c
 c  

RESUMEN
En este trabajo se ha realizado el análisis de datos por series de tiempo, para un conjunto de
datos de la temperatura del medio ambiente, los datos corresponde específicamente al
aeropuerto Internacional Jorge Chávez, en la provincia constitucional del Callao, de la
ciudad de Lima, en Perú.
Los datos fueron recolectados durante los años 1999, 2000, 2001, 2002, 2003, 2004. Para
el análisis solo se han considerado las temperaturas de los cuatro primeros meses de cada
año, además debo indicar que se ha tomado valores promedios mensuales.
ë INTRODUCCION
Una serie de tiempo esta dado por un conjunto de observaciones que están ordenadas en el
tiempo, y que estas pueden representar el cambio de una variable ya sea de tipo económica,
física, química, biológica, etc., a lo largo esa historia.
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.
2 TEORIA
2 ë Series de Tiempo
Una serie temporal o cronológica es un conjunto e observaciones de una variable,
ordenadas según transcurre el tiempo.
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 a que nos interesa detectar como se
mueve la variable en el tiempo es muy importante respetar la secuencia temporal de las
observaciones.
2 2 Representación de una Serie Temporal
Par realizar la representación de una serie y 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
2
Componentes de una serie temporal
2
ë 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 las posibles formas son las que se muestran en la
fig.2

Fig.2. Representación de la tendencia

La tendencia es un movimiento que puede ser estacionario o ascendente o descendente
como se indica en la fig.3
Fig. 3 Tendencias ascendente, estacionaria y descendente
También son posibles algunas formas para la tendencia, que no necesariamente tiene una
distribución de puntos en forma aproximadamente lineal sino como las que se muestran en
la fig. 4

Fig.4 Líneas de tendencia de otras posibles formas.

2
2 Variaciones estacionales
Se habla de este tipo de variaciones usualmente cuando el comportamiento de la variable en
el tiempo en un periodo esta relacionado con la época o un periodo particular, por lo
general en el espacio cronológico presente.

Fig. 5 Variaciones estacionales

2

Variaciones cíclicas
Se llama así a las o cíclicas 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 le campo de las
variables económicas, en esto casos se deben principalmente a la alternancia de las etapas
de prosperidad y depresión en la actividad económica.
2
 Variaciones residuales
Cuando a parecen hechos imprevistos, repentinos que afecten las variables en estudio
acatando que no podemos proveer nos hallamos frente a variaciones residuales provocadas
por r factores externos a aleatorios.
Por ejemplo un día lluvioso y frio durante el verano es difícil de predecir y aunque
perturbaría ciertas actividades diarias como la venta de helados no afectaría en este caso
significativamente la serie.

ANALISIS DE LA TENDENCIA
En la práctica es difícil distinguir la tendencia del comportamiento cíclico. Por ejemplo la
gráfica puede conducirnos a concluir que existe una tendencia ascendente en la parte de
1980 a 1982, pero esto es una parte de la serie de tiempo más grande.

Fig, 6 Tendencias crecientes, crecientes entre periodos de tiempo

ë Método Gráfico
Mediante este método muy elemental se determina la tendencia a partir de una
representación grafica de la serie.la aplicación de este método es como sigue
Œ Se representa gráficamente la serie cronológica
Œ Se unen los extremos superiores de la serie, se hace los mismo con los inferiores
Œ Se obtiene dos líneas que encierran ala serie original
Œ Uniendo los puntos medios de las distancias entre las dos líneas o curvas se obtiene la
tendencia. La línea o curva de tendencia obtenida tendrá un trazado mucho mas suave
que la serie original.
Fig. 7 Representación tendencia estacionaria

2 Método de las medias móviles
Para este método se deben de considerar los siguientes pasos que se detallan
Œ Vbservar con detenimiento la serie para determinar aproximadamente la fluctuación
con periodo mas largo y llamamos q al número de observaciones que 
 una
oscilación compleja.
Œ Se procede a calcular una serie de medias. La primera de ellas se calcula a partir de las
que las primeras observaciones de la serie pero eliminado la primera observación y
añadiendo al inmediata posterior. Se prosigue así hasta calcular la media de las últimas
observaciones.
Œ Cada una de las medias obtenidas en el paso anterior se asigna al instante o momento
dentro del periodo temporal que promedian.
Œ Uniendo las medias se obtiene la tendencia.

 APLICACIÓN
Caso ë Producción de Motocicletas en una empresa japonesa, periodo ë -
ë
En la siguiente tabla se tiene la producción de motocicletas de una empresa (en millones de
motos) en un periodo de 17 años que se muestra en la tabla Nº 1
Tabla Nº1
Venta de Motocicletas en un periodo de 17 años
(Producción en millones de motocicletas)

º
 

 º
 

 º
 


 
 
        

 
          

 
        

 
         

 
         

 
        

Se traslada los datos a Microsoft Excel, ordenados en dos columnas, luego se realiza la
gráfica de los datos.
Se obtiene la gráfica mostrada en la fig.8
Fig. 8 Representación de la serie de tiempo para las motocicletas por año
En la grafica se observa que los años donde se registra mayor producción son 1974, 1980,
1985,1990
Entonces podemos tomar cada cinco años como la cantidad de años para la cual la empresa
realiza su mayor producción.
Sin embargo es conveniente encontrar una línea de tendencia tal que se pueda hallar una
ecuación ajustada para los pronósticos de la producción en el tiempo.
Utilizando el método de la media móvil
Se construye una nueva tabla con las medias móviles
Esto es para suavizar la distribución de puntos

Fig. 9 Serie original y serie suavizada por los promedios móviles

Hallando la línea de tendencia
En Microsoft Excel, la línea de tendencia para la curva suavizada se obtiene fácilmente y se
nuestra en la fig 10
Fig. 10. Línea de tendencia con R2 = 0.4169
El coeficiente de determinación es muy pequeño por lo que no se puede asegurar
categóricamente que la ecuación lineal hallada es la que pronostica la producción en los
años posteriores.
Será necesario realizar un segundo arreglo con medias móviles
El problema ahora es que el periodo donde alcanza la mayor producción es un numero par
de años, por lo que se hace difícil en la tabla hallar el año central, realizando el promedio de

Fig.11 Suavizando la línea de tendencia por segunda vez

La fig. 11 muestra la segunda suavizada de la línea de tendencia, no ha variado mucho con
respecto a la primera,.
Caso 2 Temperatura en Lima ± Aeropuerto Internacional Jorge Chávez,
periodo 2- 2
En la ciudad de Lima (Perú) el Aeropuerto Internacional Jorge Chávez, las temperaturas
registradas durante los años 2000, 2001, 2002, 2003, 2004 consideramos en este caso solo
los primeros cuatro meses de cada año, las temperaturas registradas por cada mes
promediados son las que se muestran en la tabla Nº1
Tabla Nº 2
Temperaturas de Lima ± Aeropuerto Internacional Jorge Chávez (Lima ±Perú) 2000 ±
2004


  
      
 Y
   Y
   Y
   Y
   Y
  



      


       


     

º      

Representación gráfica
Primero se organizan los datos de manera conveniente en la hoja de cálculo Excel, Se
obtiene la siguiente representación de los datos

Fig. 12 Representación gráfica de los fatos de temperatura por cuatrimestre

CONCLUSIONES
Œ Las series temporales pueden servir para predecir acontecimientos futuros en base a
ciertos comportamientos de determinadas variables Si tenemos mas observaciones que
se puedan promediar, que es el orden de la media móvil, se obtienen tendencias mas
suaves. Este hecho no debe hacernos olvidar que aunque hemos mejorado la tendencia
con el suavizado, por el contrario perdemos información sobre los valores iniciales y
finales de la tendencia estimada.
Œ Con el procedimiento de medias móviles siempre es posible elegir el número de
observaciones que se deben tomar para el promedio, esto no siempre es fácil, esto da el
periodo de oscilación Si se determina la función matemática de la tendencia lineal, esta
no permitirá conocer los valores perdidos tanto al inicio como al final del proceso de
búsqueda de la línea de tendencia,
1. Requisitos de Estadística Descriptiva:

a. Media, Mediana

b. Desviación estándar

c. Regresión lineal

2. Qué es una serie de tiempo

a. Componentes de la Serie de Tiempo (tipos de variación):

i. Tendencia secular

ii. Variación estacional

iii. Variación cíclica

iv. Variación irregular

b. Tendencia de una serie

i. Lineal

ii. No lineal

c. Métodos de Suaviza miento de la Serie

i. Promedios móviles

ii. Promedios móviles ponderados

iii. Suaviza miento exponencial

d. Pronósticos y su precisión

i. Promedios móviles

ii. Promedios móviles ponderados

iii. Suaviza miento exponencial

Series de Tiempo

Por serie de tiempo nos referimos a datos estadísticos que se recopilan, observan o
registran en intervalos de tiempo regulares (diario, semanal, semestral, anual, entre otros).
El término serie de tiempo se aplica por ejemplo a datos registrados en forma periódica que
muestran, por ejemplo, las ventas anuales totales de almacenes, el valor trimestral total
de contratos de construcción otorgados, el valor trimestral del PIB.

a. Componentes de la serie de tiempo

b. Supondremos que en una serie existen cuatro tipos básicos de variación, los
cuales sobrepuestos o actuando en concierto, contribuyen a los cambios observados en
un período de tiempo y dan a la serie su aspecto errático. Estas cuatro
componentes son: Tendencia secular, variación estacional, variación cíclica y variación
irregular. Supondremos, además, que existe una relación 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 común el resultado de factores a largo plazo. En términos intuitivos, la
tendencia de una serie de tiempo caracteriza el patrón gradual y consistente de las
variaciones de la propia serie, que se consideran consecuencias de fuerzas persistentes
que afectan el crecimiento o la reducción de la misma, tales como: cambios en la
población, en las características demográficas de la misma, cambios en los ingresos, en la
salud, en el nivel de educación y tecnología. Las tendencias a largo plazo se ajustan a
diversos esquemas. Algunas se mueven continuamente hacía arriba, otras declinan, y
otras más permanecen igual en un cierto período o intervalo de tiempo.

2 Variación 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 variación corresponde a los movimientos de la serie que
recurren año tras año en los mismos meses (o en los mismos trimestres) del año poco más o
menos con la misma intensidad. Por ejemplo: Un fabricante de albercas inflables espera
poca actividad de ventas durante los meses de otoño e invierno y tiene ventas máximas 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.

. Variación cíclica Con frecuencia las series de tiempo presentan secuencias

alternas de puntos abajo y arriba de la línea de tendencia que duran más de un año,
esta Variación se mantiene después de que se han eliminado las variaciones o tendencias
estacional e irregular. Un ejemplo de este tipo de variación son los ciclos
comerciales cuyos períodos recurrentes dependen de la prosperidad, recesión,
depresión y recuperación, las cuales no dependen de factores como el clima o las
costumbres sociales.

 Variación 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 variación irregular:

a) Las variaciones que son provocadas por acontecimientos especiales, fácilmente

identificables, como las elecciones, inundaciones, huelgas, terremotos.

b) Variaciones aleatorias o por casualidad, cuyas causas no se pueden señalar en forma

exacta, pero que tienden a equilibrarse a la larga.

b. Tendencia de una serie

ë 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 producción, con frecuencia se aproxima a una
línea recta. Esta línea de tendencia muestra que algo aumenta o disminuye a un
ritmo constante. El método que se utiliza para obtener la línea recta de mejor ajuste es el
Método de Mínimos Cuadrados.

2 Tendencia no lineal

Cuando la serie de tiempo presenta un comportamiento curvilíneo se dice que este

comportamiento es no lineal. Dentro de las tendencias no lineales que pueden
presentarse en una serie se encuentran, los polinomios, logarítmica, exponencial y
potencial, entre otras.

c. Métodos de Suaviza miento de la Serie

ë Promedio móvil

Un promedio móvil se construye sustituyendo cada valor de una serie por la media
obtenida con esa observación y algunos de los valores inmediatamente anteriores y
posteriores. Se mostrará este método con los siguientes ejemplos:

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: datos de recientes más valores promedio móvil

Resumen de cálculos para promedios móviles de tres semanas Valor de la serie de tiempo
(miles de galones) Pronóstico de la i-estima semana con 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

Los promedios móviles también se pueden construir tomando en cuenta valores adyacentes
De las observaciones, por ejemplo: En el caso de determinar el promedio móvil para tres
observaciones adyacentes de la tabla anterior, se tiene:

Semana Valor de la serie de tiempo (miles de galones) Pronóstico de la estimación semana

con Promedios móviles para 3 años

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 (23+18+16)/3 = 19

6 16 18

7 20 18

8 18 20

9 22 20

10 20 19

11 15 19
12 22

2 Promedios móviles ponderados

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:

Galones semana cuarta la para pronóstico 33. 19) 19 (63) 21 (62) 17 (61

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.

Semana Valor de la serie de tiempo (miles de galones) Pronóstico de la i-ésima semana

con 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

12 22

Suavizamiento exponencial

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

como pronóstico; es un caso especial del método de promedios móviles ponderados en el
cual sólo se selecciona un peso o factor de ponderación: el de la observación más reciente.
En la práctica 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.

ttt

F YF )1(1

Donde:

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

Yt = valor real de la serie de tiempo en el período t

Ft = pronóstico de la serie de tiempo para el período t

= constante de suavizamiento, 0 ” ”1

En base a lo anterior, el pronóstico para el período dos se calcula de la siguiente manera:

1 1 2)1 (F YF

112)1(YYF

12YF

Como se observa, el pronóstico para el período 2 con suavizamiento exponencial es igual al

valor real de la serie de tiempo en el período uno.

Para el período 3, se tiene que:

223 )1 (F YF

123)1(YYF

Para el período 4 se tiene:

123334)1()1()1(YYYFYF

234)1()1(YYYF
 Para mostrar el método de suavizamiento exponencial, retomamos el ejemplo de la
gasolina, utilizando como constante de suavizamiento = 0.2: valores/semana Pronóstico

Semana ( t ) Valor (Yi) Ft

1 17 F1 = Y1 = 17.00

2 21 F2 = F1 =17.00

3 19 F3 = Y2+(1- )F2 = 17.80

4 23 F4 = Y3 + (1- )F3 = 18.04

5 18 F5 = Y4 + (1 - )F4 = 19.03

6 16 F6 = Y5 + (1- )F5 = 18.83

7 20 F7 = Y6 + (1 - )F6 = 18.26

8 18 F8 = Y7 + (1 - )F7 = 18.61

9 22 F9 = Y8 + (1- )F8 = 18.49

10 20 F10 = Y9 + (1 - )F9 = 19.19

11 15 F11 = Y10 + (1 - )F10 = 19.35

12 22 F12 = Y11 + (1- )F11 = 18.48