ÍNDICE

3.1. COMPONENTES DE UNA SERIE DE TIEMPO. 1

3.2. MÉTODO DE MÍNIMOS CUADRADOS. 2

3.3. MÉTODOS DE PROMEDIOS MÓVILES. 4

3.4. MÉTODOS DE SUAVIZACIÓN EXPONENCIAL. 5

3.5. TENDENCIAS NO LINEALES.

9
3.6. VARIACIÓN ESTACIONAL.

3.7. APLICACIONES. 7
3.1. COMPONENTES DE UNA SERIE DE TIEMPO

Los componentes de una serie de tiempo pueden ser muchos y desconocidos.

Pero en una serie de tiempo que representa las ventas de una empresa, se
pueden considerar 4 componentes:

- Tendencia (T)
- Estacionalidad (E)
- Ciclicidad (C)
- Variaciones aleatorias (VA)

La tendencia es el movimiento de los datos hacia arriba o hacia abajo a lo largo

del tiempo. También, ocurre que los datos se mantiene estables, esto significa
que las ventas no aumentan ni disminuyen conforme pasa el tiempo.

La estacionalidad se identifica como el patrón que muestran los datos en

intervalos regulares, por encima o por debajo de la estación promedio. Una
estación con un factor estacional igual a uno de interpreta como una estación
promedio; una estación con factor estacional mayor que uno se interpreta como
una estación por encima del promedio y, una estación con un factor estacional
menor que uno se interpreta como una estación por debajo del promedio.

La ciclicidad son los patrones que se identifican en ciertos intervalos de tiempo,

se asocia la ciclicidad al cilco económico.

La diferencia entre estacionalidad y ciclicidad es que la estacionalidad ocurre a

intervalos de tiempo conocidos y los intervalos de tiempo en los que ocurre la
ciclicidad no se pueden determinar con precisión.

Las variaciones aleatorias son irregularidades que se suponen explica el azar.

No muestran un patrón y presentan una distribución normal con media igual a
cero.

Las series de tiempo pueden ser aditivas, multiplicativas o mixtas. Las series
de tiempo aditivas se forman sumando los 4 componentes descritos:

Serie de tiempo=T+E+C+VA

Las series de tiempo multiplicativas se forman multiplicando los 4 componentes

descritos:

Serie de tiempo=(T)(E)(C)(VA)

1
 Las series de tiempo mixtas se forman considerando algunos componentes
como aditivos o como multiplicativos:

Serie de tiempo=T+E(C·VA)

https://www.celeberrima.com/componentes-de-una-serie-de-tiempo-pronosticos/

3.2. MÉTODO DE MÍNIMOS CUADRADOS.

Cuando varias personas miden la misma cantidad,

generalmente no obtienen los mismos resultados. De
hecho, si la misma persona mide la misma cantidad
varias veces, los resultados variarán. El método de
mínimos cuadrados proporciona una forma de
encontrar la mejor estimación, suponiendo que los
errores (es decir, las diferencias con respecto al valor
verdadero) sea n aleatorias e imparciales.

Es un procedimiento de análisis numérico en la que, dados un conjunto de datos

(pares ordenados y familia de funciones), se intenta determinar la función
continua que mejor se aproxime a los datos (línea de regresión o la línea de
mejor ajuste), proporcionando una demostración visual de la relación entre los
puntos de los mismos. En su forma más simple, busca minimizar la suma de
cuadrados de las diferencias ordenadas (llamadas residuos) entre los puntos
generados por la función y los correspondientes datos.

Este método se utiliza comúnmente para analizar una serie de datos que se
obtengan de algún estudio, con el fin de expresar su comportamiento de manera
lineal y así minimizar los errores de la data tomada.

Su expresión general se basa en la ecuación de una recta y = mx + b. Donde

m es la pendiente y b el punto de corte, y vienen expresadas de la siguiente
manera:

2
 Σ es el símbolo sumatoria de todos los términos, mientas (x, y) son los datos en
estudio y n la cantidad de datos que existen.

El método de mínimos cuadrados calcula a partir de los N pares de datos

experimentales (x, y), los valores m y b que mejor ajustan los datos a una recta.
Se entiende por el mejor ajuste aquella recta que hace mínimas las distancias
d de los puntos medidos a la recta.

Teniendo una serie de datos (x, y), mostrados en un gráfico o gráfica, si al

conectar punto a punto no se describe una recta, debemos aplicar el método
de mínimos cuadrados, basándonos en su expresión general:

Cuando se haga uso del método de mínimos cuadrados se debe buscar una
línea de mejor ajuste que explique la posible relación entre una variable
independiente y una variable dependiente. En el análisis de regresión, las
variables dependientes se designan en el eje y vertical y las variables
independientes se designan en el eje x horizontal. Estas designaciones
formarán la ecuación para la línea de mejor ajuste, que se determina a partir
del método de mínimos cuadrados.

https://miprofe.com/minimos-cuadrados/

3.3. MÉTODOS DE PROMEDIOS MÓVILES.

En el método de los promedios móviles, a todos los datos que se emplean en

el cálculo se les da el mismo peso. En una variación conocida como promedios
móviles ponderados, a cada uno de los valores de los datos se le da un peso
diferente y, después, se calcula el promedio ponderado de los valores de los n
datos más recientes para obtener el pronóstico. En la mayoría de las veces, a
la observación más reciente se le da el mayor peso y los pesos disminuyen
conforme los datos son más antiguos.

Para calcular un promedio móvil, Minitab promedia los grupos consecutivos de

observaciones en una serie. Por ejemplo, supongamos que una serie comienza
con los números 4, 5, 8, 9, 10 y usted utiliza la longitud de promedio móvil de 3.
El tercer valor del promedio móvil es el promedio de 4, 5, 8; el cuarto valor es
el promedio de 5, 8, 9; el quinto valor es el promedio de 8, 9, 10.

3
• Promedio móvil centrado

Por opción predeterminada, los valores de promedio móvil se colocan en el

período en el cual se calculan. Por ejemplo, para una longitud de promedio
móvil de 3, el primer valor de promedio móvil numérico se coloca en el
período 3, el siguiente en el período 4 y así sucesivamente.

Cuando usted centra los promedios móviles, éstos se colocan en el centro

del rango en lugar del final del rango. Esto se realiza para colocar los valores
de promedio móvil en sus posiciones centrales en el tiempo.

- Si la longitud del promedio móvil es impar

Supongamos que la longitud del promedio móvil es 3. En ese caso,
Minitab coloca el primer valor de promedio móvil numérico en el período
2, el siguiente en el período 3 y así sucesivamente. En este caso, falta
el valor del promedio móvil para el primer y último período ( *).

- Si la longitud del promedio móvil es par

Supongamos que la longitud del promedio móvil es 4. Debido a que usted
no puede colocar un valor de promedio móvil en el período 2.5, Minitab
calcula el promedio de los primeros cuatro valores y les denomina MA1.
Luego, Minitab calcula el promedio de los siguientes cuatro valores y los
denomina MA2. El promedio de estos dos valores es el número de
Minitab y lo coloca en el período 3. En este caso, los valores de promedio
móvil de los dos primeros períodos y de los dos últimos períodos son
valores faltantes (*).

• Pronósticos

El valor ajustado en el tiempo t es el promedio móvil no centrado en el

tiempo t – 1. Los pronósticos son los valores ajustados en el origen del
pronóstico. Si usted pronostica 10 unidades de tiempo adelante, el valor
pronosticado para cada tiempo será el valor ajustado en el origen. Los datos
hasta el origen se utilizan para calcular los promedios móviles.

Puede utilizar el método de promedio móvil lineal al realizar promedios

móviles consecutivos. Este procedimiento se realiza con frecuencia cuando
existe una tendencia en los datos. Primero, calcule y almacene el promedio
móvil de las series originales. A continuación, calcule y almacene el
promedio móvil de la columna almacenada previamente para obtener un
segundo promedio móvil.

4
 En pronósticos ingenuos, el pronóstico para el tiempo t es el valor de los
datos en el tiempo t – 1. Al utilizar el procedimiento de promedio móvil con
un promedio móvil de longitud uno se generan pronósticos ingenuos.

o Límites de predicción

Fórmula

Límite superior = Pronóstico + 1.96 ×

Límite inferior = Pronóstico – 1.96 ×

Notación

Término

DCM desviación cuadrática media

- MAPE

El error porcentual absoluto medio (EPAM) mide la exactitud de los valores

ajustados de las series de tiempo. EPAM expresa la exactitud como un
porcentaje.

Fórmula

Notación

Término

yt valor real en el tiempo t

valor ajustado

n número de observaciones

5
- MAD

La desviación media absoluta (MAD) mide la exactitud de los valores

ajustados de las series de tiempo. La MAD expresa exactitud en las mismas
unidades que los datos, lo cual ayuda a conceptualizar la cantidad de error.

Fórmula

Notación

Término

yt valor real en el tiempo t

valor ajustado

n número de observaciones

- DCM

La desviación cuadrática media (DCM) siempre se calcula utilizando el

mismo denominador, n, independientemente del modelo. La DCM es más
sensible que DAM para medir un error de pronóstico inusualmente grande.

Fórmula

6
 Notación

Término

yt valor real en el tiempo t

valor ajustado

n número de observaciones

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/modeling-statistics/time-series/how-
to/moving-average/methods-and-formulas/methods-and-formulas/

3.4. MÉTODOS DE SUAVIZACIÓN EXPONENCIAL.

Los métodos de suavizamiento son fáciles de utilizar y, por lo general, se

obtiene una buena exactitud en pronósticos a corto plazo, como, por ejemplo,
pronósticos para el periodo siguiente. Uno de estos métodos, el suavizamiento
exponencial, tiene requerimientos mínimos de datos por lo que es un método
adecuado cuando se requiere de pronósticos para una gran número de
artículos.

• Promedios móviles. En el método de los promedios móviles, para

pronosticar el periodo siguiente, se emplea el promedio de los valores de
los n datos más recientes de la serie de tiempo. El cálculo de un promedio
móvil se hace como sigue.

Promedio móvil = SUMA (de los n datos más recientes) / n

El término móvil se usa porque cada vez que en la serie de tiempo hay una
nueva observación, ésta sustituye a la observación más antigua que se
emplee en la ecuación (18.1) y se calcula un nuevo promedio. De esta
manera, el promedio se modifica, o se mueve, cada vez que se tiene una
nueva observación.

7
 • Promedios móviles ponderados. En el método de los promedios móviles, a
todos los datos que se emplean en el cálculo se les da el mismo peso. En
una variación conocida como promedios móviles ponderados, a cada uno
de los valores de los datos se le da un peso diferente y, después, se calcula
el promedio ponderado de los valores de los n datos más recientes para
obtener el pronóstico. En la mayoría de las veces, a la observación más
reciente se le da el mayor peso y los pesos disminuyen conforme los datos
son más antiguos.

• Suavizamiento exponencial. En el suavizamiento exponencial se usa un

promedio ponderado de los valores pasados de la serie de tiempo; es un
caso especial del método de promedios ponderados móviles; en este caso
sólo hay que elegir un peso, el peso para la observación más reciente. Los
pesos para los demás datos se calculan automáticamente y son más
pequeños a medida que los datos son más antiguos. A continuación se
presenta el modelo de suavizamiento exponencial básico.

Ft+1 = aYt + (1- α ) Ft

Ft+1= pronóstico para el periodo t + 1 de la serie de tiempo

Yt= valor real en el periodo t de la serie de tiempo
Ft= pronóstico para el periodo t de la serie de tiempo
a=constante de suavizamiento (0 < α < 1)

https://www.upg.mx/wp-content/uploads/2015/10/LIBRO-
13-Estadistica-para-administracion-y-economia.pdf

3.5. TENDENCIAS NO LINEALES.

Si el gráfico sugiere que la tendencia puede ser de un tipo no lineal, existen

varias alternativas de ajuste. Por ejemplo, puede tratarse de una forma similar
a un polinomio de segundo grado, a una curva exponencial, logarítmica u otra.
Analizaremos los casos de función polinómica de segundo grado y de una
exponencial.

Una función polinómica de segundo grado es de la forma:

Y=b0 +b1x+b2x^2

Donde: b0 : Intersección estimada con el eje y

b1 : efecto lineal estimado sobre y
b2 : efecto curvilíneo estimado sobre y

8
 Aplicando el método de mínimos cuadrados igual que en el caso lineal (solo
que ahora hay que estimar tres parámetros):

http://www.ocw.unc.edu.ar/facultad-de-ciencias-economicas/estadistica-ii/actividades-y-
materiales/material-de-estudio-capitulo-vi

3.6. VARIACIÓN ESTACIONAL.

El modelo de variación estacional, estacionaria o cíclica permite hallar el valor

esperado o pronóstico cuándo existen fluctuaciones (movimientos ascendentes y
descendentes de la variable) periódicas de la serie de tiempo, esto generalmente
como resultante de la influencia de fenómenos de naturaleza económica.
Estos ciclos corresponden a los movimientos en una serie de tiempo, que ocurren
año tras año en los mismos meses o períodos del año y relativamente con la misma
intensidad.

El modelo de variación estacional es un modelo óptimo para patrones de demanda

sin tendencia y que presenten un comportamiento cíclico, por ejemplo la demanda
de artículos escolares, la cual tiene un comportamiento cíclico de conformidad con
el calendario escolar.
 9

• Modelo de variación estacional o cíclica

Fórmulas

Ejemplo de aplicación de un pronóstico de Variación Estacional o Cíclica

La distribuidora de papelería CAROLA desea vender para el año 2015 una
cantidad de 12000 kits escolares. Determine el pronóstico por trimestre a
partir del modelo de variación estacional, teniendo en cuenta la siguiente
información acerca del comportamiento de las ventas:
Trimestre Ventas
I 2500
II 1500
III 3800
IV 2200

Solución. El primer paso consiste en determinar el promedio general de las

ventas, para ello hemos de sumar las ventas totales y dividirlas entre el
número de trimestres.

Luego se procede a calcular el promedio de las ventas de cada período, en este

caso de cada período tan sólo tenemos un dato, existirán en la práctica
ejercicios en los que de cada período (por ejemplo trimestre I) tengamos gran
cantidad de información histórica, por ejemplo la información histórica del
trimestre I de 5 años.
 10

Teniendo en cuenta que se desean vender un total de 12000 kits para el año
2015, calcularemos el promedio general de las ventas para dicho año, para ello
dividiremos ésta cantidad en la cantidad de trimestres.

Ya que tenemos el promedio general de las ventas del año que deseamos
pronosticar y contamos con el índice de estacionalidad de cada trimestre, es
momento de determinar el pronóstico por trimestre para el año 2015.

https://www.ingenieriaindustrialonline.com/pronostico-de-la-demanda/variacion-estacional-o-
ciclica/
 11
3.7. APLICACIONES.

Una serie de tiempo es un conjunto de observaciones sobre los valores que

toma una variable (cuantitativa) a través del tiempo. Por tanto, una serie de
tiempo es una forma estructurada de representar datos.

Los datos se pueden comportar de diferentes maneras a través del tiempo:

puede que se presente una tendencia, estacionalidad o simplemente no
presenten una forma definida.

Representar los datos del negocio como series de tiempo suele ayudar a las
empresas a visualizar la actividad del negocio. A su vez, usualmente las series
de tiempo se utilizan para predecir el comportamiento futuro de la variable
medida.

A modo de ejemplo, el siguiente gráfico presenta la serie de tiempo de las

ventas de un producto. A simple vista, se aprecia una cierta estacionalidad.
Durante los meses de verano (Diciembre-Febrero) baja la venta, mientras sube
en invierno.

VENTAS
 12
Predicción de series de tiempo

La predicción de series de tiempo significa que se extienden los valores

históricos de la serie al futuro, donde aún no se han hecho mediciones.

Para llevar a cabo el pronóstico se definen dos variables principales: cantidad

de períodos y horizonte de predicción. La cantidad de períodos representa el
nivel de agregación de los datos. Usualmente los datos se encuentran por
meses, semanas o días, permitiendo obtener el grado necesario de
desagregación para sacar correctas conclusiones.

Por su parte, el horizonte de planificación representa el número de períodos

futuros o alcance a pronosticar.
Todo pronóstico tiene asociado un alcance, pudiendo ser de corto, mediano o
largo plazo. A modo general se presenta la siguiente tabla resumen, no obstante
el alcance varía de acuerdo a la industria.

ALCANCE HORIZONTE DE PLANIFICACIÓN DECISIONES

Corto Plazo < 3 meses Operativas

Mediano Plazo > 3 meses y < 3 años Tácticas

Largo Plazo > 3 años Estratégicas

https://www.pricing.cl/conocimiento/series-de-tiempo/
13