Академический Документы
Профессиональный Документы
Культура Документы
138
138
CAPÍTULO 5
Series de tiempo
Series de tiempo
Toda institución, ya sea la familia, la empresa o el gobierno, tienen que hacer planes
para el futuro si ha de sobrevivir y progresar. Hoy en día diversas instituciones
requieren conocer el comportamiento futuro de ciertos fenómenos con el fin de
planificar, prever o prevenir.
Desde luego que se deben considerar los datos reales de ventas del producto en
periodos pasados. Con tales datos históricos podemos identificar el nivel general de
ventas y cualquier tendencia, como aumento o disminución en el volumen a través del
tiempo. Por ejemplo, un examen más detallado de los datos puede revelar un
comportamiento estacional, como el de los picos que se presentan en el tercer trimestre
de cada año y los mínimos durante el primer trimestre. Al repasar los datos históricos se
puede, con frecuencia, adquirir una mejor comprensión de la tendencia de las ventas en
el pasado para poder pronosticar las ventas del producto en el futuro de una mejor
manera.
Las ventas históricas forman una serie de tiempo que es un conjunto de
observaciones de una variable medida en puntos o periodos sucesivos en el tiempo.
Por otro lado, los métodos de pronóstico cuantitativo utilizan los datos
históricos. La meta es estudiar lo que ocurrió en el pasado para entender mejor la
estructura fundamental de los datos y proporcionar los medios necesarios para predecir
los sucesos futuros.
Los métodos de pronóstico cuantitativos se dividen en dos tipos: series de
tiempo y causales.
Método de pronostico
Cuantitativo s Cualitativos
Suavizamiento
Proyección de tendencia
La suposición fundamental del análisis de series de tiempo es que los factores que han
influido en los patrones de actividad en el pasado y el presente tendrán más o menos la
misma influencia en lo futuro. Entonces la meta principal del análisis de series de
tiempo es: identificar y aislar estos factores de influencia con el fin de realizar
predicciones (pronosticar), así como fines administrativos de planeación y control.
Figura 5.2 Gráfica de ingresos netos reales (en miles de millones de dólares) de Eastman Kodak Company
(1975-1998)
Los tres o cuatro componentes que influyen en una serie de tiempo económica o
de negocios se resumen en la tabla 5.1. El modelo multiplicativo clásico de series de
tiempo establece que todo valor observado en una serie de tiempo es el producto de
estos factores de influencia; es decir, cuando los datos se obtienen cada año, una
observación registrada en el año se puede expresar por la ecuación (5.1)
Cuando los datos se obtienen por trimestre o por mes, una observación
registrada en el periodo puede estar dada por la ecuación (5.2)
proporcionar un panorama global a largo plazo. Por otro lado, si de hecho existe una
tendencia, se pueden aplicar varios métodos de pronóstico de series de tiempo al
manejar datos anuales, y otro método para los datos de series de tiempo mensual o
trimestral.
Un modelo clásico 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 término de error aleatorio.
Una suposición usual es que A(t) sea una componente aleatoria o ruido blanco
con media cero y varianza constante.
En el análisis de serie de tiempo, las mediciones pueden efectuarse cada hora, día,
semana, mes o año o en cualquier otro intervalo regular periódico. Aunque los datos de
serie de tiempo presentan, por lo general, fluctuaciones aleatorias, esta serie puede
mostrar también desplazamientos o movimientos graduales hacia valores relativamente
mayores o menores a lo largo de un lapso importante de tiempo. El desplazamiento
gradual de la serie de tiempo se llama tendencia de esa serie; este desplazamiento o
tendencia es, por lo común, el resultado de factores a largo plazo, como cambios en la
población, características demográficas de la misma, la tecnología y/o las preferencias
del consumidor.
Por ejemplo, un fabricante de bicicletas podría detectar cierta variabilidad, de
año a año, en la cantidad de bicicletas vendidas. Sin embargo, al revisar las ventas
durante los últimos 10 años, puede encontrar que hay un aumento gradual en el volumen
anual de ventas. Suponga que sus ventas fueron:
Año 1 2 3 4 5 6 7 8 9 10
Ventas (miles) 21,6 22,9 25,5 21,9 23,9 27,5 31,5 29,7 28,6 31,4
Este crecimiento anual de las ventas a través del tiempo muestra una tendencia
creciente de la serie de tiempo. La figura 5.4 presenta una recta que puede ser una buena
aproximación a la tendencia de las ventas de bicicletas. Aunque esa tendencia parece ser
lineal y aumentar con el tiempo a veces, en una serie de tiempo, la tendencia se puede
describir mejor mediante otros patrones.
35
30
25
Venta (miles)
20
15
10
5
0
0 2 4 6 8 10 12
Año
Esa tendencia podría ser una buena aproximación de las ventas de un producto,
desde su introducción, pasando por un periodo de crecimiento y llegando a una etapa de
saturación del mercado. La tendencia lineal decreciente en la sección B se aplica a una
serie de tiempo que tenga una disminución continua a través del tiempo. La recta
horizontal de la sección C representa una serie de tiempo que no tiene aumento o
disminución consistentes a través del tiempo y que, en consecuencia, no tiene tendencia.
A B C
Aunque una serie de tiempo puede presentar una tendencia a través de periodos grandes,
sus valores no caerán con exactitud sobre la línea de tendencia. De hecho, con
frecuencia estas series temporales presentan secuencias alternas de puntos abajo y arriba
de la línea de tendencia. Toda secuencia recurrente de puntos arriba y debajo de la línea
de tendencia, que dura más de un año, se puede atribuir a un componente cíclico de la
serie. La figura 5.6 es la gráfica de una serie de tiempo con un componente cíclico
obvio. Las observaciones se hicieron con intervalos de un año.
Figura 5.6 Componente de tendencia y cíclico de una serie de tiempo con datos anuales
inflación rápida pueden determinar series de tiempo que se alternan abajo y arriba de
una línea de tendencia ascendente en general (como la serie de tiempo de los costos de
vivienda). Diversas series de tiempo de principios de la década de los ochenta
presentaron este comportamiento
Por ejemplo, las ventas reales para el primer trimestre de 1996 fueron 6.7
millones de dólares, el índice estacional par el trimestre de invierno es 76.5 el índice
76.5 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
desestacionalizadas del primer trimestre de 1996. El valor es $8758170 que se obtuvo
de ($6700000/76.5)100.
Este proceso se repite con los demás trimestres en la columna 3 de la tabla 5.2 y
los resultados se dan en millones de dólares. 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 eliminación del factor estacional permite
considerar la tendencia general a largo plazo de las ventas. También se podrá determinar
la ecuación de regresión de los datos de tendencia y usarla para pronosticar ventas
futuras.
150 CAPÍTULO 5 Series de tiempo Suavización 150
150
150
Los métodos que pueden emplearse para suavizar nuestros datos usualmente son:
La tabla 5.3 presenta las ventas mundiales de una fábrica (en millones de unidades) de
automóviles, camiones y autobuses hechos por General Motors Corporation (GM). Para
un periodo de 24 años, de 1975 a 1998, y la figura 5.7 es una gráfica de serie de tiempo
de estos datos. Al examinar este tipo de datos anuales, la impresión visual de las
tendencias globales a largo plazo o movimientos de tendencia en la serie quedan veladas
por la cantidad de variación de un año a otro. Entonces se vuelve difícil juzgar si en esta
serie en realidad existe un efecto de tendencia positivo o negativo a largo plazo .
Tabla 5.3 Ventas de fábrica (en millones de unidades) Para la General Motors Corporation (1975-1998)
10
Unidades (millones)
6
4
0
1970 1980 1990 2000
Año
Promedios móviles
El método de promedios móviles 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 cíclicas, el periodo elegido debe ser un valor entero que
corresponda a (o sea múltiplo de) la longitud promedio estimada de un ciclo en una
serie. Los promedios móviles para un promedio determinado de longitud L consiste en
una serie de promedios aritméticos en el tiempo tales que cada uno se calcula a partir de
una secuencia de L valores observados. Estos promedios móviles se representan por el
símbolo PM (L)
El segundo promedio móvil de 5 años se calcula con la suma de los valores de los años
2 a 6 en la serie, dividida entre 5
Y Y Y Y Y
PM (5) = 2 3 4 5 6
5
Este proceso continúa hasta calcular el último promedio móvil de 5 años con la suma de
los valores de los últimos 5 años en la serie (años del 7 al 11), dividida entre 5.
Y7 Y8 Y9 Y10 Y11
PM (5) =
5
Cuando se trata de una serie de tiempo anual, L, la longitud del periodo elegido
para construir los promedios móviles, debe ser un número de años impar. Al seguir esta
regla se observa que no se pueden obtener promedios móviles para los primeros (L –
152 CAPÍTULO 5 Series de tiempo Suavización 152
152
152
1)/2 años o los últimos (L -1)/2 años en la serie. Entonces, para un promedio móvil de 5
años, no es posible hacer cálculos para los primeros 2 años o los últimos 2 años de la
serie.
Al graficar los promedios móviles, cada valor calculado se coloca en el año a la
mitad de la secuencia de años usada para calcularlos. Si n = 11 y L = 5, el primer
promedio móvil se centra en el tercer año, el segundo promedio móvil se centra en el
cuarto año y el último en el noveno año. Esto se ilustra en el siguiente ejemplo :
Suponga que los siguientes datos representan los ingresos totales (en millones de
dólares constantes de 1995) de una agencia donde se rentan automóviles, en un intervalo
de 11 años 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 móviles de 5 años para esta serie de tiempo anual.
Solución
El primer promedio móvil de 5 años es
4.0 5.0 7.0 6.0 8.0 30.0
PM (5) = 6.0
5 5
Es decir, para calcular un promedio móvil de 5 años, primero se obtiene la suma de los
cinco años y se divide entre 5. Después el promedio se centra en el valor medio, el
tercer año de esta serie de tiempo. Los siguientes valores quedan de la siguiente manera:
5.0 7.0 6.0 8.0 9.0 35.0
PM (5) = 7.0
5 5
Estos promedios móviles se centran en sus respectivos valores medios, el quinto, sexto
y séptimo años de la serie de tiempo. Se observa que al obtener promedios móviles de 5
años, no se pueden calcular los valores para los primeros dos y los últimos dos valores
de la serie de tiempo.
153 CAPÍTULO 5 Series de tiempo Suavización 153
153
153
Se observa en la tabla 5.4 que al obtener los promedios móviles de 3 años, no se pueden
calcular valores para el primero o el último valor en la serie de tiempo.
10
8
6
4 VENTAS
2 PM 3 años
PM 7 años
0
8,5
Datos Y
8,0
7,5
7,0
6,5
6,0
1975 1980 1985 1990 1995 2000
A ño
Suavización exponencial
La suavización exponencial es otra técnica que se usa para alisar una serie de tiempo y
proporcionar una visualización global de los movimientos a largo plazo de los datos.
Además, se puede usar el método de suavización exponencial para obtener pronósticos a
corto plazo (un periodo futuro) para series de tiempo.
El método de suavización exponencial obtiene su nombre del hecho de que
proporciona un promedio móvil con ponderación exponencial a través de la serie de
tiempo. En toda la serie, cada cálculo de suavización o pronóstico depende de todos los
valores observados anteriores. Ésta es otra ventaja respecto al método de pronósticos
móviles, que no toma en cuenta todos los valores observados de esta manera. Con la
155 CAPÍTULO 5 Series de tiempo Suavización 155
155
155
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 – 1
Yi = valor observado de la serie de tiempo en el periodo
W = peso subjetivo asignado o coeficiente de suavización (donde 0 < W < 1)
E1 = Y1
E i W Yi (1W )Ei 1
SE SE
Año Ventas (W=0.25) (W=0.50)
1975 6,6 6,6 6,6
1976 8,6 7,1 7,6
1977 9,1 7,6 8,35
1978 9,5 8,075 8,925
1979 9 8,30625 8,9625
1980 7,1 8,0046875 8,03125
1981 6,8 7,70351563 7,415625
1982 6,2 7,32763672 6,8078125
1983 7,8 7,44572754 7,30390625
1984 8,3 7,65929565 7,80195313
1985 9,3 8,06947174 8,55097656
1986 8,6 8,20210381 8,57548828
1987 7,8 8,10157785 8,18774414
1988 8,1 8,10118339 8,14387207
1989 7,9 8,05088754 8,02193604
1990 7,5 7,91316566 7,76096802
1991 7,4 7,78487424 7,58048401
1992 7,7 7,76365568 7,640242
1993 7,8 7,77274176 7,720121
1994 8,4 7,92955632 8,0600605
1995 8,3 8,02216724 8,18003025
1996 8,4 8,11662543 8,29001513
1997 8,8 8,28746907 8,54500756
1998 8,1
Figura 5.11 Gráfica de una serie suavizada exponencialmente (W = 0.50 y W = 0.25) para las ventas de
GM en Minitab
Gr áfi ca de di spersi ón de Ventas; Suavi zar 0,25; Suavi zar 0,50 vs. Año
Variab le
9,5
Ventas
Suav izar 0,25
9,0 Suav izar 0,50
8,5
Datos Y
8,0
7,5
7,0
6,5
6,0
1975 1980 1985 1990 1995 2000
A ño
Proyección de tendencias
Para pronosticar una serie de tiempo que tiene una tendencia lineal a largo plazo. El tipo
de serie de tiempo para el cual se aplica el método de proyección de tendencias presenta
un aumento o disminución consistentes a través del tiempo; y no es estable como para
aplicar los métodos de suavizamiento analizados en la sección anterior.
158 CAPÍTULO 5 Series de tiempo Suavización 158
158
158
30
28
ventas
26
24
22
1 2 3 4 5 6 7 8 9 10
A ño
Vamos a emplear los datos de ventas de bicicletas para ilustrar los cálculos del
análisis de regresión, a fin de identificar una tendencia lineal. Recuerde que en la
descripción de la regresión lineal simple, describimos cómo se aplica el método de
mínimos cuadrados para determinar la mejor relación lineal entre dos variables; tal
metodología es la que usaremos para definir la línea de tendencia para la serie de tiempo
de ventas de bicicletas. En forma específica, aplicaremos el análisis de regresión para
estimar la relación entre el tiempo y el volumen de ventas.
Figura 5.13 Tendencias de las ventas de bicicletas, representada por una función lineal
Gráfica de análisis de tendencia de ventas
Modelo de tendencia lineal
Yt = 20,40 + 1,10* t
32 Variable
A ctual
A justes
30
Medidas de exactitud
MA PE 5,06814
28 MA D 1,32000
MSD 3,07000
ventas
26
24
22
20
1 2 3 4 5 6 7 8 9 10
A ño
La ecuación de regresión que describe una relación lineal entre una variable
independiente, , y una variable dependiente, , es
donde
= valor de la tendencia de la serie de tiempo en el periodo
= ordenada al origen e la línea de tendencia
= pendiente de la línea de tendencia
= tiempo
donde
= valor de la serie de tiempo en el periodo
= número de periodos
= valor promedio de la serie de tiempo,
= valor promedio de
Con las ecuaciones anteriores y los datos de las ventas de bicicletas de la tabla
5.8 podemos calcular como sigue:
t
1 21,6 21,6 1
2 22,9 45,8 4
3 25,5 76,5 9
4 21,9 87,6 16
5 23,9 119,5 25
6 27,5 165,0 36
7 31,5 220,5 49
8 29,7 237,6 64
9 28,6 257,4 81
10 31,4 314,0 100
55 264,5 1545,5 385
Por consiguiente,
161 CAPÍTULO 5 Series de tiempo Proyección de tendencias 161
161
161
Estadísticas de la regresión
Coeficiente de correlación múltiple 0,874526167
Coeficiente de determinación R^2 0,764796016
R^2 ajustado 0,735395518
Error típico 1,958953802
Observaciones 10
ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
Regresión 1 99,825 99,825 26,0130293 0,000929509
Residuos 8 30,7 3,8375
Total 9 130,525
Ejercicios
1.- En la compañía Pérez, los porcentajes mensuales de los embarques recibidos durante
los últimos 12 meses fueron
80, 82, 84, 83, 83, 84, 85, 84, 82, 83, 84 y 83
a) Compare el pronóstico con promedios móviles de tres meses con uno de
suavizamiento exponencial con ¿Con cuál se obtienen mejores
pronósticos?
2.- La siguiente serie de tiempo representa las ventas de un producto durante los últimos
12 meses.
Mes 1 2 3 4 5 6 7 8 9 10 11 12
Ventas 10535 120 105 90 120 145 140 100 80 100 110
3.- Los datos que siguen representan el número anual de empleados (en miles) de una
compañía petrolera para los años 1978 a 1997.
4.- Los siguientes datos representan las ventas anuales (en millones de dólares) de una
compañía que procesa alimentos para los años 1972 a 1997
5.- Los datos de inscripciones, en miles, en una universidad estatal durante los últimos
seis años son los siguientes:
Año 1 2 3 4 5 6
Inscripción 20,5 20,2 19,5 19,0 19,1 18,8
6.- Al final de la década de los noventa, muchas empresas trataron de reducir su tamaño
para disminuir sus costos. Uno de los resultados de esas medidas de recorte de costos
fue una disminución en el porcentaje de empleos gerenciales en la industria privada. Los
siguientes datos corresponden al porcentaje de mujeres gerentes, de 1990 1 1995
7.- ACT Networks. Inc., desarrolla, fabrica y vende productos para acceso a redes de
banda ancha. Los siguientes datos son las ventas anuales de 1992 a 1997
El restaurante Vintage está en la isla Captiva, lugar de descanso cerca de Fort Myers,
Florida. El restaurante, cuya dueña y operadora es Karen Payne, acaba de completar su
tercer año de funcionamiento. Karen, durante ese lapso, ha tratado de ganarse una
reputación como establecimiento de alta calidad que se especializa en mariscos. Sus
esfuerzos han tenido éxito y su restaurante ha llegado a ser uno de los mejores y de
mayor crecimiento en la isla.
Analice los datos de ventas del restaurant. Prepare un informe a Karen que contenga
lo que encontró, sus pronósticos y recomendaciones. Dicho informe debe incluir:
Suponga que las ventas en enero del cuarto año fueron de 295 000 dólares. ¿Cuál
fue su error de pronóstico? Si es grande, Karen se quedará confundida por la diferencia
entre su pronóstico y el valor real de las ventas. ¿Qué puede hacer para resolver la
incertidumbre en el procedimiento de pronóstico?
analizar estos datos y preparar estimados de las ventas perdidas en sus almacenes
durante los meses de septiembre a diciembre de 2000. También le pidieron determinar si
es posible alegar exceso de ventas relacionado con el huracán, durante el mismo
periodo. Si se puede presentar ese argumento. Carlson tiene derecho a compensaciones
por exceso sobre las ventas ordinarias.
Prepare un informe a los gerentes de Carlson que resuma lo que encontró, sus
pronósticos y recomendaciones. Éste debe incluir:
a) Un estimado de ventas si no hubiera habido huracán.
b) Un estimado de ventas en tiendas de departamentos de todo el condado, si no
hubiera habido huracán
c) Un estimado de ventas perdidas de Carlson, de septiembre a diciembre de 200
166 CAPÍTULO 5 Series de tiempo Ejercicios 166
166
166