SERIES DE TIEMPO

Por serie de tiempo nos referimos a datos estadsticos que se recopilan, observan o registran
en intervalos de tiempo regulares (diario, semanal, semestral, anual, entre otros). El trmino
serie de tiempo se aplica por ejemplo a datos registrados en forma peridica que muestran,
por ejemplo, las ventas anuales totales de almacenes, el valor trimestral total de contratos de
construccin otorgados, el valor trimestral del PIB.
A. COMPONENTES DE LA SERIE DE TIEMPO
Supondremos que en una serie existen cuatro tipos bsicos de variacin, los cuales
sobrepuestos o actuando en concierto, contribuyen a los cambios observados en un perodo
de tiempo y dan a la serie su aspecto errtico. Estas cuatro componentes son: Tendencia
secular, variacin estacional, variacin cclica y variacin irregular.
Supondremos, adems, que existe una relacin multiplicativa entre estas cuatro
componentes; es decir, cualquier valor de una serie es el producto de factores que se pueden
atribuir a las cuatro componentes.
1. Tendencia secular: La tendencia secular o tendencia a largo plazo de una serie es por lo
comn el resultado de factores a largo plazo. En trminos intuitivos, la tendencia de una
serie de tiempo caracteriza el patrn gradual y consistente de las variaciones de la propia
serie, que se consideran consecuencias de fuerzas persistentes que afectan el crecimiento o la
reduccin de la misma, tales como: cambios en la poblacin, en las caractersticas
demogrficas de la misma, cambios en los ingresos, en la salud, en el nivel de educacin y
tecnologa. Las tendencias a largo plazo se ajustan a diversos esquemas. Algunas se mueven
continuamente haca arriba, otras declinan, y otras ms permanecen igual en un cierto
perodo o intervalo de tiempo.
2. Variacin estacional: El componente de la serie de tiempo que representa la variabilidad
en los datos debida a influencias de las estaciones, se llama componente estacional. Esta
variacin corresponde a los movimientos de la serie que recurren ao tras ao en los mismos
meses (o en los mismos trimestres) del ao poco ms o menos con la misma intensidad. Por
ejemplo: Un fabricante de albercas inflables espera poca actividad de ventas durante los
meses de otoo e invierno y tiene ventas mximas en los de primavera y verano, mientras
que los fabricantes de equipo para la nieve y ropa de abrigo esperan un comportamiento
anual opuesto al del fabricante de albercas.
3. Variacin cclica: Con frecuencia las series de tiempo presentan secuencias alternas de
puntos abajo y arriba de la lnea de tendencia que duran ms de un ao, esta variacin se
mantiene despus de que se han eliminado las variaciones o tendencias estacional e irregular.
Un ejemplo de este tipo de variacin son los ciclos comerciales cuyos perodos recurrentes
dependen de la prosperidad, recesin, depresin y recuperacin, las cuales no dependen de
factores como el clima o las costumbres sociales.

4. Variacin Irregular: Esta se debe a factores a corto plazo, imprevisibles y no recurrentes

que afectan a la serie de tiempo. Como este componente explica la
variabilidad aleatoria de la serie, es impredecible, es decir, no se puede esperar predecir su
impacto sobre la serie de tiempo. Existen dos tipos de variacin irregular:
a) Las variaciones que son provocadas por acontecimientos especiales, fcilmente
identificables, como las elecciones, inundaciones, huelgas, terremotos.
b) Variaciones aleatorias o por casualidad, cuyas causas no se pueden sealar en forma
exacta, pero que tienden a equilibrarse a la larga.
B. TENDENCIA DE UNA SERIE
1. Tendencia lineal
Como se dijo antes, la tendencia de una serie viene dada por el movimiento general a largo
plazo de la serie. La tendencia a largo plazo de muchas series de negocios (industriales y
comerciales), como ventas, exportaciones y produccin, con frecuencia se aproxima a una
lnea recta. Esta lnea de tendencia muestra que algo aumenta o disminuye a un ritmo
constante. El mtodo que se utiliza para obtener la lnea recta de mejor ajuste es el Mtodo
de Mnimos Cuadrados.
2. Tendencia no lineal
Cuando la serie de tiempo presenta un comportamiento curvilneo se dice que este
comportamiento es no lineal. Dentro de las tendencias no lineales que pueden presentarse en
una serie se encuentran, la polinomial, logartmica, exponencial y potencial, entre otras.
C. MTODOS DE SUAVIZAMIENTO DE LA SERIE
1. Promedio mvil
Un promedio mvil se construye sustituyendo cada valor de una serie por la media obtenida
con esa observacin y algunos de los valores inmediatamente anteriores y posteriores.
. En este caso se utilizar la siguiente ecuacin:
= ( )
El movimiento medio de orden N de una serie de valores Y1, Y2, Y3, Yn se define por la
sucesin de valores correspondientes a las medias aritmticas:
1+2++; 2+3+++1; 3+4+++2;
Se mostrar este mtodo con los siguientes ejemplos:

Dados los valores 4, 6, 8, 10, 12 tendramos para el movimiento medio de orden 2

4+62; 6+82; 8+102; 10+122
O sea los valores 5; 7; 9; 11
para el movimiento medio de orden 3, se tiene la serie 4+6+83; 6+8+103; 8+10+123
O sea los valores 6; 8; 10
Para el movimiento medio de orden 4, se tiene la serie
4+6+8+104; 6+8+10+124
O sea los valores 7 y 12
Nota:
Utilizando adecuadamente estos movimientos medios se eliminan los movimientos o
variaciones estacionales, cclicas e irregulares, quedando slo el movimiento de tendencia.
Este mtodo presenta el inconveniente de que se pierden datos iniciales y finales de la serie
original. Tambin se puede observar que a medida que N crece, la cantidad de nuevos datos
se reduce.
2. Promedios mviles ponderados
El mtodo consiste en asignar un factor de ponderacin distinto para cada dato.
Generalmente, a la observacin o dato ms reciente a partir del que se quiere hacer el
pronstico, se le asigna el mayor peso, y este peso disminuye en los valores de datos ms
antiguos.
Ejemplo
Con los siguientes datos acerca de las ventas de miles de dlares de una Empresa durante los
ltimos 3 aos tomados en periodos de trimestres:
Trimestre Ventas
1 12
2 16
3 20
4 34
5 23

6 19
7 20
8 35
9 11
10 19
11 24
12 36
a) Suavizar los datos empleando el mtodo de los promedios mviles de orden 3 (longitud de
periodos)
b) Pronosticar las ventas para el trimestre nmero 13
c) Suponga que para el Gerente de Ventas la ltima venta realizada es el doble de importante
que la penltima, y la antepenltima venta tiene la mitad de importancia que la penltima.
Realizar el pronstico de ventas para el trimestre nmero 13 empleando el mtodo de los
promedios mviles ponderados de orden 3.
d) Elaborar un grfico en el que consten las ventas y los promedios mviles (ventas
suavizadas).
Solucin:
a) El clculo de los promedios mviles de orden 3 se presentan en la siguiente tabla:
Trimestre Ventas Pronstico (Promedios Mviles)
1 12
2 16 (12+16+20)/3 = 16,00
3 20 (16+20+34)/3 = 23,33
4 34 (20+34+23)/3 = 25,67
5 23 (34+23+19)/3 = 25,33
6 19 (23+19+20)/3 = 20,67
7 20 (19+20+35)/3 = 24,67

8 35 (20+35+11)/3 = 22,00
9 11 (35+11+19)/3 = 21,67
10 19 (11+19+24)/3 = 18,00
11 24 (19+24+36)/3 = 26,33
12 36
b) El ltimo valor del promedio mvil, que en este ejemplo es 26,33, representa el
pronstico de las ventas para el trimestre nmero 13, y tericamente para todo trimestre
futuro.
c) Para resolver lo planteado se toma en cuenta las 3 ltimas ventas con sus respectivos
pesos o ponderaciones. Estos datos se presentan en la siguiente tabla:
Trimestre Ventas Pesos (w)
10 19 0,5
11 24 1
12 36 2
Reemplazando valores en la frmula de la media aritmtica ponderada se obtiene:
= =
11+22+33++1+2+3++=
= (0,5)19+(1)24+(2)360,5+1+2=105,53,5=30,14
El valor 30,14 es el pronstico de ventas para el trimestre nmero 13.
Ejemplo . Aplicar el mtodo de promedios mviles para el pronstico de ventas de gasolina a
partir de la siguiente informacin:
Se considerar el promedio mvil a partir de las tres observaciones ms recientes. En este
caso se utilizar la siguiente ecuacin:
= ( )
Resumen de clculos para promedios mviles de tres semanas
Semana Valor de la serie de tiempo (miles de galones) Pronstico de la i-sima semana con
Promedio Mviles
1 17

2 21
3 19
4 23 (17+21+19)/3 = 19
5 18 (21+19+23)/3 = 21
6 16 (19+23+18)/3 = 20
7 20 19
8 18 18
9 22 18
10 20 20
11 15 20
12 22 19
Los promedios mviles tambin se pueden construir tomando en cuenta valores adyacentes
de las observaciones, por ejemplo: En el caso de determinar el promedio mvil para tres
observaciones adyacentes de la tabla anterior, se tiene:
Semana Valor de la serie de tiempo (miles de galones) Pronstico de la i-sima semana con
Promedios Mviles para 3 aos
1 17
2 21 (17+21+19)/3 = 19
3 19 (21+19+23)/3 = 21
4 23 (19+23+18)/3 = 20
5 18 19
6 16 18
7 20 18
8 18 20
9 22 20
10 20 19

11 15 19
12 22
Para mostrar el uso de promedios mviles ponderados, se utilizar la primera parte del
ejemplo de la venta de gasolina. Generalmente, a la observacin o dato ms reciente a partir
del que se quiere hacer el pronstico, se le asigna el mayor peso, y este peso disminuye en
los valores de datos ms antiguos. En este caso, para pronosticar las ventas de la cuarta
semana, el clculo se realizara de la siguiente manera:
= 16(17)+26(21)+36(19)=19,33
Puede observarse que el dato ms alejado (correspondiente a la primera semana) tiene el
factor de ponderacin ms pequeo, el siguiente tiene un factor de ponderacin del doble
que el primero y el dato ms reciente (que corresponde a la tercera semana) tiene un factor
de ponderacin del triple del primero. Los pronsticos para las diversas semanas se
presentan en la siguiente tabla. En todos los casos, la suma de los factores de ponderacin
debe ser igual a uno.
Semana Valor de la serie de tiempo (miles de galones) Pronstico de la i-sima semana con
Promedios Mviles para 3 aos
1 17
2 21
3 19
4 23 19.33
5 18 21.33
6 16 19.83
7 20 17.83
8 18 18.33
9 22 18.33
10 20 20.33
11 15 20.33
12 22
3. Suavizamiento exponencial

El suavizamiento exponencial emplea un promedio ponderado de la serie de tiempo pasada

como pronstico; es un caso especial del mtodo de promedios mviles ponderados en el
cual slo se selecciona un peso o factor de ponderacin: el de la observacin ms reciente.
En la prctica comenzamos haciendo que F1, el primer valor de la serie de valores
uniformados, sea igual a Y1 , que es el primer valor real de la serie. El modelo bsico de
suavizamiento exponencial es el siguiente:
+1=+(1)
Donde:
Ft+1 = pronstico de la serie de tiempo para el perodo t+1
Yt = valor real de la serie de tiempo en el perodo t
Ft = pronstico de la serie de tiempo para el perodo t
= constante de suavizamiento, 0 1
En base a lo anterior, el pronstico para el perodo dos se calcula de la siguiente manera:
2=1+(1)1 2=1+(1)1
2=1
Como se observa, el pronstico para el perodo 2 con suavizamiento exponencial es igual al
valor real de la serie de tiempo en el perodo uno.
Para el perodo 3, se tiene que:
3=2+(1)2 3=2+(1)1
Para el periodo 4 se tiene:
4=3+(1)3=3+(1)[2+(1)1]
4=3+(1)2+(1)21
Para mostrar el mtodo de suavizamiento exponencial, retomamos el ejemplo de la gasolina,
utilizando como constante de suavizamiento = 0.2:
Semana (t) Galones/ semana Valor (Yi) Pronstico Ft
1 17 F1 = Y1 = 17.00
2 21 F2 = F1 = 17.00

3 19 3=2+(1)2=17.00
4 23 4=3+(1)3=18.04
5 18 5=4+(1)4=19.03
6 16 6=5+(1)5=18.83
7 20 7=6+(1)6=18.26
8 18 8=7+(1)7=18.61
9 22 9=8+(1)8=18.49
10 20 10=9+(1)9=19.19
11 15 11=10+(1)10=19.35
12 22