Estadística

Unidad 9: Series cronológicas

Series cronológicas
Una serie de tiempo o serie cronológica es un grupo de datos registrados durante periodos
regulares de tiempo, por ejemplo, semanal, trimestral, anual etc.

Un análisis de la historia, que es una serie de tiempo, es útil para que la gerencia tome decisiones
actuales y planee con base en una predicción de largo plazo. En general, se supone que los patrones
pasados continuarán en el futuro. Las proyecciones de largo plazo se amplían a más de 1 año; son
comunes las proyecciones de 2, 5 y 10 años.

Las proyecciones de largo plazo son esenciales a fin de dar tiempo suficiente para que los
departamentos de compras, manufactura, ventas, finanzas y otros de una compañía elaboren
planes para nuevas plantas, financiamiento, desarrollo de productos nuevos y métodos de ensamble
innovadores.

Componentes de una serie de tiempo

TENDENCIA SECULAR
Las tendencias de largo plazo de las ventas, el empleo, los precios accionarios, y de otras series de
negocios y económicas siguen varios patrones. Algunas se mueven hacia arriba en forma uniforme,
otras declinan y otras más permanecen iguales con el paso del tiempo.

TENDENCIA SECULAR: Dirección uniforme de una serie de tiempo a largo plazo

Los siguientes son varios ejemplos de una tendencia secular:

• Una compañía minorista, fundada en 1978, y considerada la segunda compañía minorista

más grande de Estados Unidos (Wal-Mart es el más grande), quiere analizar la evolución del
número de sus empleados. En la siguiente gráfica se muestra el número de empleados de
la compañía entre 1993 y 2006. Puede observar que este número aumentó con rapidez en
esos años.
 Estadística
Unidad 9: Series cronológicas

• En la siguiente gráfica se muestra el número de llamadas al servicio médico de emergencia

desde 1989. El número de llamadas al SME aumentó tres veces, de 12 269 en 1989 a 34 572
en 2005. Observe que el número de llamadas aumentó de 1989 a 1995. De 1995 a 2000 el
número de llamadas fue casi el mismo, y en 2000 empezó otro incremento a más de 30 000.
La dirección de largo plazo de la tendencia es aumentar.

VARIACIÓN CÍCLICA

El segundo componente de una serie de tiempo es la variación cíclica. A menudo, la variación cíclica
se debe a ciclos multianuales de la economía. Un ciclo de negocios habitual consiste en un periodo
de prosperidad, seguido por periodos de recesión, depresión y luego recuperación. Hay
fluctuaciones considerables que se desarrollan durante más de un año, arriba y abajo de la
tendencia secular.
En el gráfico se muestran las unidades anuales de baterías vendidas, desde 1984 hasta 2004. Se
resalta el ciclo natural del negocio.
Los periodos son de recuperación, seguidos por prosperidad, luego recesión y por último el ciclo
desciende con depresión.
 Estadística
Unidad 9: Series cronológicas

VARIACIÓN CÍCLICA: Aumento y reducción de una serie de tiempo durante periodos mayores de un
año.
Los ciclos económicos son extremadamente difíciles, si no es que imposibles de predecir. Como
resultado, los efectos cíclicos a menudo se combinan con efectos de tendencia a largo plazo y se
conocen como efecto de tendencia-cíclico. En la materia no estudiaremos los efectos cíclicos que
puedan presentarse en las series de tiempo.
•
VARIACIÓN ESTACIONAL
El tercer componente de una serie de tiempo es la variación estacional. Muchas series de ventas,
de producción y de otro tipo fluctúan con las temporadas. La unidad de tiempo se reporta por
estación del año, cuatrimestre, trimestre o por mes.

VARIACIÓN ESTACIONAL: Patrones de cambio en una serie de tiempo en un año. Estos patrones
tienden a repetirse cada año.

VARIACIÓN ALEATORIA O RESIDUO

 Estadística
Unidad 9: Series cronológicas

Son variaciones que no muestran ninguna regularidad, debidos a fenómenos de carácter ocasional
como pueden ser tormentas, terremotos, inundaciones, huelgas, guerras, avances tecnológicos, etc.

Estudio de una serie de Tiempo

El primer paso de un análisis de series de tiempo consiste en graficar los datos y observar sus
movimientos a través del tiempo. Primero se debe determinar si parece haber un movimiento a
largo plazo hacia arriba o hacia abajo en la serie, o si la misma parece oscilar a lo largo de una línea
horizontal. Si este último parece ser el caso, entonces debe emplearse el método de promedios
móviles o el de suavizado exponencial, para suavizar la serie y proporcionar una impresión global
de tendencia. Si por el contrario se encuentra una tendencia observable, existen métodos de
predicción de series de tiempo.

Suavizar una serie temporal

En ocasiones no es posible observar la tendencia de una serie, dadas sus variaciones, para ello
existen metodologías que permiten “suavizarla”, entre ellas los promedios móviles y suavizado
exponencial.

El objetivo de cada uno de estos métodos es “suavizar” las fluctuaciones aleatorias causadas por el
componente irregular de las series de tiempo, por lo que se conocen como métodos de suavización.
Los métodos de suavización son fáciles de usar y algunos proporcionan un alto nivel de precisión
para pronósticos de corto alcance como un pronóstico para el siguiente periodo.

PROMEDIO MÓVIL
Un promedio móvil es útil para suavizar una serie de tiempo y apreciar su tendencia. Los promedios
móviles para un período elegido de orden (longitud) L consisten en una serie de medias aritméticas
calculadas en el tiempo de tal modo que cada media se calcula para una secuencia de valores
observados que tienen esa longitud particular, L.

El término móvil se utiliza porque cada vez que en la serie de tiempo hay una nueva observación,
ésta sustituye a la observación más antigua de la ecuación y se calcula un nuevo promedio. Como
resultado, el promedio se modifica, o se mueve, conforme se disponga de una nueva observación.
 Estadística
Unidad 9: Series cronológicas

Un orden grande elimina los picos (suaviza), mientras que un orden pequeño permite seguir muy
de cerca los cambios de corto plazo.

Veamos un ejemplo:

Se realizó una encuesta de comercios de electrodomésticos y artículos para el hogar a nivel nacional
y se quiere analizar la evolución de las ventas de equipos de aire acondicionado y climatizadores. El
siguiente cuadro muestra las ventas totales a precios corrientes, en millones de pesos desde enero
de 2015 a diciembre 2018.

Tabla I
Ventas Ventas
Equipos Aire Equipos Aire
Acondicionado Acondicionado
y y
Año Mes Climatizadores Año Mes Climatizadores
2015 Enero 776,3 2017 Enero 1580,9
Febrero 350,1 Febrero 454,4
Marzo 193,1 Marzo 259,0
Abril 90,2 Abril 154,2
Mayo 132,2 Mayo 219,5
Junio 157,7 Junio 190,2
Julio 167,6 Julio 205,2
Agosto 216,0 Agosto 180,7
Septiembre 359,0 Septiembre 312,5
Octubre 411,1 Octubre 696,3
Noviembre 1.058,6 Noviembre 1202,1
Diciembre 1.627,2 Diciembre 2078,8
2016 Enero 1.196,8 2018 Enero 1531,1
Febrero 598,5 Febrero 794,3
Marzo 188,5 Marzo 265,1
Abril 134,0 Abril 188,9
Mayo 182,8 Mayo 393,1
Junio 155,4 Junio 345,8
Julio 160,7 Julio 328,3
Agosto 211,6 Agosto 349,6
Septiembre 297,7 Septiembre 534,3
Octubre 458,3 Octubre 1032,1
Noviembre 1.014,9 Noviembre 1194,6
Diciembre 1.421,9 Diciembre 1732,6
Fuente: INDEC
 Estadística
Unidad 9: Series cronológicas

Si graficamos la serie, obtenemos que a pesar de que las ventas parecen aumentar, no es clara la
tendencia debido a las fluctuaciones

2.000,0

1.500,0

1.000,0

500,0

Enero
Enero
Marzo

Julio

Noviembre
Enero
Marzo

Julio

Noviembre
Enero
Marzo

Julio

Noviembre

Marzo
Mayo
Julio

Noviembre
Mayo

Mayo

Mayo
Septiembre

Septiembre

Septiembre

Septiembre
2015 2016* 2017* 2018*

En la siguiente tabla están calculados los promedios móviles para L=3 y L=5

Año Mes Ventas L=3 L=5

2015 Enero 776,3
Febrero 350,1 439,8
Marzo 193,1 211,1 308,4
Abril 90,2 138,5 184,7
Mayo 132,2 126,7 148,2
Junio 157,7 152,5 152,7
Julio 167,6 180,4 206,5
Agosto 216,0 247,5 262,3
Septiembre 359,0 328,7 442,4
Octubre 411,1 609,5 734,3
Noviembre 1.058,6 1.032,3 930,5
Diciembre 1.627,2 1.294,2 978,4
2016 Enero 1.196,8 1.140,8 933,9
Febrero 598,5 661,3 749,0
Marzo 188,5 307,0 460,1
Abril 134,0 168,4 251,8
Mayo 182,8 157,4 164,3
Junio 155,4 166,3 168,9
 Estadística
Unidad 9: Series cronológicas

Julio 160,7 175,9 201,6

Agosto 211,6 223,3 256,8
Septiembre 297,7 322,6 428,6
Octubre 458,3 590,3 680,9
Noviembre 1.014,9 965,0 954,7
Diciembre 1.421,9 1.339,2 986,1
2017 Enero 1580,9 1.152,4 946,2
Febrero 454,4 764,7 774,1
Marzo 259,0 289,2 533,6
Abril 154,2 210,9 255,5
Mayo 219,5 188,0 205,6
Junio 190,2 205,0 190,0
Julio 205,2 192,1 221,6
Agosto 180,7 232,8 317,0
Septiembre 312,5 396,5 519,4
Octubre 696,3 737,0 894,1
Noviembre 1202,1 1.325,7 1.164,2
Diciembre 2078,8 1.604,0 1.260,5
2018 Enero 1531,1 1.468,1 1.174,3
Febrero 794,3 863,5 971,6
Marzo 265,1 416,1 634,5
Abril 188,9 282,4 397,4
Mayo 393,1 309,3 304,2
Junio 345,8 355,7 321,1
Julio 328,3 341,3 390,2
Agosto 349,6 404,1 518,0
Septiembre 534,3 638,7 687,8
Octubre 1032,1 920,3 968,6
Noviembre 1194,6 1.319,7
Diciembre 1732,6

En la práctica para calcular los promedios móviles de tres periodos, calculamos el promedio de tres
periodos, por ejemplo, 439,8 corresponde al promedio de 776,3; 350,1 y 193,1. Este primer valor
corresponde a el período febrero 2015. Para calcular el promedio móvil para marzo de 2015,
dejamos el primer valor observado y promediamos los tres valores siguientes: 350,1; 193,1 y 90,2.
Así continuamos hasta terminar.
 Estadística
Unidad 9: Series cronológicas

Observamos en las columnas para L=3 y L=5, los promedios móviles de tres años no se puede
obtener ningún valor para el primer y último periodo, mientras que si L=5, no se tienen valores para
los dos primeros años ni para los dos periodos.

En la figura podemos ver que los promedios móviles de cinco periodos suavizan la serie mucho más
que los promedios móviles de tres periodos. Desafortunadamente, cuanto más largo sea el período,
menor es el número de valores de promedios móvil que se pueden calcular y graficar. Por esto no
es aconsejable la selección de períodos con una longitud mayor a siete años, porque habrá
demasiados puntos de datos que faltan al inicio y al final de la serie, aumentando la dificultad de
obtener una visión global de la serie completa.
2.000,0

1.500,0

1.000,0
Ventas
500,0 L=3
L=5
-
Enero

Enero

Enero

Enero
Julio

Julio

Julio

Julio
Mayo

Mayo
Marzo

Noviembre

Mayo
Marzo

Noviembre

Marzo

Noviembre

Mayo
Marzo

Noviembre
Septiembre

Septiembre

Septiembre

Septiembre

2015 2016* 2017* 2018*

SUAVIZADO EXPONENCIAL

El suavizado exponencial es otra técnica que puede usarse para suavizar una serie de tiempo,
proporcionándonos una visión global de la tendencia a largo plazo. Además, este método puede
utilizarse para obtener predicciones a corto plazo. Esto es una ventaja con respecto al método de
promedios móviles.
Este método nos proporciona un promedio móvil ponderado exponencialmente a través de la serie
de tiempo, es decir a lo largo de la serie cada cálculo de suavizado o predicción depende de todos
los valores observados anteriormente, ésta es otra ventaja con respecto al método de los promedios
móviles, que no toma en cuenta, en cada cálculo de un promedio móvil a todos los valores
observados.
Con el suavizado exponencial, los pesos asignados a los valores de la serie original disminuyen con
el tiempo, de modo que cuando se hace un cálculo, el valor observado más reciente recibe el mayor
peso, el valor observado anterior a éste recibe el segundo peso más alto y así sucesivamente, hasta
que el valor observado inicialmente recibe el peso más bajo.
Nos concentraremos primero en los aspectos suavizantes de la técnica (en vez de considerar los
aspectos de predicción), la fórmula de suavizado es la siguiente:
 Estadística
Unidad 9: Series cronológicas

𝐸𝑖 = 𝑊 𝑌𝑖 + (1 – 𝑊) 𝐸 𝑖−1

Donde:
Ei= valor de la serie suavizada exponencialmente que se calcula en el periodo i.
Ei-1= valor de la serie suavizada exponencialmente ya calculado en el periodo i-1.
Yi= valor observado de la serie de tiempo en el período i.
W= peso o coeficiente de suavizado que se asigna de manera subjetiva (0< W < 1)

La elección del coeficiente de suavizado W, depende del propósito del usuario. Si deseamos
solamente suavizar una serie mediante la eliminación de las variaciones cíclicas e irregulares no
deseadas, debemos seleccionar un valor de W cercano a cero. Por otro lado, si deseamos hacer
predicciones deberemos seleccionar un valor de W cercano a uno.

En la tabla que se muestra a continuación se presenta la serie original de las ventas de equipos de
aire acondicionado y climatizadores, desde enero de 2015 a diciembre 2018, junto con las series
suavizadas exponencialmente con coeficientes de suavizado W = 0.25 y W = 0.75 respectivamente.

Año Mes ventas w=0,25 w=0,75

2015 Enero 776,3 776,3 776,3

Febrero 350,1 669,8 456,7

Marzo 193,1 550,6 259,0

Abril 90,2 435,5 132,4

Mayo 132,2 359,7 132,2

Junio 157,7 309,2 151,3

Julio 167,6 273,8 163,6

Agosto 216,0 259,3 202,9

Septiembre 359,0 284,2 319,9

Octubre 411,1 315,9 388,3

Noviembre 1.058,6 501,6 891,0

Diciembre 1.627,2 783,0 1.443,1

2016* Enero 1.196,8 886,4 1.258,4

Febrero 598,5 814,5 763,4

Marzo 188,5 658,0 332,2

Abril 134,0 527,0 183,5

Mayo 182,8 440,9 183,0

 Estadística
Unidad 9: Series cronológicas

Junio 155,4 369,6 162,3

Julio 160,7 317,3 161,1

Agosto 211,6 290,9 199,0

Septiembre 297,7 292,6 273,0

Octubre 458,3 334,0 412,0

Noviembre 1.014,9 504,2 864,2

Diciembre 1.421,9 733,7 1.282,4

2017* Enero 1580,9 945,5 1.506,3

Febrero 454,4 822,7 717,3

Marzo 259,0 681,8 373,6

Abril 154,2 549,9 209,0

Mayo 219,5 467,3 216,9

Junio 190,2 398,0 196,9

Julio 205,2 349,8 203,1

Agosto 180,7 307,5 186,3

Septiembre 312,5 308,8 281,0

Octubre 696,3 405,7 592,4

Noviembre 1202,1 604,8 1.049,7

Diciembre 2078,8 973,3 1.821,5

2018* Enero 1531,1 1.112,7 1.603,7

Febrero 794,3 1.033,1 996,6

Marzo 265,1 841,1 448,0

Abril 188,9 678,1 253,7

Mayo 393,1 606,8 358,3

Junio 345,8 541,6 348,9

Julio 328,3 488,3 333,5

Agosto 349,6 453,6 345,6

Septiembre 534,3 473,8 487,1

Octubre 1032,1 613,3 895,8

Noviembre 1194,6 758,7 1.119,9

 Estadística
Unidad 9: Series cronológicas

Diciembre 1732,6 1.002,1 1.579,4

Las dos series están graficadas en el gráfico junto con los datos originales de la serie de tiempo.

2.000,0

1.500,0

1.000,0 ventas

500,0 w=0,2
5
-
w=0,7
Octubre

Octubre

Octubre

Octubre
Agosto

Agosto

Agosto

Agosto
Febrero

Junio

Diciembre
Febrero

Junio

Diciembre
Febrero

Junio

Diciembre
Febrero

Junio

Diciembre
Abril

Abril

Abril

Abril
Mes

Año 2015 2016* 2017* 2018*

Para utilizar el método de suavizado exponencial con fines de predicción, tomamos el valor
suavizado de nuestro período actual (i) como estimación proyectada del valor observado de la serie
en el siguiente período, i+1, esto es:

yˆi +1 = Ei

Para predecir las ventas de equipos de aire acondicionado y climatizadores en el periodo enero
2019, usamos el valor suavizado obtenido para diciembre de 2018, de la tabla (usando el coeficiente
de suavizado W = 0,75) podemos concluir que en enero del año 2019 se espera vender
1.579.400.000 $ en equipos de aire acondicionado y climatizadores.

Tendencia
La tendencia de largo plazo de muchas series de negocios, como ventas, exportaciones y producción,
con frecuencia se aproxima a una recta.

Esta componente se estudia en especial con fines de predicción. Como ya vimos, para obtener una
visión global de los movimientos a largo plazo de una serie de tiempo, se construye un diagrama
donde se grafican en el eje vertical los datos observados (variable dependiente) y los periodos en el
eje horizontal (variable independiente). Si parece que los datos se pueden ajustar mediante una
 Estadística
Unidad 9: Series cronológicas

línea, utilizaremos el modelo de mínimos cuadrados tal como vimos en el Análisis de Regresión,
donde ahora la variable independiente es el tiempo.

La función para describir la tendencia es:

𝑦̂𝑖 = 𝑎 + 𝑏 𝑡𝑖
Donde:

𝑦̂𝑖 es el valor proyectado de la variable Y para un valor seleccionado de t.

𝑎 es la intersección con el eje Y. Es el valor estimado de Y cuando t = 0.

b es la pendiente de la recta, o el cambio promedio en 𝑦̂𝑖 por cada aumento de una unidad en t.

t es cualquier valor de tiempo seleccionado.

Para ilustrar el significado de 𝑦̂,

𝑖 𝑎, b y t en un problema de serie de tiempo, utilizaremos el ejemplo
de las ventas de equipos de aire acondicionado y climatizadores, en millones de pesos desde enero
de 2015 a diciembre 2018 de la tabla I. Graficamos los datos, y trazamos una recta para representar
la tendencia habitual de las ventas.

El periodo inicial para esta serie es, como observamos en la tabla I, enero de 2015, por lo que t se
designa en forma arbitraria como período 1 (t=1) en ese período.

Ventas Equipos Aire Acondicionado y Climatizadores

2.000,0

1.500,0

1.000,0

500,0

-
Enero

Julio

Enero

Enero

Enero
Julio

Julio

Julio
Marzo

Noviembre

Marzo

Noviembre

Marzo

Noviembre

Marzo

Noviembre
Mayo

Mayo

Mayo

Mayo
Septiembre

Septiembre

Septiembre

Septiembre

2015 2016* 2017* 2018*

La recta trazada, se obtiene aplicando el Método De Los Mínimos Cuadrados, es decir es un análisis
de una regresión lineal simple, donde el método de los mínimos cuadrados permite determinar la
mejor relación lineal entre dos variables. En los métodos de proyección, el tiempo es la variable
independiente, y el valor de la serie de tiempo, la dependiente. Además, con frecuencia se codifica
 Estadística
Unidad 9: Series cronológicas

la variable independiente, tiempo, para facilitar la interpretación de las funciones, y porque los
softwares estadísticos lo hacen así: t=1 en el primer período, t=2 en el siguiente y así hasta terminar.

De esta manera obtenemos, a partir del software R

Coefficients:
Estimate Std. Error t value Pr(>|t|)
Intercept 328,563844 149,167821 2,2026456 0,03266922**
periodo 10,2146939 5,2998901 5,2998901 0,06012591*

𝑦̂𝑖 = 328,56 + 10,21 𝑡𝑖 con t=1 en enero de 2015

Si queremos interpretar 𝑎 = 328,56, diremos que cuando t=0, en el periodo diciembre de 2014, las
ventas de equipos de aire acondicionado y climatizadores fue en promedio de 328,56 millones de
pesos. Mientras que para interpretar 𝑏 = 10,21, diremos que en promedio, las ventas de equipos
de aire acondicionado y climatizadores aumentan en 10,21 millones de pesos mensualmente.
Además, la función sirve para proyectar valores de las ventas para períodos mayores al siguiente,
como vimos en el método de suavizado exponencial.

Por ejemplo, si quiero predecir las ventas para junio de 2019, reemplazamos t=54 en la función y
obtenemos:

𝑦̂𝑖 = 328,56 + 10,21 54 = 879,9

Para interpretar este valor diremos que, en promedio las ventas para junio de 2019 serán de 879,9
millones de pesos.

Variación estacional
Las series de negocios, como las ventas de automóviles, tienen periodos de actividad superior e
inferior al promedio cada año. En el área de producción, una razón para analizar las fluctuaciones
estacionales es contar con un abastecimiento suficiente de materias primas que permita cumplir
con la cambiante demanda estacional.

Un análisis de las fluctuaciones estacionales durante un periodo de años también puede ayudar en
la evaluación de las ventas actuales.

Determinación de un índice estacional

Hay varios métodos para medir las fluctuaciones estacionales habituales en una serie de tiempo. El
método más común para calcular el patrón estacional habitual se denomina método de la razón
con el promedio móvil. En este método se eliminan los componentes de tendencia, cíclicos e
irregulares de los datos originales (Y). En el siguiente análisis, T se refiere a la tendencia, E a la
variación estacional, C a la variación cíclica e I a la variación estacional. Los números que resultan se
conocen como índices estacionales.
 Estadística
Unidad 9: Series cronológicas

Consideremos el ejemplo de las ventas de equipos de aire acondicionado y climatizadores, la gráfica

de los puntos parece seguir un patrón estacional trimestral

2.000,0

1.500,0

1.000,0

500,0

Enero
Enero
Marzo

Julio

Noviembre
Enero
Marzo

Julio

Noviembre
Enero
Marzo

Julio

Noviembre

Marzo
Mayo
Julio

Noviembre
Mayo

Mayo

Mayo
Septiembre

Septiembre

Septiembre

Septiembre
2015 2016* 2017* 2018*

En el último trimestre se se venden más equipos, mientras que en el segundo se venden menos
equipos. Por ello consideraremos una variación estacional trimestral, sumando las ventas para cada
trimestre:

Año Trimestre Ventas Año Trimestre Ventas

2015 I 1.319,5 2017 I 2.294,2
II 380,1 II 564,0
III 742,6 III 698,5
IV 3.096,8 IV 3.977,1
2016 I 1.983,8 2018 I 2.590,5
II 472,2 II 927,8
III 670,0 III 1.212,2
IV 2.895,1 IV 3.959,2

A continuación, se grafica la serie por trimestre

 Estadística
Unidad 9: Series cronológicas

Ventas Trimestrales
4.100,00
3.600,00
3.100,00
2.600,00
2.100,00
1.600,00
1.100,00
600,00
100,00
-400,00 I II III IV I II III IV I II III IV I II III IV
2015 2016 2017 2018

Para encontrar los índices estacionales en este caso, veamos el análisis realizado en la tabla que se
muestra a continuación:

Ventas Promedio Móvil PM Centrado IEE

Trimestre (1) (2) (3) (4)
2015 I 1.319,5

II 380,1
1.384,7
III 742,6 1.467,8 0,5059196
1.550,8
IV 3.096,8 1.562,3 1,98217949
1.573,8
2016 I 1.983,8 1.564,8 1,26776275
1.555,7
II 472,2 1.530,5 0,30855746
1.505,3
III 670,0 1.544,1 0,43390573
1.582,9
IV 2.895,1 1.594,3 1,81584052
1.605,8
2017 I 2.294,2 1.609,4 1,42554244
1.612,9
II 564,0 1.748,2 0,32259476
 Estadística
Unidad 9: Series cronológicas

1.883,4
III 698,5 1.920,5 0,3636913
1.957,5
IV 3.977,1 2.003,0 1,98559028
2.048,5
2018 I 2.590,5 2.112,7 1,22617337
2.176,9
II 927,8 2.174,7 0,42662704
2.172,4
III 1.212,2

IV 3.959,2

En la columna (2) calculamos el promedio móvil, el primer valor es el promedio de los primeros
1319,5+380,1+742,6+3096,8
cuatro cuatrimestres, es decir 4
= 1384,7, este promedio se ubica entre el II
y III trimestre del año 2015, es decir, no coincide con el renglón de ningún cuatrimestre. A
continuación, se calcula el promedio de las ventas de los siguientes cuatrimestres:
380,1+742,6+3096,8+1983,8
4
= 1550,8, y así continuamos hasta terminar.

A continuación, centramos esos promedios para hacerlos coincidir con un cuatrimestre. El primer
promedio móvil centrado se determina mediante (1384,7+ 1550,8)/2 = 1467,8, y se centra en el III
cuatrimestre del año 2015. Los otros se determinan de manera similar. Observe en la columna (3)
que cada promedio móvil centrado se coloca en un trimestre en particular.

Llegamos a la columna (4) donde se calcula el índice estacional específico (IEE) por cada trimestre
dividiendo las ventas de la columna 1 entre el promedio móvil centrado en la columna 3.

El índice estacional específico reporta la razón del valor de la serie de tiempo original con el
promedio móvil. Para explicar esto un poco más, si representa la serie de tiempo con TEI y el
promedio móvil con T, de manera algebraica, si calcula TEI/T, el resultado es el componente
estacional específico EI. El índice estacional específico para el III trimestre de 2015 es 0,5059,
determinado por 742,6 / 1.467,8.

Los índices estacionales específicos aparecen organizados en la tabla que se muestra a continuación:

Tabla II

Año I trim II trim III trim IV trim

2015 0,506 1,982
2016 1,268 0,309 0,434 1,816
 Estadística
Unidad 9: Series cronológicas

2017 1,426 0,323 0,364 1,986

2018 1,226 0,427
Media Aritmética 1,306 0,353 0,435 1,928 4,021
Ajuste 1,299 0,351 0,432 1,918 4,000
INDICE 129,9 35,1 43,2 191,8 400,000

Esta tabla ayuda a ubicar los índices estacionales específicos de los trimestres correspondientes. Un
método razonable para encontrar un índice estacional es promediar estos valores a fin de eliminar
el componente irregular. Por tanto, el índice estacional del I trimestre se determina mediante
(1,268 + 1,426 + 1,226)/3 = 1,306. Se utilizó la media aritmética, aunque también pudo
emplear la mediana.

Las cuatro medias trimestrales (1,306, 0,353, 0,435y 1,928) en teoría deberán totalizar 4,00. El total
de las cuatro medias trimestrales, como vemos es 4,021. Por ello se aplica un factor de corrección a
cada una de las cuatro medias para que sumen 4,00.
4
𝐹𝑎𝑐𝑡𝑜𝑟 𝑑𝑒 𝑐𝑜𝑟𝑟𝑒𝑐𝑐𝑖ó𝑛 = = 0,995
4,021
Por tanto, el índice trimestral ajustado del I trimestre será 1,306 (0,995) = 1,299, de la misma
forma encontramos los siguientes índices trimestrales ajustados.

En general, los índices se reportan como porcentajes, por lo que cada valor se multiplica por 100.
Así, el índice de cada trimestre queda indicado en la última fila de la tabla.

¿Cómo se interpretan estos valores?

Las ventas de equipos de aire acondicionado y climatizadores del I trimestre de otoño están 29,9%
por encima de un trimestre base (100%), mientras que en el II trimestre las ventas están un 64,9%
debajo de un trimestre base (100 – 35,1) y así con cada índice estacional.

Otra interpretación de estos valores es que se observa muy claramente que en el I y IV trimestre
aumentan las ventas de equipos de aire acondicionado y climatizadores. Mientras que en el II y III
trimestre decaen drásticamente.

Descomposición de series de tiempo

Esta metodología se utiliza para separar o descomponer una serie de tiempo en su parte de
tendencia y estacional y en su componente irregular. Su aplicación principal es conseguir una mejor
comprensión de la serie de tiempo, aunque puede utilizarse para pronosticos.

Entender qué sucede en realidad con una serie de tiempo a menudo depende del uso de los datos
desestacionalizados. Por ejemplo, podríamos estar interesados en saber si el consumo de energía
 Estadística
Unidad 9: Series cronológicas

eléctrica está aumentando en nuestra área. Suponga que se entera de que éste se redujo 3% en
septiembre con respecto al mes anterior. Se debe ser cuidadoso al ejercitar el uso de esa
información, porque cada vez que una influencia estacional está presente, esas comparaciones
pueden ser engañosas si los datos no han sido desestacionalizados. El hecho de que el consumo de
energía eléctrica se haya reducido 3% entre agosto y septiembre podría ser por el efecto estacional
que se relaciona con una disminución en el uso del aire acondicionado y no por una disminución del
uso de la energía eléctrica a largo plazo. En efecto, después de ajustar el efecto estacional, se podría
incluso determinar que el consumo de energía eléctrica aumentó.

Muchas series de tiempo, como las estadísticas de desempleo y las ventas de casas están sujetas a
fuertes influencias estacionales. Es importante desestacionalizar dichos datos, antes de emitir un
juicio acerca de cualquier tendencia a largo plazo.

El método de razón del promedio móvil que acabamos de estudiar, nos permite identificar la
variación estacional de una serie de tiempo. Los índices estacionales se utilizan para eliminar los
efectos de estacionalidad de una serie de tiempo. A este proceso se le denomina
desestacionalización de una serie de tiempo. Antes de poder identificar la componente de tendencia
o la cíclica de una serie de tiempo, es necesario eliminar la variación estacional.

Los métodos de descomposición de series tiempo asumen que Yt, el valor real de la serie de tiempo
en el periodo t, es una función de tres componentes: un componente de tendencia, un componente
estacional y un componente irregular o de error. El cómo estos tres componentes se combinan para
generar los valores observados de la serie de tiempo depende de si se asume que la relación entre
ellos se describe mejor por un modelo aditivo o un modelo multiplicativo.

Un modelo de descomposición aditiva tiene la siguiente forma:

𝑌𝑡 = 𝑇𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎𝑡 + 𝐸𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙𝑡 + 𝐼𝑟𝑟𝑒𝑔𝑢𝑙𝑎𝑟𝑡

donde

𝑇𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎𝑡 =valor de la tendencia en el periodo t

𝐸𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙𝑡 =valor estacional en el periodo t

𝐼𝑟𝑟𝑒𝑔𝑢𝑙𝑎𝑟𝑡 =valor irregular en el periodo t

En el modelo aditivo, los valores de los tres componentes simplemente se suman para obtener el
valor real de las series de tiempo Yt. El componente irregular o de error toma en cuenta la
variabilidad de la serie de tiempo que no puede ser explicada por los componentes de tendencia y
estacional.

Un modelo aditivo es apropiado si las fluctuaciones estacionales en el periodo anterior son casi del
mismo tamaño que las fluctuaciones estacionales en periodos posteriores. Sin embargo, si las
fluctuaciones estacionales cambian en el tiempo y son cada vez mayores a medida que aumenta el
 Estadística
Unidad 9: Series cronológicas

volumen de ventas debido a una tendencia lineal a largo plazo, entonces se debe utilizar el modelo
multiplicativo.

Muchas series de tiempo para las empresas y para la economía siguen el el modelo multiplicativo.

Un modelo de descomposición multiplicativa toma la siguiente forma:

𝑌𝑡 = 𝑇𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎𝑡 . 𝐸𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙𝑡 . 𝐼𝑟𝑟𝑒𝑔𝑢𝑙𝑎𝑟𝑡

donde

𝑇𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎𝑡 =valor de la tendencia en el periodo t

𝐸𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙𝑡 =valor estacional en el periodo t

𝐼𝑟𝑟𝑒𝑔𝑢𝑙𝑎𝑟𝑡 =valor irregular en el periodo t

En este modelo los componentes de tendencia, estacional e irregular se multiplican para dar el valor
de la serie de tiempo. La tendencia se mide en las unidades de producto de la serie que se
pronostica. Sin embargo, los componentes estacional e irregular se miden en términos relativos,
con valores superiores a 1.00 (100%) indicando los efectos por arriba de la tendencia y con valores
menores a 1.00 (100%)indicando los efectos por debajo de la tendencia.

Debido a que este es el método más utilizado en la práctica, nuestro análisis de descomposición de
las series de tiempo se limitará a mostrar cómo se desarrollan las estimaciones de los componentes
de tendencia y estacional de un modelo multiplicativo.

Una serie de tiempo a la que se le han eliminado los efectos estacionales se conoce como serie de
tiempo desestacionalizada, y al proceso de uso de los índices estacionales para eliminar los efectos
estacionales de una serie de tiempo se le conoce como desestacionalizar la serie de tiempo.

Al utilizar un modelo de descomposición multiplicativa se desestacionaliza una serie de tiempo

dividiendo cada observación entre el índice estacional correspondiente. El modelo de
descomposición multiplicativa es, como vimos: 𝑌𝑡 = 𝑇𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎𝑡 . 𝐸𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙𝑡 . 𝐼𝑟𝑟𝑒𝑔𝑢𝑙𝑎𝑟𝑡

Así, cuando se divide cada una de las observaciones de la serie de tiempo (Yt) entre su índice
estacional correspondiente, los datos resultantes muestran únicamente la tendencia y la
variabilidad aleatoria (el componente irregular). La serie de tiempo desestacionalizada para las
ventas totales de equipos de aire acondicionado y climatizadores, en millones de pesos desde enero
de 2015 a diciembre 201 y la serie desestaccionalizada, con los índices estacionales calculados (Tabla
II)

Cada valor de las ventas desestacionalizadas se obtiene dividiendo las ventas por el ‘indice
1319,50
estacional y multiplicando por 100. Por ejemplo para el primer trimestre de 2015 = 129,9
∗ 100 =
1015,78
 Estadística
Unidad 9: Series cronológicas

Ventas
Año Trimestre Ventas IE
Desestacionalizadas
2015 I 1.319,50 129,9 1015,78
II 380,1 35,1 1082,91
III 742,6 43,2 1718,98
IV 3.096,80 191,8 1614,60
2016 I 1.983,80 129,9 1527,17
II 472,2 35,1 1345,30
III 670 43,2 1550,93
IV 2.895,10 191,8 1509,44
2017 I 2.294,20 129,9 1766,13
II 564 35,1 1606,84
III 698,5 43,2 1616,90
IV 3.977,10 191,8 2073,57
2018 I 2.590,50 129,9 1994,23
II 927,8 35,1 2643,30
III 1.212,20 43,2 2806,02
IV 3.959,20 191,8 2064,23

A continuación se grafican las ventas desestacionalizadas, observar la diferencia con el gráfico de

las ventas trimestrales

Ventas Desestacionalizadas
3000

2500

2000

1500

1000

500

0
I II III IV I II III IV I II III IV I II III IV
2015 2016 2017 2018

Una vez eliminada la variación estacional, calculamos una línea de tendencia desestacionalizada,
que luego podemos proyectar al futuro.
 Estadística
Unidad 9: Series cronológicas

En nuestro ejemplo, la tendencia lineal desestacionalizada obtenida a partir del método de mínimos
cuadrados, donde en este caso los preiodos son los trimestres:
Coefficients:
Estimate Std. Error t value Pr(>|t|)
Intercept 1029,53714 147,862433 6,96280402 6,6274E-06***
Periodo 84,2920799 15,2915688 5,51232389 7,6526E-05***

𝑦̂𝑖 = 1029,5 + 84,29𝑡𝑖 con t=1 en I trimestre de 2015

Para estimar las ventas desestacionalizadas en el II trimestre del año 2019, reemplazamos t=18,
obteniendo 2546,72 millones de pesos. Cuando se obtiene esta predicción, se debe tomar en
consideración el efecto de las estaciones. Para ello, se multiplica la este valor por el índice estacional
2546,72∗35,1
del II trimestre, y se divide por 100, obteniendo = 100
= 893,89, así diremos que en el
segundo trimestre del año 2019 se predice un total de ventas para las ventas totales de equipos de
aire acondicionado y climatizadores de 893,89 millones de pesos.