UNIDAD

5 SERIES DE TIEMPO

OBJETI VO EDUCACIONAL

Al término de esta unidad el alumno será capaz de:

•Conocer y aplicar las series de tiempo en sistemas logísticos e industriales para determinar
los pronósticos para la planeación de los recursos necesarios para responder a los cambios de
la demanda.
1.1 INTRODUCCIÓN DE SERIES DE TIEMPOS:
Los modelos para pronosticar con series de tiempos buscan prever el futuro con bases
en datos del pasado. Una serie de tiempo es un conjunto de valores observados, como
datos de producción o ventas, durante una serie de periodos temporales
secuencialmente ordenada. Por ejemplo podemos usar las cifras de las ventas de las
seis semanas pasadas para pronosticar las ventas de la séptima semana. Asimismo,
podemos usar las cifras de las ventas trimestrales de varios años anteriores para
pronosticar las ventas de trimestres futuros.

La siguiente tabla muestra os modelos de series de tiempos y algunas de sus

características. En esta tabla no aparece el pronóstico basado en un promedio simple
movible, pero tendría las mismas características que el modelo exponencial aminorado
simple.

Palabras como corto, mediano y largo se entienden dentro del contexto en el que se
emplean. No obstante, en los pronósticos de negocios, el corto plazo normalmente se
refiere a menos de tres meses; el mediano plazo a entre tres meses y dos años y el
largo plazo a más de dos años. En general los modelos a corto plazo compensan la
variación aleatoria y se ajustan para los cambios de corto plazo (como las respuestas
de los consumidores ante un producto nuevo). Los pronósticos de mediano plazo son
útiles cuando hay efectos estacionales, en tanto los modelos de largo plazo detectan
tendencias generales y son especialmente útiles para identificar puntos importantes de
inflexión.

Método de Cantidad de Plazo del Tiempo de

Patrón de datos
pronóstico datos históricos pronóstico preparación
Exponencial 5 a 10 Los datos deben ser Corto Breve
simple observaciones estáticos
aminorado para establecer el
peso
Exponencial de 10 a 15 Tendencia pero no Corto a mediano Breve
Holt aminorado observaciones estacionalidad
para establecer
los dos pesos
Exponencial de Un mínimo de 4 a Tendencia y Corto a mediano Breve
Winter 5 observaciones estacionalidad
aminorado por temporada
Modelos de 10 a 20; para Tendencia y Corto a mediano Breve
regresión de estacionalidad un estacionalidad
tendencias mínimo de 5 por
estación
Modelos de 10 observaciones Capacidad para Corto, mediano Mucho para la
regresión causal por variable manejar patrones y largo preparación,
independiente complejos breve para la
aplicación
Descomposición Basta con ver 2 Maneja patrones Costo a Breve a
 de series de crestas y valles cíclicos y estacionales; mediano moderado
tiempo puede identificar puntos
de inflexión

El modelo de pronóstico que escoja la empresa dependerá de:

1. El periodo que cubrirá el pronóstico.

2. La disponibilidad de datos.
3. La exactitud requerida.
4. El monto del presupuesto para pronosticar
5. La disponibilidad de personal calificado.

Al escoger el modelo de pronóstico, hay que tomar en cuenta otras cuestiones, como el
grado de flexibilidad de la empresa. (Cuanto mayor sea la capacidad para reaccionar
rápidamente ante los cambios, tanto menos exacto tendría que ser le pronóstico.) Otro
elemento son las consecuencias de un mal pronóstico. Cuando basamos la decisión
de una inversión cuantiosa de capital en un pronóstico, éste debe ser bueno.

1.3 ¿EN QUÉ CONSISTE UNA SERIE DE TIEMPO?

Una serie de tiempo consiste en un grupo de datos numéricos secuénciales tomados

en intervalos igualmente espaciados, normalmente a lo largo de un periodo de tiempo o
un espacio.

1.4 COMPONENTES PARA EL ANÁLISIS DE SERIERES DE TIEMPOS.

El objetivo del análisis de una serie de tiempo es el conocimiento de su patrón de

comportamiento, para así poder prever su evolución en el futuro cercano, suponiendo
por supuesto que las condiciones no variarán significativamente.

Los pronósticos que se puedan realizar en base al análisis de este tipo de datos
servirán para el desarrollo de nuevos planes para inversiones en agricultura por
ejemplo, elaboración de nuevos productos por parte de las empresas, prevención de
desastres por cambios en el clima, o captar turistas para la ciudad, etc.

En una serie de tiempo las observaciones no se deben ordenar de mayor a menor

debido a que se perdería el grueso de la información debido que nos intenta detectar
como se mueve la variable en el tiempo es muy importante respetar la secuencia
temporal de las observaciones.

Representación de una Serie Temporal

Par realizar la representación de una serie temporal se debe realizar mediante una
gráfica de dispersión x-y como se muestra en la fig.1

Fig.1. Representación de una serie temporal

Componentes de una serie temporal

a) Tendencia
La tendencia es un movimiento de larga duración que muestra la evolución general de
la serie en el tiempo. La tendencia es un movimiento que puede ser estacionario o
ascendente, y su recorrido, una línea recta o una curva. Algunas de la posibles formas
son las que se muestran en la fig.2

Fig.2. Representación de la tendencia

 b) Variaciones estacionales.

Se habla de este tipo de variaciones usualmente cuando el comportamiento de la

variable en el tiempo en un periodo está relacionado con la época o un periodo
particular, por lo general en el espacio cronológico presente.

Fig. 5 Variaciones estacionales

c) Variaciones cíclicas

Se llama así a las oscilaciones a lo largo de una tendencia con un periodo superior al
año. El ciclo sugiere la idea de que este tipo de movimiento se repite cada cierto
periodo con características parecidas. Los ejemplos mas frecuentes se encuentran en
el campo de las variables económicas, en estos casos se deben principalmente a la
alternancia de las etapas de prosperidad y depresión en la actividad económica.

d) Variaciones residuales

Cuando aparecen hechos imprevistos, repentinos que afecten las variables en estudio,
que no podemos prever nos hallamos frente a variaciones residuales provocadas por
factores externos aleatorios. Por ejemplo un día lluvioso y frío durante el veranos es
difícil de predecir y aunque perturbaría ciertas actividades diarias como la venta de
helados no afectaría en este caso significativamente la serie.

El método de series de tiempos para muchos autores puede parecer contradictorio o

confuso debido a que muchos autores llaman de diferente forma las componentes a
identificar y la variabilidad de sus definiciones que para el caso es la misma ya que por
ahora nos interesa conocer y comprender al 100% los conceptos básicos y que es lo
que se trabaja en el análisis de series de tiempos.
1.5 PROMEDIOS MÓVILES

El Promedio Móvil o PM es el indicador más utilizado en análisis técnico y con razón,

ya que es uno de los indicadores técnicos más antiguos que existen.
Un promedio móvil es el precio promedio del mercado en cierto período de tiempo.

Un promedio móvil muestra la dirección y la duración de una tendencia. El propósito de

un promedio móvil es el mostrar la tendencia, de una forma suavizada. Debido al hecho
que el promedio móvil es uno de los indicadores más versátiles y de mayor uso dentro
de todos los indicadores, es la base del diseño de la mayoría de sistemas y estrategias
utilizados hoy en día.

A continuación alguna de las características más comunes de los promedios móviles:

El promedio móvil es calculado con cierto período de tiempo predefinido.

Mientras más corto el período, mayor la probabilidad de una señal falsa.
Mientras más largo el período, menor es la sensibilidad del promedio móvil. Es decir,
más certera pero existirán menos señales.

Como su mismo nombre lo implica, un promedio móvil es un promedio de un cuerpo

cambiante de data.

Por ejemplo, un promedio móvil de 50 períodos (50 MA en donde MA es Moving

Average por sus siglas en inglés), aplicado al cierre, es formado por la sumatoria de los
precios de cierre de los últimos 50 períodos, dividido por 50.

Se le llama Promedio MÓVIL, ya que únicamente los últimos períodos siendo

evaluados, son los que están siendo utilizados para calcular los resultados. Y así, los
datos siendo evaluados se mueven hacia adelante con cada día (o período) que
avanza.

Tipos de Promedios Móviles

Existen cuatro tipos comunes del indicador de Promedios Móviles:

1 Simple
2 Ponderado Linealmente (Linear Weighted)
3 Exponencial
4 Suavizado (Smoothed)
 1. Promedio Móvil Simple (SMA):

El Promedio Móvil Simple es sin duda el promedio móvil más utilizado hoy en día. El
Promedio Móvil Simple es a veces llamado un promedio móvil aritmético y básicamente
es un promedio a través de un período de tiempo. Se calcula sumando los precios de
cierre del par analizado durante cierto período de tiempo y luego se divide dentro del
mismo número de períodos.

Por ejemplo, el Promedio Móvil de los últimos 10 días del precio de cierre, dividido
dentro de 10.

Debido al hecho que el Promedio Móvil Simple da el mismo peso a cada período de
precio siendo evaluado, mientras más largo sea el período de tiempo evaluado, mayor
será la suavización de los datos más recientes.

Ejemplo 1. Aplicar el método de promedios móviles para el pronóstico de ventas de

gasolina a partir de la siguiente información:

Se considerará el promedio móvil a partir de las tres observaciones más recientes. En

este caso se utilizará la siguiente ecuación:

At 1  At -2  ....  At -n
Ft 
n
Ft = Proyección para un periodo que viene
At-1 = Ocurrencia real en el periodo anterior
n = Número de periodos que va a ser promediado

Resumen de cálculos para promedios móviles de tres semanas

Semana Valor de la serie de tiempo Pronóstico de la i-ésima semana con

(miles de galones) Promedios móviles
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
 2. Promedio Móvil Ponderado

Mientras que el promedio de movimiento simple le da igual ponderación a cada

componente de la base de datos del promedio de movimiento, un promedio de
movimiento ponderado permite que todas las ponderaciones se le apliquen a
cada elemento, siempre y cuando, obviamente, la suma de todas ellas sea igual
a l.

Ft  w1 At 1  w2 At -2  ....  wn At -n
Ft = Proyección para un periodo que viene
At-1 = Ocurrencia real en el periodo anterior
w1 = Ponderación

Para mostrar el uso de éste método, se utilizará la primera parte del ejemplo anterior de
la venta de gasolina. El método consiste en asignar un factor de ponderación distinto
para cada dato. Generalmente, a la observación o dato más reciente a partir del que se
quiere hacer el pronóstico, se le asigna el mayor peso, y este peso disminuye en los
valores de datos más antiguos. En este caso, para pronosticar las ventas de la cuarta
semana, el cálculo se realizaría de la siguiente manera:

Pronóstico para la cuarta semana 1/6 (17) + 2/6 (21) + 3/6 (19) = 19.33 galones

Puede observarse que el dato más alejado (correspondiente a la primera semana) tiene
el factor de ponderación más pequeño, el siguiente tiene un factor de ponderación del
doble que el primero y el dato más reciente (que corresponde a la tercera semana)
tiene un factor de ponderación del triple del primero. Los pronósticos para las diversas
semanas se presentan en la siguiente tabla. En todos los casos, la suma de los
factores de ponderación debe ser igual a uno.

Pronóstico de la i-ésima semana

Valor de la serie
Semana con
de tiempo (miles de galones)
Promedios móviles para 3 años
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
 3. Ajuste exponencial.

En los anteriores métodos de proyección (promedio de movimiento simple y

ponderado) el principal inconveniente es la necesidad de manejar continuamente una
gran cantidad de datos históricos (esto ocurre también con las técnicas del análisis de
regresión que se verán más adelante). En esos métodos, en la medida en que se
agrega una nueva porción de datos, la observación anterior disminuye y se calcula la
nueva proyección. En muchas aplicaciones (quizás en la mayoría), las ocurrencias más
recientes son indicativas del futuro que las que se encuentran en un pasado más
distante. Si esta premisa es válida –que la importancia de los datos disminuye en la
medida en que el pasado se hace más distante- el ajuste o suavizamiento exponencial
puede ser el método más lógico y fácil de utilizar.

El ajuste exponencial es la más utilizada de todas las técnicas de proyección. Es parte

integral de todos los programas de proyección computarizados y se usa ampliamente
en los pedidos de inventario en las firmas minoristas, las compañías mayoristas y las
agencias de servicios.

Las técnicas del ajuste exponencial son muy aceptadas por seis razones principales:

Los modelos exponenciales son sorprendentemente exactos.

La formulación de un modelo exponencial es relativamente fácil.
El usuario puede entender cómo funciona el modelo.
Se requieren pocos cálculos para utilizar el modelo.
Los requerimientos de almacenamiento en el computador son pocos debido al uso
limitado de datos históricos.
Las pruebas de exactitud en cuanto al desempeño del modelo son fáciles de calcular.

En el método de ajuste exponencial, sólo se necesitan tres piezas de datos para

proyectar el futuro: la proyección más reciente, la demanda real registrada durante ese
periodo de proyección y una constante de ajuste alfa (  ). Esta constante de ajuste
determina el nivel de uniformidad y la velocidad de reacción a las diferencias entre las
proyecciones y las ocurrencias reales. El valor de la constante está determinado tanto
por la naturaleza del producto como por el sentido del gerente de lo que constituye una
buena tasa de respuesta.

Ft  F
t 1  At 1  Ft 1 

Ft = Proyección de ajuste exponencial para el periodo t.

At-1 = La demanda real durante un periodo anterior
Ft-1 = Proyección de ajuste exponencial para el periodo anterior
Para mostrar el método de suavizamiento exponencial, retomamos el ejemplo de la
gasolina, utilizando como constante de suavizamiento α = 0.2:

GALONES POR
SEMANA ( T ) PRONÓSTICO
SEMANA) At-1
1 17 F1 = 17.00

2 21 F2 = 17.00

3 19 F3 = 17.80

4 23 F4 = 18.04

5 18 F5 = 19.03

6 16 F6 = 18.83

7 20 F7 = 18.26

8 18 F8 = 18.61

9 22 F9 = 18.49

10 20 F10 = 19.19

11 15 F11 = 19.35

12 22 F12 = 18.48