Analisis de Series de Tiempo Auto-Sui-Jug

UNIVERSIDAD NACIONAL AUTONOMA DE MEXICO
FACULTAD DE ECONOMIA
ANALISIS DE SERIES DE TIEMPO
ANALISIS UNIVARIANTE DE SERIES DE TIEMPO:

TEORIA Y PRACTICA
PROFESOR: Horacio Cataln Alonso
ALUMNOS:
Avalos Domnguez Irving Javier
Nicolas Daz Juan Manuel
CIUDAD UNIVERSITARIA, 11 DE OCTUBRE DE 2016

INDICE
INTRODUCCIN............................................................................................ 4
I...................................................................................................................... 5
CONCEPTOS BSICOS................................................................................. 5
1.1 Mtodo de Media Mvil....................................................................5
1.1.1 Media Mvil Centrada................................................................5
1.1.2 Media Mvil Ponderada y de Henderson................................6
1.2 Mtodo X-11....................................................................................... 6
1.3 Estimacin por Tendencias..............................................................8
1.3.1 Tendencia Polinmica................................................................8
1.3.2 Tendencia Lineal.........................................................................8
1.3.3 Tendencia Cuadrtica.................................................................8
1.3.4 Tendencia Cubica........................................................................8
1.3.5 Tendencia Trigonomtrica.........................................................9
1.3.6 Tendencia suponiendo los errores como un autorregresivo
AR (p)..................................................................................................... 9
1.4 Suavizamientos Exponenciales.......................................................9
1.4.1 Suavizamiento exponencial simple (Holt)..............................9
1.4.2 Mtodo de suavizamiento exponencial doble (Brown)......10
1.5. Mtodo de suavizacin Holt-Winters (suavizacin con
tendencia y estacionalidad).................................................................10
1.5.2 Mtodo Holt-Winters Aditivo..................................................11
1.5.3 Mtodo Holt-Winters Multiplicativo......................................11
II................................................................................................................... 12
LOS SUICIDIOS EN ESPAA......................................................................12
2.1 Anlisis Metodolgico Modelo sobre el Suicidio........................12
2.2 Anlisis grfico y estadstico sobre la serie del suicidio..........13
2.3 Anlisis de Medias Mviles sobre la serie del suicidio.............17
2.4 Desestacionalizacin X-11 sobre la serie del suicidio...............19
2.5 Pronostico por medio de los ajustes de tendencia...................19
2.6 Ajuste de Tendencias sobre la serie del suicidio.......................20
2.7 Pronstico por medio del Suavizamiento Exponencial de la
serie sobre suicidio............................................................................... 24
2.7.1 Pronsticos con escenarios optimistas:...............................24
2.7.2 Pronsticos con escenarios pesimistas:...............................25
2.7.3 Escenario ms probable:.........................................................25
III................................................................................................................. 28
VENTAS NACIONALES DE AUTOMOVILES...............................................28
3.1 Anlisis Metodolgico Modelo sobre las Ventas Nacionales de
Automviles............................................................................................ 28
3.2 Anlisis grfico y estadstico sobre las Ventas Nacionales de
Automviles............................................................................................ 28
3.3 Anlisis de Medias Mviles sobre la serie de Ventas
Nacionales de Autos.............................................................................. 31
3.4 Desestacionalizacin x-11 sobre la Serie de Ventas Nacionales
de Automviles...................................................................................... 32
3.5 Pronostico por medio de los Ajustes de Tendencia...................32
3.6 Ajustes de Tendencias sobre la Serie de Ventas Nacionales de
Autos........................................................................................................ 33
3.7 Pronostico por medio del Suavizamiento Exponencial de la
serie Ventas Nacionales de Automviles...........................................36
3.7.3 Escenario ms probable:.........................................................38
IV................................................................................................................. 40
VALOR DE PRODUCCIN DE LOS JUGUETES FABRICADOS EN MEXICO
..................................................................................................................... 40
4.1 Anlisis Metodolgico Modelo sobre el Valor de Produccin de
los Juguetes Fabricados en Mxico.....................................................40
4.2 Anlisis grfico y estadstico sobre la serie de Juguetes.........40
4.3 Anlisis de Medias Mviles sobre la serie de Juguetes............43
4.4 Desestacionalizacin X-11 sobre la serie de Juguetes..............44
4.5 Pronostico por medio de los ajustes de tendencia...................45
4.6 Ajuste de tendencias sobre la serie de juguetes.......................45
4.7 Pronstico por medio del Suavizamiento Exponencial de la
serie sobre juguetes............................................................................. 48
4.7.3 Escenario ms probable..........................................................50
INTRODUCCIN
Una serie de tiempo es un conjunto de observaciones organizadas que se

registran a travs de un lapso determinado de tiempo sobre el
comportamiento de una variable de inters, generalmente los registros son
realizados en periodos iguales de tiempo: semanas, meses, trimestres,
aos, etc. Estas se componen de 4 factores que son: tendencia,
estacionalidad, ciclo y componente irregular.
Las series de tiempo resultan especialmente tiles cuando se requiere
realizar un pronstico sobre el comportamiento futuro que puede tener una
variable determinada, bajo la hiptesis de que los factores que han
influenciado su comportamiento en el pasado, estarn presentes de manera
similar en el futuro. De esta manera, el objetivo principal del conocimiento
de las series de tiempo es la identificacin de los factores que intervienen y
la separacin de cada uno de ellos, con el fin de pronosticar cual ser el
comportamiento en el futuro. Las tcnicas para analizar este tipo de series
son muy prcticas pues para ver el comportamiento de una variable y
predecirlo a futuro no se necesitan de otros datos ms que la variable
misma a lo largo del tiempo.
En el siguiente trabajo se analizarn tres diferentes series de tiempo a fin de
poder generar un pronstico de la serie sobre suicidio en Espaa, la venta
nacional de automviles y el valor de produccin de los juguetes en Mxico,
dividindose esta tarea en cuatro grandes apartados, los cuales pretenden
dotar de la informacin e interpretacin pertinente de los resultados
estadsticos obtenidos de cada una de las series.
El primer apartado es meramente terico y tiene como objetivo la

introduccin a los conceptos bsicos de estadstica y de herramientas para
el tratamiento de las series de tiempo (medias mviles, suavizamiento y
pronstico); el segundo apartado tratar de analizar el comportamiento de
la serie de tiempo sobre el suicidio, este apartado consta de 7 sub
apartados que trataran 1) el anlisis metodolgico de la serie 2)el anlisis
grfico y estadstico de la serie 3) medias mviles 4)desestacionalizacin X-
11 5) pronsticos por ajuste de tendencias 6) ajustes por tendencias, 7)
suavizamientos exponenciales y pronstico teniendo como principal objetivo
la clarificacin y explicacin del comportamiento de la informacin sobre el
suicidio; en el tercer apartado se hace un anlisis sobre el comportamiento
de la venta nacional de automviles y el apartado contiene los mismos 7
sub apartados de la serie anterior; como cuarto apartado se realizar un
anlisis de la serie sobre el valor de produccin de los Juguetes en Mxico el
cual se compondr de 7 sub apartados que trataran 1) el anlisis
metodolgico de la serie 2)el anlisis grfico y estadstico de la serie 3)
medias mviles 4)desestacionalizacin X-11 5) pronsticos por ajuste de
tendencias 6) ajustes por tendencias, 7) suavizamientos exponenciales y
pronstico teniendo como principal objetivo la clarificacin y explicacin del
comportamiento de la informacin sobre sobre el valor de la produccin de
juguetes en Mxico.
En cada una de las series analizadas se explican los factores que pueden
influir en el comportamiento particular de la misma, as tambin se hacen
comentarios sobre los resultados obtenidos y recomendaciones sobre lo que
se podra hacer para obtener resultados positivos a futuro.
CONCEPTOS BSICOS
1.1 Mtodo de Media Mvil
Una forma de visualizar la tendencia es mediante el suavizamiento de la

serie. La idea central es definir a partir de la serie observada una nueva
serie que suavice los efectos ajenos a la tendencia (estacionalidad, efectos
aleatorios o cclicos) de manera que se pueda determinar la direccin de la
tendencia. El trmino mvil indica que conforme se tenga disponible una
nueva observacin de la serie de tiempo, se reemplaza la observacin ms
antigua en la ecuacin y se calcula un nuevo pronstico. Como resultado el
promedio se modificar, a medida que se agreguen nuevas observaciones.
Renan Quipe Llanos (2013)1
La cantidad de valores de la variable a considerar en la media mvil y los
coeficientes utilizados para ponderar definen la clase de media mvil
empleada para el suavizamiento de la serie. Cabe destacar que el mtodo,
al utilizar las observaciones pasadas y futuras genera una prdida de datos
en los extremos inferiores y superiores de la serie y a su vez crea un efecto
de movimientos suavizados rezagados dependiendo el orden de
observaciones utilizadas para su clculo.
1.1.1 Media Mvil Centrada
Una media mvil centrada de amplitud 2m+1 de la serie Yt se define

como una transformacin lineal
(1
[ ]
m m
)
MA= i Y t 1= i Bi Yt = ( B ) Yt
1=m i=m
1 Quispe Llanos, R. (2013). Tcnicas Estadsticas de Prediccin. Lima, Per,

pp.381-389. Disponible en: http://renanquispellanos.com/recursos/aporte
%20intelectual/tecnicas%20prediccion/12.unidad9.pdf [Consultado el 30
Sep. 2016].
Siendo los pesos i tales que:
m
(2
i=1= ( 1 ) )
1=m
Generalmente las medias mviles centradas que se manejan son simtricas:
i =1 ; i=1,2,3 m (3
)
El nmero de observaciones que entran en su clculo se denomina longitud
u orden. Normalmente si el orden es alto la serie se suaviza de mejor
manera eliminando las irregularidades que son visibles a largo plazo, sin
embargo si el orden de la media mvil es pequeo la serie se suavizar de
modo que el mtodo recoge mejor los cambios puntuales de la serie en el
corto plazo. (Caridad y Ocerin Jos Mara (1998) 2
Aunque las medias mviles simtricas y centradas son las ms utilizadas
por otorgar un mismo peso a las observaciones previas y posteriores al valor
central, tambin es comn utilizar medias mviles no centradas cuando se
requiere asignar el valor de la media mvil al periodo correspondiente a la
observacin ms adelantada, as como tambin se pueden utilizar medias
mviles no simtricas, las cuales asignan distintos pesos hacia atrs o
adelante del rango de observaciones a utilizar para el clculo, por ultimo
existen combinaciones entre las medias mviles simtricas, no simtricas,
centradas y no centradas, por lo que la eleccin de cada una de ellas
depende de la evolucin de la serie y el grado de suavizamiento que se
requiera para detectar la tendencia a largo o corto plazo.
1.1.2 Media Mvil Ponderada y de Henderson
En el clculo de la media mvil se puede dar un peso relativo a cada valor

de la variable, multiplicando cada trmino por un coeficiente, de forma tal
que la suma total de todos los coeficientes sea generalmente igual a 1.
Entonces la media mvil simple se convierte en ponderada (con pesos). Los
coeficientes o pesos suelen repartirse de forma simtrica en la media mvil
ponderada; es decir, se le coloca el mismo coeficiente a los puntos primero
y ultimo, segundo y penltimo y as sucesivamente. Los pesos se definen a
conveniencia para lograr diferentes efectos de suavizamiento (ms o menos
fuerte). Existen algunos tipos de medias mviles ponderadas con los
coeficientes ya establecidos como la media mvil de Henderson, la cual
calcula los pesos en dependencia de la cantidad de puntos a considerar,
este mtodo tiene una ponderacin estandarizada lo que produce un efecto
de suavizamiento o aplastamiento de la serie, de la cual desaparecen
irregularidades que enmascaran la tendencia y dificultan su apreciacin
directa. Cuanto mayor sea la cantidad de puntos considerada en la media
mvil, mayor ser el grado de suavizamiento o desaparicin de
irregularidades. Cabe destacar que el uso de cualquier media mvil dentro
2 Caridad y Ocerin Jos Mara (1998) Modelos economtricos y series de

tiempo. Reverte
de la serie provoca que la misma pierda una cantidad de valores en sus
extremos igual al nmero de puntos empleados menos 1. Armando Aguirre
Jaime (1994)3
1.2 Mtodo X-114
El mtodo X-11 permite analizar las series mensuales y trimestrales, se

apoya en un principio de estimacin iterativa de las diferentes componentes
de la serie (Tendencia, Estacionalidad, Ciclo, Componente Irregular). Esa
estimacin se hace mediante dos etapas en las cuales se utilizan las medias
mviles adecuadas.
Los componentes siguientes pueden aparecer en algn momento de la
descomposicin:
1. La tendencia que representa la evolucin de la serie a lo largo del
tiempo.
2. El ciclo, movimiento liso, casi peridico, en torno de la tendencia que
supone en evidencia una sucesin de etapas de crecimiento y
recesin.
a. X-11 no separa esas dos componentes. Las series estudiadas
son generalmente muy cortas para permitir que se haga
fcilmente la estimacin de esas dos componentes. De modo
que, a continuacin, nos referiremos al componente tendencia-
ciclo, designada Ct para conservar la notacin usual del X-
11
3. El componente estacional, designada por S t , que representa las
fluctuaciones infra anuales (mensuales o trimestrales) que se repiten
de ao en ao de manera ms o menos regular.
4. Por ltimo, un componente irregular, designado por It que agrupa
todas las otras fluctuaciones ms o menos errticas que no son
tomadas en cuenta en los componentes precedentes.
Para el clculo de desestacionalizacin ser necesario utilizar las medias
mviles, pues estas constituyen la herramienta de base del mtodo. Se las
emplea para estimar las principales componentes de la serie: la tendencia y
la estacionalidad.
1.2.1 Algoritmo simple de desestacionalizacin
3 Aguirre Jaime, A. (1994). Introduccin al tratamiento de series temporales.

Madrid: Ediciones Daz de Santos
4 Se extrajo la explicacin del mtodo del texto de Ladiray, D. and

Quenneville, B. (2001). Desestacionalizar con el mtodo X-11.
Methodologica, [online] 8(9), pp.20-30. Disponible en:
http://www.ulb.ac.be/assoc/presta/methodologica_8_9.pdf [Consultado el 1
Oct. 2016].
Sea la serie mensual del suicidio X t en donde se admite que sta puede
ser descompuesta en una tendencia-ciclo, una estacionalidad y una parte
irregular, siguiendo el esquema aditivo: X t =C t +S t + I t el algoritmo simple
de desestacionalizacin es el siguiente:
1.- Estimacin de la tendencia ciclo por media mvil 2x12
(1)
Ct =M 2 x 12 ( X t )
La media mvil utilizada en esta etapa es una media mvil de 13 trminos,

1
llamada 2x12, de coeficientes (1,2,2,2,2,2,2,2,2,2,2,2,1) , que conserva las
24
tendencias lineales, elimina las estacionalidades constantes de orden 12 y
minimiza la varianza de la parte irregular.
2.- Estimacin del componente estacional irregular
(2)
( St + I t ) =X t C t
3.- Estimacin del componente estacional con una media mvil 3x3 sobre
cada mes (3)
( St )=M 3 x 3 [ ( S t + I t ) ]

1
llamada 3x3, de coeficientes 9 ( 1,2,3,2,1, ) . Los coeficientes son luego
normalizados de manera tal que la suma de los mismos para todo el periodo (4)
de 12 meses sea aproximadamente nula.
~
S t=S tM 2 x12 ( S t )
4.- Estimacin de la serie corregida de variaciones estacionales de la

primera etapa:
(5)
~
A t =( C t + I t )= X t S t
Por construccin, esta primera estimacin de la serie corregida de

variaciones estacionales debe contener menos estacionalidad. El mtodo X-
11 ejecuta una vez ms este algoritmo simple, cambiando las medias
mviles para tener en cuenta esta propiedad.
5.- Estimacin de la tendencia-ciclo en la segunda etapa con la media mvil
de Henderson de 13 trminos:
(6)
C2t =H 13( A t )
Las medias mviles de Henderson no tienen propiedades particulares en
trminos de eliminacin de la estacionalidad (la cual es ya inexistente o
muy reducida en este estado). Sin embargo, tienen un buen poder de
alisado y conservan las tendencias localmente polinomiales de segundo
grado, esa es la razn por la cual fue elegida como la mejor media mvil
dentro de la grfica 4 anterior5
6.- Estimacin del componente estacional irregular en la segunda etapa:
(2) (2)
( St + I t ) = X t Ct (7)
7.- Estimacin del componente estacional con una media mvil 3x3 sobre
cada mes en la segunda etapa:
(2) (8)
( St ) =M 3 x 5 [ ( St + I t ) ]

1
llamada 3x5, de coeficientes 15 ( 1,2,3,2,1, ) . Los coeficientes son luego
normalizados de manera tal que la suma de los mismos para todo el periodo (9)
de 12 meses sea aproximadamente nula.
~ (2)
S t=S tM 2 x12 ( S t )
8.- Estimacin de la serie corregida de variaciones estacionales segunda

etapa:
(10
SA t =( C t + I t )(2) =X t ~
St(2) )
1.3 Estimacin por Tendencias
1.3.1 Tendencia Polinmica

Un polinomio es una expresin de tipo a0 + a1 T +a2 T 2 ++ an t n que para
valores de T=1,2,3 n describen una curva de orden o grado n. los
coeficientes a0 , a1 , a2 , an son parmetros de ajuste, estimados para cada
serie.
1.3.2 Tendencia Lineal

Si n=1, tenemos la familia de curvas tipo X t =a 0+ a1 T +ut . La cual describe
lneas rectas. El valor tomado por los parmetros a1 y a0, al ajustarse a tipo
5 Puesto que la media mvil de Henderson es simtrica, conserva tambin

las tendencias localmente polinomiales de tercer grado.
a0 + a1 T expresa distintos tipos de lnea recta, con su ayuda se pueden
detectar tendencias lineales en la serie.
1.3.3 Tendencia Cuadrtica

Si n=2, tenemos la familia de curvas tipo X t =a 0+ a1 T +a2 T 2 +ut . Esta
familia describe diferentes curvas en dependencia del valor tomado por los
parmetros alfa. Con su ayuda se pueden detectar tendencias parablicas
en la serie.
1.3.4 Tendencia Cubica

Si n=3, tenemos la familia de curvas de tipo X t =a 0+ a1 T +a2 T 2 + a3 t 3 +ut .
Esta familia describe diferentes curvas en dependencia del valor tomado por
los parmetros alfa. Con su ayuda se pueden detectar tendencias
curvilneas o parbolas cubicas en la serie
1.3.5 Tendencia Trigonomtrica

Una modificacin de la tendencia polinmica es la tendencia trigonomtrica
la cual estima una tendencia lineal o polinmica con una regresin peridica
del tipo, esta puede especificarse como una funcin seno, coseno o ambas:
X t =a o+ a1 T +a 2 cos ( 2kt )+ a sen cos ( 2kt )+u

3 t
Donde k= nmero de meses en el ciclo, debido a que la funcin seno y

coseno pueden ser utilizadas para modelar oscilaciones peridicas (cclicas),
ya que cumple con la condicin de periodicidad.
1.3.6 Tendencia suponiendo los errores como un

autorregresivo AR (p)
En un modelo AR (1), el valor de la serie en el momento t es una
combinacin lineal de las ultimas p observaciones de la variable. En el caso
ms simple, el valor de la serie en el momento t solo depende de la
observacin previa. El modelo AR (1) viene dado por:
X t =a 0+ 1 X t1 +ut
En donde la condicin de estacionariedad es que |1|<1 , por lo tanto los

valores de alfa deben ser menores a 1
1.4 Suavizamientos Exponenciales6
Estos mtodos eliminan las fluctuaciones aleatorias de la serie de tiempo,

proporcionando datos menos distorsionados del comportamiento real de la
misma. Las series de tiempo, llamadas tambin series cronolgicas son un
6 La teora de los suavizamientos exponenciales se extrajo de Prez Lpez,

C. (2012). Econometra bsica: Aplicaciones con Eviews, Stata, SAS y SPSS.
Madrid: Garceta.
conjunto de datos numricos que se obtienen en periodos regulares y
especficos a travs del tiempo.
Los mtodos de suavizamiento se basan en la idea de que hay patrones

visibles en una grfica de serie de tiempo que pueden ser extrapolados al
futuro. El mtodo se selecciona dependiendo de si los patrones son estticos
o dinmicos, la naturaleza de los componentes de la tendencia y
estacionalidad y que tan lejos se quiera pronosticar. Estos mtodos son
generalmente fciles y rpidos de aplicar. Se pueden identificar los
siguientes mtodos de suavizamiento, los cuales ms adelante sern
aplicados a la serie:
1.4.1 Suavizamiento exponencial simple (Holt)
Este mtodo se basa en la atenuacin de los valores de la serie de tiempo,

obteniendo el promedio de estos de manera exponencial; es decir, los datos
se ponderan dando un mayor peso a las observaciones ms recientes y uno (1)
menor a las ms antiguas. Al peso para ponderar la observacin ms
reciente se le da el valor a , la observacin inmediata se pondera con un
peso de 1-a, la siguiente observacin inmediata anterior se le da un peso de
ponderacin de (1 ) y as sucesivamente hasta completar el nmero de
valores observados en la serie de tiempo a tomar en cuenta para realizar la
atenuacin, es decir para calcular el promedio ponderado, la estimacin o
pronostico ser el valor obtenido del clculo del promedio. Por lo que la
expresin para realizar el clculo de la suavizacin exponencial simple es
2 n 1
Pt +1= Y t + ( 1 ) Y t1 + ( 1 ) Y t2 + ( 1 ) Y t( n1)
O bien Pt +1= Y t + ( 1 ) Pt
(2)
Donde es el factor de suavizamiento(0<a<1)
El valor del parmetro alfa se ubica entre 0 y 1. En esta escala para valores
de alfa relativamente pequeos se reducen las variaciones de corto plazo
asociadas al pronstico lo cual es razonable cuando la serie tiene un
comportamiento relativamente estable. Sin embargo, si sta presenta
cambios significativos en el corto plazo nos interesar seguir estos ms de
cerca y en ese caso debiramos seleccionar una constante alfa ms
grande.
1.4.2 Mtodo de suavizamiento exponencial doble (Brown)
En este mtodo se calcula primero una suavizacin exponencial simple para

cada valor de la serie y luego se vuelve a calcular otra suavizacin
exponencial sobre los datos resultantes de la primera. Para ello se usan las
siguientes formulas:
Suavizacin exponencial simple
(1)
Pt =a Y t +(1a) P t1
Suavizacin exponencial doble
Y ' t=a Pt + ( 1a ) Y ' t 1 (2)
Donde a es la constante de suavizacin exponencial.
La constante emprica alfa es la nica variable en este modelo que debe ser
determinada de manera experimental sobre los valores disponibles de la
serie de datos.
1.5. Mtodo de suavizacin Holt-Winters (suavizacin con

tendencia y estacionalidad)
Es un mtodo sofisticado de extensin de la suavizacin exponencial,

descrita anteriormente. A diferencia del mtodo de suavizacin exponencial,
el mtodo de Holt-Winters tambin permite el estudio de la tendencia de la
serie a travs de pronsticos a mediano y largo plazo.
Este modelo utiliza dos constantes (alfa y beta) para realizar pronsticos.
Estas constantes deben determinarse experimentalmente para sealar los
valores reales de la serie de tiempo. Las ecuaciones que se utilizan son
Nivel de la serie
(1)
Et =a Y t +(1a)( E t1 +T t 1)
Nivel de la tendencia
(2)
E
( tEt 1)+(1)(T t1 )
T t=
Donde Et es la estimacin atenuada de la serie en el tiempo t, a es la
constante de suavizacin de la serie y es la contante de suavizacin
para la tendencia.
Este modelo se utiliza cuando existe la presencia de una tendencia en la

serie de tiempo. La eleccin de las constantes alfa y beta afecta el valor de
los resultados. Un valor pequeo de alfa da mayor peso a los valores ms
retrasados y un mayor valor de dicha constante da mayor peso a los niveles
ms recientes. Igualmente un valor pequeo de beta da mayor peso a las
tendencias retrasadas en la serie y un menor valor de la constante da
mayor peso a las tendencias de la serie ms reciente.
1.5.1 Suavizamiento exponencial con componentes

estacionales
Se entiende como variacin estacional, aquella distorsin que se produce en

la serie de datos debido a que hay un patrn de comportamiento que parece
repetirse ao tras ao (o transcurridos una cantidad de periodos). Los
modelos aplicables a estos casos, deben contener un componente de
correccin debido a la tendencia que pudiese llegar a presentarse y otra
correccin debido a la estacionalidad que se presenta en la serie de datos.
Existen varios mtodos que pueden llegar a ser aplicados, sin embargo los
ms utilizados son:
Atenuacin exponencial ajustada con estimacin de tendencia y variacin
estacional (Mtodo Holt-Winters Aditivo)
Atenuacin exponencial ajustada con estimacin de tendencia y variacin
estacional (Mtodo Holt-Winters Multiplicativo)
Ambos mtodos son una extensin del mtodo Holt presentado

anteriormente, con la particularidad de que se agrega una complejidad
adicional al incorporar ndices de estacionalidad como una manera de
corregir la serie de tiempos evitando estos picos que distorsionan el
anlisis de los pronsticos y la prediccin en consecuencia.
1.5.2 Mtodo Holt-Winters Aditivo
Se basa en el clculo de cuatro componentes principales:
Ajuste exponencial de la serie de datos

Et =a ( Y t St L ) + ( 1a ) ( Et 1+ T t 1) (1)
Estimacin de Tendencias
T t = ( Et Et 1 ) + (1 ) ( T t1 ) (2)
Estimacin de Estacionalidad
(3)
S t = ( Y t Et ) + ( 1 ) ( S t L )
Pronostico de periodos futuro
(4)
Y^
t + j= ( E t + j T t ) +S t L+ j
Dnde: es la constante de suavizamiento exponencial simple, es

la constante de suavizamiento exponencial de tendencia, es la
constante de correccin de estacionalidad y j es la cantidad de periodos a
pronosticar en este caso 12.
Los valores de alfa, beta y gama deben ser calculados de manera
experimental sobre el conjunto de datos de la serie de tiempos disponibles.
1.5.3 Mtodo Holt-Winters Multiplicativo
Se basa en el clculo de cuatro componentes principales:

Ajuste exponencial de la serie de datos
Yt
Et =a
(1)
( )
St L
+ ( 1a ) ( E t1 +T t 1 )
Estimacin de Tendencias (2)

T t = ( Et Et 1 ) + (1 ) ( T t1 )
Estimacin de Estacionalidad
(3)
Yt
S t =a ( )
Et
+ ( 1 ) ( St L )
Pronostico de periodos futuro

(4)
Y^
t + j= ( E t + j T t ) S t L+ j
Dnde: es la constante de suavizamiento exponencial simple, es

la constante de suavizamiento exponencial de tendencia, es la
constante de correccin de estacionalidad y j es la cantidad de periodos a
pronosticar, en este caso 12.
Al igual que el mtodo anterior los valores de alfa, beta y gama deben ser
calculados de manera experimental sobre el conjunto de datos de la serie
de tiempos disponibles.
II
LOS SUICIDIOS EN ESPAA
2.1 Anlisis Metodolgico Modelo sobre el Suicidio
El anlisis del fenmeno del suicidio se realizar mediante la informacin

estadstica proporcionada por el Instituto Nacional de Estadstica del
gobierno espaol, debido a la gran cantidad de datos registrados, su calidad
y fiabilidad al tener como regla la estandarizacin estadstica de la
comunidad europea las cuales siguen los criterios establecidos por la
Organizacin Mundial de la Salud (OMS) en la Clasificacin Internacional de
Enfermedades (CIE), adems por la regularidad con la que se recaba la
informacin y los distintos mtodos de recogida de datos (Certificado
Mdico, estadstico de defuncin, boletn estadstico de defuncin judicial y
boletn estadstico de parto). El nmero total de datos recogidos es de 240,
registrados mensualmente a lo largo de todos los municipios y comunidades
autnomas del pas dentro del periodo comprendido entre 1995 y 2014. El
tipo de informacin que se utilizar tendr el formato de serie de tiempo, el
cual permitir ver cmo ha evolucionado el problema a travs de los aos,
pudindose as analizar los patrones de comportamiento de la serie, para lo
cual se utilizarn diversas tcnicas economtricas, especficamente sobre
series de tiempo mediante el paquete estadstico Stata13. Los datos fueron
recogidos y registrados como el nmero total (en valores absolutos) de
defunciones provocadas por suicidio y lesiones autoinflingidas, lo cual est
acorde a las necesidades iniciales para el trabajo, por lo que no fue
necesaria ninguna transformacin a priori de la serie.
Por qu una serie temporal? Una serie temporal al ser un conjunto de
observaciones referidas a una magnitud y ordenadas en el tiempo ()
pueden ser analizadas con una finalidad descriptiva si solo se pretende
describir el comportamiento registrado en el pasado, explicativa, si se
intenta probar estadsticamente la existencia de relaciones dinmicas entre
variables, o predictivas, cuando el objetivo es reducir el grado de
incertidumbre sobre el futuro a partir del conocimiento del pasado. (Caceres
Hernandez, J. Juan et. Al (2008)7
El anlisis de la informacin parte de la idea de la falta de atencin al
problema del suicidio en Espaa y a la poca importancia que la misma
posee dentro de las polticas pblicas del gobierno, lo cual acarrea un
aumento del fenmeno en cuestin y acrecienta las probabilidades de
muerte de una parte de la poblacin que se encuentra dentro del rango de
edades denominadas como poblacin econmicamente activa (PEA) lo cual
afecta directamente a la economa del pas, convirtiendo un aparente
fenmeno aislado en un serio problema de salud pblica. Por otro lado el
presente trabajo pretende mostrar, en cierta medida, el efecto que tienen
los diversos factores que inciden en el aumento del suicidio y que se
piensan, son el resultado de los problemas que se desarrollan en una
sociedad y un medio ambiente en crisis el cual es propiciado por el sistema
capitalista.
2.2 Anlisis grfico y estadstico sobre la serie del

suicidio
La definicin de suicidio que utilizamos para el anlisis de la serie parte del

estudio del socilogo Emilie Durkheim (1982)8 quien afirma que el suicidio
como toda muerte que resulta mediata o inmediatamente de un acto
positivo o negativo realizado por la misma vctima, pero sobre esta ndole no
se contemplan los hechos accidentales, por lo cual es necesario agregar que
el suicidio ser contemplado como tal cuando la vctima sabe con certeza lo
que suceder de su accin.
Los registros sobre el suicidio en Espaa proporcionados por el Instituto
Nacional de Estadstica permiten observar que el aumento en los suicidios
coincide con el inicio de la crisis econmica de 2008, coincidencia que
puede explicarse en parte por el aumento en el desempleo, pobreza,
desigualdad y la imposicin de polticas de austeridad que han reducido los
gastos principalmente en educacin, apoyos sociales y sanidad. Cabe
sealar que estos gastos dotaban a la sociedad espaola del resguardo y
certidumbre necesarios para crear perspectivas futuras favorables y evitara
en cierto grado los sentimientos como desasosiego, desamparo o depresin
ligados al suicidio. No obstante si se observan los datos es evidente que la
serie tiene una tendencia irregular que corresponde a dos distintos
fenmenos: el antes y despus de la crisis. Para ejemplificar esto la Grfica
7 Cceres Hernndez, J., Martn Rodrguez, G. and Martn Alvarez, F. (2008).

Introduccin al anlisis univariante de series temporales econmicas. Las
Rozas, (Madrid): Delta Publicaciones.
8 Vase Durkheim, Emile. (2014). El suicidio: un estudio sociolgico. Ed.

Grupo Tomo D.F Mxico.
1 muestra la evolucin del nmero de suicidios desde 1995 hasta 2014 de
manera mensual.
Grfica 1
El Suicidio en Espaa
Grfica del Nmero de Suicidios Mensuales Periodo 1995-2014
400
Nmero de suicidios registrados
200 100 300
1995m1 2000m1 2005m1 2010m1 2015m1

Periodo
Fuente: Elaboracin propia con base a los datos registrados en el INE
Para abordar el anlisis de los fenmenos descritos se dividir la serie en

dos grandes periodos a modo de hacer ms sencilla la explicacin. El primer
periodo, comprendido desde el mes de enero de 1995 hasta el mes de
diciembre de 2006, tiene un comportamiento con una ligera tendencia lineal
negativa explicada en cierta medida por los niveles de estabilidad
econmica y de tasas de paro laboral muy bajas. Condiciones que empiezan
a deteriorarse desde 2005 en donde el promedio anual de muertes
autoinflingidas fue el ms alto del periodo y que es comparable con el
mximo encontrado en el promedio anual de 2014 correspondiente al
periodo post-crisis. Por otro lado el periodo comprendido de enero de 2007
hasta diciembre de 2014 (grfica 1.2) presenta un aumento en el nmero de
suicidios distinto del que vena desarrollndose a lo largo del periodo
anterior, pues tan solo al pasar de diciembre de 2006 a enero de 2007 hubo
un incremento del 135.77% en el nmero de muertes autoinflingidas al
pasar de 109 suicidios a 257 en tan solo un mes. Adems hay una clara
tendencia positiva la cual est por encima de los valores registrados
anteriormente, confirmando un cambio en la estructura o evolucin de la
serie. Para ejemplificar lo anterior, la Tabla 1 resume los cambios que tienen
las medias y desviaciones estndar de ambos periodos contrastadas con la
media y desviacin estndar total de la serie.
Tabla 1
Resumen estadstico de la divisin de
periodos de la serie del nmero de suicidios
en Espaa
Periodo Obs Medi Desv. Valor Valor
a Estan mnimo mxim
d. o
Primer 1995-2006 140 202. 32.06 135 293
period 04
o
Segun 2007-2015 84 291. 35.30 202 371
do 75
period
o
Total 1995-2015 240 235. 55.47 109 371
de la 89
serie
Fuente: Elaboracin propia con base a los datos
presentados en el INE
La Tabla 1 confirma que el periodo post crisis tiene un aumento considerable

en el promedio de suicidios, el cual es muy distinto al registrado en el
periodo pre crisis, esto propicia a que exista un cambio en la estructura de
la serie y se presenten dos tendencias en distintos periodos. Por otro lado
los resultados indican que antes de la crisis exista una media de
aproximadamente 202 suicidios mientras que despus de la crisis este valor
se elev a 292 en promedio, lo que significa que en tan solo 8 aos el valor
promedio de suicidios se situ por encima de la media general un 23.68% y
un 44.40% respecto al periodo anterior. Emilie Durkheim 9 explica que la
incertidumbre y la falta de integracin del individuo en la sociedad afecta al
mismo y lo orilla al suicidio, por lo que este ambiente de crisis econmica,
de perdida de certidumbre, de deudas, preocupacin y desolacin pueden
explicar en parte el comportamiento observado en la serie. No obstante el
suicidio es un fenmeno multifactorial y afirmar que el problema econmico
por s mismo es la respuesta a todo el problema sera una aseveracin
reduccionista y simplista, puesto que hay factores psicolgicos, sociolgicos
y ambientales que afectan el comportamiento del individuo y que influyen
en el suicidio.
Si se intenta explicar el fenmeno por medio de los factores ambientales se
puede partir de diferenciar las estaciones del ao a modo de observar cmo
afectan al individuo, para esto suele ponerse como ejemplo que los niveles
con mayores suicidios se colocan en poca de invierno, sin embargo para el
caso de Espaa es en las pocas correspondientes a primavera y verano
donde existen mayores niveles de privaciones voluntarias de la vida. Esto se
explica en parte por el llamado Desorden Afectivo Estacional (SAD por sus
siglas en ingls) el cual est asociado con los cambios en la duracin de los
rayos solares y la exposicin del individuo a los mismos, segn M. Jacobsen,
Frederick, et al.(1987) el SAD:
es un padecimiento cclico caracterizado por recurrentes episodios de
depresin en distintas pocas del ao, usualmente otoo/invierno, con
periodos alternos en primavera y verano de conducta normal []
generalmente los episodios depresivos terminan en primavera [] y en
verano las manifestaciones suelen estar relacionadas con conductas
ligeramente eufricas o humor irritables, incrementos de energa y mayor
comportamiento social. No obstante un pequeo porcentaje de pacientes
han sido ms severamente afectados y se han vuelto ms maniacos
durante la primavera y el verano.10
Por otro lado el comportamiento de los individuos observables en los datos
registrados por el Instituto Nacional de Estadstica de Espaa tambin
9 Ibid.
10 Vase F M Jacobsen, T A Wehr, D A Sack, S P James, and N E Rosenthal.

Seasonal affective disorder: a review of the syndrome and its public health
implications. American Journal of Public Health January 1987: Vol. 77, No. 1,
pp. 57-60.
pueden ser explicados por factores psicolgicos y de relacin con el entorno
mediante la denominada primavera gris la cual segn el psiclogo Giorgio
Agostini11, crea una contradiccin interna entre el individuo y su entorno
pues a diferencia del invierno que es donde las personas depresivas estn
ms acordes con lo que ellos piensan sobre s mismos, sobre su ambiente y
sus relaciones, en la primavera, hay un fenmeno muy interesante, porque
aumenta la luz y por lo tanto esto debera compensar a esta persona, pero
no es as porque todo lo que la persona est sintiendo es que en la
primavera la gente se muestra ms contenta, hace que sienta una
diferencia y piensa que mientras l se siente deprimido y no se siente bien,
ve que todos los dems estn bien menos l [] se produce una
contradiccin, una comparacin inconsciente y subliminal, que hace que las
personas se confundan, se desesperen y busquen una salida.
La siguiente grafica descompone la serie en sus factores estacionales para
vislumbrar la influencia que tienen los meses en la frecuencia en que
suceden los suicidios en Espaa.
Grfica 2
Suicidios en Espaa:
Grfica de sus Componentes Estacionales
400
nmero de suicidios mensuales
200 100300
1 2 3 4 5 6 7 8 9 10 11 12
Meses
Total de suicidios mensuales en Espaa Mediana

Fuente:Elaboracin propia con base a los datos presentados en INE
El nmero de suicidios descompuestos por sus factores estacionales se

muestran de color azul, mientras que las lneas rojas representan los valores
medianos12 de cada uno de los meses del ao, gracias a ello se muestra
que, como se haba expuesto, los meses con mayor nmero de suicidios se
localizan en primavera y verano correspondientes a los meses marzo, mayo
y junio expresados con los nmeros tres, cinco y seis en la Grfica 1, este
comportamiento en la grfica es lo que en estadstica se conoce como la
presencia de componentes estacionales.
11 Vase Orbe, A. (2010). Experto: Sndrome de "primavera gris" provoca

aumento de suicidios en esta poca. La Tercera. [online] Disponible en:
http://www.latercera.com/noticia/tendencias/sociedad/2010/09/741-294290-
9-experto-sindrome-de-primavera-gris-provoca-aumento-de-suicidios-en-
esta-epoca.shtml [consultado el 18 Sep. 2016].
12 El uso de valores de la mediana en lugar de la media corresponde a

evitar la distorsin que provocan los valores extremos expuestos en la tabla
resumen 1 anterior, ya que la media es ms sensible a este cambio
estructural afecta los resultados. Por otro lado la mediana reduce los efectos
que suponen la presencia de cambios drsticos en los valores y refleja de
mejor manera el fenmeno.
Lo anterior explica por qu en Espaa el mayor nmero de muertes por
lesiones autoinfligidas se da en las fechas asociadas a mayor felicidad
dentro del ao y con esto ya se han identificado tres factores distintos como
ejes rectores de este anlisis: factores psicolgicos atribuidos a la
percepcin del individuo de s y del mundo; los factores bioqumicos
atribuibles a los cambios estacionales y rayos solares en nuestro
comportamiento; y los factores econmicos atribuidos a la crisis econmica
del pas.
Complementando lo anterior la Grfica 3 muestra un diagrama de caja en la
cual se observa que los meses 3, y 6 correspondientes a los meses Marzo y
Junio tienen los valores mximos ms altos de toda la muestra y se
distribuyen entre los valores de 170 (valor mnimo aproximado) y 370 (valor
mximo aproximado) suicidios, adems de que su mediana se posiciona por
encima de todas las dems, lo que podra indicar la presencia de
estacionalidad en esos meses. Por otro lado se observa que
aproximadamente el 25% de los suicidios registrados en Marzo y Junio son
menores a 210, el 50% son menores a 270, el 75% son menores de 300
suicidios.
Grfica 3
Numero de Suicidios Mensuales en Espaa
Periodo 1995-2014
400
Numero de suicidios
200 100 300
1 2 3 4 5 6 7 8 9 10 11 12
Mes
Fuente: Elaboracin propia con base a los datos presentados en el INE
Otro componente que se aprecia es que la concentracin en la parte

superior de las cajas, indicara una asimetra o sesgo negativo a la
izquierda, asimismo la posible forma de distribucin de los datos es una
distribucin mesocrtica, la cual es muy parecida a la distribucin normal,
sin embargo la presencia de sesgo negativo en la mayora de los meses
indica que la presencia de normalidad no es muy probable.
Dados los problemas de estacionalidad descritos y a modo de eliminar o
suavizar los efectos estacionales para evitar tener las distorsiones
provocadas por el cambio estructural ser necesario utilizar una tcnica de
desestacionalizacin denominada X-11 y distintos suavizamientos como el
de medias mviles para la prediccin del comportamiento de la serie en los
prximos 12 meses
2.3 Anlisis de Medias Mviles sobre la serie del suicidio

Para efectos del anlisis de la serie de tiempo sobre el suicidio se utilizaron
tres medias mviles, las cuales fueron las que mejor desempeo tuvieron al
suavizar los efectos estacionales presentes en la serie mayoritariamente en
los meses de marzo y junio. Los valores encontrados fueron los siguientes:
Media mvil simtrica centrada: 2x2:
Yt= Y t2 +Y t1 +Yt+Y y+1 +Yt +2 (1)
2
MA 2 x2 =
2
Media mvil ponderada simtrica centrada 2x2:

2
1 1 1 3 1 1 (2)
MA 2 x 2 i= [ Yt ; ]= Y t 2 + Y t 1+ Yt + Y y+1 + Yt +2
4 2 4 2 4 2 4
Media mvil de Henderson de 13 trminos:
[ ]
6
H= i Yt =
6
0.019 Y t6
0.028 Y t 5
0.066 Y t 3(0)Y t 4
0.214 Y t 1 +(0.147)Y t 2+
0.24 Y t +
(3)
0.147 Y t2 +( 0.214)Y t1+
0.066 Y t3 +
0.028 Y t 5( 0)Y t 4 +
(0.019)Y t 6
La representacin grfica de las ecuaciones previas es la siguiente:

Grfica 4
Grfico Comparativo de Medias Mviles
Media Movil Simple, Ponderada y Henderson
400
Nmero de suicidios
350
300
250
2011m1 2012m1 2013m1 2014m1 2015m1

Periodo de estudio 1995-2014
Media Mvil Simple (2 1 2) Media Mvil Ponderada (1 2 <3> 2 1)

Media Mvil de Henderson Total de Suicidios mensuales Espaa

El mtodo de media mvil, es necesaria para localizar la tendencia de la
serie, la grfica 4 muestra el comportamiento de las tres medias mviles
dentro del periodo 2011-2014 con respecto a la serie original representada
en color amarillo. El ajuste por media mvil simple (lnea color verde)
muestra un ajuste a la serie original con pequeas perturbaciones en forma
de picos ascendentes en los momentos que el total de suicidios tiende a
bajar, esto podra explicarse por el efecto rezagado que tiene el mtodo
dado su orden, no obstante el objetivo de esta tcnica es suavizar lo ms
posible dichas perturbaciones o picos a lo largo de la serie; la media mvil
ponderada (lnea color morado) presenta una evolucin en la serie de forma
ms suavizada y acorde a las fluctuaciones que la serie original mantiene,
no obstante es posible observar ligeras perturbaciones, nuevamente en
forma de picos, al intentar ajustarse a la serie amarilla en los puntos ms
altos, esto puede ser efecto del rezago del mtodo, sin embargo al
comparar el desempeo de la media mvil ponderada y la media mvil
estandarizada de Henderson (lnea color azul) se observa la superioridad de
la ltima con respecto de la primera, ya que la estandarizacin de
Henderson capta de forma ms fiel las fluctuaciones de la serie original, de
modo que las perturbaciones en forma de picos son mnimos y por tanto se
ajusta de mejor manera. Cabe decir que independientemente del mtodo
de media mvil utilizado, las tres logran captar, aunque en distinta medida,
el comportamiento general de la tendencia la cual es ascendente y muestra
un patrn estacional muy marcado aun con la suavizacin por eso tiene
forma de pequeas ondas a lo largo de la serie. Debido a esto se utilizar la
media mvil de Henderson para el clculo del mtodo de
desestacionalizacin de la serie denominado X-11.
2.4 Desestacionalizacin X-11 sobre la serie del suicidio
El ajuste estacional utilizando el mtodo X-11 genera una aproximacin de

la serie sin la presencia de componentes estacionales, de modo que la serie
toma una forma ms estilizada y curvilnea sin que se aprecien los
caractersticos picos estacionales que existan en la serie original esta
desestacionalizacin permitir ver con mayor claridad el comportamiento
de la tendencia en el corto plazo y poder comparar distintos meses del
periodo 1995-2014 que toma la serie sin que estn afectados por las
distorsiones estacionales, de lo contrario se podra incidir en errores de
aproximacin y prediccin que afectaran directamente en la toma de
decisiones y conclusiones finales del estudio. Por lo tanto el siguiente
apartado se encargar de utilizar diferentes herramientas de prediccin a
modo de plantear distintos escenarios de comportamiento probable de los
suicidios en los prximos 12 meses tomando como base la serie
desestacionalizada. En el Grfico 5 se compara la serie original y la
calculada mediante la desestacionalizacin por el mtodo X-11, en donde la
lnea roja representa la serie suavizada y la lnea azul es la serie original,
ntese como se logra eliminar la mayora de los efectos estacionales y como
se logra apreciar la tendencia con mayor claridad.
2.5 Pronostico por medio de los ajustes de tendencia
La prediccin por medio de los ajustes de tendencia tienen como base la no

existencia o presencia mnima de componentes estacionales en la serie, por
tanto se utilizar la serie desestacionalizada generada en el apartado
anterior a fin de evitar perturbaciones estacionales en la prediccin, adems
se har uso de la estimacin paramtrica mediante Mnimos Cuadrados
Ordinarios el cual realizar el clculo de los estimadores ligados a la
tendencia, ya sea Grfica 5
Comparativo de la Serie Original y Desestacionalizada
lineal,
cuadrtica, Mtodo X-11 cbica,
400
polinmica, trigonomtrica
Nmero de Suicidios
o el caso particular del

350
autorregresivo.
300
La seleccin de la forma funcional

correcta, al ser un proceso
250
determinstico, 2011m1 2012m1 2013m1 2014m1 2015m1 depender de

distintos criterios Periodo
de seleccin
Total de Suicidios mensuales Espaa
entre los cuales Serie desestacionalizada X-11 estn el
anlisis de ajuste Fuente: Elaboracin propia con base a los datos presentados en el INE grfico, la
bondad de ajuste y significancia
individual de los parmetros al 95% de confianza.
Este apartado parte de la definicin de la tendencia, la cual se expresa
como la direccin general seguida por los valores de la variable en la serie a
lo largo del tiempo, por lo tanto se puede concluir que todas las series
poseen tendencia, pues estos valores con el transcurso del tiempo siguen
necesariamente, alguna direccin: o aumenta, o disminuyen, o mantienen
cierta constancia o compensacin en su fluctuacin, lo cual es tambin
seguir una direccin. Sin embargo la tendencia lleva implcita solo un
sentido de inclinacin al ascenso o descenso de los valores de la variable en
el tiempo. (Armando Aguirre J. (1994). Por otra parte, la tendencia no
siempre es rectilnea, es decir, que la tendencia puede seguir otras formas
ms complejas: polinmicas, trigonomtricas o como autorregresivo.
2.6 Ajuste de Tendencias sobre la serie del suicidio
Tras haber calculado las regresiones por MCO de las distintas estimaciones
de las tendencias, con su respectivo valor de significancia, la bondad de
2
ajuste y el R ajustado, adems de la Media de los Errores al Cuadrado
(RMSE por sus siglas en ingls), en donde todos los clculos fueron
estadsticamente significativos al 95% de confianza an es necesario
escoger cul de los modelos es el que mejor ajuste tiene a los datos de la
serie desestacionalizada, por lo que para identificar las diferencias entre las
2
regresiones se utiliza la bondad de ajuste o R , indicador que mide el
porcentaje de relacin que existe entre nuestras variables explicativas y la
variable explicada.
2
Intuitivamente se puede decir que aquel que tenga un mayor valor de R
ser el mejor modelo, no obstante la bondad de ajuste es afectada por el
nmero de variables que tiene el modelo debido a los grados de libertad,
por lo que aumentos en el nmero de variables explicativas se reflejaran en
2
un R mayor, por lo tanto no es una buena medida de comparacin.
2
Por otro lado el valor del R ajustado es neutral al aumento o disminucin
de regresores por lo que no afectan el comportamiento de sus valores tanto
2
como el R normal, por lo
Tabla 2
que es una mejor
Lineal
referencia para escoger el
X t =179.2821+0.4735 T
modelo con mayor
capacidad de R
2 2
R Aj. adaptacin.
ECM
Adems, partiendo del
supuesto de la 0.4302 0.4278 37.916 minimizacin
Cuadrtica
de los errores 2
entre los
estimadores y X t =237.961.0057T +0.0062 T los
parmetros, el clculo error
cuadrtico
R2 R2 Aj. ECM medio (ECM)
nos indica el 0.7124 0.7099 26.996 grado de error
que existe Cbica entre el
2 3
modelo y las X t =255.6576 1.9038 T +0.0156 T 0.00002T observaciones,
por tanto mientras
2 2
menor sea el R R Aj. ECM MCE mejor
ajuste tendr a 0.7312 0.7277 26.154 los datos. La
Tabla 2 Trigonomtrica cos k=216 muestra un
resumen con 2 t los estadsticos
ms
para la
X t =185.0924+ 0.3937T +40.356 cos
216 ( )
importantes
eleccin del
mejor modelo: R2 R2 Aj. ECM
0.7613 0.7593 24.59
Autorregresivo AR(1) Ar(2)
X t =8.5673+0.02298 T + 1.8082 X t10.8564 X t2
R2 R2 Aj. ECM
0.9924 0.9923 4.4078
presentados en el INE
Siguiendo los lineamientos anteriores se puede apreciar que los dos mejores
modelos son la tendencia trigonomtrica bajo el supuesto de periodicidad o
2
ciclo cada 216 meses o bien 18 aos al tener un R ajustado de 75.93%
que es un buen porcentaje de ajuste de las variables al modelo y un ECM de
24.59 que es uno de los que ms minimiza el error; y el modelo de
autorregresivo bajo el supuesto de que los errores se comportan como un
AR(1) y AR(2) ya que tiene un R2 ajustado de 99.23% que es muy
cercano al 100, lo que significa que los rezagos empleados permiten
explicar en gran medida la serie de tiempo, adems de que el uso de
Autorregresivos reduce cualquier efecto de autocorrelacin posicionndolo
por encima de la tendencia trigonomtrica. Por otro lado el ECM es el que
ms minimiza el error en comparacin con los otros modelos con un valor de
4.4078, lo que significa que dentro de la representacin grfica ser el ms
cercano a los valores de las observaciones
Grficamente para saber cul es el mejor modelo se debe observar cul de
las tendencias calculadas pasa por el mayor nmero de puntos de la serie
sin componente estacional y si en los ltimos periodos se ajusta a la
tendencia final de la serie. Dicho lo anterior es fcil descartar a la tendencia
lineal, cuadrtica y cbica representada en la Grfica 6, debido a que no
logran captar la tendencia general de los datos por lo que subestiman o
sobreestiman los valores de la serie desestacionalizada, adems de que
ninguna de los modelos mencionados cumple con seguir la tendencia final
de la serie en los ltimos periodos. Por ende las que mejor se ajustan son la
serie de Autorregresivos y la tendencia trigonomtrica, por lo que se
prosigue a la prediccin de los 12 meses siguientes, utilizando ambos
modelos para posteriormente hacer un promedio de ambos que
representar mejor las fluctuaciones previstas para el prximo ao, por
ultimo transformaremos la serie y predicciones desestacionalizada a los
valores originales, es decir con sus componentes estacionales.
Grfica 6
Comparativo de Tendencias
Lineal, Cuadrtica, Cbica, Trigonomtrica, Autorregresivo
350
Nmero de Suicidios
200 250 150 300
0 50 100 150 200 250
Meses
Serie Desestacionalizada Tendencia Lineal
Tendencia Cuadrtica Tendencia Cbica
Tendencia Trigonomtrica (Cos 216) Autorregresivo AR(1) AR(2)
La Grfica 7 representa el
Fuente: Elaboracin propia con base a los datos presentados en el INE y el paquete estadstico Stata13
pronstico a 12 meses de los valores desestacionalizados de los mejores

modelos estimados: el trigonomtrico y el autorregresivo. Ambos modelos
no presentan mucha informacin relevante debido a que el pronstico se
hizo con base a la serie ajustada, sin embargo se puede decir que el modelo
trigonomtrico (lnea roja) hace una sobrevaloracin de los datos con
respecto al modelo autorregresivo (lnea verde), lo que podra indicar que el
modelo trigonomtrico cumple con un escenario pesimista debido a que
estima un aumento de los suicidios, mientras que el segundo es un poco
ms positivo prediciendo una baja en los mismos con respecto a los valores
observados en periodos anteriores. Para observar mejor el comportamiento
de los pronsticos se transformaron las predicciones a los valores originales
incluyndoseles los factores estacionales, lo cual cambia el comportamiento
de las series estimadas pudindose notar la presencia de los picos
estacionales en los meses correspondientes a marzo y junio (Grfica 8)
como se explic en el apartado dos de este estudio. No obstante para evitar
Grfica 7
Pronostico 2015 Grfica 8
Pronostico desestacionalizado autorregresivo y trigonomtico Pronstico 2015

Pronstico en serie original: modelo autorregresivo y trigonomtrico
350
400
Nmero de Suicidios
Nmero de Suicidios
350
300
300 250
250
2011m1 2012m7 2014m1 2015m7

2011m1 2012m7 2014m1 2015m7 Periodo
Periodo
Total de Suicidios Mensuales Espaa Pronstico Trigonomtrico
Serie desestacionalizada Pronostico Trigonometrico Pronstico Autorregresivo AR(1) AR(2)
Pronostico Autorregresivo AR(1) AR(2)
Fuente: Elaboracin propia con base en los datos presentados en el INE

la sobrevaloracin y subvaluacin
de los modelos se gener una nueva prediccin que contabilizara ambos
resultados mediante un promedio simple, lo cual se representa en la Grfica
9 y final del pronstico mediante el ajuste de la tendencia.
El escenario marcado por el pronstico final (grfica 9, lnea amarilla) prev

en general que el mayor nmero de suicidios se registrar en los primeros
tres meses del ao 2015, para volver a subir a su siguiente punto ms alto
alrededor de Junio, no obstante la estimacin muestra un cambio en la
estructura que haba estado llevando la serie a lo largo del tiempo ya que se
prev que en el mes de septiembre habr un incremento en el nmero de
suicidios. Cabe destacar que las muertes autoinfligidas registradas en
Marzo, Junio y Agosto del ao anterior fueron de 318, 371 y 334
respectivamente y los estimados 333, 323 y 323 suicidios previstos para los
mismos meses, lo que supone un aumento del 4.72% en el mes de Marzo
pero una reduccin del 12.94% y del 3.29% para Junio y Agosto. Adems de
esto el panorama previsto es un tanto optimista debido a que la media
general del ao 2013 y 2014 fue de 323 y 326 suicidios promedio al ao,
mientras que se espera que para el 2015 ste se reduzca a 301 suicidios lo
que se traduce en una disminucin del 6.81% con respecto al 2013 y una
disminucin del 7.67% correspondiente al 2014.
Grfica 9
Pronstico Final 2015
400
Nmero de Suicidios
300 250 350
2011m7 2012m7 2013m7 2014m7 2015m7

Periodo
Total de Suicidios mensuales Espaa Banda de Confianza Superior
Banda de Confianza Inferior Pronstico Suicidios 2015
Ms all de la aparente disminucin que se registrar en el ao 2015 se

debe tener en cuenta que en 2013 la cifra total de suicidios registrados fue
de 3870, en 2014 fue de 3910 y se estima que para finales de 2015 se
estn registrando un total de 3613 suicidios. Lo que significa que aunque las
cifras en porcentajes pueden ser reconfortantes, la realidad del pas es otra,
pues hay ms de 3500 muertes por ao solamente en Espaa, colocndose
como la primera causa de muerte no natural en esta regin de Europa. Y las
cifras van en aumento, segn el Instituto Nacional de Estadstica espaol el
rango de edad con un progresivo aumento hacia el suicidio son los jvenes
de entre 15 y 19 aos.
Suponiendo las que las condiciones se mantengan constantes el desarrollo
del suicidio puede verse ligeramente disminuido, no obstante el riesgo
aumenta si existen condiciones econmicas precarias como aumento en la
tasa de desempleo, jubilados o de trabajadores con situacin laboral
inestable, adems de fenmenos como el desarraigo familiar, social,
emigracin, etc. La asociacin entre la precariedad laboral y la muerte por
voluntad propia parece deberse a causas econmicas y de apoyo social y
familiar que producen una mayor vulnerabilidad frente a las enfermedades
mentales o la incapacidad del individuo de adaptarse a la acelerada vida
moderna. Estos factores tienen gran importancia porque Espaa presenta
una de las tasas de paro y contratacin temporal ms altas de la Unin
Europea.
Como consideracin final parece razonable pensar que dado el
individualismo de la sociedad contempornea, las exigencias de esta
sociedad y el nuevo papel de la mujer en el mercado laboral, existe una
mayor dificultad en conciliar la vida laboral y familiar y por ende surge una
forma de explicar porque no se produce una disminucin en el nmero de
suicidios de manera realmente significativa. Teniendo en cuenta que se
producen ms muertos por suicidio que por accidentes de trfico, segn el
Instituto Nacional de Estadstica, es razonable exigir que se gaste en la
prevencin del suicidio al menos tanto como en la prevencin de las
colisiones de los vehculos de motor, pese a los esfuerzos de poltica
econmica basados en la austeridad, los factores de riesgo del suicidio son
numerosos y diversos, y se pueden interrelacionar entre ellos. El
conocimiento de los determinantes y la realizacin de futuros estudios que
vayan analizando la influencia de los factores que puedan aparecer debido a
lo cambiante de la sociedad y poltica contempornea hacen necesarios el
diseo de las intervenciones pertinentes para prevenir el suicidio.
La siguiente tabla muestra la frecuencia de muertes por mes, la cual resalta
que el suicidio no es un problema aislado, sino un problema de salud pblica
que se debe resolver cuanto antes.
Tabla 3
Nmero de suicidios registrados en Espaa
Tota Medi
2013 l a
En Fe Ab Ag No
Mar May Jun Jul Sep Oct Dic 387
e b r o v 323
0
344 289 359 324 335 363 357 308 345 301 259 286
Tota Medi
2014
l a
En Fe Ab Ag No
e b r o v 326
0
339 293 318 338 331 371 342 354 334 332 283 275
Tota Medi
Estimacin 2015
l a
En Fe Ab Ag No
e b r o v 301
3
314 288 333 280 309 323 301 295 323 286 277 285
2.7 Pronstico por medio del Suavizamiento Exponencial
de la serie sobre suicidio
Los resultados de los suavizamientos13 indican que el suavizamiento

exponencial Holt-Winters (Aditivo) y el suavizamiento exponencial Holt-
Winters (Multiplicativo) tienden a minimizar los errores cuadrticos con
mayor eficacia que los dems modelos ya que los valores de estos son de
0.1011 y 0.1056 respectivamente, lo que significa que hay un mayor ajuste
entre los datos predichos por el suavizamiento y la serie original. Esto es
debido a que los ponderadores alfa y beta en el suavizamiento exponencial
Holt-Winters (Aditivo) son muy cercanos a 1, lo que significa que les dar
mayor peso a las observaciones ms recientes con respecto a las pasadas.
13 Los resultados de los coeficientes alfa beta y gamma de cada uno de los
diferentes suavizamientos exponenciales determinados por el algoritmo de
optimizacin BroydenFletcherGoldfarbShanno (BFGS), lo cual asegura que los
errores cuadrticos medios sean los mnimos posibles para la serie.
Mientras que el suavizamiento exponencial Holt-Winters (Multiplicativo)
aplica un ponderador de suavizamiento relativamente bajo en comparacin
de los modelos anteriores pero el ponderador gamma es de tal magnitud
que reduce al mnimo las perturbaciones estacionales dentro de la serie, lo
cual permite un mayor ajuste del modelo.
La capacidad de prediccin de los diferentes modelos exponenciales
muestran los siguientes patrones de comportamiento:
2.7.1 Pronsticos con escenarios optimistas:
Los escenarios optimistas se caracterizan por un comportamiento en donde

se considera que algunas, o todas, las variables que han servido de
referencia para la configuracin del escenario ms probable puedan
concretarse tomando valores que llegan a mejorar las previsiones iniciales
recogidas en el escenario ms probable del pronstico, es decir que se
espera un cambio muy positivo dentro de la serie generalmente en un corto
plazo, en el caso de los suicidios un escenario optimista estara basado en la
reduccin de los mismos drsticamente en los prximos 12 meses. De todos
los pronsticos los tres que aseguran un escenario optimista son el
suavizamiento exponencial simple y doble y el Holt-Winters, esto se debe a
que estos modelos no toman en cuenta variables relevantes como la
estacionalidad y la tendencia, por lo tanto si consideramos la evolucin de
la serie a lo largo de los aos y la situacin econmica y poltica del pas en
crisis, resultara poco creble que haya una disminucin tan grande de los
suicidios en tan poco tiempo.
2.7.2 Pronsticos con escenarios pesimistas:
Los escenarios pesimistas se caracterizan por un comportamiento que a

diferencia del escenario optimista, las variables que han servido de
referencia para la configuracin del escenario ms probable pueden
concretarse tomando valores que empeoran las previsiones iniciales, es
decir que se espera un cambio muy negativo dentro de la serie; En el caso
de los suicidios un escenario pesimista radica en el aumento de los suicidios
muy drsticamente en los prximos 12 meses. En los resultados obtenidos
por los mtodos Holt-Winters aditivo y Holt-Winters Multiplicativo
observamos este comportamiento, no obstante que sea una prediccin
pesimista, los valores predichos mantienen cierta coherencia con la
evolucin de la serie a lo largo de los aos, esta coherencia entre el
desarrollo de la serie y los suavizamientos es mayor a la encontrada por los
modelos simples, dobles o Holt-Winters debido a que estos utilizan
ponderadores especiales para cada caracterstica relevante de la serie, por
ejemplo la estacionalidad y la tendencia. En el caso del anlisis de suicidios,
se observa que el comportamiento general es siempre a la alza y el
agravamiento de la crisis europea es un factor desencadenador de esta
respuesta, al menos en Espaa. Sin embargo el escenario ideal se concentra
entre las predicciones Holt-Winters Multiplicativo y el Holt-Winters Aditivo,
por lo que por medio de un promedio simple encontraremos los valores del
escenario ms probable. La Grfica 10 muestra de manera simplificada los
pronsticos de los diferentes modelos.
Grfica 10
Comparacin Modelos de Suavizamiento Exponencial
Pronsticos para 2015
400
Nmero de Suicidios
200 100300
2011m7 2012m7 2013m7 2014m7 2015m7
Periodo
Total de Suicidios mensuales Espaa Pronostico Exponencial Simple
Pronostico Exponencial Doble Pronostico Holt-Winters
Pronostico HW (Aditivo) Pronostico HW (Multiplicativo)
2.7.3 Escenario
ms probable:
El escenario ms probable es aquel que se espera que tenga lugar con

mayor probabilidad. Las hiptesis para la estimacin de las variables que
intervienen en la determinacin del pronstico se han hecho tratndose de
ajustar a lo que se espera que acontezca teniendo en cuenta la evolucin de
la serie en el pasado y las condiciones actuales externas al modelo, por lo
que el promedio simple de los modelos Holt-Winters Aditivo y Multiplicativo
permiten acercar lo ms posible a un escenario probable en los prximos 12
meses.
Segn los valores previstos para el 2015 el nmero de suicidios tender a
mantenerse en un promedio de 329 muertes mensuales frente a los 326
registrados en 2014 y 323 en 2013, lo que supone un incremento de tan
solo 0.92% con respecto al ao anterior y de 1.86% de los valores
encontrados en 2013. Adems se prev que los meses con mayor incidencia
de este fenmeno ser el mes de marzo con un total de 363 suicidas lo que
equivale a un aumento del 14.15% con respecto al mismo mes del ao
anterior y un aumento del 1.11% segn los datos de marzo de 2015. Junio a
su vez ser el mes con el mximo nivel registrado para los 12 meses
previstos, no obstante esto solo supondr un aumento del .27% con
respecto a 2014 y un aumento del 2.48% con respecto al mismo mes del
ao 2013.
Estos datos indican que dadas las condiciones actuales la sociedad espaola
mantendr su nmero de suicidios sin variaciones significativas, esto debido
a la grave recesin por la que el Estado espaol se ha sumergido a fin de
mantener las polticas de austeridad impuestas por el Banco Central
Europeo, polticas tales que han mermado la calidad de vida de los
habitantes, provocando que la situacin econmica y la ausencia de
esperanza de mejora hayan contribuido al aumento de los suicidios en aos
anteriores.
El suicidio es un reflejo del estado de salud de una sociedad, las cuales, en
un contexto moderno carecen de cohesin social, as como sentido de
pertenencia, disminucin de los lazo sociales, de acceso a las
oportunidades, as como de la insuficiente satisfaccin de necesidades han
originado sentimientos de desesperanza, tristeza, incertidumbre,
desesperacin y soledad, que pueden convertirse en un detonante para
trastornos mentales como la depresin, la ansiedad y como ltimo recurso
el suicidio.
Al respecto es importante sealar que aunque no se prevea un aumento
significativo en los suicidios para el ao 2015 esto no supone un alivio o
solucin del problema, pues se estima que en total habr alrededor de 3951
suicidios, es decir un aumento del 45.85% con respecto del total registrado
en 1995, un aumento de tal magnitud en 20 aos nos indica que hay un
problema que est afectando a los ciudadanos espaoles de una manera
silenciosa y que las autoridades competentes no han solucionado por falta
de inters e investigaciones pertinentes en cuanto al tema. No obstante ni
siquiera en aos recientes se ha prestado verdadera atencin a esta
situacin ya que el total de suicidios en Espaa en 2005 fue de 2227, lo que
supone un aumento del 77.41% con respecto a los valores predichos para
2015, es decir un crecimiento de ms de la mitad de los suicidios
registrados hace 10 aos. Por tanto, no es el desempleo per se la causa del
suicidio, sino la desesperacin asociada a la persistencia del desempleo lo
que lleva a los ataques de ansiedad y a la depresin. La duracin del
desempleo o los niveles de endeudamiento llegan a tener ms relevancia al
tratar de explicar el aumento de los suicidios.
La Grfica 11 muestra el pronstico del comportamiento de los suicidios en
2015
Grfica 11
Mtodo de Suavizamiento Exponencial Holt-Winters
400
Nmero de Suicidios
300 250 350
2011m7 2012m7 2013m7 2014m7 2015m7

Periodo de estudio 1995-2014
Total de Suicidios mensuales Espaa Pronstico Suicidios 2015
Por ltimo, la Tabla 5 muestra un resumen de los valores esperados para

2015
Tabla 4
Nmero de suicidios registrados en Espaa
Tot Med
2013 al ia
En Fe Ma Ab Ma Ju Ag Se Oc No Di
Jul
e b r r y n o p t v c 387
323
34 28 35 32 33 36 35 30 34 30 25 28 0
4 9 9 4 5 3 7 8 5 1 9 6
Tot Med
2014
al ia
Jul
326
33 29 31 33 33 37 34 35 33 33 28 27 0
9 3 8 8 1 1 2 4 4 2 3 5
Tot Med
Estimacin 2015
al ia
Jul
329
32 30 36 33 35 37 35 33 33 30 27 28 1
9 6 3 2 6 2 2 4 8 3 9 8
Fuente: Elaboracin propia con base a los datos presentados en el
INE
comparado con los valores observados de los aos 2013 y 2014 a fin de
vislumbrar la complejidad y tendencia a la alza.
III
VENTAS NACIONALES DE AUTOMOVILES
3.1 Anlisis Metodolgico Modelo sobre las Ventas
Nacionales de Automviles
Para definir a esta serie nos basaremos en el concepto proporcionado por

INEGI, el cual dice que las ventas de automviles nacionales son las que
incluyen unidades manufacturadas o ensambladas tanto por componentes
nacionales como importados, y que estn destinadas al mercado nacional.
En este sentido lo datos con los cuales se trabaja refieren a las ventas de
automviles realizadas al consumidor final, incluyendo las unidades que las
agencias automotrices importan de otros pases.
3.2 Anlisis grfico y estadstico sobre las Ventas

Para fines de este trabajo se cuenta con datos sobre las ventas de
automviles a nivel nacional desde el mes de enero de 1995 hasta el mes
de agosto del 2016, que es el periodo ms actual que nos proporcionan
INEGI y que permiten hacer un pronstico sobre su comportamiento a
futuro. Mediante los registros de INEGI y un primer acercamiento grafico de
la serie se puede observar una fuerte cada en la venta de autos con la crisis
del 2008, la cual comienza a recomponer su tendencia a la alza hasta los
primeros meses del 2010, cuando el impacto de dicha crisis comenz a
disminuir; esto ya que el poder adquisitivo disminuyo, as como los crditos,
y los individuos preferan gastar su menor ingreso en cosas ms
indispensables antes que un automvil y los costos que genere contar con
uno, o en su caso optaban por la compra de automviles seminuevos.
Aunado a lo anterior esta la crisis en la que entraron grandes empresas
automotrices como Ford, General Motors y Chrysler, quienes adems de ver
reducida su demanda tenan resultados financieros negativos producto de la
salida de capitales de esos mercados para refugiarse en mercados ms
seguros. A pesar de la cada ms abrupta en la crisis de 2008 del mercado
automotriz lo datos muestran que el sector se vena desacelerando desde el
2005, despus de que en el ao 2004 recibi su entrada ms importante en
IED de la dcada, por lo cual la produccin fue mayor y con esto hubo
mayor flexibilidad de crditos provocando que ms personas pudieran
adquirir autos, lo cual en los aos siguientes se fue haciendo menor hasta
llegar el punto crtico donde exploto la burbuja de 2008. Fuera de este
impacto se puede notar claramente una tendencia creciente en la venta de
vehculos, especialmente vemos un boom en la dcada de los 90`s ya que
fue en esa poca donde el sector automotriz comenz a crecer ya
implantarse en muchas regiones del pas debido a los bajos costos de la
mano de obra y las facilidades que se les daban a las empresas. Ahora en
los ltimos aos hemos sido testigos de una fuerte entrada de IED en este
sector y la llegada de nuevas empresas automotrices al pas, tal es el caso
de empresas como Toyota, BMW y Mercedes Benz, lo cual se traduce en una
mayor oferta de vehculos y ms facilidades de compra para los
consumidores. Con fin de ejemplificar lo dicho anteriormente a continuacin
se muestra la Grafica 12 con el comportamiento de la venta de automviles
nacionales desde 1995/1 hasta 2016/8.
Grafica 12
Venta Mensual de Autos en Mexico
Periodo 1995/1-2016/8
20000 40000 60000 80000 100000

Venta Mensual de Autos
0 1995m1 2000m1 2005m1 2010m1 2015m1
Periodo
Fuente: Elaboracin propia con base en datos del INEGI
El grafico anterior muestra

de manera ms clara lo expuesto en el prrafo de arriba y podemos notar
cada uno de los cambios explicados en la serie producto de la mayor
entrada de IED, flexibilizacin en crditos y menores precios debido a la
mayor competencia. Segn estos datos, y auxilindonos de un promedio
anual de las ventas de autos, se nota que durante el periodo 1995-2004 la
venta de vehculos creci en un 419%, mientras que en el periodo 2004-
2009 esta tendencia se revirti cayendo un -40.8% para volver a ser
positiva en el periodo 2009-2015 donde hubo un crecimiento del 103.18%,
finalmente si tomamos en cuenta el total del periodo (1995-2015) vemos
que en promedio hubo un crecimiento del 524.76% en la venta nacional de
vehculos. Estas tasas de crecimiento nos reafirman lo ya expuesto sobre el
comportamiento por periodos de nuestra serie.
Un punto ms que podemos observar claramente en la Grafica 12 es que la
serie cuenta con un componente estacional muy marcado, es decir, tiene un
comportamiento repetitivo en el mismo mes de cada ao durante toda la
muestra; especficamente cada mes 12 nuestra serie muestra un aumento
considerable, por tanto cada diciembre las ventas de automviles tienen un
aumento mayor en comparacin a los dems meses del ao. En la grfica
13 se puede ver mejor la existencia de este componente, en la grfica la
serie se descompone en sus componentes estacionales y eso no permite ver
la influencia que cada temporada tiene en la venta de autos.
Grafica 13
Autos vendidos en Mexico
Periodo 1995/1-2016/2
20000 40000 60000 80000100000
0
1 2 3 4 5 6 7 8 9 10 11 12
Periodo
autos median autos

Fuente: Elaboracin propia con base en datos del INEGI
La grafica muestra las ventas de automviles realizadas a lo largo de todo el

periodo descompuestas por meses, a este dato se le agrega el valor de la
mediana para cada mes (lnea roja), y con esto es fcil observar cuales son
los meses donde hay una mayor venta de automviles, es decir, los meses
que tienen una mediana ms grande. De acuerdo a lo anterior podemos
comprobar lo dicho en el prrafo anterior: es en el mes de diciembre donde
existe una mayor venta de autos debido a que es este mes el que muestra
la mediana ms alta y el que ms contrasta con los 11 meses restantes. Por
tanto se concluye que nuestra serie cuenta con un componente estacional
cada 12 meses. Esto se puede explicar ya que en los ltimos meses del ao
las personas reciben un mayor ingreso derivado de bonos, aguinaldos o
ciertas prestaciones y por tanto tienden a hacer gastos ms fuertes que en
periodos difciles, como los primeros meses del ao o periodos vacacionales
de mitad de ao, donde las personas tienen otro tipo de gastos y no piensan
en hacer un gasto tan fuerte como la adquisicin de un automvil; si bien el
factor anterior puede sugerir que diciembre no es un buen mes para
engancharse con un automvil por los gastos que conlleva navidad esto se
ve contrastado con el siguiente factor, el de la fiebre de cierre de ao este
nos explica que a finales de ao los concesionarios de autos quieren cerrar
el ao con las mayores ventas posibles con el fin de alcanzar ciertos
objetivos de ventas y as obtener los beneficios que implica alcanzar
determinada cifra de ventas, por tal en el ltimo mes del ao se pueden
encontrar mltiples descuentos, facilidades de pago y crditos accesibles
que facilitan la adquisicin de un automvil, seguros y componentes
automotrices.
Una siguiente grafica de caja, Grafica 14, complementa lo visto en la 13 y se
ve nuevamente como el mes 12 es el que cuenta con los valores ms altos
de la serie, con una mediana por encima de los dems. Otro dato
importante que arroja esta grafica es que el 25% de las ventas que se
realizan en diciembre sobrepasan en volumen al 75% de las ventas que se
realizan en los otros meses del ao tambin se pueden observar valores
atpicos que son los puntos que salen de las cajas en los meses de junio,
julio, agosto, septiembre, octubre, noviembre y diciembre; en los primeros
dos ha habido meses con ventas o muy por encima o muy por debajo de la
media, en agosto solo ha habido meses con ventas muy superiores,
mientras que en los ltimos 4 meses solo ha habido ventas con volmenes
muy por debajo de la media. Adicionalmente el grafo ayuda a distinguir el
tipo de distribucin con la que cuenta la seria, respecto a esto nuestra serie
se comporta como una normal, con un pequeo sesgo hacia la izquierda y
toma la forma de una leptocurtica, segn su histograma y la prueba Jarque-
Bera.
Grafica 14 Grafo de Caja: Autos vendidos en Mexico

Periodo 1995/1-2016/8
20,000 40,000 60,000 80,000 100000
0
1 2 3 4 5 6 7 8 9 10 11 12
Fuente: Elaboracin propia con base en datos de INEGI
Finalmente la grfica 14 nos muestra que en ms del 50% de los meses de
diciembre las ventas de autos han sido superiores a 70000 unidades,
mientras que en los dems meses el 75% tiene ventas inferiores a las 65 mil
unidades, siendo abril el mes donde menos carros se venden pues el 50%
de los meses tienen ventas inferiores a las 50 mil unidades.
Una vez realizado el anlisis grfico y estadstico de la serie original se
hacen notar problemas de estacionalidad y distorsiones provocadas por
diversos efectos, los cuales se han tratado de explicar lo mejor posible, que
hacen necesaria la aplicacin de diferentes mtodos a fin de suavizar
nuestra serie y eliminar las distorsiones que esta contienen. Para el anterior
fin se procede a aplicar las tcnica X-11, as como los suavizamiento ya
vistos en la serie anterior del suicidio y finalmente la prediccin para los
siguientes 12 meses del comportamiento de la venta de automviles.
3.3 Anlisis de Medias Mviles sobre la serie de Ventas

Nacionales de Autos
En el anlisis de la serie las medias mviles simples no fueron eficientes

para tomar todos los cambios que se presentan en la misma, por lo cual
quedaron descartadas del proceso. Dicho lo anterior las MA que mejor
suavizaron la serie original son las siguientes:
Yt= Y t2 +Y t1 +Yt+Y y+1 +Yt +2 (1)

2
MA 2 x2 =
2

2
1 1 1 3 1 1 (2)
MA 2 x 2 i= [ Yt ; ]= Y t 2 + Y t 1+ Yt + Y y+1 + Yt +2
4 2 4 2 4 2 4
[ ]
6
H= i Yt =
6
0.019 Y t6
0.028 Y t 5
0.066 Y t 3(0)Y t 4
0.214 Y t 1 +(0.147)Y t 2+
0.24 Y t +
(3)
0.147 Y t2 +( 0.214)Y t1+
0.066 Y t3 +
0.028 Y t 5( 0)Y t 4 +
(0.019)Y t 6
Grficamente las ecuaciones anteriores tienen el comportamiento

visualizado en la grfica 15 en donde se contrastan con la serie original:
Grafica 15
Comparacin entre Medias Moviles
Media simetrica, ponderada y Henderson
100000
80000
Ventas de Autos
60000 40000
2012m1 2013m1 2014m1 2015m1 2016m1

Periodo
autos MA simetrica centrada(2 1 2)

MA Ponderada(1 <2> 1) MA Hendersson
Elaboracion propia con base en datos de INEGI
Como ya se haba mencionado en la serie anterior el uso de las medias

mviles es necesario para localizar la tendencia de la serie y ajustar la serie
original. En la grfica 15 vemos la MA simtrica centrada representada en
color rojo, si bien no se apega mucho a la serie original, representada por la
lnea azul, si suaviza los picos de la serie y los achata, sin embargo, en
cierto momento de la serie la MA se comporta al contrario de la serie
original, por lo cual no podemos considerarlo como la mejor opcin.
Mediante la media mvil ponderada, lnea verde, podemos ver un
comportamiento ms apegado a la serie original, respeta los saltos que da
as como las cadas que se presentan mediante una serie ms suavizada;
finalmente mediante la MA estandarizada de Henderson se puede ver que
esta suaviza mejor la serie eliminado los picos tan abruptos que se
presentan en la serie original y siguiendo el comportamiento de la misma,
por lo cual podemos decir que esta es la mejor MA. A pesar de que todas las
MA logran capturar el comportamiento de la serie original lo hacen de
distintas maneras, como ya se dijo la que tiene un mejor ajuste es la de
Henderson por tanto esta ser la que se usara para el calcula de la
desestacionalizacin mediante el mtodo X-11.
3.4 Desestacionalizacin x-11 sobre la Serie de Ventas

Mediante el mtodo del X-11 se genera una aproximacin de la serie pero
sin tener componentes estacionales, esto permite tener una serie sin picos
tan grandes como los que muestra la serie original, es decir, muestra una
forma ms curva y estilizada. Esto permite observar de mejor manera la
tendencia a corto plazo y comparar los distintos meses del periodo sin
preocuparse por el periodo estacional, que como vimos estaba en los meses
de diciembre, el cual puede traer errores de aproximacin y prediccin que
afectaran nuestra toma de decisiones.
En el grafico 16 vemos la comparacin de nuestra serie original y la
calculada mediante el mtodo X-11, mediante este grafico logramos ver
como la mayora de los efectos estacionales se ven eliminados y al mismo
tiempo la lnea roja (serie desestacionalizada) sigue la tendencia de la serie
original de una forma ms suavizada.
Grafico 16
Comparativo de la serie original y desestacionalizada
X-11
100000
80000
Ventas de Autos
60000 40000
2012m1 2013m1 2014m1 2015m1 2016m1

Periodo
autos aut_sa
3.5 Pronostico por medio de los Ajustes de Tendencia
La base de este tipo de prediccin es la no presencia de componentes

estacionales en la serie, es por este motivo que para estos procesos
usaremos la serie creada en la seccin anterior y que permite omitir las
perturbaciones estacionales en la prediccin. Al igual que para el suicidio se
har uso de una estimacin paramtrica mediante MCO con tendencia
lineal, cuadrtica, cubica, polinmica, trigonomtrica y el caso del
autorregresivo. Una vez hechos todos los procesos la eleccin de la mejor
forma funcional estar sujeta a diversos criterios, siendo los ms
importantes el ajuste grfico, la bondad de ajuste y la significancia
individual de los parmetros a un nivel de confianza del 95%.
Ya se dio una definicin clara sobre lo que representa una tendencia, solo es
importante recalcar que para los siguientes mtodos que se aplican la
tendencia es el punto de partida; como sabemos todas las series
econmicas siguen cierta tendencia y esta no tiene que ser lineal
obligatoriamente, lo que se busca pues en esta parte del trabajo es ver qu
tipo de tendencia es la que ajusta mejor nuestra serie: lineal, polinmica,
trigonomtrica o con autorregresivo.
3.6 Ajustes de Tendencias sobre la Serie de Ventas

Nacionales de Autos
Una vez realizado los distintos procedimientos para calcular cada tipo de
tendencia y haber encontrado su valor de significancia, bondad de ajuste y
2
el R ajustado, as como la media de los errores al cuadrado, se escoge el
modelo que ms ajuste tiene con nuestra serie desestacionalizada. Lo
anterior se hace mediante el error cuadrtico medio o MCE, por las razones
ya explicadas con anterioridad en la serie del suicidio, en la tabla 5 se
puede observar el resumen de los valores obtenidos para cada uno de los
mtodos aplicados:
Tabla 5
Lineal
X t =28447+158.2245 T
R2 R2 Aj. ECM
0.4905 0.4885 12150
Cuadrtica
X t =19815.9+358.9774 T .774992T 2
2 2
R R Aj. ECM
0.5435 0.5400 11523
Cbica
X t =5130.945+ 1526.044 T 12.06214 T 2 +0.290531 T 3
R2 R2 Aj. ECM
0.8673 0.8658 6224.3
Trigonomtrica sen y cos k=204
t 2 t
X t =24286.99+200.4673 T +5351.95 sen(
204
)16488.51cos( )
204
R2 R2 Aj. ECM
0.9281 0.9273 4581.2
Segn los resultados
obtenidos X t =699.9457+3.437936 T + 1.79287 X t1.8149504 X t2
aplicando los
diferentes mtodos y
expuestos en R2 R2 Aj. ECM la tabla 5 se
puede ver que 0.9957 0.9957 1108.6 los dos
modelos que Fuente: Elaboracin propia con base a los datos ms se ajustan
a nuestra serie presentados en el INEGI
desestacionalizada son la tendencia trigonomtrica con una periodicidad de

204 meses y aproximado mediante la funcin seno y coseno; esta tendencia
tiene un R2 ajustado de 0.9273 es decir del 93%, lo cual es una muy
buena relacin entre las variables adems de que su mecanismo de
correccin de error es de los ms bajos con 4581.2. Por otro lado tenemos el
modelo autorregresivo cuando los errores se comportan como un AR(1) y
AR(2), en este caso tenemos un R2 an ms elevado que en el caso
anterior, pues este llega al 99.57%, demasiado cercano al 100% y un MCE
de 1108.6 que est muy por debajo de los dems ajustes, recordemos que
aunado al mayor grado de ajuste el modelo autorregresivo nos permite
reducir efecto de correlacin, si llegara a haber, por lo que se preferir este
modelo al trigonomtrico.
En la grfica 17 se aprecia el comportamiento de cada modelo descrito en la
tabla 5; mediante este grafo es ms fcil observar que tendencia calculada
se ajusta ms a la serie sin componente estacional a lo largo del tiempo y
especialmente cual se apega ms a los ltimos valores, as pues las
tendencias que menos se acerquen al comportamiento original sern
descartadas y quedaran las que ms lo hagan. Con base en lo anterior la
tendencia lineal y cuadrtica quedan descartadas ya que no logran captar
con gran eficiencia la tendencia general de la serie, a diferencia de lo que
pasa con la tendencia cubica, trigonomtrica y de autorregresivo, las cuales
se ajustan al comportamiento de la tendencia desestacionalizada y
convergen en los ltimos datos con ella. Sin embargo segn la tabla 5 se ve
que los dos modelos que ms se ajustan a la tendencia sin componente
estacional con el modelo de Autorregresivo y el trigonomtrico, por lo que
estos son los que se usan para hacer la prediccin a 12 meses mediante el
clculo de un promedio de ambas tendencias.
Grafica 17
Lineal, Cuadratica, Cubica, Trigonometrica, Autorregresivo
100000
Venta de Autos
50000
0
1995m1 2000m1 2005m1 2010m1 2015m1

periodo
aut_sa Tendencia lineal total de la serie

tendencia cuadratica total de la serie tendencia cubica total de la serie
f(sen,cos)204 meses errores como ar12
Elaboracion propia con base en datos de INEGI en el paquete STATA13
La grafica 18 nos muestra el comportamiento de los pronsticos

desestacionalizada transformados a los valores originales, es decir,
incluyndoles los factores estacionales; esto se hace con el fin de ver el
comportamiento de la serie estimada para los valores orinales de la muestra
ya que despus de este proceso la serie estimada muestra los picos
estacionales en el mes donde corresponde, es decir, diciembre. Sin embargo
en el grafo 18 contamos con dos modelos, el trigonomtrico y el
autorregresivo, esto puede conducir a una sobrevaloracin (autorregresivo,
lnea verde) o a una subvaluacin (trigonomtrico, lnea roja), para evitar
que esto ocurra lo mejor opcin es generar un promedio de ambos modelos,
el resultado obtenido por este promedio simple se expone en la grfica 19.
Grafica 18
Pronostico proximos 12 meses
Pronostico en serie original: modelo autorregresivo y trigonometrico
40000 60000 80000 100000 120000

Ventas de autos
2013m1 2014m1 2015m1 2016m1 2017m1
Periodo
Venta naciona de automoviles Pronostico Trigonometrico

Pronostico autorregresivo(1)(2)
El pronstico final para las

ventas nacionales de automviles prev una cada en las ventas para el
prximo mes, la cual se recuperara de forma rpida en el mes de noviembre
para volver a caer en diciembre, esto indica que nuestro pronstico cambio
la tendencia y no elevo las ventas en el mes de diciembre como se hubiera
pensado segn el periodo estacional que se ve a lo largo de toda la
muestra, en el primer mes de 2017 vemos que hay una recuperacin y
ligero crecimiento hasta el mes de abril pues en mayo la venta de autos ira
a la baja nuevamente, finalmente en el segundo semestre del 2017
alcanzara su punto ms alto, debido a la limitacin del periodo no nos
permite ver si el mes de diciembre del 2017 mostrara el comportamiento
estacional que se vena dando a lo largo del periodo estudiado, sin embargo
es de esperarse que este se haga presente y muestre un pico abrupto en
ese mes. En general vemos que el pronstico para la primera mitad del
2017 indica que las ventas se mantendrn relativamente constantes, siendo
hasta la segunda mitad del ao donde habr las mayores ventas. Segn los
nmeros arrojados por el mismo pronstico se prev que para el siguiente
mes la venta de autos disminuya de 93723 unidades vendidas registradas
en agosto a 78632 unidades, es decir se pronostica una cada del -16.1%,
para despus tener un crecimiento aproximado del 6.9% a noviembre; como
se mencion vemos un comportamiento totalmente contrario en el mes de
diciembre a lo pensado pues en lugar de aumentar se pronostica que las
ventas disminuyan en un -10%; en cuanto al 2017 se ve una recuperacin
del 7.7% respecto al cierre del ao anterior, durante los prximos 3 meses
habr un ligero crecimiento del 5.8% segn lo pronosticado, para despus
dar paso a una cada de ventas entre mayo y junio; finalmente agosto ser
el mes en el cual las ventas tendrn un aumento significativo del 31.6% en
comparacin con el mes anterior.
Grafica 19
Pronostico Final 2016/9-2017/8
60000 80000 100000 120000
Ventas de autos
40000
2013m1 2014m1 2015m1 2016m1 2017m1

Periodo
Venta naciona de automoviles banda superior

banda inferior tendencia promedio final real
Vemos pues que el panorama del sector automotriz para los prximo meses
se encuentra un tanto voltil, con bastantes cadas y subidas para un
periodo relativamente corto de tiempo, a pesar de que el pronstico no
mostro lo esperado en cuanto al componente estacional si muestra un
comportamiento similar al que la serie venia teniendo durante los aos
anteriores, un comportamiento muy fluctuante donde existen periodos
relativamente tranquilos para despus dar paso a saltos muy abruptos.
Tambin es importante resaltar que la tendencia creciente que se viene
viendo durante los ltimos 20 aos es respetada por el pronstico
esperando que siga en crecimiento, incluso que tenga un crecimiento ms
agresivo el prximo ao, lo cual podra darse debido a los planes de
inversin que mltiples empresas automotrices tienen en el pas, ya sea de
expansin o establecimiento, y a las mayores facilidades que esto
conllevara.
Dejando a un lado la tendencia creciente vemos claramente que para el
cierre de este ao e inicios del siguiente el pronstico no es muy positivo,
pues se prev un cierre con el mercado automotriz a la baja y un inicio no
muy dinmico; esto es muy probable que pase debido a la enorme
volatilidad que ha tenido en los ltimos meses el precio del dlar y la
inseguridad que esto genera a en los consumidores, as como la
incertidumbre ante las decisiones que se puedan tomar en cuento a las
tasas de inters, recordemos que a pesar de que en semanas anteriores la
FED decido no subirla se est ante la posibilidad de que decidan subirla en
los prximos meses, lo cual afectara a las tasas mundiales aumentando el
precio de los crditos y por ende de las facilidades para adquirir autos. Se
ve pues un panorama de incertidumbre y desconfianza de los agentes
consumidores, por lo cual estos pueden decidir no gastar en un bien que
implica un gasto fuerte como lo es un automvil, por lo menos no en el
corto plazo, esta tendencia podra cambiar despus de ver que es lo que
ocurre en las elecciones de E.U.A, las decisiones de a FED y la
reorganizacin de la economa mexicana para afrontar los problemas
econmicos del prximo ao.
Aunado a lo anterior y segn lo que algunos analistas comentan, podemos
esperar que el dinamismo visto durante el periodo 1995-2004 y 2010-2015
se vea reducido en el futuro ya que la actual generacin, los llamados
Millenials, cada vez tienen menos posibilidades de adquirir este tipo de
bienes, es una generacin que cuenta con pocos ingresos y que a la vez
representa el grueso de la poblacin actual, debido a esto podemos esperar
un menor dinamismo en la venta nacional de automviles. Debido a lo
anterior y los dems factores explicados es posible que en los prximos
aos veamos una revolucin en la industria automotriz, esta es un industria
que necesita adaptarse a las necesidades de la poblacin mexicana actual,
ofrecer ms posibilidades de pago y flexibilizacin tanto en precios como en
crditos; as como opciones de bajo costo para el mercado potencial
naciente.
3.7 Pronostico por medio del Suavizamiento Exponencial
de la serie Ventas Nacionales de Automviles
Una vez realizados cada uno de los mtodos de suavizamiento se puede

concluir que los ms eficientes en minimizar los errores cuadrticos son el
suavizamiento exponencial doble y el Holt Winters multiplicativo, se lleg a
esta conclusin ya que despus de ver los valores arrojados para el error
cuadrtico medio fueron estos dos procesos los que tiene lo valores ms
pequeos, es decir, son estos los que ajustan de mejor manera los datos de
la serie original y los datos generados por el mtodo de suavizamiento. Lo
anterior se debe a que los valores de alfa y beta se acercan mucho a 1, por
tal las observaciones ms recientes tienen un mayor peso que las ms
lejanas.
Segn las predicciones que arrojan los modelos exponenciales se pueden
tener los siguientes escenarios:

Para este tipo de escenarios el comportamiento de las variables que
configuran el escenario ms probable a pasar deben de tomar valores que
hagan que el comportamiento de la variable en cuestin mejore, deben de
generar un cambio positivo dentro de la serie a determinado plazo. Para la
serie de ventas nacionales de automviles el escenario optimista ser aquel
en el que las ventas de autos aumenten de manera significativa en el
periodo pronosticado, es decir, en los prximos 12 meses. Para tal caso
dentro de los pronsticos realizados se encuentran 3 modelos que dan
perspectivas optimistas; uno de ellos es muy optimista en el corto plazo,
este es el modelo HW multiplicativo; otro ms, el HW aditivo es igual
optimista a coro plazo pero de una forma ms reservada que el primero; en
el caso de los otros dos, el suavizamiento exponencial simple y el
suavizamiento HW, se notan un tanto pesimistas en el corto plazo pero a
largo esta tendencia cambia para volverse optimistas.

Estos, al contrario de los primeros, se caracterizan por un comportamiento
negativo de las variables que configuran el escenario ms probable a
suceder, por tanto las presiones iniciales de la serie empeoraran. En este
sentido el escenario pesimista para la serie en cuestin seria que las ventas
de automviles disminuyan radicalmente en el prximo ao.
En los pronsticos realizados mediante suavizamiento se nota uno que
presenta un comportamiento pesimista, este es el mtodo de suavizamiento
doble, lnea verde en la grfica 20, sin embargo, este comportamiento
difiere mucho de la tendencia que hasta ese momento segua la serie
original, por tanto los valores tomados por esa prediccin no son del todo
coherentes. Si tenemos en cuenta que, exceptuando ciertos periodos de
crisis, la tendencia de la venta de autos en los ltimos 20 aos ha sido
creciente es muy difcil pensar que de la noche a la maana esta tendencia
cambiara de una forma tan drstica como lo sugiere el mtodo de
suavizamiento doble
Segn lo visto en aos anteriores y tomando en cuenta el periodo estacional
y la tendencia a la alza se pude concluir que el mejor modelo es el Holt
Winters multiplicativo, ya que nos muestra un crecimiento significativo en el
mes de diciembre, as como una cada para los periodos siguientes, sin
embargo este mtodo tiene un crecimiento demasiado grande en las
ventas, al cual es difcil llegar, es por ello que se eligen tanto este mtodo
como el aditicio y se realiza un promedio de ambos para explicar el
escenario ms probable, este promedio permite que la tendencia de la serie
original se respete y al mismo tiempo los valores no sean tan explosivos
como lo sugiere el mtodo HW multiplicativo.
La grafica 20 muestra el comportamiento de cada uno de los suavizamiento
tomados en cuenta para ver los diferentes tipos de escenarios.
Grafica 20 Comparacion Modelos de Suavizamiento Exponencial

Pronosticos 2016/9-2017/8
150000
Ventas de Autos
100000
50000
2013m1 2014m1 2015m1 2016m1 2017m1

Periodo
Venta naciona de automoviles Suavizamiento simple

Suavizamiento doble Pronostico HW Real optimo
Pronostico HW aditivo Pronostico HW mult optimo real
3.7.3 Escenario ms probable:

Este escenario es el que, segn el comportamiento en el tiempo de la serie
y lo que se espera a futuro, as como las condiciones actuales, se espera
tenga la mayor probabilidad de suceder. Segn todo lo anterior y el anlisis
hecho de la serie de venta de automviles se opt por hacer un promedio
del mtodo Holt-Winters aditivo y multiplicativo, ya que de esa forma se
acercaba ms al escenario que posiblemente se tenga en los prximos 12
meses.
Segn los valores previstos por este promedio realizado vemos que para los
siguientes 12 meses posteriores a agosto del 2016 el comportamiento de la
serie seguir siendo muy parecido al que ha tenido hasta este momento, se
sigue viendo en diciembre le componente estacional ya que es el mes en el
cual se ve el mayor repunte en ventas pues para diciembre de 2016 se
prevn ventas por poco ms de 134 mil unidades, es decir se prev un
crecimiento del 34% en comparacin a diciembre del 2015 cuando se
vendieron poco ms de 100 mil unidades. Adems para el ao 2017 se
pronostica una tendencia creciente, exceptuando los meses de abril, mayo y
junio que es donde las ventas caen y se recuperan hasta julio para
mantener un lento crecimiento.
Podemos ver que a diferencia de lo que arrojo el proceso de medias mviles
mediante el suavizamiento Holt Winters se sigue la tendencia original de la
serie, la cual en el primer proceso se perdi por completo. Por tal segn este
mtodo el consumo de automviles continuar comportndose de la misma
manera de la que lo vienen haciendo desde hace aos y los factores que se
explicaron que podran mermar la venta de vehculos parecen no ser
relevantes en este caso. Sin embargo esto no implica que las empresas
automotrices deban relajarse y seguir con su comportamiento actual, pues
de hacerlo podramos ver que la tendencia se invierta, las estrategias de
marketing, diversificacin de productos, precios ms accesibles,
flexibilizacin en formas de pago y mayores crditos ayudaran a que la
tendencia creciente se mantenga y la demanda interna vaya en progresivo
aumento.
Por el momento Mxico se ve como un pas fuerte en la industria automotriz
y la demanda ha hecho frente a la oferta, en automviles de precio no muy
elevados; la mano de obra barata y las oportunidades que el pas ofrece han
logrado atraer a mltiples empresas automotoras que cada da piensan en
invertir ms en el pas, tanto instalando nuevas plantas como expandiendo
las ya existentes, este factor ayuda en gran mediad a que el mercado
crezca y se haga ms eficiente.
En la grfica 21 podemos ver el pronstico final mediante el promedio del
suavizamiento HW aditivo y multiplicativo para el periodo 2016/9-2017/8.
Grafico 21
Pronostico Final 2016/9-2017/8
Metodo Holt-Winters Multiplicativo
40000 60000 80000100000120000140000
Ventas de autos
2013m1 2014m1 2015m1 2016m1 2017m1

Periodo
Venta naciona de automoviles Promedio Holt-Winters

elaboracion propia con base en datoa de INEGI
Por ltimo se muestra la tabla 6 con los valores proyectados a 12 meses:
Tabla 6
Ventas Nacionales de Automviles
Total Medi
2014-2015 a
Sep Oct Nov Dic Ene Feb Mar Abr May Jun Jul Ago
5810 6543 6373 6777 7136 8430 7025
7 4 72236 87096 70021 66031 69336 7 9 9 75209 76694 49 4
Medi
2015-2016 Total
a
Sep Oct Nov Dic Ene Feb Mar Abr May Jun Jul Ago
7317 7688 10024 7803 7973 9099 9912 8260
8 4 81714 2 76830 72198 76397 5 4 4 91290 93723 19 1
Medi
Estimacin 2016-201714 Total
a
Sep Oct Nov Dic Ene Feb Mar Abr May Jun Jul Ago 1322 1101
14 Las estimaciones finales fueron redondeadas a cero decimales para que

las cifras tuvieran coherencia con las vidas humanas que fallecieron a causa
de una muerte autoinflingidas.
8851 9519 1036 13424 1093 1017 1051 9049 9550 9865 1017 1043
5 6 55 3 31 24 51 7 1 1 27 21
240 86
Fuente: Elaboracin propia con base a los datos presentados en el INEGI
IV
VALOR DE PRODUCCIN DE LOS JUGUETES

FABRICADOS EN MEXICO
4.1 Anlisis Metodolgico Modelo sobre el Valor de

Produccin de los Juguetes Fabricados en Mxico
El anlisis de la situacin de la Industria Mexicana del Juguete se realizar

mediante la informacin estadstica proporcionada por el Instituto Nacional
de Estadstica y Geografa de Mxico, debido a la cantidad de datos
registrados y a la regularidad con la que se recaba la informacin mediante
la Encuesta Mensual de la Industria Manufacturera. La muestra cuenta con
96 observaciones registradas mensualmente a nivel nacional en un periodo
comprendido entre 2007 y 2014. El tipo de informacin que se utilizar
tendr el formato de serie de tiempo, permitiendo ver cmo ha
evolucionado la situacin de la industria juguetera mexicana a travs de los
aos ubicando los patrones de comportamiento de la serie. Para llevar a
cabo este trabajo se optar por realizar diversas tcnicas economtricas,
especficamente sobre series de tiempo mediante el paquete estadstico
Stata13. Las observaciones recabadas fueron registradas en miles de pesos
a precios constantes de 2008 por lo que no fue necesaria la transformacin
de ninguna de las variables, lo cual est acorde a las necesidades iniciales
del trabajo.
El anlisis de la informacin parte de la idea de la problemtica industrial
que se fomenta a travs de las fluctuaciones del dlar en aos recientes y
como sta afecta en el valor de produccin de los juguetes elaborados en
Mxico, al desarrollo de nuevas empresas dedicadas a esta rama de la
manufactura y la permanencia de empresas nacionales, convirtiendo un
aparente fenmeno aislado en un serio problema de equilibrio
macroeconmico.
4.2 Anlisis grfico y estadstico sobre la serie de

Juguetes
La industria juguetera mexicana es la tercera del mundo por produccin y

exportacin despus de la de China y Brasil. Sin embargo, los altos costos
para operar y la piratera que enfrentan los empresarios mexicanos
obstaculizan su presencia en ferias internacionales para promover el pas y
atraer nuevas inversiones. La representante de la Asociacin Mexicana de la
Industria del Juguete(Amiju) Teresa Kasuga 15 explica que La fortaleza de
este sector est basada en la operacin de las grandes trasnacionales como
Mattel, Lego, Famosa, quienes producen en nuestro pas y exportan a
terceros pases, aprovechando la red de acuerdo comerciales de Mxico con
el mundo
Los informacin sobre la situacin de la industria mexicana del juguete
proporcionados por el Instituto Nacional de Estadstica y Geografa de
Mxico sealan que el aumento en el valor de produccin de los juguetes
est muy relacionado con las fluctuaciones que tiene el peso mexicano
frente al dlar, es decir que choques externos que modifiquen el tipo de
cambio elevan el valor de produccin de los juguetes elaborados en el pas.
Dada esta situacin es evidente que la serie tiene una tendencia positiva
con un comportamiento irregular en los aos en los que la moneda nacional
cae con respecto al dlar, ya que al elevarse el precio de los insumos el
valor total de produccin tambin se eleva. Esto es observable en la serie a
partir del ao 2008 en donde el valor de produccin aument
considerablemente mientras que el peso perdi su valor, esto se puede
explicar debido a las polticas adoptadas por Estados Unidos a modo de
solventar la crisis subprime, la recesin y bajo crecimiento en el pas por
consecuencia de la crisis financiera y la cada de las expectativas de los
inversionistas.
Continuando con el anlisis, la serie se eleva hasta un punto mximo o pico
cada mes de octubre, que coincide con el final de la produccin de juguetes
en espera de las fiestas decembrinas, las cuales presentan las mayores
ventas de este sector. Este comportamiento repetitivo cada diez meses se
denomina componente estacional. La Grfica 22 representa el
comportamiento de la serie mensualmente en el periodo 2007-2014, en
donde claramente observamos los picos estacionales y el aumento del valor
de produccin a partir del 2008.
15 Gonzalez, L. (2013). Industria Juguetera Mexicana tercera en el mundo.

El economista. [online] Disponible en:
http://eleconomista.com.mx/industrias/2013/08/27/industria-juguetera-
mexicana-tercera-mundo [Consultado el 10 Oct. 2016].
Grfica 22
Juguetes Fabricados en Mxico 2007-2014
Valor de la Produccin a Precios de 2008
300000
Valor de produccin en miles de pesos
200000
100000
0 2007m1 2008m7 2010m1 2011m7 2013m1 2014m7
Periodo
Fuente: Elaboracin propia con base a los datos presentados en INEGI
La Grafica 22 tambin muestra

que hay un crecimiento paulatino del valor de produccin de los juguetes
que comienza en el mes de julio para culminar en el mes de octubre, debido
a que la produccin manufacturera de juguetes inicia en el mes de julio a
modo de satisfacer las necesidades del mercado principalmente en navidad
ya que de acuerdo con la Procuradura Federal del Consumidor 16 el gasto
promedio que se realiza en regalos en el periodo navideo es de $1,134
pesos mientras que el 6 de enero es de tan solo $224.
Para ejemplificar lo anterior la Grfica 23 descompone la serie en sus
factores estacionales, en donde las lneas color azul expresan los valores de
produccin de cada mes y las lneas color rojo representan los valores
medianos17 de la serie de tal modo que se aprecia el comportamiento
estacional de cada mes y el inicio del ciclo de produccin de juguetes, por lo
tanto se vislumbra como el valor de produccin de juguetes va creciendo a
medida que se acercan diciembre. Al comportarse de esta manera la serie,
se puede decir que los productores utilizan los ltimos tres meses de cada
ao como un incentivo y por tanto es hasta julio del ao prximo que se
reanuda el ciclo productivo a modo de adquirir los mayores beneficios
posibles.
16 PROFECO, (2016). Brujula de compra: un mundo de juguete. Ciudad de

Mxico, p.2.
17 El uso de valores de la mediana en lugar de la media corresponde a evitar la

distorsin que provocan los valores extremos expuestos en la tabla resumen 1
anterior, ya que la media es ms sensible a este cambio estructural afecta los
resultados. Por otro lado la mediana reduce los efectos que suponen la presencia de
cambios drsticos en los valores y refleja de mejor manera el fenmeno.
Grfica 23
Juguetes Fabricados en Mxico
Serie Expresada en sus Componentes Estacionales
300000
200000
100000
0
1 2 3 4 5 6 7 8 9 10 11 12
Meses
Juguetes Fabricados Mediana
Complementando la informacin anterior la Grfica 24 muestra un diagrama

de caja en la cual se observa que el valor mximo ms alto de toda la
muestra se da en octubre distribuyndose entre 270000(valor de produccin
mximo aproximado) y 95000(valor de produccin mnimo aproximado) en
miles de pesos. Su mediana se posiciona por encima de todas las dems, lo
que podra indicar la presencia de estacionalidad y a su vez demostrar que
el 75% del valor de produccin en octubre est por encima del valor de
produccin de los dems meses, tambin es posible ver que el 25% del
valor de produccin de octubre est por encima del 50% de los meses de
enero, febrero, marzo, abril, mayo, junio y julio, lo cual refuerza la idea de
que es en este mes donde mayor dinamismo hay para la industria juguetera
y por ende es factible invertir independientemente de los altos costos de
producir. Sin embargo el mes de abril, contrario a lo que podra pensarse,
contiene valores que estn muy por debajo (dato atpico) de la media lo cual
indica porque hay una contraccin de los porcentajes de la caja, revelando
que el mes dedicado a los nios no representa un impacto significativo
para la industria de los juguetes, sino ms bien es una etapa de ajuste y
salida de inventarios previo al ciclo productivo venidero. Otro componente
que se aprecia es la concentracin en la parte superior de las cajas lo que
demuestra una asimetra o sesgo
Grfica 24
a la derecha, es Juguetes Fabricados en Mxico

Periodo 2007-2014
decir que la
300000
mayora de los datos se concentra

por debajo del valor de la media,

asimismo la posible forma que
200000
adopta la distribucin de los

datos es de forma leptocrtica, por lo
100000
tanto se puede afirmar que la

serie no sigue una distribucin
normal.
0
1 2 3 4 5 6 7 8 9 10 11 12
Mes
Dados los problemas de estacionalidad descritos y a modo de eliminar o
suavizar estos efectos es necesario utilizar una tcnica de
desestacionalizacin denominada X-11 y distintos suavizamientos como el
de medias mviles para la ptima prediccin del comportamiento de la
serie en los prximos 12 meses.
4.3 Anlisis de Medias Mviles sobre la serie de Juguetes
El mtodo de media mvil, es necesaria para localizar la tendencia de la

serie, para esto es necesario ajustar las observaciones de tal forma que los
picos estacionales se reduzcan o eliminen. Para efectos del anlisis de la
serie de tiempo sobre los juguetes se utilizaron tres medias mviles, las
cuales fueron las que mejor desempeo tuvieron al suavizar el efecto
estacional y ajustarse a los datos observados presentes en la serie. Los
valores encontrados son los siguientes:
Yt = Y t3 +Y t 2 +Y t 1+Yt +Y y+1 +Yt +2 +Y t 3 (1)
3
MA 2 x 2=
3
[ ]
3
1 1 1 1 2 1 1 1 (2)
MA 2 x 2 i= Yt ; = Y t3 + Y t 2+ Y t 1+ Yt + Y y+1 + Yt +2 + Y t+3
6 3 6 3 2 3 2 3 6
[ ]
6
H= i Yt =
6
(3)
0.019 Y t6
0.028 Y t 5
0.066 Y t 3(0)Y t 4
0.214 Y t 1 +(0.147)Y t 2+
0.24 Y t +
0.147 Y t2 +( 0.214)Y t1+
0.066 Y t3 +
0.028 Y t 5( 0)Y t 4 +
(0.019)Y t 6
La representacin grfica de las ecuaciones 1, 2 y 3 es la siguiente:

Grfica 25
Comparacin entre Medias Moviles
Simple, Ponderada y Henderson
300000
200000
100000
0
2007m1 2008m7 2010m1 2011m7 2013m1 2014m7
Periodo
Juguetes Fabricados Media Mvil Henderson
Media Mvil Ponderada (1 2 3 <4> 3 2 1) Media Mvil Simple (3 1 3)
El ajuste por media mvil

simple (lnea color amarillo) muestra un ajuste a la serie original(lnea color
azul) con grandes perturbaciones en forma de picos ascendentes en los
momentos en los cuales el valor de produccin de juguetes tiende a subir,
este movimiento indica que la media mvil utilizada no logra adecuarse
correctamente a las perturbaciones de la serie original, esto se debe a que
los picos estacionales de la serie original suelen ser muy pronunciados,
adems de que una de las contraindicaciones al utilizar este suavizamiento
simple es que tiene un efecto rezagado dependiendo del rango al que est
sujeto, en este caso es una media mvil centrada de tres por tres, por lo
que debera ajustarse a los cambios que existen en el corto plazo de mejor
manera, no obstante este no es el caso. Dada la falta de ajuste se descarta
esta media mvil como modelo viable para la localizacin de la tendencia.
La media ponderada (lnea color verde) se desarrolla de forma ms eficiente
que la media mvil simple y por tanto est ms acorde a las fluctuaciones
que la serie tiene, sin embargo an se logran entrever ligeros movimientos
en forma de picos, que aunque ya son mnimos no permiten que se acoplen
correctamente a la serie original, adems de que el alcance que tiene para
tomar en cuenta los picos estacionales ms grandes es muy pobre. Por
ltimo la media mvil de Henderson (lnea color roja) tiene una mayor
capacidad de suavizamiento capaz de alcanzar los puntos ms altos de la
serie original, adems de no observarse grandes perturbaciones al
momento de capturar los movimientos de la lnea azul, lo que la posiciona
como la mejor media mvil de las generadas y por ende ser utilizada para
la desestacionalizacin mediante el mtodo X-11.
4.4 Desestacionalizacin X-11 sobre la serie de Juguetes
El ajuste estacional utilizando el mtodo X-11 genera una aproximacin de

la serie sin la presencia de los componentes estacionales, de modo que la
serie toma una forma ms estilizada y curvilnea sin que se aprecien los
caractersticos picos estacionales que existan en la serie original. La
desestacionalizacin permite ver con mayor claridad el comportamiento de
la serie y hace posible la comparacin de distintos meses sin que existan
perturbaciones que modifican la prediccin y afectan directamente la toma
de decisiones y las conclusiones del estudio. Por lo tanto el siguiente
subtema se encargar de utilizar diferentes herramientas de prediccin a
modo de plantear diversos escenarios de comportamiento probable sobre la
industria del juguete en los prximos 12 meses tomando como punto de
referencia la serie desestacionalizada.
La Grfica 26 se realiza una comparacin entre la serie original y la serie
desestacionalizada por el mtodo X-11, en donde la lnea roja representa el
comportamiento de la serie sin factores estacionales y la lnea azul muestra
la serie original, cabe decir que la lnea roja logra eliminar la mayora de las
perturbaciones estacionales y permite apreciar la tendencia con mayor
claridad.
Grfica 26
Comparativo de la Serie Original y la Desestacionalizada
Mtodo X-11
300000
0 100000 200000
2006m1 2008m1 2010m1 2012m1 2014m1 2016m1

Periodo
Juguetes Fabricados Serie Desestacionalizada X-11
4.5 Pronostico por medio de los ajustes de tendencia
La prediccin por medio de los ajustes de tendencia tiene como base la no

existencia o presencia mnima de componentes estacionales en la serie, por
tanto al utilizar la serie desestacionalizada calculada anteriormente y el
mtodo de Mnimos Cuadrados Ordinarios se espera estimar las mejores
predicciones ligados a la tendencia, ya sea lineal, cuadrtica, cbica,
polinmica, trigonomtrica o el caso particular del autorregresivo. La
seleccin de la forma funcional ms ptima se determin mediante el
comparativo de significancia individual de los estimadores, as como del
ajuste grfico y el clculo de la bondad de ajuste.
4.6 Ajuste de tendencias sobre la serie de juguetes
Tras haber calculado las regresiones por el mtodo de MCO de las distintas
estimaciones de las tendencias, su valor de significancia individual, bondad
de ajuste o R2 y el R2 ajustado y la media de los errores al cuadrado,
podemos afirmar que todas las regresiones tuvieron una significancia
estadstica al 95% de confianza, no obstante elegir el modelo con mayor
ajuste a la serie desestacionalizada es ms complicado, por lo tanto
2 2
utilizaremos el R ajustado en detrimento del el R normal, debido a
que el primero es neutral ante el nmero de regresores utilizados y por ende
es ms confiable. Adems, partiendo del supuesto de minimizacin de los
errores entre los estimadores y los parmetros, el clculo del error
cuadrtico medio (ECM) nos indicar el modelo que mayor ajuste tiene con
respecto a los valores observados, por lo tanto el modelo elegido deber
2
tener el R ajustado ms alto y el ECM ms pequeo. La Tabla 7 muestra
un resumen con los estadsticos ms importantes de las regresiones:
Tabla 7
Lineal
X t =40852.59+1242.317 T
2 2
R R Aj. ECM
0.6701 0.6665 24413
Cuadrtica
2
X t =41942.061172.776 T +0.73201T
R2 R2 Aj. ECM
0.6702 0.6631 24539
Cbica
X t =55861.04632.84 T + 48.50 T 2 0.3352T 3
R2 R2 Aj. ECM
0.6879 0.6778 23999
Trigonomtrica sen k=216
2 t
X t =56162.67+933.31 T 13983.46 sen ( 108 )
Siguiendo los R2 R2 Aj. ECM lineamientos
anteriores, los dos mejores
0.6883 0.6816 23857
modelos son la tendencia
trigonomtrica bajo el
supuesto de X t =8115.8+ 240.80T +1.7557 X t 10.9543 X t 2 periodicidad o
ciclo cada 108 meses o bien 9
aos al tener R2 R2 Aj. ECM un R2
ajustado de 0.9936 0.9934 3395.9 68.16% de
relacin entre presentados en el INEGI los regresores
y el regresando, adems de un error cuadrtico medio de 23857 el cual es
ms bajo que los modelos lineal, cuadrtico y cbico por lo tanto se puede
decir que se minimiza el error. Y el modelo de autorregresivo bajo el
supuesto de que los errores se comportan como un AR (1) AR(2) ya que
2
tiene un R ajustado de 99.34% que significara que los rezagos utilizados
permiten explicar en gran medida ls fluctuaciones de la serie, teniendo
como punto extra que el utilizar Autorregresivos se reduce cualquier efecto
de autocorrelacin que tenga la serie, posicionndolo por encima de la
tendencia trigonomtrica, adems de esto el error cuadrtico medio es el
ms pequeo de todos los modelos, lo que significa que los valores
calculados son muy parecidos a los observados. Grficamente para saber
cul es el mejor modelo se debe observar cul de las tendencias calculadas
pasa por el mayor nmero de puntos de la serie desestacionalizada y si en
los ltimos periodos se ajusta a la tendencia final de la serie. Dicho esto, es
fcil descartar la tendencia lnea, cuadrtica y cubica representadas en la
Grfica 27, debido a que no logran captar la tendencia general de los datos,
por lo que subestiman o sobreestiman los valores de la serie sin
componentes estacionales.
Grfica 27

Lineal, Cuadrtica, Cbica, Trigonomtrica y Autorregresivo
50000 100000 150000 200000
2006m1 2008m1 2010m1 2012m1 2014m1 2016m1

Periodo
Serie Desestacionalizada Tendencia Lineal
Tendencia Cuadrtica Tendencia Cbica
Tendencia Trigonomtrica (Sen108) Autorregresivo AR(1) AR(2)
El pronstico a 12 meses de los valores desestacionalizados de los mejores

modelos estimados: el trigonomtrico y el autorregresivo. Ambos modelos
en su estado desestacionalizado(Grfica 28) no presentan mucha
informacin relevante, sin embargo se puede decir que el modelo
trigonomtrico (lnea roja) hace una subvaluacin de la prediccin con
respecto a los valores predichos por el modelo autorregresivo (lnea verde),
lo que podra indicar que el modelo trigonomtrico cumple con las
caracteristicas de un escenario optimista al pensar que se reducir el valor
de produccin de los juguetes para el ao 2015, lo que conllevara a una
alza en el peso con respecto al dlar y por ende menores costos de
produccin; mientras que el autorregresivo predice un escenrio ms
pesimista al estimar que el valor de produccin de los juguetes aumentar
de forma tal que implicitamente se espere un aumento en el tipo de cambio,
lo cual afectar los precios de las materias primas elevando consigo el
precio de la mercanca final. Sin embargo para observar con mayor claridad
Grfica 28 Grfica 29
Pronstico 2015 Pronstico 2015
Pronstico Desestacionalizado: Autorregresivo y Trigonomtrico Pronstico en Serie Original: Autorregresivo y Trigonomtrico
300000
100000 150000 200000
100000 200000
50000
2010m1 2011m1 2012m1 2013m1 2014m1 2015m1 2010m1 2011m1 2012m1 2013m1 2014m1 2015m1
Periodo Periodo
Serie Desestacionalizada Pronstico Trigonomtrico Juguetes Fabricados Pronstico Trigonomtrico
Pronstico Autorregresivo AR(1) AR(2) Pronstico Autorregresivo AR(1) AR(2)
Fuente: Elaboracin propia con base a los datos presentados en INEGI Fuente: Elaboracin propia con base a los datos presentados en INEGI
los efectos que ambos modelos predicen ser necesaria la transformacin

de ambos a su forma estacional (Grfica 29), es decir, agregandoles los
factores estacionales.
No obstante para evitar la discrepancia entre ambos modelos se gener una
nueva variable que representa los valores ms probables al aplicarse un
promedio simple al modelo autorregresivo y trigonometrico de modo que la
estimacin generada este justo en medio de ambas predicciones.
Grfica 30
300000
200000
100000
2010m1 2011m1 2012m1 2013m1 2014m1 2015m1

Periodo
Banda de Confianza Superior Banda de Confianza Inferior
Pronstico Juguetes 2015 Juguetes Fabricados
El escenario marcado por el pronstico final (Grfica 30, lnea amarilla)

prev con pesimismo un aumento progresivo del valor de produccin de
juguetes para todo el 2015, que si bien en algunos meses (septiembre y
octubre) se mantendrn por debajo de los valores registrados en 2013 o
2014, estos no bajarn su tendencia a la alza. Este pronstico
implcitamente espera que haya un aumento progresivo en el tipo de
cambio, es decir una apreciacin del dlar, lo que afectar la adquisicin de
insumos para la produccin aumentando con esto el valor de produccin
para la industria juguetera. Con base a esto se estima que el mayor
aumento en el valor de produccin de juguetes ocurrir en el mes de mayo
al crecer un 85.3% y 82.4% con respecto del ao 2014 y 2013.
Para entender el comportamiento de la serie se debe tener en cuenta que la
Industria de juguetes en Mxico es mayoritariamente de cadenas
trasnacionales que utilizan la mano de obra barata del pas para el
ensamble de las piezas electrnicas o de plstico para su venta en terceros
pases, por lo cual aumentar la capacidad de compra de juguetes
manufacturados en el pas por extranjeros incrementar la produccin an
con los elevados costos para la moneda nacional. Es por esto que en
octubre, que es el mes donde ao con ao se alcanza el mximo punto de
produccin de juguetes tenga un crecimiento del 34.25% con respecto a la
produccin de enero del mismo ao, a diferencia de 2014 donde hubo un
crecimiento del 24.49% de enero a octubre.
Ms all del aparente dinamismo que se prev en los prximos 12 meses,
hay que tener en cuenta dos cosas: 1) el poder adquisitivo de los mexicanos
tender a caer y 2) la venta de juguetes de empresas nacionales y
extranjeras en el pas, por el aumento en el costo de produccin, tendrn
que bajar en un porcentaje significativo debido a los elevados precios de
venta con los cuales los juguetes saldrn al mercado. Esto deja en evidencia
la vulnerabilidad en la que el pas se encuentra al depender tanto de
Estados Unidos, quien es el principal socio comercial y comprador de
juguetes que se ensamblan en los principales centros manufactureros
mexicanos.
Como consideracin final parece razonable pensar en hacer un contraste
entre los resultados obtenidos por este modelo y los resultados que se
obtendran al predecir el comportamiento de los valores de venta de los
juguetes, para analizar la respuesta que tiene un aumento directo en los
valores de produccin y si es que la industria juguetera mantiene tendencia
a la baja cada vez que se aumenta el costo de producir.
La siguiente tabla muestra los valores de produccin alcanzados en los aos
2013 y 2014, contrastados con los previstos para 2015.
Tabla 8
Valor de Produccin de Juguetes en Mxico (en miles de pesos)
Medi
2013 a
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
1377
1723 1328 8405 7516 8790 7360 1036 1399 2000 2718 2012 1104 61
81 72 6 2 5 9 37 69 34 31 25 53
2014
1356
1704 9486 1048 8264 8650 1172 1375 1530 1889 2121 1528 1270 72
36 7 07 5 7 30 07 85 10 82 07 82
Estimacin 201518
1597
1566 1506 1645 1514 1603 1500 1491 1653 1678 2102 1591 1315 45
39 92 30 56 14 02 83 67 48 92 10 07
4.7 Pronstico por medio del Suavizamiento Exponencial

de la serie sobre juguetes
Los resultados de los suavizamientos19 indican que el suavizamiento

exponencial Holt-Winters (Aditivo) y el suavizamiento exponencial Holt-
Winters (Multiplicativo) tienden a minimizar los errores cuadrticos con
mayor eficacia que los dems modelos ya que los valores de esto son de
27301.22 y 0.2341214 respectivamente, lo que significa que hay un mayor
ajuste entre los datos predichos por el suavizamiento y la serie original. Esto
es debido a que los ponderadores alfa y beta en el suavizamiento
exponencial Holt-Winters (Aditivo) son muy cercanos a 1, lo que significa
que les dar un mayor peso a las observaciones ms recientes con respecto
a las pasadas. Mientras que el suavizamiento exponencial Holt-Winters
18 Las estimaciones finales fueron redondeadas a cero decimales para

facilitar su lectura.
19 Los resultados de los coeficientes alfa beta y gamma de cada uno de los
diferentes suavizamientos exponenciales determinados por el algoritmo de
optimizacin BroydenFletcherGoldfarbShanno (BFGS), lo cual asegura que los
errores cuadrticos medios sean los mnimos posibles para la serie.
(Multiplicativo) aplica un ponderador gamma que reduce al mnimo las
perturbaciones estacionales dentro de la serie, lo cual permite un mayor
ajuste del modelo.
La capacidad de prediccin de los diferentes modelos exponenciales
muestran los siguientes patrones de comportamiento:
Los escenarios optimistas se caracterizan por un comportamiento en donde

se considera que algunas, o todas, las variables que han servido de
referencia para la configuracin del escenario ms probable puedan
concretarse tomando valores que llegan a mejorar las previsiones iniciales
recogidas en el escenario ms probable del pronstico, es decir que se
espera un cambio muy positivo dentro de la serie, generalmente en un corto
plazo.
En el caso de la serie sobre juguetes un escenario optimista estara basado
en la reduccin del valor de produccin drsticamente en los prximos 12
meses, de modo que implcitamente se espera que haya una apreciacin del
peso mexicano con relacin al dlar y por semntica un mayor crecimiento
econmico y estabilidad en el pas. De todos los pronsticos los tres que
aseguran un escenario optimista son: el suavizamiento exponencial simple,
el doble y el Holt-Winters, esto se debe a que los modelos no toman en
cuenta variables relevantes como la estacionalidad dentro de la serie, la
cual es muy evidente en el comportamiento de los datos sobre juguetes, por
tanto si consideramos el desarrollo que ha venido llevando la serie en los 96
meses de estudio, adems de la situacin econmica interna y externa que
maneja Mxico actualmente, resultara poco creble que existiera tal
disminucin del valor de la produccin manufacturera, en especfico de los
juguetes, en tan poco tiempo.
Los escenarios pesimistas se caracterizan por un comportamiento que a

diferencia del escenario optimista, las variables que han servido de
referencia para la configuracin del escenario ms probable pueden
concretarse tomando valores que empeoran las previsiones iniciales, es
decir que se espera un cambio muy negativo dentro de la serie; en el caso
de los juguetes un escenario pesimista se mostrara como un incremento del
valor de produccin en los prximos 12 meses muy por encima de los
valores observados en aos anteriores. Los resultados obtenidos muestran
que los suavizamientos exponenciales Holt-Winters Aditivo y Multiplicativo
tienen un comportamiento parecido, sin embargo los valores predicho
mantienen cierta coherencia con la evolucin de la serie a lo largo del
tiempo, esta coherencia entre el desarrollo de la serie en periodos previos y
los pronosticados es mayor a la encontrada con los otros modelos de
suavizamiento exponencial debido a que los Holt-Winters, tanto aditivo
como multiplicativo, utilizan ponderadores especiales para cada
caracterstica relevante de la serie, por ejemplo la estacionalidad y la
tendencia. En el caso de los juguetes, se observa que el comportamiento
general es siempre al alza con un gran pico estacional cada 10 meses. Sin
embargo el escenario ideal se concentra entre las predicciones Holt-Winters
Multiplicativo y Aditivo, por lo que por medio de un promedio simple se
encontr el escenario ms probable. La Grfica 10 muestra de manera
simplificada los pronsticos de los diferentes modelos.
Grfica 31
Comparacin Modelos de Suavizamiento Exponencial
Pronsticos para 2015

300000
200000
100000
0
2010m1 2011m1 2012m1 2013m1 2014m1 2015m1

Periodo
Juguetes Fabricados Pronstico Exponencial Simple
Pronstico Exponencial Doble Pronstico Holt-Winters
Pronstico HW (Aditivo) Pronstico HW (Multiplicativo)
4.7.3 Escenario ms probable

El escenario ms probable es aquel que tiene mayor probabilidad de ocurrir.
Las hiptesis para la estimacin de las variables que intervienen en la
determinacin del pronstico se han hecho tratndose de ajustar a lo que se
espera que acontezca teniendo en cuenta la evolucin de la serie en el
pasado y las condiciones actuales externas al modelo, por lo que el
promedio simple de los modelos Holt-Winters Aditivo y Multiplicativo
permiten acercar lo ms posible al escenario ideal en los prximos 12
meses.
Las estimaciones para el 2015 sugieren que el valor de produccin de
juguetes tender a aumentar un 85.48% de enero a octubre cifra mayor a
las registradas en 2013 y 2014 que fueron de 57.70% y 24.49%
respectivamente. El punto mximo esperado que alcanzar la serie se
registrar en el mes de octubre, lo cual est acorde con el comportamiento
normal de la serie y sus componentes estacionales, no obstante este punto
mximo alcanzar un valor de 223682.75 en miles de pesos constantes a
precios de 2008, lo que significa una reduccin del 14.1% con respecto del
ao anterior y una contraccin del 33.0% de acuerdo a los datos de 2013.
Por lo que hay implcito un escenario algo optimista, ya que a pesar de que
no se rompa bruscamente la tendencia del valor de produccin al alza, si se
espera que haya una ligera apreciacin del peso frente al dlar que se
traducir en una reduccin significativa a los valores registrados en aos
anteriores, por lo que a su vez se espera un mayor crecimiento econmico y
mejoras en el poder adquisitivo, lo cual beneficiar al sector manufacturero
e impulsara la industria juguetera.
Al respecto es importante sealar que aunque no se prevea un aumento tan
significativo en el valor de produccin de juguetes en el corto plazo, esto no
provee de seguridad total de que las condiciones del mercado de divisas
cambien y afecte el dinamismo esperado de esta rama industrial, por lo que
es importante tener un plan de contingencia de modo tal que los costos de
producir no aumenten tanto y se logre llegar a una estabilidad econmica
dentro de las empresas de juguetes del pas. La grfica 32 muestra el
pronstico del comportamiento del valor de produccin de los juguetes en
2015.
Grfica 32
Mtodo de Suavizamiento Exponencial Holt-Winters
300000
200000
100000
2010m1 2011m1 2012m1 2013m1 2014m1 2015m1

Periodo
Juguetes Fabricados Pronstico Juguetes 2015
Por ltimo, la Tabla 9 muestra un resumen de los valores esperados para

2015 comparado con los valores observados de los aos 2013 y 2014 a fin
de vislumbrar la complejidad y tendencia al alza del valor de produccin de
los juguetes.
Tabla 9
Valor de Produccin de Juguetes en Mxico (en miles de pesos)
Medi
2013 a
1377
1723 1328 8405 7516 8790 7360 1036 1399 2000 2718 2012 1104 61
81 72 6 2 5 9 37 69 34 31 25 53
Medi
2014
a
1356
1704 9486 1048 8264 8650 1172 1375 1530 1889 2121 1528 1270 72
36 7 07 5 7 30 07 85 10 82 07 82
Medi
Estimacin 201520
a
1579
1302 1260 1360 1427 1541 1558 1609 1773 1821 2236 1678 1388 93
03 24 95 74 81 48 27 26 83 83 05 64
20 Las estimaciones finales fueron redondeadas a cero decimales para

facilitar su lectura.

Analisis de Series de Tiempo Auto-Sui-Jug

Încărcat de

Informații document

Titlu original

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

Analisis de Series de Tiempo Auto-Sui-Jug

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSIDAD NACIONAL AUTONOMA DE MEXICO

ANALISIS DE SERIES DE TIEMPO

ANALISIS UNIVARIANTE DE SERIES DE TIEMPO:

PROFESOR: Horacio Cataln Alonso

CIUDAD UNIVERSITARIA, 11 DE OCTUBRE DE 2016

Una serie de tiempo es un conjunto de observaciones organizadas que se

El primer apartado es meramente terico y tiene como objetivo la

1.1 Mtodo de Media Mvil

Una forma de visualizar la tendencia es mediante el suavizamiento de la

1.1.1 Media Mvil Centrada

Una media mvil centrada de amplitud 2m+1 de la serie Yt se define

1 Quispe Llanos, R. (2013). Tcnicas Estadsticas de Prediccin. Lima, Per,

Generalmente las medias mviles centradas que se manejan son simtricas:

1.1.2 Media Mvil Ponderada y de Henderson

En el clculo de la media mvil se puede dar un peso relativo a cada valor

2 Caridad y Ocerin Jos Mara (1998) Modelos economtricos y series de

1.2 Mtodo X-114

El mtodo X-11 permite analizar las series mensuales y trimestrales, se

3 Aguirre Jaime, A. (1994). Introduccin al tratamiento de series temporales.

4 Se extrajo la explicacin del mtodo del texto de Ladiray, D. and

La media mvil utilizada en esta etapa es una media mvil de 13 trminos,

La media mvil utilizada en esta etapa es una media mvil de 5 trminos,

4.- Estimacin de la serie corregida de variaciones estacionales de la

Por construccin, esta primera estimacin de la serie corregida de

La media mvil utilizada en esta etapa es una media mvil de 5 trminos,

8.- Estimacin de la serie corregida de variaciones estacionales segunda

1.3 Estimacin por Tendencias

1.3.1 Tendencia Polinmica

1.3.2 Tendencia Lineal

5 Puesto que la media mvil de Henderson es simtrica, conserva tambin

1.3.3 Tendencia Cuadrtica

1.3.4 Tendencia Cubica

1.3.5 Tendencia Trigonomtrica

X t =a o+ a1 T +a 2 cos ( 2kt )+ a sen cos ( 2kt )+u

Donde k= nmero de meses en el ciclo, debido a que la funcin seno y

1.3.6 Tendencia suponiendo los errores como un

En donde la condicin de estacionariedad es que |1|<1 , por lo tanto los

1.4 Suavizamientos Exponenciales6

Estos mtodos eliminan las fluctuaciones aleatorias de la serie de tiempo,

6 La teora de los suavizamientos exponenciales se extrajo de Prez Lpez,

Los mtodos de suavizamiento se basan en la idea de que hay patrones

1.4.1 Suavizamiento exponencial simple (Holt)

Este mtodo se basa en la atenuacin de los valores de la serie de tiempo,

Donde es el factor de suavizamiento(0<a<1)

1.4.2 Mtodo de suavizamiento exponencial doble (Brown)

En este mtodo se calcula primero una suavizacin exponencial simple para

Donde a es la constante de suavizacin exponencial.

1.5. Mtodo de suavizacin Holt-Winters (suavizacin con

Es un mtodo sofisticado de extensin de la suavizacin exponencial,

Este modelo se utiliza cuando existe la presencia de una tendencia en la

1.5.1 Suavizamiento exponencial con componentes

Se entiende como variacin estacional, aquella distorsin que se produce en

Ambos mtodos son una extensin del mtodo Holt presentado

1.5.2 Mtodo Holt-Winters Aditivo

Se basa en el clculo de cuatro componentes principales:

Ajuste exponencial de la serie de datos

Dnde: es la constante de suavizamiento exponencial simple, es

1.5.3 Mtodo Holt-Winters Multiplicativo

Se basa en el clculo de cuatro componentes principales:

Estimacin de Tendencias (2)

Pronostico de periodos futuro

Dnde: es la constante de suavizamiento exponencial simple, es

2.1 Anlisis Metodolgico Modelo sobre el Suicidio