3.

5 MTODOS DE SERIES DE TIEMPOS USANDO UN SOFTWARE

Los mtodos de anlisis de series de tiempo consideran el hecho que los datos tomados en diversos
periodos de tiempo pueden tener algunas caractersticas de autocorrelacin, tendencia o estacionalidad
que se debe tomar en cuenta.
Definicin de serie de tiempo: Es una secuencia ordenada de valores de una variable en intervalos de
tiempo peridicos y consecutivos.
Aplicacin: la aplicacin de estos mtodos tiene dos propsitos: comprender las fuerzas de influencia en
los datos y descubrir la estructura que produjo los datos observados. Ajustar el modelo y proceder a
realizar pronsticos, monitoreo, retroalimentacin y control en avance.
Los modelos de pronsticos de series de tiempo tratan de predecir el futuro con base en la informacin
pasada. Por ejemplo, las cifras de ventas recopiladas durante las ltimas seis semanas se pueden usar
para pronosticar las ventas durante la sptima semana. Las cifras de ventas trimestrales recopiladas
durante los ltimos aos se pueden utilizar para pronosticar los trimestres futuros. Aun cuando ambos
ejemplos contienen ventas, es probable que se utilicen distintos modelos de series de tiempo para
pronosticar.
PRONSTICOS DE SERIES DE TIEMPO
Una serie de tiempo se basa en una secuencia de datos puntuales igualmente espaciados (semanales,
mensuales, trimestrales, etc.). Los datos para pronsticos de series de tiempo implican que los valores
futuros se predicen solamente a partir de los valores pasados y que se pueden ignorar otras variables,
sin importar qu tan potencialmente valiosas sean.
Descomposicin de una serie de tiempo
Analizar una serie de tiempo significa desglosar los datos histricos en componentes y despus
proyectarlos al futuro. Una serie de tiempo tiene cuatro componentes:
1. La tendencia es el movimiento gradual, hacia arriba o hacia abajo, de los datos en el tiempo. Los
cambios en el ingreso, la poblacin, la distribucin de edades o los puntos de vista culturales
pueden ser causantes del movimiento en una tendencia.
2. La estacionalidad es un patrn de datos que se repite despus de un periodo de das, semanas,
meses o trimestres.
3. Los ciclos son patrones, detectados en los datos, que ocurren cada cierta cantidad de aos.
Usualmente estn sujetos al ciclo comercial y son de gran importancia para el anlisis y la
planeacin del negocio a corto plazo. La prediccin de los ciclos de negocio es difcil porque
stos pueden verse afectados por los acontecimientos polticos o la turbulencia internacional.
4. Las variaciones aleatorias son seales generadas en los datos por casualidad o por
situaciones inusuales. No siguen ningn patrn discernible y, por lo tanto, no se pueden predecir.
El modelo de pronstico que una empresa debe utilizar depende de:
1.
2.
3.
4.
5.

El horizonte de tiempo que se va a pronosticar.

La disponibilidad de los datos.
La precisin requerida.
El tamao del presupuesto de pronstico.
La disponibilidad de personal calificado.

Al seleccionar un modelo de pronstico, existen otros aspectos como el grado de flexibilidad de la

empresa (mientras mayor sea su habilidad para reaccionar con rapidez a los cambios, menos preciso
necesita ser el pronstico). Otro aspecto es la consecuencia de un mal pronstico. Si una decisin
importante sobre la inversin de capital se basa en un pronstico, ste debe ser bueno.
ENFOQUE INTUITIVO
La forma ms simple de pronosticar es suponer que la demanda del siguiente periodo ser igual a la
demanda del periodo ms reciente. En otras palabras, si las ventas de un producto digamos,
telfonos celulares Nokia fueron de 68 unidades en enero, podemos pronosticar que en febrero las
ventas tambin sern de 68 telfonos. Tiene esto algn sentido? Resulta que para algunas lneas de
productos, este enfoque intuitivo es el modelo de pronstico ms efectivo en costos y ms eficiente con
respecto al objetivo. Al menos ofrece un punto de partida contra el cual comparar otros modelos ms
sofisticados que se utilicen despus.
PROMEDIOS MVILES
El pronstico de promedios mviles usa un nmero de valores de datos histricos reales para generar
un pronstico. Los promedios mviles son tiles si podemos suponer que la demanda del mercado
permanecer relativamente estable en el tiempo. Un promedio mvil de 4 meses se encuentra
simplemente al sumar la demanda medida durante los ltimos 4 meses y dividindola entre cuatro. Al
concluir cada mes, los datos del mes ms reciente se agregan a la suma de los 3 meses previos y se
elimina el dato del mes ms antiguo. Esta prctica tiende a suavizar las irregularidades del corto plazo
en las series de datos.
Matemticamente, el promedio mvil simple (que sirve como estimacin de la demanda del siguiente
periodo) se expresa como
Promedio mvil = Demanda en los n periodos previstos
n
donde n es el nmero de periodos incluidos en el promedio mvil
Por ejemplo, 4, 5 o 6 meses, respectivamente, para un promedio mvil de 4, 5 o 6 periodos.
PROMEDIO MVIL PONDERADO
Mientras que el promedio mvil simple da igual importancia a cada uno de los componentes de la base
de datos del promedio mvil, un promedio mvil ponderado permite asignar cualquier importancia a
cada elemento, siempre y cuando la suma de todas las ponderaciones sea igual a uno.
Un promedio mvil ponderado puede expresarse matemticamente como:
Promedio mvil ponderado = (Ponderacin para el periodo n) (Demanda en el periodo n)
Ponderaciones
Tanto los promedios mviles simples como los ponderados son efectivos para suavizar las fluctuaciones
repentinas en el patrn de la demanda con el fin de obtener estimaciones estables. Sin embargo, los
promedios mviles presentan tres problemas:
1. Aumentar el tamao de n (el nmero de periodos promediados) suaviza de mejor manera las
fluctuaciones, pero resta sensibilidad al mtodo ante cambios reales en los datos.

2. Los promedios mviles no reflejan muy bien las tendencias. Porque son promedios, siempre
se quedarn en niveles pasados, no predicen los cambios hacia niveles ms altos ni ms
bajos. Es decir, retrasan los valores reales.
3. Los promedios mviles requieren amplios registros de datos histricos.
En la figura, una grfica de los datos de los ejemplos 1 y 2, se ilustra el efecto de retraso de los modelos
de promedios mviles. Observe que tanto las lneas de los promedios mviles simples como las de
promedios mviles ponderados retrasan la demanda real. Sin embargo, los promedios mviles
ponderados usualmente reaccionan ms rpido ante los cambios detectados en la demanda. Incluso en
periodos a la baja (vea noviembre y diciembre), siguen la demanda de manera ms cercana.

SUAVIZAMIENTO EXPONENCIAL
El suavizamiento exponencial es un sofisticado mtodo de pronstico de promedios mviles ponderado
que sigue siendo bastante fcil de usar. Implica mantener muy pocos registros de datos histricos.
La frmula bsica para el suavizamiento exponencial se expresa como sigue:
Nuevo pronstico = Pronstico del periodo anterior + (Demanda real del mes anterior Pronstico del
periodo anterior)
donde es la ponderacin, o constante de suavizamiento, elegida por quien pronostica, que tiene un
valor de entre 0 y 1. La ecuacin (4-3) tambin puede escribirse matemticamente como:
Ft = Ft1 + (At1 Ft1)
donde
Ft = nuevo pronstico
Ft1 = pronstico del periodo anterior
= constante de suavizamiento (o ponderacin) (0 1)
At1 = demanda real en el periodo anterior

El concepto no es complicado. La ltima estimacin de la demanda es igual a la estimacin anterior

ajustada por una fraccin de la diferencia entre la demanda real del ltimo periodo y la estimacin
anterior. En el ejemplo 3 se muestra cmo usar el suavizamiento exponencial para obtener un
pronstico.
PROYECCIONES DE TENDENCIA
El ltimo mtodo de pronsticos de series de tiempo que analizaremos es la proyeccin de la tendencia.
Esta tcnica ajusta una recta de tendencia a una serie de datos puntuales histricos, y despus
proyecta dicha recta al futuro para obtener pronsticos de mediano y largo plazos. Se pueden
desarrollar varias ecuaciones matemticas (por ejemplo, exponencial y cuadrtica), pero en esta
seccin veremos slo tendencias lineales (en lnea recta).
Si decidimos desarrollar una recta de tendencia lineal mediante un mtodo estadstico preciso, podemos
aplicar el mtodo de mnimos cuadrados. Este enfoque resulta en una lnea recta que minimiza la suma
de los cuadrados de las diferencias verticales o desviaciones de la recta hacia cada una de las
observaciones reales.
La figura se ilustra el mtodo de mnimos cuadrados.
Una recta de mnimos cuadrados se describe en trminos de su interseccin con el eje y (la altura a
la cual cruza al eje y) y su pendiente (el ngulo de la recta). Si podemos calcular la interseccin con el
eje y y la pendiente, podremos expresar la recta con la siguiente ecuacin:
y = a + bx

donde y (que se lee y gorro) = valor calculado de la variable que debe predecirse (llamada
variable dependiente)
a = interseccin con el eje y
b = pendiente de la recta de regresin (o la tasa de cambio en y para
los cambios dados en x)
x = variable independiente (que en este caso es el tiempo)