SERIES DE TIEMPO

1. CONCEPTOS BSICOS DE SERIES DE TIEMPO a. Introduccin b. Definicin de Series de Tiempo c. Procedimiento para analizar una Serie de Tiempo d. Componentes de la Serie de Tiempo i. Tendencia o Movimiento Secular (T)
ii. Variaciones o Movimiento estacinales (E)

iii. Variaciones o Movimientos Cclicos iv. Variaciones Irregulares (I)

2. MODELOS CLASICOS DE SERIES DE TIEMPO a. Modelos de Descomposicin b. Estimacin de la Tendencia c. Estimacin de la Estacionalidad
d. Estimacin del componente cclico

3. Predicciones a. Ejemplo Ilustrativo

1. CONCEPTOS BSICOS DE SERIES DE TIEMPO a. Introduccin

Toda institucin, ya sea empresa o gobierno, tiene que hacer planes para el futuro si ha de sobrevivir y progresar. Hoy en da diversas instituciones requieren conocer el comportamiento futuro de de ciertos fenmenos con el fin de planificar, prever o prevenir. La planificacin racional exige prever los sucesos del futuro que probablemente vayan a ocurrir. La previsin, se basa en lo que ha ocurrido en el pasado. Se tiene un nuevo tipo de Inferencia estadstica que se hace acerca del futuro de alguna variable o compuesto de variables basndose en suceso del pasado.

SERIES DE TIEMPO
1. Series econmicas

EJEMPLOS
- Precio de un artculo - Tasas de desempleo - Tasa de inflacin - ndice de precios, etc.

2. Series Fsicas

- Meteorologa - Cantidad de agua cada - Temperatura mxima diaria - Velocidad del Viento (energa elica) - Energa solar, etc.

3. Geofsica 4. Series demogrficas

- Series sismolgicas - Tasas de crecimiento de la poblacin - tasa de natalidad, mortalidad. - Resultados de cencos poblacionales

5. Series de Marketing 6. Series de Telecomunicaciones 7. Series de transporte

- Series de demanda - Gastos , Ofertas , etc. - Anlisis de seales, etc. - Series de trfico, etc.

La serie de Tiempo intenta resolver el problema de PREDICCIN. Esto es {x(t1), x(t2), ., x(tn)}, el objetivo por tanto de la serie de tiempo es describir el comportamiento de la serie, investigar el mecanismo generador de la serie temporal, busca posibles patrones temporales que permitan sobrepasar la incertidumbre del futuro.

b. Definicin de Series de Tiempo

En muchas reas del conocimiento la observaciones de inters son obtenidas en instantes sucesivos del tiempo, por ejemplo: cada hora, diario, mensual, trimestral semestral, etc. O bien por algn perodo de tiempo. Llamaremos Serie de tiempo a un conjunto de mediciones de cierto fenmeno o experimento registradas secuencialmente en el tiempo. Estas observaciones sern denotadas por: {x(t1), x(t2), ., x(tn)}= {x(ti) : t T R }, Con x(ti) el valor de la variable X en el instante ti Si T = Z se dice que la serie es discreta. Si T = R se dic que la serie de tiempo es continua. Cuando ti+1 ti = K para todo i = 1,..., n-1, se dice que la serie es equiespaciada.

c. Procedimiento para analizar una Serie de Tiempo

Las series de tiempo se representan grficamente mediante una lnea poligonal que se construye sobre un plano cartesiano o sistema de coordenadas, en eje de abscisas se ubica el tiempo (aos, meses, semanas, etc.) y en eje de ordenadas los valores de las observaciones correspondientes de Y (produccin, ventas, exportaciones, etc.) El siguiente cuadro representa la poligonal de la serie cronolgica de 7 aos tenemos informacin mensual de cada ao investigado, cuando se unen los puntos se forma la lnea polgona de a serie.
285 275 265 255 245 235 225 215 205 195 185 1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77

d.

Componentes de la Serie de Tiempo

Las variaciones o movimientos caractersticos de una serie de cronolgica, en un enfoque univariado puede dividirse en cuatro componentes diferenciados: i. Tendencia o Movimiento Secular (T)

Se refiere a la direccin general que sigue una serie cronolgica. Expresa un movimiento uniforme o regular que sigue la serie durante un largo perodo de tiempo. La direccin de este movimiento puede ser ascendente o descendente o simplemente constante. Estadsticamente se pude expresar por una funcin matemtica (recta, parbola, etc.) que constituye el modelo de la tendencia. ii. Variaciones o Movimiento estacinales (E)

Son movimientos o fluctuaciones que se periten a intervalos regulares durante subperodos de tiempo especificado. Pueden ser fluctuaciones peridicas que se repiten trimestralmente, semestrales, etc. Por ejemplo la temperatura aumenta en el verano y baja en el invierno, las ventas, etc. iii. Variaciones o Movimientos Cclicos (C)

Son fluctuaciones que se presentan alrededor de una tendencia en forma ms o menos reglar cada cierto perodo de tiempo en un largo plazo. Resulta difcil elaborar premisas sobre la extensin y forma del movimiento cclico de una serie cronolgica. iv. Variaciones Irregulares (I)

Son fluctuaciones que se presentan en forma espordica de un perodo a otro, son variaciones accidentales que no pueden ser determinadas en trminos de tendencia o estacionalidad o cclico. Los trminos irregulares pueden ser de dos tipos: variaciones causadas por sequas, guerras, inundaciones, terremotos, huelgas, etc. y variaciones aleatorias o al azar cuyas causas no pueden ser definidas son simplemente factores no conocidos.

2. MODELOS CLASICOS DE SERIES DE TIEMPO

El anlisis de una serie de tiempo consiste en describir el comportamiento de sus componentes. Por lo general se supone que las componentes de una serie puede considerar se como independientes s, lo que implica seria sucesiva antes que simultnea. Muchas series presentan una tendencia fcil de identificar, alrededor de la cual se pueden explicar los dems componentes. Por ejemplo, la variacin de los precios tiene una tendencia ascendente, el analfabetismo tiende a disminuir, la poblacin es creciente; etc. entonces el componente estacional se observa a travs de la repitencia alrededor de la tendencia. Y la variacin cclica se analiza como el residuo que se estima despus de los componentes anteriores y algunas veces luego de eliminar los movimientos irregulares. a. Modelos de Series de Tiempo

Existen dos modelos de series de tiempo, que generalmente se aceptan como buenas aproximaciones a las verdaderas relaciones, entre los componentes de los datos observados. Estos son: - Aditivo: - Multiplicativo

Y (t ) = T (t ) + E (t ) + C (t ) + I (t ) Y ( t ) = T (t ) * E ( t ) * C ( t ) * I ( t )

Donde: Y (t) serie observada en el instante t T (t) componente de la tendencia E(t) componente estacional C(t) componente cclico I(t) componente irregular Un modelo aditivo es adecuado, cuando la estacionalidad no depende de otras componentes, como T(t), s por el contrario la estacionalidad vara con la tendencia, el modelo es ms adecuado es un modelo multiplicativo

b.

Estimacin de la Tendencia

La tendencia es la direccin que sigue la serie cronolgica, que se visualiza a travs de la grfica. Este estudio permite determinar el probable comportamiento de los datos en el futuro. Las proyecciones constituyen el aspecto ms importante de la planificacin social, econmica, etc. a mediano plazo. Expresada la tendencia por una funcin matemtica, es fcil proyectar la serie y obtener valores estimados. Evidentemente que los valores proyectados tiene un sesgo o error, cuya dimensin depende de la validez y significacin de los datos de la serie, perodo elegido y del mtodo utilizado para analizar la tendencia. El mtodo estadstico elegido, depender de una parte del comportamiento de la variable, en el tiempo que se deduce de la horma de la poligonal y , de otra el objetivo de la investigacin. La tendencia de una serie se puede determinar y estimar por dos mtodos generales, uno grfico y otro analtico. i. Mtodo de los promedios mviles Una forma de visualizar la tendencia, es mediante suavizamiento de la serie. La idea central es definir a partir de la serie observada una nueva serie que suaviza los efectos ajenos a la tendencia (estacionalidad, efectos aleatorios), de manera que podamos determinar la direccin de la tendencia.

Aos t

Exportaciones

m=3
Suma Mvil Promedio Mvil Suma Mvil

m=5
Promedio Mvil

Xi

Yi

1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

42.20 46.90 44.50 53.50 44.20 45.30 43.30 55.40 52.00 60.00 75.00 70.00 50.00 84.00 84.00 72.00 72.00 63.00 49.00 68.00 105.00 100.00 98.00 114.90 145.90

133.60 144.90 142.20 143.00 132.80 144.00 150.70 167.40 187.00 205.00 195.00 204.00 218.00 240.00 228.00 207.00 184.00 180.00 222.00 273.00 303.00 312.90 358.80

44.53 48.30 47.40 47.67 44.27 48.00 50.23 55.80 62.33 68.33 65.00 68.00 72.67 80.00 76.00 69.00 61.33 60.00 74.00 91.00 101.00 104.30 119.60

231.30 234.40 230.80 241.70 240.20 256.00 285.70 312.40 307.00 339.00 363.00 360.00 362.00 375.00 340.00 324.00 357.00 385.00 420.00 485.90 563.80

46.26 46.88 46.16 48.34 48.04 51.20 57.14 62.48 61.40 67.80 72.60 72.00 72.40 75.00 68.00 64.80 71.40 77.00 84.00 97.18 112.76

160.00 140.00 120.00 100.00 80.00 60.00 40.00 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Exportaciones
160.00 140.00 120.00 100.00 80.00 60.00 40.00 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Aos
Observaciones Promedio Mvil

ii. Mtodo del ajuste de una lnea o funcin

CONVERSION DE LA VARIABLE TIEMPO CALENDARIO EN ESCALA X

- En toda serie cronolgica, cuando se trabaja con una funcin numero de aos impar: Y = f(t) X = tiempo El tiempo calendario, que puede ser meses, trimestre, aos, etc., debe convertirse en una escala o valor, que generalmente es un nmero entero: por ejemplo sea la serie de los siguientes aos: 1988 1989 1990 1991 1992 1993 1994 Puede expresarse. X: Donde: entonces 1 2 3 4 5 6 7 X = 28 , o tambin puede elegirse como origen el ao 1991 (x = 0)

X. -3 -2 -1 0 1 2 3 Entonces X = 0 - En toda serie cronolgica, cuando se trabaja con una funcin numero de aos par: El punto medio de la serie esta ubicado entre dos aos centrales, en este caso considera una escala de 2 unidades entre dos aos consecutivos: 1987 1988 1989 1990 1991 1992 1993 1994 Puede expresarse. X. Entonces -7 -5 -3 -1 1 3 5 7

X =0

- Cuando una serie tiene datos para aos (o perodos) no consecutivos o equidistantes no es muy fcil hallar X = 0 ; entonces para evitar confusiones es preferible usar una escala de nmeros enteros positivos. 1982 1985 1989 1991 1994 1995 1999 Puede expresarse. X: 0 3 7 9 12 13 17

TENDENCIA LINEAL

La ecuacin de una lnea recta es Y = a + bX funcin de primer grado en X cuyos parmetros son a y b , teniendo las siguientes ecuaciones normales:

Y = an + b X XY = a X + b X

El artificio de conseguir X = 0 , facilitar el clculo de los parmetros a y b en las ecuaciones normales, para el caso de la recta las ecuaciones se transforman o simplifican como: Y = an

XY
2

= b X

donde: a =

Y
n

b=

XY X

Error estndar de la Estimacin: Se =

a Y b XY n

TENDENCIA PARABOLICA
La ecuacin de una lnea recta es Y = a + bX + cX 2 funcin de primer grado en X cuyos parmetros son a , b y c ; teniendo las siguientes ecuaciones normales:

Y = an + bX + c X XY = a X + bX + c X X Y = a X + bX + c X
2 2 3 2 2 3

El artificio de conseguir X = 0 , facilitar el clculo de los parmetros a y b en las ecuaciones normales, para el caso de la recta las ecuaciones se transforman o simplifican como: Y = an +c X 2

XY = bX X Y = a X
2 2

+c X

donde:

b=

XY X

Error estndar de la Estimacin: Se =

a Y b XY c X 2Y n2

TENDENCIA EXPONENCIAL
La ecuacin exponencial es: Y =ab X Las ecuaciones normales son:

log Y = log a + X log b

log Y = n log a + log b X X log Y = log a X + log b X

Donde las constantes sern las siguientes:

log a =

log Y
n

log b =

X log Y X
2

APLICACIONES DE LAS SERIES DE TIEMPO PARA AJUSTAR LA TENDENCIA DE LOS DATOS

AJUSTE A UNA RECTA

Ejemplo: La produccin de cobre en toneladas durante los aos 86 al 96 se muestra en la siguiente tabla: a.Represente los datos. b. Hallar la ecuacin de la recta que mejor ajusta los datos. c.Estimar la produccin para 2007 y 2008 compara con los valores reales 112.7 y 85.3 respectivamente.
Aos Produccin Cobre
1996 66.6 1997 84.9 1998 88.6 1999 78.0 2000 96.8 2001 105.2 2002 93.2 2003 111.6 2004 88.3 2005 117.0 2006 115.2

Y = a + bX

Produccin de Cobre 1996 - 2006

120

Produccin

110 100 90 80 70 60 1994 1996 1998 2000 2002 2004 2006 2008

Aos

Primer mtodo
Sea la ecuacin y =

xy x

x , donde x =X X e y = Y Y
x =X - X prom
-5 -4 -3 -2 -1 0 1 2 3 4 5 0

Aos
1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 Suma Promedio

X
0 1 2 3 4 5 6 7 8 9 10 55 5

Produccin Cobre
66.6 84.9 88.6 78 96.8 105.2 93.2 111.6 88.3 117 115.2 1045.4 95

y = Y- Y prom
-28.4 -10.1 -6.4 -17 1.8 10.2 -1.8 16.6 -6.7 22 20.2 0.4

x2
25 16 9 4 1 0 1 4 9 16 25 110

xy
142 40.4 19.2 34 -1.8 0 -1.8 33.2 -20.1 88 101 434.1

La ecuacin es : y = De donde

xy x = 434 .1 x = 3.95 x 110 x

2

y = .95 x , reemplazado x e y 3
Y Y = 3.95 ( X X ) Y 95 .0 = 3.95 ( X 5) 75 Y = .2 + 3.95 X

MODEL:

MOD_1. Method.. LINEAR

Dependent variable.. Y Listwise Deletion of Missing Data Multiple R R Square Adjusted R Square Standard Error .81779 .66879 .63199 9.70915

Analysis of Variance: DF Regression Residuals F = 1 9 Sum of Squares 1713.1165 848.4090 Signif F = .0021 Mean Square 1713.1165 94.2677

18.17290

-------------------- Variables in the Equation -------------------Variable X (Constant) B 3.946364 75.304545 SE B .925731 5.476701 Beta .817794 T 4.263 13.750 Sig T .0021 .0000

Segundo mtodo
Si se asigna el valor de X a los aos 1996 al 2006 de forma que de la recta de los mnimos cuadrados se puede escribir:

X =0

, la ecuacin

XY Y =Y + X 2

Nota: Como el nmero de aos es impar se asigna X = 0 al ao central (2001) dicho ao es el origen.

Aos
1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 Suma Promedio

X
-5 -4 -3 -2 -1 0 1 2 3 4 5 0 5

Produccin Cobre
66.6 84.9 88.6 78 96.8 105.2 93.2 111.6 88.3 117 115.2 1045.4 95

X2
25 16 9 4 1 0 1 4 9 16 25 110

XY
-333 -339.6 -265.8 -156 -96.8 0 93.2 223.2 264.9 468 576 434.1

La ecuacin de la recta es: 434 .1 95 Y = .0 + X 110 95 Y = .0 + 3.95 X Donde el origen es el ao 2001 (X = 0), para trasladar el origen al ao 1996 s debe sustituir X por (X-5) y as se obtiene la ecuacin: Y =95 .0 + 3.95 ( X 5) Y =75 .2 + 3.95 X Para el ao 2007: X = 6 , Y est = 118.7 Para el ao 2008: X = 7 , Y est = 122.6 Ejemplo: La produccin de Cuba de cigarros tipo Puros durante los aos 85 al 94 se muestran en la siguiente tabla: a) Representar los datos b) Hallar la ecuacin de la recta de mnimos cuadrados c) Estimar la produccin de cigarros tipo puro para el ao 95
Aos Produccin Puros
1985 98.2 1986 92.3 1987 80 1988 89.1 1989 83.5 1990 68.9 1991 69.2 1992 67.1 1993 58.3 1994 61.2

AJUSTE A UNA PARABOLA

Y = a + bX + cX

Ejemplo: Se conoce la poblacin de un determinado pas ajustar a una parbola de segundo grado, estimar la poblacin para el siguiente perodo a. Represente los datos. b. Hallar la ecuacin de la parbola que mejor ajusta los datos. c. Estimar la poblacin para el siguiente perodo
Aos Poblacin
1900 23.2 1910 31.4 1920 39.8 1930 50.2 1940 62.9 1950 76 1960 92 1970 105.7 1980 122.8 1990 131.7 2000 151.1

AJUSTE A UNA CURVA PARABOLICA

160 140 120 100 80 60 40 20 1890 1910 1930 1950 1970 1990 2010

Produccin

Aos

Aos
1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000 Suma Promedio

X
-5 -4 -3 -2 -1 0 1 2 3 4 5 0

Poblacin
23.2 31.4 39.8 50.2 62.9 76 92 105.7 122.8 131.7 151.1 886.8 80.62

X2
25 16 9 4 1 0 1 4 9 16 25 110

X3
-125 -64 -27 -8 -1 0 1 8 27 64 125 0

X4
625 256 81 16 1 0 1 16 81 256 625 1958

XY
-116 -125.6 -119.4 -100.4 -62.9 0 92 211.4 368.4 526.8 755.5 1429.8

X2Y
580 502.4 358.2 200.8 62.9 0 92 422.8 1105.2 2107.2 3777.5 9209

Las ecuaciones normales son.

886 .8 = 11a + 0b + 110 c 9209 = 110 a + 0b + 1958 c

1429 .8 =0a + 110b + 0c

Entonces la ecuacin de la parbola por l mtodo de los mnimos cuadrado es: Y est. = 0.3974x2 + 12.998x + 76.644 r2 = 0.9978
MODEL: _

La proyeccin para el ao 2010 ser Y est. Es 168.9

MOD_3.

Independent:

X Rsq .991 .998 d.f. F Sigf b0 b1 b2 .3974

Dependent Mth Y Y LIN QUA

9 949.73 8 1844.81

.000 80.6182 12.9982 .000 76.6438 12.9982

AJUSTE A UNA CURVA EXPONENCIAL

Existe valores de una serie cuyos elementos varan a una taza relativamente constante como en el caso tpico del crecimiento poblacional.

Donde: Y = variable dependiente X = variable independiente a = coeficiente b = base

Y = ab X

adems se sabe que b = 1 + i, donde i es la tasa de crecimiento Para resolver esta ecuacin se aplica logaritmos a la ecuacin estimada

log Y = log a + X log b

Las ecuaciones normales sern la siguientes:

log Y =n log a + log b X X log Y = log a X + log b X

Ejemplo: Los siguientes datos corresponden a la poblacin registrada en 5 censos. Graficar y ajustar a una exponencial a. Represente los datos. b. Hallar la ecuacin exponencial que mejor ajusta los datos. c. Estimar la poblacin para el siguiente perodo
Aos Poblacin
1950 3.715 1960 4.282 1970 5.024 1980 5.933 1990 7.374

Curva exponecial
8

Poblacin

7 6 5 4 3 1940 1950 1960 1970 1980 1990 2000

Aos

Aos
1950 1960 1970 1980 1990 Suma

X
-2 -1 0 1 2 0

Poblacin
3.715 4.282 5.024 5.933 7.374 26.328

log Y
0.569958818 0.631646663 0.701049631 0.773274348 0.867703133 3.543632593

x Log Y
-1.139918 -0.631647 0 0.773274 1.735406 0.737116

X2
4 1 0 1 4 10

Reemplazando en el sistema de ecuaciones

3.544 =5 log a 0.737 = log b 10

c.

Estimacin de la Estacionalidad

Las variaciones estacinales de una serie cronolgica son las oscilaciones que se repiten casi sistemticamente en los sub perodos de tiempo (trimestre, meses, semanas, etc.) Venta Trimestral de Zapatos de una red de Zapateras en los aos 2003, 2004, 2005

Trimestre
I II III IV

2003
5 443 7 142 6 781 7 658 27 024

2004
5 881 7 906 7 423 8 110 29 320

2005
6 253 8 424 7 928 8 907 31 512

Total

Venta Trimestral de Zapatos

9500 9000 8500 8000 7500 7000 6500 6000 5500 5000
I II III IV I II III IV I II III IV 2003 2004 2005

El anlisis de las variaciones estacinales suelen facilitar la explicacin e interpretacin de algunos acontecimientos econmicos, sociales y polticos. Tener una idea de las variaciones estacinales ayuda a tomar algunas decisiones y programar actividades. Una serie cronolgica puede o no tener variacin estacional; por lo tato, antes de decidir el clculo de los ndices estacinales debe examinarse la grfica de la serie. Entre los diversos mtodos para obtener lo ndices estacinales los mas sencillos son:

i.

Mtodo del Porcentaje Promedio

Este mtodo plantea lo siguiente: - Sumar los datos de cada ao y obtener el valor promedio de cada subperodo (meses, trimestre, etc.) - Expresar los datos originales (Y) de cada ao en trminos porcentuales respecto al promedio anual. - Hallar el promedio de los porcentajes de cada mes o trimestre de los distintos aos este valor constituye el ndice estacional. Ejemplo: Numero Mensual de Accidentes de trabajo en una Fabrica Textil 2001 2005 Aos 2003 20 28 24 30 30 28 9 11 13 18 20 28 259 21.6

Meses Enero Febrero Marzo Abril Mayo Junio Julio Agosto Setiembre Octubre Noviembre Diciembre Total Anual Promedio mensual

2001 12 18 18 19 18 12 3 6 4 12 14 15 151 12.6

2002 18 24 18 24 29 25 6 9 7 16 18 24 218 18.2

2004 22 26 23 36 35 31 12 17 15 22 24 30 293 24.4

2005 24 26 24 36 40 37 15 18 18 23 26 30 317 26.4

Nmero Mensual de Accidentes de Trabajo

45 40 35 30 25 20 15 10 5 0 2003 2004 2001 2002 2005

AOS Meses Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre

2001 95.36% 143.05% 143.05% 150.99% 143.05% 95.36% 23.84% 47.68% 31.79% 95.36% 111.26% 119.21%

2002 99.08% 132.11% 99.08% 132.11% 159.63% 137.61% 33.03% 49.54% 38.53% 88.07% 99.08% 132.11%

2003 92.66% 129.73% 111.20% 139.00% 139.00% 129.73% 41.70% 50.97% 60.23% 83.40% 92.66% 129.73%

2004 90.10% 106.48% 94.20% 147.44% 143.34% 126.96% 49.15% 69.62% 61.43% 90.10% 98.29% 122.87%

2005 90.85% 98.42% 90.85% 136.28% 151.42% 140.06% 56.78% 68.14% 68.14% 87.07% 98.42% 113.56%

Total por mes

Indice Estacional

468.07% 609.79% 538.38% 705.82% 736.44% 629.73% 204.50% 285.95% 260.12% 444.00% 499.72% 617.48%

93.61% 121.96% 107.68% 141.16% 147.29% 125.95% 40.90% 57.19% 52.02% 88.80% 99.94% 123.50%

Indice Estacional de los Accidentes de Trabajo

160.00% 140.00% 120.00% 100.00% 80.00% 60.00% 40.00% 20.00% 0.00%

En e Fe ro br er o M ar zo Ab ril M ay o Ju ni o Ju lio Ag Se os to pt ie m br e O ct ub N o v re ie m D ic bre ie m br e

ii.

Mtodo de las Medias Simples

Llamado tambin de los Promedios Simples ajustados por la tendencia. Este mtodo elimina los efectos de Movimientos Cclicos (C) e irregulares (I) que se presentan en algunas series, considerando la media o promedio de los datos para cada mes. A diferencia del mtodo anterior, se tiene en cuenta el efecto de la tendencia en el ndice Estacional. Se supone que los efectos de los distintos componentes de una serie estn basados en un modelo aditivo Y = T + E + C I cuando se elimina las variaciones cclicas y la irregular el modelo se reduce a: Y = T + E, es decir E = Y T Donde: Y Promedio Simple de los valores de Y para el mes. T Desviaciones promedio correspondientes a cada mes o trimestre, debido a la tendencia. Este valor constituye un trmino de correccin, que puede ser positivo o negativo. El resultado E =Y T , es un estacional tpico o un promedio ajustado por la tendencia. La desviaciones promedio se calcula de una ecuacin de tendencia. En nuestro caso, con el propsito de simplificar, slo utilizaremos la ecuacin de tendencia lineal mnimo cuadrado. Ejemplo: Ventas Mensuales del supermercado ABC. S.A. Meses Enero Febrero Marzo Abril Mayo Junio Julio Agosto Setiembre Octubre Noviembre Diciembre Total Anual Promedio mensual 2001 34 33 41 46 45 46 48 44 41 37 40 54 509 42.40 2002 35 32 45 42 44 47 49 47 44 40 43 56 524 43.70 Aos 2003 37 35 49 46 51 49 52 48 44 43 48 62 564 47.00 2004 39 36 52 49 52 55 56 52 46 44 51 67 599 49.90 2005 42 40 54 52 57 57 60 53 50 47 53 68 633 52.80

Ventas Menuales del supermercado ABC. S.A.

70 65 60 55 50 45 40 35 30
20 01 20 02 20 03 20 04 20 05

X Aos 2001 2002 2003 2004 2005 Tiempo -2 -1 0 1 2 0

Y Ventas 42.42 43.67 47 49.92 52.75 235.76 X2 4 1 0 1 4 10 XY -84.84 -43.67 0 49.92 105.5 26.91

Y = a + bX Y =na XY = bX
2

Meses
Enero Febrero Marzo Abril Mayo Junio Julio Agosto Setiembre Octubre Noviembre Diciembre

2001
34 33 41 46 45 46 48 44 41 37 40 54

2002
35 32 45 42 44 47 49 47 44 40 43 56

Aos 2003
37 35 49 46 51 49 52 48 44 43 48 62

2004
39 36 52 49 52 55 56 52 46 44 51 67

2005
42 40 54 52 57 57 60 53 50 47 53 68

Suma de cada Mes 187 176 241 235 249 254 265 244 225 211 235 307

Promedio de ventas por mes

Inc. Prom de tendencias 0.22425

Patrn Estacional E=Y-T

Indice Estacional 81.45% 76.17% 104.00% 100.89% 106.50% 108.19% 112.50% 102.86% 94.10% 87.51% 97.48% 128.35% 1200.00%

37.40 35.20 48.20 47.00 49.80 50.80 53.00 48.80 45.00 42.20 47.00 61.40

0
0.22425 0.44850 0.67275 0.89700 1.12125 1.34550 1.56975 1.79400 2.01825 2.24250 2.46675

37.4000 34.9758 47.7515 46.3273 48.9030 49.6788 51.6545 47.2303 43.2060 40.1818 44.7575 58.9333

Total

509

524

564

599

633

2829

565.8

550.9995

Anual Promedio mensual

42.42

43.67

47.00

49.92

52.75

235.75

47.15

45.92

Indices Estacionales de Ventas Mensuales del Supermercado

140.00% 130.00% 120.00% 110.00% 100.00% 90.00% 80.00% 70.00% 60.00%
En er Fe o br er o M ar zo Ab ril M ay o Ju ni o Ju lio Ag Se osto tie m b O re ct N ubr ov e ie m b D ic re ie m br e

d.

Estimacin del componente cclico

Son aquellas fluctuaciones que se presentan alrededor de la tendencia generalmente cada cierto perodo largo de tiempo. Son generalmente variaciones de perodos poco regulares y por tanto resulta difcil precisar cada cuanto tiempo se presentara un movimiento cclico. Como no son fciles de controlar, stas se analizan como un residuo que se estima una vez que se conoce la tendencia, las variaciones estacinales y que las variaciones irregulares hayan sido eliminadas. Las variaciones cclicas pueden ser medidas a partir de datos anuales o de datos que se presentan en unidades de tiempo menores. El mtodo ms simple para analizar las fluctuaciones cclicas es el de datos ajustado por tendencia. Considerando el mtodo multiplicativo. Y= T*C C=Y T

Las variaciones cclicas tambin pueden estimarse en base al modelo aditivo Y=T+C de donde C=YT C = Y Y est