4.2 Diseos factoriales con tres factores.

El modelo de diseo de experimentos con dos factores se puede generalizar a tres o ms factores,
aunque presenta el gran inconveniente de que para su aplicacin es necesario un tamao muestral
muy grande.
El modelo de diseo de experimentos completo con tres factores (T , T

y T ), interaccin y

replicacin (K rplicas) tiene el siguiente modelo matemtico:

En

este

modelo

se

tienen

tres

factores-

tratamiento: el

factor T

(e

fecto ) con niveles i = 1,..., I, el factor T

con

niveles r =

1,...,

R. Cada

(efecto ) con niveles j = 1,..., J, y el factor T (efecto )

tratamiento

tienen n = IJRK observaciones. El trmino

se
hijo

ha

replicado K veces.

Por

tanto

se

es la interaccin de tercer orden que, en la

mayora de las situaciones, se suponen nulas.

En este modelo se verifican las siguientes restricciones

El nmero
de parmetros del modelo es
Parmetros
i
j
r

Nmero
1
I-1
J-1
R-1

ij
ir
jr
ijr
2

Total

1
IJR + 1

Los estimadores mximo-verosmiles de este modelo son los siguientes (se utiliza la notacin
habitual):

De la media global

De los efectos principales,

De las interacciones de segundo orden

De las interacciones de tercer orden

La descomposicin de la variabilidad se obtiene la siguiente tabla ANOVA (Tabla 5.4.), a partir de la

cual se pueden obtener contrastes como en la seccin anterior.

CUADRO DEL ANLISIS DE LA VARIANZA

MODELO COMPLETO DE TRES VAS
Fuente de variacin
Factor T

Suma de cuadrados
scT

= J RK

I
i=1

g.l.

I-1

Factor T
Factor T

Inter.
Inter.

Inter.
Inter.
Residual
Global

scT

= IRK

R
r=1

scT = IJK
sc

= RK

sc

= JK

sc

= IK

sc

J
j=1

R-1

2
r

I
i=1

I
i=1

J
j=1

ij

R
r=1

J
j=1

ir

R
r=1

I
i=1

=K

J-1

jr

(I - 1)(J - 1)

(I - 1)(R - 1)

(J - 1)(R - 1)

J
j=1

R
r=1

2
ijr

scR =

I
i=1

J
j=1

R
r=1

K
2
t=1
ijrk

scG =

I
i=1

J
j=1

R
r=1

K
2
t=1
ijrk

Un ejemplo: Diseos factoriales completos

Combinaciones + : mayor nivel
- : menor nivel

DISEO FACTORIAL COMPLETO CON MINITAB

(I - 1)(J - 1)(R - 1)
IJR(K - 1)
IJRK - 1

Evaluacin de los datos cul factor tiene mayor influencia en el rendimiento? Estimated Effects
and Coefficients for % (coded units)

Grfico de probabilidad normal de los efectos

Efectos principales

Evaluacin de los datos

-Ventajas: cul factor tiene mayor influencia en el rendimiento?
-Se puede proponer un modelo del tipo

Dificultades: el diseo no tiene rplicas no se ha estimado el error

experimental: por lo cual no se puede dar una respuesta definitiva sobre si los
factores son o no significativos. cada variable se prob slo con dos niveles
6

problema de curvatura (se necesitaran trminos de segundo orden en el

modelo: x j 2 ) probar 3 niveles: 3k
En este ejemplo: k=4 81 experimentos! se puede reducir con otros diseos:
superficie de respuesta

Unidad 5. Series de tiempo

Una serie de tiempo es el conjunto de datos que se registran a travs del tiempo sobre el
comportamiento de una variable de inters, generalmente los registros se realizan en periodos
iguales de tiempo. Las series de tiempo resultan especialmente tiles cuando se requiere realizar
un pronstico sobre el comportamiento futuro que puede tener una variable determinada,
imaginemos por ejemplo la necesidad de tomar una decisin sobre el comportamiento a futuro de
la demanda, el precio y las ventas de un producto, los ingresos en el prximo ao, los precios de
bienes y servicios, los valores de los energticos, etc. En todas estas situaciones resulta til el
anlisis de las series de tiempo que los representan, bajo la hiptesis de que los factores que han
influenciado su comportamiento en el pasado, estarn presentes de manera similar en el futuro. De
esta manera, el objetivo principal del conocimiento de las series de tiempo es la identificacin de
los factores que intervienen y la separacin de cada uno de ellos, con el fin de pronosticar cul
ser el comportamiento en el futuro.
Algunos ejemplos donde se puede utilizar series temporales Economa y Marketing
Proyecciones del empleo y desempleo.
Evolucin del ndice de precios de la leche.
Beneficios netos mensuales de cierta entidad bancaria.
ndices del precio del petrleo. Demografa
Nmero de habitantes por ao.
Tasa de mortalidad infantil por ao. Medioambiente

 Evolucin horaria de niveles de xido de azufre y de niveles de xido de nitrgeno en una ciudad
durante una serie de aos.
Lluvia recogida diariamente en una localidad.
Temperatura media mensual.
Medicin diaria del contenido en residuos txicos en un ro. Componentes de una serie temporal
El anlisis clsico de las series temporales se basa en la suposicin de que los valores que toma la
variable de observacin es la consecuencia de tres componentes, cuya actuacin conjunta da
como resultado los valores medidos, estos componentes son: a.- Componente tendencia.- Se
puede definir como un cambio a largo plazo que se produce en la relacin al nivel medio, o el
cambio a largo plazo de la media. La tendencia se identifica con un movimiento suave de la serie a
largo plazo. b.- Componente estacional.- Muchas series temporales presentan cierta periodicidad o
dicho de otro modo, variacin de cierto perodo (semestral, mensual, etc.). Por ejemplo las Ventas
al Detalle en Puerto Rico aumentan por los meses de noviembre y diciembre por las festividades
navideas. Estos efectos son fciles de entender y se pueden medir explcitamente o incluso se
pueden eliminar de la serie de datos, a este proceso se le llama desestacionalizacin de la serie.
c.- Componente aleatoria.- Esta componente no responde a ningn patrn de comportamiento, sino
que es el resultado de factores fortuitos o aleatorios que inciden de forma aislada en una serie de
tiempo. 2 De estos tres componentes los dos primeros son componentes determinsticos, mientras
que la ltima es aleatoria. As se puede denotar la serie de tiempo como donde es la tendencia, es
la componente estacional e es la componente aleatoria. 2.- Clasificacin descriptiva de las series
temporales Las series temporales se pueden clasificar en: a.- Estacionarias.- Una serie es
estacionaria cuando es estable a lo largo del tiempo, es decir, cuando la media y varianza son
constantes en el tiempo. Esto se refleja grficamente en que los valores de la serie tienden a
oscilar alrededor de una media constante y la variabilidad con respecto a esa media tambin
permanece constante en el tiempo. b.- No estacionarias.- Son series en las cuales la tendencia y/o
variabilidad cambian en el tiempo. Los cambios en la media determinan una tendencia a crecer o
decrecer a largo plazo, por lo que la serie no oscila alrededor de un valor constante. 3.- Procesos
Estocsticos Desde un punto de vista intuitivo, un proceso estocstico se describe como una
secuencia de datos que evolucionan en el tiempo. Las series temporales se definen como un caso
particular de los procesos estocsticos. 3.1.-Proceso estocstico estacionario Un proceso
estocstico se dice que es estacionario si su media y su varianza son constantes en el tiempo y si
el valor de la covarianza entre dos periodos depende solamente de la distancia o rezago entre
estos dos periodos de tiempo y no del tiempo en el cual se ha calculado la covarianza. Sea una
serie de tiempo entonces con estas propiedades: donde, la covarianza (o auto covarianza) al
rezago, es la covarianza entre los valores de y, que estn separados periodos. En resumen si una

serie de tiempo es estacionaria, su media, su varianza y su auto covarianza (en diferentes rezagos)
permanecen iguales sin importar el momento en el cual se midan; es decir, son invariantes
respecto al tiempo.

5.1. Modelo clsico de series de tiempo

La suposicin fundamental del anlisis de series de tiempo es que los factores que han influido en
los patrones de actividad en el pasado y el presente tendrn ms o menos la misma influencia
en lo futuro. Entonces la meta principal del anlisis de series de tiempo es: identificar y aislar estos
factores de influencia con el fin de realizar predicciones (pronosticar), as como fines
administrativos de planeacin y control. Para conseguir estas metas, se han desarrollado muchos
modelos matemticos que exploran las fluctuaciones entre los factores que componen una serie de
tiempo. Talvez el ms esencial sea el modelo multiplicativo clsico para datos registrados cada
ao, trimestre o mes. En principio, el modelo multiplicativo clsico se usar para pronosticar. Otras
aplicaciones incluyen un anlisis detallado de los componentes particulares mediante la
descomposicin de las series de tiempo. Por ejemplo, con frecuencia los economistas estudian una
serie de tiempo anual, trimestral o mensual para filtrar el componente cclico y evaluar su
movimiento respecto a la actividad econmica general. No obstante, las aplicaciones de la
descomposicin de una serie de tiempo estn fuera de los objetivos de este libro. Para exponer el
modelo multiplicativo clsico de series de tiempo, en la figura5.2 se presentan los ingresos brutos
reales de Eastman Kodak Company de 1975 a 1998.Si se intenta observar las caractersticas de
esta serie de tiempo, es evidente que los ingresos reales muestran una propensin a aumentar en
este periodo de 24 aos. Esta inclinacin global a largo plazo o impresin de un movimiento hacia
arriba o hacia abajo se conoce como tendencia
Sin embargo, la tendencia no es el nico factor componente que influye en estos datos en
particular o en otra serie de tiempo anual. Otros dos factores, el componente cclico y el
componente irregular, estn presentes en los datos.
El componente cclico
Describe la oscilacin o movimiento hacia arriba o hacia abajo en una serie de tiempo. Los
movimientos cclicos varan en longitud, en general, duran de 2 a 10 aos; difieren en intensidad o
amplitud, y a menudo se relacionan con los ciclos de los negocios. En algunos aos los valores
sern ms altos que los pronosticados por una sencilla recta de tendencia lineal (es decir, se
encuentran en acerca de un pico) de un ciclo); en otros aos los valores sern menores que el
pronstico de una recta de tendencia (esto es, estn en o cerca del fondo o depresin de un
ciclo).Cualquier dato observado que no siga la tendencia curva modificada por el componente
cclico es un indicio del componente aleatorio o irregular

Cuando los datos seregistran por mes o trimestre, se considera un componente adicional llamado
factorestacional junto con los componentes de tendencia, cclico e irregular.Los tres o cuatro
componentes que influyen en una serie de tiempo econmica ode negocios se resumen en la tabla
5.1. El modelo multiplicativo clsico de series detiempo establece que todo valor observado en una
serie de tiempo es el producto deestos factores de influencia; es decir, cuando los datos se
obtienen cada ao, unaobservacin registrada en el ao se puede expresar por la ecuacin

5.2 Anlisis de fluctuaciones

El primer paso en un anlisis de series de tiempo, consiste en graficar los datos y observar sus
tendencias en el tiempo. Primero debe determinarse si parece haber unmovimiento hacia arriba o
hacia abajo a largo plazo en la serie (una tendencia) o si la serie parece oscilar alrededor de una
recta horizontal en el tiempo. En este caso (es decir, no hay tendencia positiva o negativa a largo
plazo), puede emplearse el mtodo de promedios mviles o el de suavizacin exponencial para
emparejar la serie y proporcionar un panorama global a largo plazo. Por otro lado, si de hecho
existe una tendencia, se pueden aplicar varios mtodos de pronstico de series de tiempo al
manejar datos anuales, y otro mtodo para los datos de series de tiempo mensual otrimestral.El
patrn o comportamiento de los datos en una serie de tiempo tiene diversos componentes. El
supuesto usual es que se combinan cuatro componentes separados: la tendencia, el cclico, el
estacional y el irregular para definir valores especficos de la serie de tiempo. Examinaremos cada
uno de estos componentes. El grfico de la serie permitir:
a) Detectar Outlier
Se refiere a puntos de la serie que se escapan de lo normal. Unoutliers es una observacin de la
serie que corresponde a un comportamiento anormal del fenmeno (sin incidencias futuras) o a un
error de medicin. Se debe determinar desde fuera si un punto dado es outlier o no. Si se concluye
que lo es, se debe omitir o reemplazar por otro valor antes de analizar la serie.
b) Permite detectar tendencia
La tendencia representa el comportamiento predominante de la serie. Esta puede ser definida
vagamente como el cambio de la media a lo largo de un periodo.
c) Variacin estacional
La variacin estacional representa un movimiento peridico dela serie de tiempo. La duracin de la
unidad del periodo es generalmente menor que un ao. Puede ser un trimestre, un mes o un da,
etc.

10

Matemticamente, podemos decir que la serie representa variacin estacional si existe un nmero
S
Tal que
x(t)=x(t + ks).
Las principales fuerzas que causan una variacin estacional son las condiciones del tiempo, como
por ejemplo:
1) en invierno las ventas de helado2) en verano la venta de lana3) exportacin de fruta en marzo.
Todos estos fenmenos presentan un comportamiento estacional (anual, semanal, etc.)
d) Variaciones irregulares (componente aleatoria): los movimientos irregulares (al azar)
representan todos los tipos de movimientos de una serie de tiempo que no sea tendencia,
variaciones estacionales y fluctuaciones cclicas. Un modelo clsico para una serie de tiempo,
supone que una serie x (1),..., x(n) puede ser expresada como suma o producto de tres
componentes: tendencia, estacionalidad y un trmino de error aleatorio.
Existen tres modelos de series de tiempos, que generalmente se aceptan como buenas
aproximaciones a las verdaderas relaciones, entre los componentes de los datos observados.
Estos son
Un modelo clsico para una serie de tiempo, supone que una serie
X (1),..., x(n)
Puede ser expresada como suma o producto de tres componentes:
Tendencia, estacionalidad y un trmino de error aleatorio
.
Existen tres modelos de series de tiempos, que generalmente se aceptan como buenas
aproximaciones a las verdaderas relaciones, entre los componentes de los datos observados.
Estos son:
1. Aditivo:
X (t) = T (t) + E (t) + A (t)
2. Multiplicativo:
X (t) = T (t) E (t) A (t)
3. Mixto:
X (t) = T (t) E (t) + A (t)
Donde:
X (t ) Serie observada en instante
T
T (t)
Componente de tendencia
E (t)

11

Componente estacional
A (t)
Componente aleatoria (accidental) Una suposicin usual es que
A (t)
Sea una componente aleatoria o ruido blanco con media cero y varianza constante. Un modelo
aditivo (1), es adecuado, por ejemplo, cuando
E (t)
No depende de otras componentes, como
T (t) s por el contrario la estacionalidad vara con la tendencia, el modelo ms adecuado es un
modelo multiplicativo (2). Es claro que el modelo 2 puede ser transformado en aditivo, tomando
logaritmos. El problema que representa, es modelar adecuadamente las componentes de la serie.

5.3 Anlisis de tendencia

Generalmente los datos de una serie de tiempo pueden contener de manera implcita cuatro
elementos, Tendencia (T), ciclos (C), estacionalidad (E), y una componente irregular (I), aunque no
siempre estn presentes todos ellos.
Para aislar y comprender los elementos de una serie, es necesario descomponerla, al hacerlo, se
puede obtener una mejor idea del comportamiento de cada uno de sus elementos facilitndose el
pronstico, para llevar a cabo la separacin, deben tenerse en cuenta las relaciones matemticas
que los unen, uno de los modelos ms utilizados para descomponer una serie de tiempo es el
llamado modelo multiplicativo, en el cual se supone que la serie es el resultado del producto de sus
cuatro componentes, el modelo se establece mediante la expresin siguiente:
Y=TxCxExI
La interpretacin de cada uno de los componentes es la siguiente:
Tendencia (T)
La tendencia es la componente que representa el comportamiento (crecimiento o decrecimiento),
en un periodo largo de tiempo. Generalmente se puede representar como una lnea recta o curva,
el valor de la pendiente indicar el sentido de dicho crecimiento.
Ciclo (C)
La componente cclica es la fluctuacin que puede observase ocurre alrededor de la tendencia,
Cualquier patrn regular de variaciones arriba o debajo de la recta que representa a la tendencia
puede atribuirse a la componente cclica.
Estacionalidad (E)
La componente estacional muestra un comportamiento regular en los mismos periodos de tiempo,
reflejando costumbres o modas que se repiten regularmente dentro del periodo de observacin. En
la grfica la estacionalidad quedara representada por ejemplo por las variaciones semanales en
los rendimientos, no visibles por el periodo de informacin que se est manejando.

12

Componente irregular (I)

Es la componente que queda despus de separar a las otras componentes, es el resultado de
factores no explicables que siguen un comportamiento aleatorio, siendo por ello una parte no
previsible de la serie.
Ejemplo:
Supongamos que tenemos la informacin siguiente, correspondiente al comportamiento del
rendimiento de los Certificados de la Tesorera, denominados
CETES a 90 das, el tiempo est expresado en trimestres y el valor de la variable en valores de la
tasa de inters que ganan en cada trimestre.
Rendimiento de CETES a 90 das

El registro de rendimientos trimestrales de los CETES representa una serie de tiempo, ya que se
han obtenido en periodos sucesivos.
Si se analiza el registro podemos observar que hay una disminucin en los valores de rendimiento,
de mayor a menor, pero nos resulta difcil afirmar en qu proporcin ha ocurrido y de cunto han
sido las variaciones. Si este registro lo analizamos como una serie tendremos la grfica siguiente:

13

Utilizando el ejemplo anterior procederemos a descomponer la serie de tiempo en cada uno de sus
componentes, lo cual haremos en los siguientes incisos.
La separacin de la tendencia, utiliza la metodologa de la lnea de regresin, hemos mencionado
que esta lnea puede ser una recta o una curva, en este curso nicamente analizaremos el modelo
lineal, por su simpleza y facilidad de clculo de esta manera podemos representar a la tendencia
por medio de la expresin matemtica siguiente:
Yt = bo + b1X
En donde:
Yt= tasa de rendimiento calculada
X =tiempo, en este caso expresado en trimestres
Bo =valor de Y cuando el valor del tiempo es cero
b1 =pendiente de la recta de tendencia
Una vez definido el modelo, se procede a la determinacin de los valores de los coeficientes bo y
b1 de la recta de regresin. En nuestro problema en particular, la ecuacin de regresin, que
representa a la tendencia del comportamiento de la tasa de rendimiento de los CETES a 90 das
aplicando las formulas correspondientes para el clculo primero de b1

Y posteriormente para el clculo de b0

Es:

14

Yt = 10.8553676 - 0.44595588 X

Adems, aplicando las formulas correspondientes primero al clculo del coeficiente de

determinacin:

Y finalmente al clculo del coeficiente de correlacin:

Tenemos que el valor del

coeficiente de correlacin es de r
= -0.8078, lo que nos indica que el ajuste logrado con la recta de regresin es adecuado,
recordemos que el coeficiente de correlacin es una medida de la precisin lograda en el ajuste,
valores del coeficiente de correlacin iguales a +1 o -1 son la indicacin de un ajuste perfecto, un
valor igual a cero nos dir que este no existe. (nota: se deja al estudiante corroborar los valores
obtenidos de b1, b0 y r)
Una vez definida la ecuacin de la recta de tendencia, es posible compararla grficamente con los
valores de la serie, como se muestra en la grfica siguiente
(Grfica de comparacin de la recta de tendencia contra el comportamiento real de los CETES a 90
das.), en ella podemos observar que la tendencia de las tasas de rendimiento es descendente, el
signo del coeficiente b1, que representa la pendiente de la recta, ya nos lo haba indicado. Tambin
podemos observar que son evidentes valores por arriba y por debajo de esta lnea, estos
representan a los valores cclicos de la serie.
Grfica de comparacin de la recta de tendencia contra el comportamiento real de
Los CETES a 90 das.

15

En el anlisis de tendencias podemos ver clara y rpidamente mediante el clculo de la pendiente

de la recta de regresin (b1) si la tendencia de la variable de medicin (en nuestro caso en
particular el rendimiento de los CETES a 90 das) es a la baja (pendiente negativa), a la alza
(pendiente positiva) o a mantenerse sin variacin (pendiente cero); lo cual dentro del anlisis de la
serie de tiempo, es muy importante.

5.4 Anlisis de variaciones cclicas

Las fluctuaciones de los valores de rendimientos alrededor de la lnea de tendencia, constituyen la
componente cclica, estas son el resultado de la ocurrencia de fenmenos que pueden tener origen
social, econmico, poltico, costumbres locales, etc., pero que pueden afectar el comportamiento
de la variable, de ah que su separacin resulte importante.
Supongamos ahora que nos interesa conocer la variacin que han tenido los rendimientos respecto
de la tendencia, es decir la componente cclica, la cual queda representada en la grfica (Grfica
de apreciacin de la componente cclica de los CETES a 90 das) por los valores mayores y
menores respecto de la tendencia. Si deseamos conocer el valor numrico de este comportamiento
debemos proceder como sigue:
Calcular para cada trimestre el valor del rendimiento de acuerdo con la ecuacin de la tendencia
(Y) y compararlo con el correspondiente del registro, estableciendo una proporcin entre estos dos
valores de la manera siguiente:

En donde:
Y representa el rendimiento registrado.
Y representa el rendimiento calculado con la ecuacin de tendencia.
Los valores as calculados se muestran en la tabla siguiente, expresados en porcentaje respecto
del valor de la tendencia, los valores que estn por encima de la recta de tendencia alcanzarn un
porcentaje superior a cien, mientras que los que se encuentren por debajo de ella tendrn valores
inferiores a cien.

16

Valores de la componente cclica

Las componentes cclicas, pueden ser graficados para observar los posibles patrones que se
presentan, la lnea de la tendencia corresponde en la grfica a la lnea del 100%, observemos que
la variacin cclica se presenta hacia arriba y hacia abajo de la recta de tendencia.
Grfica de apreciacin de la componente cclica de los CETES a 90 das.

17

Es posible ver con mucha claridad cul ha sido el comportamiento de los rendimientos respecto de
la tendencia. Podemos observar que las fluctuaciones a la baja han sido ms importantes que las
correspondientes a la alza. Esto muy importante, pues si alguna persona compr CETES a 90 das
durante el primer trimestre, podemos observar que el rendimiento de estos bajo a continuacin y
apenas pudieron igualarse los rendimientos alrededor del trimestre 16, presentando una alza
alrededor del trimestre 17, lo cual puede representar una prdida de tiempo y dinero para la
persona que bien pudo invertir algunos otros instrumentos que tuvieran mejores rendimientos.

5.5 Medicin de variables estacionales e irregulares

Mientras que la tendencia y los componentes cclicos de una serie de tiempo se identifican
analizando los movimientos de datos histricos a travs de varios aos, hay muchas series de
tiempo que muestran un patrn regular dentro de un periodo de un ao. Por ejemplo, un fabricante
de albercas inflables espera poca actividad de ventas durante los meses de otoo e invierno, y
ventas mximas en los de primavera y verano. Los fabricantes de equipo para la nieve y de ropa
de abrigo esperan un comportamiento anual opuesto al del fabricante de albercas. No es de
sorprender que el componente de la serie de tiempo que representa la variabilidad en los datos,
debida a influencias de las estaciones, se llama
Componente estacional.
Aunque uno suele imaginarse que un movimiento estacional de una serie de tiempo sucede dentro
de un ao, tambin se puede usar para representar cualquier patrn regularmente repetitivo cuya
duracin sea menor de un ao. Por ejemplo, los datos diarios de intensidad de trfico muestran un
comportamiento estacional dentro del mismo da, as se tiene que el flujo mximo se presenta
durante las horas de aglomeracin, el moderado durante el resto del da y al caer la noche, y el
mnimo a partir de la medianoche hasta temprano por la maana. El componente irregular de la
serie de tiempo es el factor residual, mil usos, que explica las desviaciones de la serie de tiempo
real respecto a los factores determinados por los efectos de la tendencia y los componentes
cclicos y estacionales. Se debe a factores a corto plazo, imprevisibles y no recurrentes que afecta
a la serie de tiempo. Como este componente explica la variabilidad aleatoria de la serie, es
impredecible; de esta manera, no se puede esperar predecir su impacto sobre la serie de tiempo
de la serie de tiempo es el factor residual, mil usos, que explica las desviaciones de la serie de
tiempo real respecto a los factores determinados por los efectos de la tendencia y los componentes
cclicos y estacionales. Se debe a factores a corto plazo, imprevisibles y no recurrentes que afecta
a la serie de tiempo. Como este componente explica la variabilidad aleatoria de la serie, es
impredecible; de esta manera, no se puede esperar predecir su impacto sobre la serie de tiempo

5.6. Aplicacin de ajustes estacionales

Una aplicacin frecuente de ndices estacionales es la de ajustar datos de serie de tiempo
observados para eliminar la influencia del componente estacional en ellos; se llaman datos con
ajuste estacional. Los ajustes estacionales son particularmente pertinentes cuando se desea
comparar datos de diferentes meses para determinar si ha tenido lugar un incremento(o
decremento) en relacin con las expectativas estacionales. Los valores de serie de tiempo
mensuales (o trimestrales) observados se ajustan respecto de la influencia estacional dividiendo
cada valor entre el ndice mensual (o trimestral) de ese mes. El resultado se multiplica luego por
100 para mantener la posicin decimal de los datos originales. La serie que resultante se llama
ventas desestacionalizadas o ventas ajustadas estacionalmente.
La razn para desestacionalizar las series de ventas es similar las fluctuaciones estacinales a fin
de estudiar la tendencia y el ciclo. Para ilustrar el procedimiento, los totales trimestrales de ventas
de la empresa

18

A fin de eliminar el efecto de la variacin estacional, la cantidad estacional, la cantidad de ventas

para cada trimestre (que contiene efectos de tendencia, cclicos, irregulares y estacinales) se
divide entre el ndice estacional de ese trimestre; esto es, TSCI/S. Por ejemplo, las ventas reales
para el primer trimestre de 1996 fueron 6.7millones de dlares, el ndice estacional para el trimestre
de invierno es 76.5 el ndice76.5 indica que las ventas en el primer trimestre normalmente se
encuentran 23.5%abajo del promedio de un trimestre normal. Dividiendo las ventas reales $6.7
millones entre 76.5 y multiplicando el resultado por 100 se encuentra el valor de las ventas des
estacionalizadas del primer trimestre de 1996. El valor es $8758170 que se obtuvo de
($6700000/76.5)100.Este proceso se repite con los dems trimestres en la columna 3 de la tabla
5.2 y los resultados se dan en millones de dlares. Puesto que la componente estacionalizadas
contiene solo las componentes de tendencia (T), ciclo e irregular (I). Al revisar las ventas
desestacionalizadas. Es claro que la eliminacin del factor estacional permite considerar la
tendencia general a largo plazo de las ventas. Tambin se podr determinarla ecuacin de
regresin de los datos de tendencia y usarla para pronosticar ventas futuras.

5.7. Pronsticos basados en factores de tendencia y estacionales.

Como lo indicamos anteriormente el primer pas en un anlisis de series de tiempo, consiste en
graficar los datos y observar sus tendencias en el tiempo. Primero debe determinarse si parece
haber un movimiento hacia arriba o hacia abajo a largo plazo en la serie (una tendencia) o si la
serie parece oscilar alrededor de una recta horizontal en el tiempo. En este caso (es decir, no hay
tendencia positiva o negativa a largo plazo), se recomienda antes de aplicar alguno de los mtodos
de pronostico
Suavizar
Nuestros datos a fin de que la tendencia se observe de manera clara. Los mtodos que pueden
emplearse para suavizar nuestros datos usualmente son:
El mtodo de promedios mviles
El mtodo de suavizacin exponencial

19

El objetivo de ambos mtodos es el de

emparejar la serie y proporcionar un
Panorama global a largo plazo. Por otro lado, si de hecho existe una tendencia, se pueden aplicar
varios mtodos de pronstico de series de tiempo al manejar datos anuales, y otro mtodo para los
datos de series de tiempo mensual o trimestral, los cuales se vern posteriormente.
Suavizacin de una serie de tiempo anual
La tabla 5.3 presenta las ventas mundiales de una fbrica (en millones de unidades) de
automviles, camiones y autobuses hechos por General Motors Corporation (GM). Para un periodo
de 24 aos, de 1975 a 1998, y la figura 5.7 es una grfica de serie de tiempo de estos datos. Al
examinar este tipo de datos anuales, la impresin visual de las tendencias globales a largo plazo o
movimientos de tendencia en la serie quedan veladas por la cantidad de variacin de un ao a otro.
Entonces se vuelve difcil juzgar si en esta serie en realidad existe un efecto de tendencia positivo
o negativo a largo plazo.
Tabla 5.3 Ventas de fbrica (en millones de unidades) Para la General Motors Corporation (19751998)

En situaciones como stas, se pueden usar el mtodo de promedios mviles o la suavizacin

exponencial para suavizar o emparejar la serie de tiempo y proporcionar un panorama global del
patrn de movimiento de los datos en el tiempo.

20

Promedios mviles
El mtodo de promedios mviles para suavizar una serie de tiempo es muy subjetivo y dependiente
de L, la longitud del periodo seleccionado para calcular los promedios. Para eliminar las
fluctuaciones cclicas, el periodo elegido debe ser un valor entero que corresponda a (o sea
mltiplo de) la longitud promedio estimada de un ciclo en una serie. Los promedios mviles para un
promedio determinado de longitud L consiste en una serie de promedios aritmticos en el tiempo
tales que cada uno se calcula a partir de una secuencia de L valores observados. Estos promedios
mviles se representan por el smbolo PM (L) A manera de ejemplo, suponga que se desea
calcular promedios mviles de 5 aos de una serie que contiene n = 11 aos. Como L = 5, los
promedios mviles de 5 aos consisten en una serie de medidas obtenidas en el tiempo al
promediar secuencias consecutivas de cinco valores observados. El primer promedio mvil de 5
aos se calcula con la suma de los valores para los primeros 5 aos en la serie, dividida entre 5.

El segundo promedio mvil de 5 aos se calcula con la suma de los valores de los aos2 a 6 en la
serie, dividida entre 5

Este proceso contina hasta calcular el ltimo promedio mvil de 5 aos con la suma delos valores
de los ltimos 5 aos en la serie (aos del 7 al 11), dividida entre 5.

Cuando se trata de una serie de tiempo anual, L, la longitud del periodo elegido para construir los
promedios mviles, debe ser un nmero de aos impar. Al seguir esta regla se observa que no se
pueden obtener promedios mviles para los primeros (L
1)/2 aos o los ltimos (L -1)/2 aos en la serie. Entonces, para un promedio mvil de 5aos, no
es posible hacer clculos para los primeros 2 aos o los ltimos 2 aos de las serie. Al graficar los
promedios mviles, cada valor calculado se coloca en el ao a la mitad de la secuencia de aos
usada para calcularlos. Si n = 11 y L = 5, el primer promedio mvil se centra en el tercer ao, el
segundo promedio mvil se centra en el cuarto ao y el ltimo en el noveno ao. Esto se ilustra en
el siguiente ejemplo: Suponga que los siguientes datos representan los ingresos totales (en
millones de dlares constantes de 1995) de una agencia donde se rentan automviles, en un
intervalo de 11 aos de 1987 a 1997:
4.0 5.0 7.0 6.0 8.0 9.0 5.0 2.0 3.5 5.5 6.5
Calcule los promedios mviles de 5 aos para esta serie de tiempo anual.

21

Calcule los promedios mviles de 5 aos para esta serie de tiempo anual. Solucin El primer
promedio mvil de 5 aos es

Es decir, para calcular un promedio mvil de 5 aos, primero se obtiene la suma de los cinco aos
y se divide entre 5. Despus el promedio se centra en el valor medio, el tercer ao de esta serie de
tiempo. Los siguientes valores quedan de la siguiente manera:

22

Estos promedios mviles se centran en sus respectivos valores medios, el quinto, sexto y sptimo
aos de la serie de tiempo. Se observa que al obtener promedios mviles de 5aos, no se pueden
calcular los valores para los primeros dos y los ltimos dos valores de la serie de tiempo.
En la prctica, al obtener promedios mviles se debe usar un programa de computadora como
Microsoft Excel o Minitab para evitar los clculos tediosos. La tabla 5.4 y 5.5presenta las ventas
anuales de la fbrica (General Motors) que ampara el periodo de 24aos de 1975 a 1998 junto con
los clculos para los promedios mviles de 3 y 7 aos .La grfica de las dos series construidas se
presenta en la figura 5.8 y 5.9 con los datos originales. Se observa en la tabla 5.4 que al obtener
los promedios mviles de 3 aos, no se pueden calcular valores para el primero o el ltimo valor en
la serie de tiempo.

23

Suavizacin exponencial
La suavizacin exponencial es otra tcnica que se usa para alisar una serie de tiempo y
proporcionar una visualizacin global de los movimientos a largo plazo de los datos .Adems, se
puede usar el mtodo de suavizacin exponencial para obtener pronsticos acorto plazo (un
periodo futuro) para series de tiempo. El mtodo de suavizacin exponencial obtiene su nombre del
hecho de que proporciona un promedio mvil con ponderacin exponencial a travs de la serie de
tiempo. En toda la serie, cada clculo de suavizacin o pronstico depende de todos los valores
observados anteriores. sta es otra ventaja respecto al mtodo de pronsticos mviles, que no
toma en cuenta todos los valores observados de esta manera. Con la suavizacin exponencial, los
pesos asignados a los valores observados decrecen en el tiempo, de manera que al hacer un
clculo, el valor observado ms reciente recibe el peso ms alto, el valor observado anterior tiene
el siguiente peso ms alto, y as sucesivamente, por lo que el valor observado inicial tiene la menor
ponderacin. Aunque la magnitud de los clculos involucrados puede parecer enorme, la
suavizacin exponencial al igual que los mtodos de promedios mviles est disponible entre los
procedimientos de Microsoft Excel y Minitab. Si se centra la atencin en los aspectos de
suavizacin de la tcnica (ms que en el aspecto del pronstico), las frmulas desarrolladas para
suavizar exponencialmente una serie en un periodo dado i se basa en slo tres trminos: el valor
observado actual en la serie de tiempo, valor con suavizacin exponencial calculado anterior y un
peso subjetivo asignado o coeficiente de suavizacin W. As, para alisar una serie en cualquier
periodo, se tiene la siguiente expresin. Obtencin de un valor que tiene suavizacin exponencial
en el periodo

Donde EI = valor de la serie suavizada exponencialmente que se calcula en el periodo

EI 1= valor de la serie suavizada exponencialmente que se calcula en el periodo
1Yi= valor observado de la serie de tiempo en el periodo
W = peso subjetivo asignado o coeficiente de suavizacin (donde 0 < W < 1) E1= Y1

Suavizacin 155 Instituto Tecnolgico de Ensenada Biol. Ral Jimnez Gonzlez

suavizacin exponencial, los pesos asignados a los valores observados decrecen en el tiempo, de
manera que al hacer un clculo, el valor observado ms reciente recibe el peso ms alto, el valor
observado anterior tiene el siguiente peso ms alto, y as sucesivamente, por lo que el valor
observado inicial tiene la menor ponderacin. Aunque la magnitud de los clculos involucrados
puede parecer enorme, la suavizacin exponencial al igual que los mtodos de promedios mviles
est disponible entre los procedimientos de Microsoft Excel y Minitab. Si se centra la atencin en
los aspectos de suavizacin de la tcnica (ms que en el aspecto del pronstico), las frmulas
desarrolladas para suavizar exponencial mente una serie en un periodo dado i se basa en slo tres
trminos: el valor observado actual en la serie de tiempo
, valor con suavizacin exponencial calculado anterior1i E y un peso subjetivo asignado o
coeficiente de suavizacin W. As, para alisar una serie en cualquier periodo, se tiene la siguiente
expresin. Obtencin de un valor que tiene suavizacin exponencial en el periodo
Donde
EI = valor de la serie suavizada exponencialmente que se calcula en el periodo

24

EI 1 = valor de la serie suavizada exponencialmente que se calcula en el periodo

1Yi= valor observado de la serie de tiempo en el periodo
W = peso subjetivo asignado o coeficiente de suavizacin (donde 0 < W < 1) E1= Y1
La eleccin del coeficiente de suavizacin o peso que se asigna a la serie de tiempo es crtica
porque afectar en forma directa los resultados. Es desafortunado que esta seleccin sea
subjetiva. Si se desea slo suavizar una serie con la eliminacin de la variacin cclica y la
irregular, debe elegirse un valor pequeo para W (cercano a 0).Por otro lado, si la meta es
pronosticar, debe elegirse un valor grande para W (ms cercano a 1). En el primer caso, se podrn
observar las tendencias globales a largo plazo de la serie; en el ltimo caso, es posible predecir
direcciones futuras a corto plazo de manera ms adecuada. Los clculos de la suavizacin
exponencial se ilustra para un coeficiente de suavizacin de W = 0.25. Como punto de partida, se
utiliza el valor observado inicial (tabla 5.3), Y
1975
= 6.6 como el primer valor de suavizacin (E
1975
= 6.6) Despus, con el valor observado de la serie de tiempo para el ao 1976 (Y
1976
= 8.6), se suaviza la serie para el ao de 1976 con el clculo

Este proceso contina hasta obtener los valores de la suavizacin exponencial para los 24 aos en
la serie de las ventas anuales de la fbrica (General Motors), como se muestra en la tabla 5.6 y
5.7, y las figuras 5.10 y 5.11

Tabla 5.6 Serie suavizada exponencialmente de las ventas de GM obtenida con Microsoft Excel

25

Bibliografa

http://www.dpye.iimas.unam.mx/patricia/indexer/aleatorios.pdf
http://ocw.upm.es/estadistica-e-investigacion-operativa/introduccion-a-la-estadistica-basica-eldiseno-de-experimentos-y-la-regresion-lineal/contenidos/Material-de-clase/Disenos-factoriales.pdf
http://dm.udc.es/asignaturas/estadistica2/sec5_4.html
http://ecampus.fca.unam.mx/ebook/imprimibles/contaduria/estadistica_2/Unidad_7.pdf
http://www.atmosfera.unam.mx/jzavala/AnalisisDatos/Curso_AnalisisDatos_Clase_14b.pdf
http://www.seduca2.uaemex.mx/ckfinder/uploads/files/u3tema_3_series_de_t.pdf

26