un estimador
pobre cuando intentamos predecir a un mayor plazo.

En este ejemplo de los relojes, podemos suponer que durante el periodo en

consideracin, el producto se encuentra en una etapa de crecimiento muy rpido
de su ciclo de vida. Pero debemos darnos cuenta de que a medida que el ciclo
alcanza una etapa de madurez, el crecimiento de las ventas puede disminuir y ya
no ser descrito con precisin por nuestra curva parablica. Por consiguiente, es
necesario poner una atencin especial cuando se utiliza una ecuacin de segundo
grado como herramienta de prediccin.

5.3

ANLISIS DE FLUCTUACIONES

La fluctuacin cclica es la componente de una serie de tiempo que tiende a oscilar

por encima y por debajo de la lnea de tendencia secular en periodos mayores a
un ao. El procedimiento utilizado para identificar la fluctuacin cclica es el
mtodo de residuos.

MTODO DE RESIDUOS
Cuando observamos una serie de tiempo consistente en datos anuales, solamente
se toman en cuenta las componentes de tendencia secular, cclica e irregular.
Si utilizamos una serie temporal compuesta por datos anuales, podemos encontrar
la fraccin de la tendencia al dividir el valor real (Y) entre el correspondiente valor
11

de tendencia () para cada valor de la serie temporal. Luego multiplicamos el

resultado de este clculo por 100. Lo cual nos da la medida de la variacin cclica
como un porcentaje de tendencia. Ese proceso se representa con la siguiente
ecuacin:
>?@:ABCA DA BADA:E =


.100/


En la que:
Y = valor real de la serie temporal
 = valor de tendencia estimado a partir del mismo punto de la serie
de tiempo.

Apliquemos ahora este procedimiento

EJEMPLO 3. La cooperativa de comercializacin de unos granjeros desea medir

las variaciones en las cosechas de trigo de sus socios durante un periodo de ocho
aos. En la siguiente tabla se muestra el volumen de cereal cosechado en cada
uno de los ocho aos. La columna Y contiene los valores de la tendencia lineal
para cada periodo. La lnea de tendencia fue generada utilizando el mtodo de
mnimos cuadrados visto en la seccin anterior. Con esta informacin vamos a
determinar el porcentaje de tendencia para cada uno de los aos de la muestra
(columna 4).
 toneladas
estimadas
(3)

Porcentaje de
tendencia

(1)

Y toneladas
reales
(2)

1985
1986
1987
1988
1989
1990
1991
1992

7.5
7.8
8.2
8.2
8.4
8.5
8.7
9.1

7.6
7.8
8.0
8.2
8.4
8.6
8.8
9.0

98.7
100.0
102.5
100.0
100.0
98.8
98.9
101.1

X ao

. /

(4)=.F/ .100/

En la columna 4 podemos ver las variaciones de las cosechas reales alrededor de

la tendencia estimada (98.7 a 102.5), podemos atribuir estas variaciones a
factores como lluvias y cambios de temperatura. Sin embargo debido a que estos
12

factores son relativamente impredecibles, no podemos determinar ningn patrn

especfico futuro de variacin mediante el mtodo de residuos.
El residuo cclico relativo es otra medida de la fluctuacin cclica. En este mtodo,
para cada valor se encuentra el porcentaje de variacin de la tendencia.
La forma fcil de calcular el residuo cclico relativo consiste en restar 100 del
porcentaje de tendencia (columna 4).
 toneladas
estimadas
(3)

Porcentaje de
tendencia

(1)

Y toneladas
reales
(2)

1985
1986
1987
1988
1989
1990
1991
1992

7.5
7.8
8.2
8.2
8.4
8.5
8.7
9.1

7.6
7.8
8.0
8.2
8.4
8.6
8.8
9.0

98.7
100.0
102.5
100.0
100.0
98.8
98.9
101.1

X ao

. /

(4)=.F/ .100/

Residuo cclico
relativo
(5)=(4)-100
-1.3
0.0
2.5
0.0
0.0
-1.2
-1.1
1.1

El porcentaje de tendencia y el residuo cclico relativo son dos medidas de

fluctuacin y ambas son porcentajes de la tendencia. Por ejemplo, en 1990 el
porcentaje de tendencia indicaba que la cosecha real fue de 98.8% de la cosecha
esperada para ese ao. Para ese mismo ao, el residuo cclico relativo indic que
la cosecha real estaba 1.2% por debajo de la cosecha esperada.

A menudo representamos grficamente la fluctuacin cclica como el porcentaje

de tendencia de la siguiente manera:

Porcentaje de tendencia

103
102.5
102
101.5
101
100.5
100
99.5
99
98.5
1984

1986

1988 1990
Tiempo

1992

1994

13

Debemos poner nfasis en que los procedimientos analizados en esta seccin

pueden utilizarse solamente para describir variaciones cclicas pasadas y no para
predecir variaciones cclicas.
Aunque la variacin temporal en un ciclo recurrente de los datos pasados,
debemos recordar el hecho de que este tipo de variacin describe patrones que se
presentan dentro de un ao, pero la fluctuacin cclica significa un patrn en una
serie temporal que abarca periodos mayores de un ao.

5.4

ANLISIS Y MEDICIN DE VARIACIONES TEMPORAL O

ESTACIONAL, APLICACIN DE AJUSTES ESTACIONALES.

Adems de la tendencia secular y la fluctuacin cclica, una serie de tiempo

tambin incluye la variacin temporal o estacional. Este tipo de variacin se define
como un movimiento repetitivo y predecible alrededor de la lnea de tendencia que
se da en un ao o en menos. Con el fin de detectar la variacin temporal, los
intervalos de tiempo necesitan ser medidos en unidades pequeas, como das,
semanas, meses o trimestres.

Con el fin de medir la variacin temporal, normalmente usamos el mtodo de

razn de promedio mvil. Esta tcnica proporciona un ndice que describe el grado
de variacin estacional. El ndice est basado en un media de 100, con el grado
de estacionalidad medido por las variaciones con respecto a la base. Por ejemplo,
si examinamos la estacionalidad de la renta de canoas en un hotel de veraneo,
podramos encontrar que el ndice correspondiente al trimestre de primavera es
142. El valor 142 indica que 142% de las rentas trimestrales promedio se da en la
primavera. Si la administracin registr 2,000 rentas de canoas durante todo el
ao anterior, entonces la renta promedio por trimestre ser de 2000/4=500. Como
el ndice del trimestre de primavera es 142, estimamos el nmero de alquileres de
canoas de la forma siguiente:
ndice del trimestre de primavera
Renta promedio del
trimestre

500 G

=;

H = 710

=&&

Renta estacionalizada del

trimestre de primavera

Desarrollaremos un ejemplo completo para comprender como calcular este tipo de

variacin.
14

EJEMPLO 4. La administracin de un albergue para esquiadores tiene los

siguientes acerca de la ocupacin trimestral correspondientes a un periodo de
cinco aos.
Ao
1988
1989
1990
1991
1992

1er trimestre
1,861
1,921
1,834
1,837
2,073

2 trimestre
2,203
2,343
2,154
2,025
2,414

3er trimestre
2,415
2,514
2,098
2,304
2,339

4 trimestre
1,908
1,986
1,799
1,965
1,967

Para mejorar su servicio la administracin debe establecer un patrn por

temporadas de la demanda de habitaciones.
SOLUCION: La administracin del hotel quiere mejorar el servicio al cliente y, para
lograr su propsito, est considerando varios planes de empleo de personal
durante los periodos de ms afluencia. En la tabla anterior vemos la ocupacin por
trimestre, es decir, el nmero promedio de huspedes durante cada trimestre de
los ltimos cinco aos.
Deberemos calcular el ndice temporal, mismo que se realiza por medio de seis
pasos.
1. Clculo del total mvil de los cuatro trimestres para la serie de tiempo:
calculamos el total de los valores para los trimestres durante el primer ao, 1988.
As: 1,861 + 2,203 + 2,415 + 1,908 = 8,387.
Como nuestro primer total de 8,387 fue calculado a partir de cuatro puntos de
dato, lo colocamos frente al punto medio de tales trimestres (columna adyacente),
entre los renglones correspondientes a los trimestres 1988-II y 1988-III.
Luego, encontramos el siguiente total mvil eliminando el valor correspondiente a
1988-I, 1,861, y agregando el correspondiente a 1989-I, 1921. Al eliminar el primer
valor y agregar el quinto, nos quedamos con cuatro trimestres en total.
Los cuatro valores sumados dan ahora 2,203 + 2,415 + 1908 + 1921 = 8,447. Este
total se coloca en la tabla en la columna 4, debajo del primer total trimestral, 8,347.
Continuamos con este mismo procedimiento de deslizar el total de cuatro
trimestres por la serie temporal hasta que hayamos incluido el ltimo valor de la
serie.
15

Ao
(1)
1988

1989

1990

1991

1992

Trimestre
(2)
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV

Ocupacin
(3)
1,861
2,203
2,415
1,908
1,921
2,343
2,514
1,986
1,834
2,154
2,098
1,799
1,837
2,025
2,304
1,965
2,073
2,414
2,339
1.967

Paso 1:
Total mvil
de 4
trimestres
(4)
8,387
8,447
8,587
8,686
8,764
8,677
8,488
8,072
7,885
7,888
7,759
7,965
8,131
8,367
8,756
8,791
8,793

2. Calcular el promedio mvil de cuatro trimestres, dividiendo cada uno de los

totales de cuatro trimestres entre cuatro.

Ao
(1)
1988

1989

1990

1991

1992

Trimestre
(2)
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV

Ocupacin
(3)
1,861
2,203
2,415
1,908
1,921
2,343
2,514
1,986
1,834
2,154
2,098
1,799
1,837
2,025
2,304
1,965
2,073
2,414
2,339
1.967

Paso 1: Total
mvil de 4
trimestres
(4)

Paso 2:
promedio
mvil de 4
trimestres
(5)=(4)/4

8,387
8,447

2,096.75
2,111.75

8,587
8,686
8,764
8,677
8,488
8,072
7,885
7,888
7,759
7,965
8,131
8,367
8,756
8,791
8,793

2,146.75
2,171.50
2,191.00
2,169.25
2,122.00
2,018.00
1,971.25
1,972.00
1,939.75
1991.25
2.032.75
2,091.75
2,189.00
2,197.75
2,198.25

16

3. Centrar el promedio mvil de cuatro trimestres. Los promedios mviles de la

columna (5) caen a la mitad de los trimestres. Con el fin de centrar nuestros
promedios mviles, asociamos a cada trimestre el promedio de los dos promedios
mviles de cuatro trimestres que caen justo por arriba y por debajo de ste.
Para el trimestre 1988-III, el promedio mvil centrado de cuatro trimestres seria
2,104.25, es decir (2,096.75 + 2,111.75)/2. Las otras entradas de la columna (6)
se calculan de la misma forma.

Ao
(1)
1988

1989

1990

1991

1992

Trimestre
(2)
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV

Ocupacin
(3)
1,861
2,203
2,415
1,908
1,921
2,343
2,514
1,986
1,834
2,154
2,098
1,799
1,837
2,025
2,304
1,965
2,073
2,414
2,339
1.967

Paso 1: Total
mvil de 4
trimestres
(4)

Paso 2:
promedio
mvil de 4
trimestres
(5)=(4)/4

8,387
8,447

2,096.75
2,111.75

8,587
8,686
8,764
8,677
8,488
8,072
7,885
7,888
7,759
7,965
8,131
8,367
8,756
8,791
8,793

2,146.75
2,171.50
2,191.00
2,169.25
2,122.00
2,018.00
1,971.25
1,972.00
1,939.75
1991.25
2.032.75
2,091.75
2,189.00
2,197.75
2,198.25

Paso 3:
Promedio
mvil
centrado de
4 trimestres
(6)

2,104.25
2,129.25
2,159.125
2,181.25
2,180.125
2,145.625
2,070.000
1,994.625
1,971.625
1,955.875
1,965.500
2,012.000
2,062.250
2,140.375
2,193.375
2,198.000

4. Calcular el porcentaje del valor real con respecto al valor de promedio

mvil para cada trimestre de la serie de tiempo que tenga una entrada de
promedio temporal de cuatro trimestres.
Determinamos este porcentaje dividiendo cada uno de los valores trimestrales
reales de la columna (3), entre los valores correspondientes del promedio mvil
centrado de cuatro trimestres que se encuentran en la columna (6), y luego
multiplicamos el resultado por 100.
Por ejemplo encontramos que el porcentaje correspondiente a 1988-III es:
IAJ
2,415
.100/ =
.100/ = N. 
>@?KADE? KMEJ
2,104.25
17

Ao
(1)

Trimestre
(2)

Ocupacin
(3)

1988

I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV

1,861
2,203
2,415
1,908
1,921
2,343
2,514
1,986
1,834
2,154
2,098
1,799
1,837
2,025
2,304
1,965
2,073
2,414
2,339
1.967

1989

1990

1991

1992

Paso 1: Total
mvil de 4
trimestres
(4)

Paso 2:
promedio
mvil de 4
trimestres
(5)=(4)/4

8,387
8,447

2,096.75
2,111.75

8,587
8,686
8,764
8,677
8,488
8,072
7,885
7,888
7,759
7,965
8,131
8,367
8,756
8,791
8,793

2,146.75
2,171.50
2,191.00
2,169.25
2,122.00
2,018.00
1,971.25
1,972.00
1,939.75
1991.25
2.032.75
2,091.75
2,189.00
2,197.75
2,198.25

Paso 3:
Promedio
mvil centrado
de 4 trimestres
(6)

Paso 4:
Porcentaje de
valores reales
con respecto
al promedio
de valores
mviles
(7)=(3)/(6)x100

2,104.25
2,129.25
2,159.125
2,181.25
2,180.125
2,145.625
2,070.000
1,994.625
1,971.625
1,955.875
1,965.500
2,012.000
2,062.250
2,140.375
2,193.375
2,198.000

114.8
89.6
89.0
107.4
115.3
92.6
88.6
108.0
106.4
92.0
93.5
100.6
111.7
91.8
94.5
109.8

5. Calcular la media modificada para cada trimestre; para ello se descartan los
valores ms alto y ms bajo de cada trimestre y se promedian los valores
restantes. De esta manera:

Ao
1988
1989
1990
1991
1992

Media modificada:
Trimestre I:

Trimestre I
89.0
88.6
93.5
94.5
182.5
=O .P

Trimestre II:

= 91.25

=P.;

Trimestre III:
Trimestre IV:

= 107.70

Q.P

=OF.O

Trimestre II
107.4
108.0
100.6
109.8
215.4

= 113.25
= 91.90

Trimestre III
114.8
115.3
106.4
111.7
226.5

Trimestre IV
89.6
92.6
92.0
91.8
183.8

Las variaciones cclica e irregular tienden

a ser eliminadas mediante este proceso,
de modo que la media modificada es un
ndice de la componente estacional.

Total de ndices = 404.10

18

6. Ajustar la media modificada. Notemos que los cuatro ndices de la tabla

anterior dan un total de 404.1. Sin embargo, la base de un ndice es 100. Por
consiguiente, los cuatro ndices trimestrales deben dar un total de 400 y su media
debe ser de 100. Para corregir este error, multiplicamos cada uno de los ndices
trimestrales de dicha tabla por una constante de ajuste. Esta constante se obtiene
dividiendo la suma deseada de los ndices (400) entre la suma total real (404.1).
En este caso, el resultado es 0.9899. En la siguiente tabla veremos que
multiplicando los ndices por la constante de ajuste hace que stos den un total de
400, (en algunas ocasiones incluso despus de haber hecho este ajuste, la media
de los ndices estacionales temporales no es exactamente 100, debido a los
errores de redondeo acumulados. En este caso, la media es exactamente 100).

Trimestre
I
II
III
IV

5.5

ndices
Constante
desajustados
x
de ajuste
91.25
x
0.9899
107.70
x
0.9899
113.25
x
0.9899
91.90
x
0.9899
Total de ndices temporales
Media de los ndices temporales

=
=
=
=
=
=
=

ndice temporal
90.3
106.6
112.1
91.0
400.00
400/4=100

PRONSTICOS BASADOS EN FACTORES DE TENDENCIA Y

ESTACIONALES.

En esta seccin veremos tres mtodos de pronsticos: promedios mviles,

promedios mviles ponderados y suavizamiento exponencial. Dichos mtodos
tienen por objeto suavizar las fluctuaciones aleatorias ocasionadas por el
componente irregular de la serie de tiempo.
Los mtodos de suavizamiento son fciles de utilizar y, por lo general, se obtiene
una buena exactitud en pronsticos a corto plazo.
El suavizamiento exponencial tiene requerimientos mnimos de datos por lo que es
un mtodo adecuado cuando se requiere de pronsticos para un gran nmero de
artculos.
PROMEDIOS MOVILES
En este mtodo, para pronosticar el periodo siguiente se emplea el promedio de
los valores de los n datos ms recientes de la serie de tiempo. El clculo de un
promedio mvil se hace como sigue:
>@?KADE? KMEJ =

.DA J?R  DB?R KR @A:EABAR/


19

El trmino mvil se usa porque cada vez que en la serie de tiempo hay una nueva
observacin, sta sustituye a la observacin ms antigua que se emplee en la
ecuacin anterior y se calcula un nuevo promedio. De esta manera, el promedio se
modifica, o se mueve, cada vez que se tiene una nueva observacin.
Consideremos la siguiente serie de tiempo de las ventas de gasolina para ilustrar
el mtodo de los promedios mviles.
Semana
1
2
3
4
5
6
7
8
9
10
11
12

Ventas (miles de galones)

17
21
19
23
18
16
20
18
22
20
15
22

Para emplear este mtodo en el pronstico de las ventas de gasolina, primero hay
que decidir cuntos valores se usarn para calcular los promedios mviles. Aqu
por ejemplo, se calcularan promedios mviles de tres semanas. El promedio mvil
de las ventas de gasolina correspondiente a las tres primeras semanas es:
>@?KADE? KMEJ .RAKR 1 3/ =

17 + 21 + 19
= 19
3

Este promedio mvil se usa como pronstico para la semana 4.

En un pronstico el error es la diferencia entre el valor observado en la serie de
tiempo y el valor obtenido como pronstico.
El siguiente promedio mvil de tres semanas es:
>@?KADE? KMEJ .RAKR 2 4/ =

21 + 19 + 23
= 21
3

A continuacin se presenta un resumen de los clculos de los promedios mviles

de tres semanas.

Semana
1
2
3
4
5

Valores de la
serie de tiempo
17
21
19
23
18

Pronstico con
el promedio
mvil

Error de
pronstico

Error de
pronstico al
cuadrado

19
21

4
-3

16
9

20

6
7
8
9
10
11
12

16
20
18
22
20
15
22

20
19
18
18
20
20
19
Totales

-4
1
0
4
0
-5
3
0

16
1
0
16
0
25
9
92

Como podemos ver, el pronstico para la semana 5 es 21. El error

correspondiente a este pronstico es 18 21 = - 3. El error de pronstico puede
ser positivo o negativo segn si el pronstico es muy bajo o muy alto.
Al elegir el mtodo de pronstico es importante considerar la exactitud del mtodo.
Es claro que deseamos que el error de pronstico sea pequeo. En las dos
ltimas columnas de la tabla anterior se encuentran los errores de pronstico y los
cuadrados de los errores de pronstico, los cuales sirven para obtener una medida
de la exactitud del pronstico. Retomando el ejemplo de la gasolina, usaremos la
ltima columna de la tabla para calcular el promedio de la suma de los cuadrados
de los errores.
>@?KADE? DA J RTK DA J?R A@@?@AR J :TD@D? =

92
= 0. 
9

Al promedio de la suma de los errores al cuadrado se le conoce como cuadrado

medio debido al error (CME) y suele usarse como medida de la exactitud del
mtodo de pronstico.
Como ya se dijo, para usar el mtodo de los promedios mviles, hay que decidir,
primero, cuantos datos se emplearan para calcular los promedios mviles.

PROMEDIOS MOVILES PONDERADOS

En el mtodo de promedios mviles, a todos los datos que se emplean en el
clculo se les da el mismo peso. En una variacin conocida como promedios
mviles ponderados, a cada uno de los valores de los datos se le da un peso
diferente, se calcula el promedio ponderado de los valores de los n datos ms
recientes para obtener el pronstico. En la mayora de las veces, a la observacin
ms reciente se le da el mayor peso y los pesos disminuyen conforme los datos
son ms antiguos. Por ejemplo, con los datos de las ventas de gasolina se calcula
un promedio mvil ponderado de tres semanas: a la observacin ms reciente se
le da un peso que sea el triple del que se le d a la observacin ms antigua y a la
observacin intermedia un peso que sea el doble del de la observacin ms
antigua. Como promedio de la semana 4 tenemos:
>@?RBE:? U@ J RAK 4 = 16 .17/ + 26 .21/ + 36 .19/ = . ++
21

Observemos que en un promedio mvil ponderado, la suma de los pesos es igual

a 1. En realidad, la suma de los pesos en el promedio mvil simple tambin fue
igual a 1: cada peso fue de 1/3. Sin embargo, recordemos que con el promedio
mvil simple o no ponderado el pronstico fue 19.
Para usar el mtodo de promedios mviles ponderados primero se debe
establecer el nmero de datos a usar para calcular los promedios mviles
ponderados y despus elegir los pesos para cada uno de los datos.
Si creemos que el pasado reciente es mejor predictor del futuro que el pasado
distante habr que dar pesos mayores a las observaciones ms recientes.
Debemos notar que el nico requerimiento es que la suma de los pesos sea igual
a 1.
SUAVIZAMIENTO EXPONENCIAL
El suavizamiento exponencial es un caso especial del mtodo de promedios
ponderados mviles. El modelo de suavizamiento exponencial bsico es:
WXY= = ZX + .1 Z/WX
Donde:
WXY= = pronstico para el periodo t+1 de la serie de tiempo.
X = valor real en el periodo t de la serie de tiempo.

WX = pronstico para el periodo t de la serie de tiempo.

Z= constante de suavizamiento (0 1)

De esta ecuacin podemos observar que el peso dado al valor real del periodo t es
Z y el peso dado al valor pronosticado para el periodo t es 1- Z. Para empezar, sea
W= igual al valor real de la serie de tiempo en el periodo 1; es decir W= = = , por
tanto, el pronstico para el periodo 2 es
W = Z= + .1 Z/W=
W = ZX + .1 Z/=
W = =

De tal manera que el pronstico obtenido mediante suavizamiento exponencial

para el periodo 2 es igual al valor real de la serie de tiempo para el periodo 1.
El pronstico para el periodo 3 es:
WF = Z + .1 Z/W = Z + .1 Z/=
Y as sucesivamente.
22

Una vez elegida la constante de suavizamiento Z, slo se necesitan conocer el

valor real (X / y el valor pronosticado (WX / de la serie de tiempo para calcular el
pronstico en el periodo B.
Para ilustrar el uso de este mtodo para obtener pronsticos, consideremos
nuevamente la serie de tiempo de los precios de la gasolina.
Semana
1
2
3
4
5
6
7
8
9
10
11
12

Valores de la
serie de tiempo
17
21
19
23
18
16
20
18
22
20
15
22

Como ya se mencion, el pronstico obtenido mediante suavizamiento

exponencial para el periodo 2 es igual al valor real en la serie de tiempo para el
periodo 1. Por tanto, como = = 17, para empezar los clculos del suavizamiento
exponencial se hace W = 17. Regresando a los datos de la tabla anterior,
encontramos que el valor real para el periodo 2 es  = 21. El error de pronstico
del periodo 2 es 21-17 =4.
Al continuar con los clculos del suavizamiento exponencial, con Z = 0.2 como
constante de suavizamiento, obtenemos el pronstico siguiente para el periodo 3.
WF = Z + .1 Z/W = Z + .1 Z/=
WF = 0.2 + .1 0.2/W = 0.2.21/ + 0.8.17/ = 1. 

Ahora tomando el valor real del periodo 3 de la serie de tiempo, F = 19, podremos
generar el pronstico para el periodo cuatro.
W; = 0.2F + .1 0.2/WF = 0.2.19/ + 0.8.17.8/ = . 0N
Si continuamos de esta manera con los clculos para el suavizamiento
exponencial determinaremos los pronsticos semanales y los errores semanales
de pronstico como vemos en la tabla siguiente. Observemos que para el periodo
1 no se da ningn pronstico obtenido mediante suavizamiento exponencial ni
tampoco ningn error de pronstico, ya que no se obtuvo ningn pronstico.
23

Semana
1
2
3
4
5
6
7
8
9
10
11
12

Valores de la
serie de tiempo
17
21
19
23
18
16
20
18
22
20
15
22

Pronstico con
suavizamiento
(WX /

Error de
pronstico
(X WX /

17.00
17.80
18.04
19.03
18.83
18.26
18.61
18.49
19.19
19.35
18.48

4.00
1.20
4.96
-1.03
-2.83
1.74
-0.61
3.51
0.81
-4.35
3.52

Como podemos ver, para la semana 12 se tiene = = 22 y W=  18.48. Se

puede emplear esta informacin para generar un pronstico para la semana 13
antes de que se conozca el valor real de la semana 13?, con el modelo de
suavizamiento exponencial, tenemos
W=F  0.2=  .1
0.2/W=  0.2.22/  0.8.18.48/  . 
Por lo tanto, el pronstico obtenido mediante suavizamiento exponencial para la
semana 13 es 19.18 o 19,180 galones de gasolina. Este pronstico le ser til a la
empresa para la planeacin y para la toma de decisiones. La exactitud de este
pronstico no se conocer sino hasta el final de la semana 13.
En la siguiente figura se ve una grfica con los valores reales y pronosticados de
la serie de tiempo. Notemos, en especial, cmo los pronsticos suavizan la
irregularidad de las fluctuaciones de la serie de tiempo.
Serie de tiempo real

25
20
15
Serie de tiempo pronosticada con = 0.2

10
5
0
1

9 10 11 12 13

Para determinar el pronstico general de la serie de tiempo debemos calcular el

Cuadrado medio debido al error, de la misma forma que lo hicimos en el mtodo
de promedio mvil, es decir, elevamos al cuadrado cada uno de los errores de
pronstico, posteriormente, realizamos la sumatoria de los valores del error de
24

pronstico al cuadrado y lo dividimos entre el nmero de semanas exceptuando la

primera; esto ltimo es debido a que no contamos con un valor anterior para
obtener un pronstico para el periodo 1. En la siguiente tabla se muestran los
resultados del procedimiento recin descrito.

Semana
1
2
3
4
5
6
7
8
9
10
11
12

Valores de la
serie de tiempo
17
21
19
23
18
16
20
18
22
20
15
22

Pronstico con
suavizamiento
(WX /

Error de
pronstico
(X WX /

Error del
pronstico al
cuadrado

17.00
17.80
18.04
19.03
18.83
18.26
18.61
18.49
19.19
19.35
18.48

4.00
1.20
4.96
-1.03
-2.83
1.74
-0.61
3.51
0.81
-4.35
3.52

16.00
1.44
24.6
1.06
8.01
3.03
.37
12.32
0.66
18.92
12.39
98.80

Total

Cuadrado medio debido al error [\] =

^O.O&
==

= . 

Si comparamos el CME obtenido por el mtodo de promedios mviles (10.22),

contra el CME por medio de suavizamiento exponencial (8,98), podemos ver que
este ltimo mtodo nos brinda un mejor pronstico para el futuro que el de
promedios mviles.

5.6

PROBLEMA QUE IMPLICA A LAS CUATRO COMPONENTES

DE UNA SERIE DE TIEMPO.

Antes de entrar de lleno a desarrollar un problema que implica las cuatro

componentes, es necesario considerar un trmino que se usa constantemente en
este tipo de problemas; nos referimos a la desestacionalizacin.
El mtodo de promedio mvil, visto anteriormente, nos permite identificar la
variacin estacional de una serie de tiempo. Los ndices temporales o estacionales
se utilizan para eliminar de una serie de tiempo los efectos de la estacionalidad. A
este proceso se le denomina desestacionalizacin o destemporizacin de una
serie de tiempo.

25

Antes de que podamos identificar la componente de tendencia o la cclica de una

serie de tiempo debemos eliminar la variacin estacional.
Para desestacionalizar una serie de tiempo, dividimos cada uno de los valores
reales de la serie entre el correspondiente ndice temporal (expresado como
fraccin de 100).
Para describir el procedimiento, tomaremos nuevamente el ejemplo 4 pgina 15 y
procederemos a desestacionalizar el valor de los primeros cuatro trimestres de la
siguiente tabla.
Ao
1988
1989
1990
1991
1992

1er trimestre
1,861
1,921
1,834
1,837
2,073

2 trimestre
2,203
2,343
2,154
2,025
2,414

3er trimestre
2,415
2,514
2,098
2,304
2,339

4 trimestre
1,908
1,986
1,799
1,965
1,967

PROCEDIMIENTO PARA DESESTACIONALIZAR DATOS:

Ao
(1)

Trimestre
(2)

Ocupacin real (3)

1988

1,861

1988

II

2,203

1988

III

2,415

1988

IV

1,908

.DE:A BAKU?@J/
a
100
(4)
90.3
_
a
100
106.60
_
a
100
112.1
_
a
100
91.0
_
a
100

Ocupacin
desestacionalizada
(5)=(3)/(4)
=
2,061
=

2,067

2,154

2,097

Los valores desestacionalizados que quedan solamente reflejan las componentes

de tendencia, cclica e irregular de la serie de tiempo.
Una vez que hemos eliminado la variacin temporal, podemos calcular una lnea
de tendencia desestacionalizada, que luego podemos proyectar hacia el futuro.
Supongamos que la administracin del hotel de nuestro ejemplo estima, a partir de
una lnea de tendencia desestacionalizada, que la ocupacin promedio
desestacionalizada para el cuarto trimestre del ao siguiente ser de 2,121. Ya
que tiene esta prediccin, entonces la administracin debe tomar en consideracin
el efecto de las estaciones. Para llevarlo a cabo, se multiplica la ocupacin

26

promedio desestacionalizada predicha, 2,121, por el ndice temporal

correspondiente al cuarto trimestre (expresado como fraccin de 100) para
obtener una fraccin estacionalizada de 1,930 cuartos alquilados en promedio
para el cuarto trimestre:
ndice temporal para el cuarto trimestre

Valor desestacionalizado estimado de

la lnea de tendencia

2,121 _

91.0
a = 1,930
100

Estimacin estacionalizada de
ocupacin en el cuarto trimestre

El ajuste de datos trimestrales o mensuales nos ayuda a detectar una tendencia

secular subyacente.
La ltima componente de una serie de tiempo es la variacin irregular. Despus de
que hemos eliminado las variaciones de tendencia, cclica y estacional de una
serie de tiempo, todava nos queda un factor impredecible. Tpicamente, la
variacin irregular se presenta en intervalos cortos y sigue un patrn aleatorio.
Debido a lo impredecible de la variacin irregular, no tenemos la intencin de tratar
de describirla de manera matemtica.
Al presentar los datos de una serie temporal, los administradores no intentan
ajustar una lnea para explicar la variacin irregular. Sin embargo a menudo se le
hace notar con un comentario en la grfica (algo como: Mercado cerrado por da
festivo) o como una nota al pie de pgina en una tabla (por ejemplo: la baja
primaveral cay en marzo el ao pasado y en abril este ao).
Para tratar un problema que implique las cuatro componentes de una serie de
tiempo, volvemos nuestra atencin hacia una compaa que se especializa en la
produccin de equipo para recreacin. Para predecir las ventas, basndose en sus
patrones de ventas pasadas, la compaa ha recolectado la informacin que
presentaremos en la tabla siguiente:
Tabla 1
Ao
1988
1989
1990
1991
1992

Ventas por trimestre (en $10,000)

I
16
15
17
17
18

II
21
20
24
25
26

II
9
10
13
11
14

IV
18
18
22
21
25

El procedimiento para describir esta serie temporal consistir en tres etapas:

27

la

1. Desestacionalizacin de la serie de tiempo.

2. Desarrollo de la lnea de tendencia.
3. Bsqueda de la variacin cclica alrededor de la lnea de tendencia.
Como los datos estn disponibles por trimestre, como primer paso debemos
desestacionalizar la serie de tiempo. Los pasos para hacer esto son los mismos
que vimos en la seccin 5.3 de este material didctico.
Tabla 2 Clculo de los 4 primeros pasos para obtener el ndice temporal

Ao
(1)

Trimestre
(2)

Ventas
reales
(3)

1988

I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV

16
21
9
18
15
20
10
18
17
24
13
22
17
25
11
21
18
26
14
25

1989

1990

1991

1992

Paso 1: Total
mvil de 4
trimestres
(4)

Paso 2:
promedio mvil
de 4 trimestres
(5)=(4)/4

64
63

16.00
15.75

62
63
63
65
69
72
76
76
77
75
74
75
76
79
83

15.50
15.75
15.75
16.25
17.25
18.00
19.00
19.00
19.25
18.75
18.50
18.75
19.00
19.75
20.75

Paso 3:
Promedio mvil
centrado de 4
trimestres
(6)

Paso 4:
Porcentaje de valores reales
con respecto al promedio de
valores mviles
(7)=(3)/(6)x100

15.825
15.625
15.625
15.750
16.000
16.750
17.625
18.500
19.000
19.125
19.000
18.625
18.625
18.875
19.375
20.250

56.7
115.2
96.0
127.0
62.5
107.5
96.5
129.7
68.4
115.0
89.5
134.2
59.1
111.3
92.9
128.4

En esta tabla tenemos los primeros cuatro pasos para el clculo del ndice
temporal. En la siguiente tabla completamos el proceso.
PASO 5
Ao
1988
1989
1990
1991
1992

Trimestre I
96.0
96.5
89.5
92.9
188.9

Trimestre II
127.0
129.7
134.2
128.4
258.1

Trimestre III
56.7
62.5
68.4
59.1
121.6

Trimestre IV
115.2
107.5
115.0
111.3
226.3

28

Media modificada:
Trimestre I:

=OO.^

Trimestre II:

= 94.45

PO.=

Trimestre III:
Trimestre IV:

= 129.05

= =.Q

Q.F

= 60.80

= 113.15

Las variaciones cclica e irregular tienden

a ser eliminadas mediante este proceso,
de modo que la media modificada es un
ndice de la componente estacional.

Total de ndices = 397.45

PASO 6
N00

Factor de ajuste = +1.N- = . 00cN

Trimestre
I
II
III
IV

ndices
Constante
desajustados
x
de ajuste
94.45
x
1.0064
129.05
x
1.0064
60.80
x
1.0064
113.15
x
1.0064
Total de ndices temporales

=
=
=
=
=
=

ndice temporal
95.1
129.9
61.2
113.9
400.1

Una vez que hemos calculado los ndices temporales trimestrales, podemos
encontrar los valores desestacionalizados de la serie de tiempo dividiendo las
ventas reales (tabla 1) entre los ndices temporales.
En la tabla 3 que veremos posteriormente, tenemos el clculo de los valores
desestacionalizados de la serie temporal.
El segundo paso en la descripcin de las componentes de la serie de tiempo
consiste en desarrollar la lnea de tendencia. Haremos esto aplicando el mtodo
de mnimos cuadrados, a la serie de tiempo desestacionalizada; en la tabla 4 se
presentan los clculos necesarios para identificar la componente de tendencia.

29

TABLA 3 Clculo de los valores desestacionalizados de la serie de tiempo.

Ao
(1)

Trimestre
(2)

Ventas
reales
(3)

1988

I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV

16
21
9
18
15
20
10
18
17
24
13
22
17
25
11
21
18
26
14
25

1989

1990

1991

1992

ndice
temporal
100
(4)

Ventas
desestacionalizadas
(5)=(3)/(4)

0.951
1.299
0.612
1.139
0.951
1.299
0.612
1.139
0.951
1.299
0.612
1.139
0.951
1.299
0.612
1.139
0.951
1.299
0.612
1.139

16.8
16.2
14.7
15.8
15.8
15.4
16.3
15.8
17.9
18.5
21.2
19.3
17.9
19.2
18.0
18.4
18.9
20.0
22.9
21.9

TABLA 4 Identificacin de la componente de tendencia.

Ao
(1)

Trimestre
(2)

1988

I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV

1989

1990

1991

1992

Ventas
desestacionalizadas
(columna 5 de la
tabla 3)
(3)

Traduccin o
codificacin de la
variable temporal
(4)

X
(5)=(4) 2

xY
(6)=(5) (3)

X2
(7)=(5)2

16.8
16.2
14.7
15.8
15.8
15.4
16.3
15.8
17.9
18.5
21.2
19.3
17.9
19.2
18.0
18.4
18.9
20.0
22.9
21.9
360.9

-9
-8
-7
-6
-5
-4
-3
-2
-1
-

1
2
3
4
5
6
7
8
9

- 19
- 17
- 15
- 13
- 11
-9
-7
-5
-3
-1
1
3
5
7
9
11
13
15
17
19

-319.2
-275.4
-220.5
-205.4
-173.8
-138.6
-114.1
- 79.0
- 53.7
- 18.5
21.2
57.9
89.5
134.4
162.0
202.4
245.7
300.0
389.3
416.1
420.30

361
289
225
169
121
81
49
25
9
1
1
9
25
49
81
121
169
225
289
361
2,660

Para codificar la variable temporal (columna 4 de la tabla anterior) deberemos

proceder de la siguiente manera; localizamos el ao medio, en este caso el ao
medio es 1990, pero debido a que estamos manejando trimestres, la codificacin
30

se debe realizar en base a trimestres, no en base a aos, as que calculamos la

mediana de los trimestres.
Sabemos que esta serie cuenta con 20 trimestres, por lo tanto, la mediana se
obtiene al sumar los dos trimestres centrales de 1990 y dividir entre dos, as:
Ao
(1)

Trimestre
(2)

# de
trimestre

1988

I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

1989

1990

Ao medio

1991

1992

=&Y==

=10

Como podemos observar; el trimestre mediano (10 ), deja 10 trimestres antes y

10 trimestres despus del mismo; es decir dividimos en dos partes iguales la serie
de tiempo. Una vez obtenido el trimestre mediano podemos realizar la
codificacin; as tenemos que, para el trimestre I: 1-10 = -9 , para el trimestre
II: 2-10 = -8 , y as sucesivamente.
Al igual que con los aos pares, en este caso multiplicamos por 2 cada uno de los
trimestres codificados y obtenemos los valores de la columna 5 o sea x.
Con los valores de la tabla 4, podemos ahora encontrar la ecuacin para la
tendencia, las frmulas para a y b son las mismas, es decir:
!"
 =  y  = %
!

Sustituyendo valores en las frmulas anteriores tenemos que:

2=

!"
!%

; &.F&
,QQ&

= 0. c

3 =  =

FQ&.^
&

= . 0

31

La lnea de tendencia apropiada se describe utilizando la ecuacin de la lnea

recta con x en lugar de X:
 =  + 
 = 18.0 + 0.16
Ahora ya tenemos identificadas las componentes temporal y de tendencia de la
serie de tiempo. A continuacin, en el paso 3, encontraremos la variacin cclica
alrededor de la lnea de tendencia. En este ejemplo calcularemos la variacin
cclica en la tabla 5, usando el mtodo de residuos.
TABLA 5 Identificacin de la variable cclica.

Ao
(1)

Trimestre
(2)

1988

I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV

1989

1990

1991

1992

Ventas
desestacionalizadas
(columna 5 de la
tabla 3)
(3)

16.8
16.2
14.7
15.8
15.8
15.4
16.3
15.8
17.9
18.5
21.2
19.3
17.9
19.2
18.0
18.4
18.9
20.0
22.9
21.9
360.9

 =  + 
(4)

18.0 + 0.16.19/ = 14.96

18.0 + 0.16.17/ = 15.28
18.0 + 0.16.15/ = 15.60
18.0 + 0.16.13/ = 15.92
18.0 + 0.16.11/ = 16.24
18.0 + 0.16.9/ = 16.56
18.0 + 0.16.7/ = 16.88
18.0 + 0.16.5/ = 17.20
18.0 + 0.16.3/ = 17.52
18.0 + 0.16.1/ = 17.84
18.0 + 0.16.1/ = 18.16
18.0 + 0.16.3/ = 18.48
18.0 + 0.16.5/ = 18.80
18.0 + 0.16.7/ = 19.12
18.0 + 0.16.9/ = 19.44
18.0 + 0.16.11/ = 19.76
18.0 + 0.16.13/ = 20.08
18.0 + 0.16.15/ = 20.40
18.0 + 0.16.17/ = 20.72
18.0 + 0.16.19/ = 21.04


.100/

Porcentaje de
tendencia
.F/
(5)=.;/ .100/

112.3
106.0
94.2
99.2
97.3
93.0
96.6
91.9
102.2
103.7
116.7
104.4
95.2
100.4
92.6
93.1
94.1
98.0
110.5
104.1

Si suponemos que la variacin irregular es, en general, de corto plazo y

relativamente insignificante, hemos descrito por completo la serie temporal de este
problema utilizando las componentes de tendencia, temporal y cclica.
En la siguiente figura ilustramos la serie temporal original, su porcentaje mvil (que
contiene tanto la componente de tendencia como la cclica), y la lnea de
tendencia.

32

Serie temporal de la tabla 1

(las cuatro componentes)

26
25
24
23
22
21
20
19
18
17
16
15
14
13
12
11
10
9
8

  18.0  0.16 (Solamente

la tendencia)

Estimacin de ventas
desestacionalizadas
para 1993-III ($220,000)

Promedio mvil centrado de cuatro trimestres

(componentes de tendencia y cclica)

II

III IV

1988

II

III IV

1989

II

III IV

1990

II

III IV

1991

II

III IV

1992

II

III IV

1993

Ahora bien, supongamos que la administracin de la compaa de diversiones que

hemos estado utilizando como ejemplo, desea estimar el volumen de ventas para
el tercer trimestre de 1993. Qu debe hacer la administracin?
PASO 1: tiene que determinar del valor desestacionalizado de las ventas del
tercer trimestre de 1993, mediante el uso de la ecuacin de tendencia  = 18.0 
0.16. Esto requiere la codificacin del tiempo, 1993-III. Ese trimestre (1993-III) es
tres trimestres posterior a 1992-IV que como vemos en la tabla 4, tiene el valor
codificado de tiempo de 19. Sumando dos por cada trimestre, la administracin
encuentra x = 19 + 2(3) = 25. Sustituyendo este valor (x = 25) en la ecuacin de
tendencia se produce el siguiente resultado:   18.0  0.16.25/  18  4  .
As pues, la estimacin de ventas desestacionalizada para 1993-III es de
$220,000. Este punto se muestra sobre la lnea de tendencia en la figura anterior.

33

PASO 2: ahora la administracin debe estacionalizar esta estimacin

multiplicndola por el ndice temporal correspondiente al tercer trimestre,
expresado como una fraccin de 100:
ndice temporal para el tercer trimestre tomado de la tabla del paso 6

Estimacin de tendencia obtenida con


la ecuacin 

.22/

61.2
= +. 100

Estimacin estacionalizada

Sobre la base de este anlisis, la compaa estima que las ventas para el trimestre
1993-III sern de $135,000. Debemos aclarar, que este valor es solamente una
estimacin y no toma en cuenta las componentes cclica e irregular.
Como hicimos notar anteriormente, la variacin irregular no se puede predecir
matemticamente.
Recordemos tambin que el tratamiento que hicimos de la variacin cclica fue
meramente descriptivo del comportamiento pasado y no predictivo de un
comportamiento futuro.
Como cierre de este tema; recordemos que el anlisis completo de una serie de
tiempo intenta explicar tres factores:
1) Variacin estacional
2) Tendencia secular
3) Variacin cclica.
Lo que queda en un conjunto de datos es el cuarto factor: la variacin irregular (o
aleatoria); incluso el anlisis ms exhaustivo de una serie de tiempo es descriptivo
de un comportamiento pasado, y no predictivo de un comportamiento futuro.

34

BIBLIOGRAFA:
Levin, Richard I. y Rubin S. David. Estadstica para administradores.
Prentice-Hall Hispanoamrica, 1996.

35