Se llama serie cronolgica a

cualquier sucesin de
observaciones de un
fenmeno que es variable
con respecto al tiempo y se
observa en intervalos de
tiempo regulares.
Estas observaciones se
deben hacer en perodos
igualmente espaciados.
Una serie
cronolgica
describe la
variacin de los
valores de la
variable en el
tiempo y tales
variaciones son
resultado del
comportamiento
sistemtico o
aleatorio de la
variable.
EJEMPLO:
Un ejemplo de serie cronolgica es el
comportamiento de las ventas mensuales
de un producto A.
Meses
(1989)
En. Feb. Mar. Abr. May. Jun. Jul. Ag. Set. Oct. Nov. Dic.
Miles
de
soles
2750 1382 2425 567
3
6842 3285 2850 2950 2540 5025 6352 325
La grafica de una serie cronolgica es una grfica de
lnea, la cual se construye sobre un sistema de ejes
coordenados. En el eje horizontal se ubica la variable
independiente tiempo (aos, meses, das, etc.), en el
eje vertical los valores de las variables dependiente y
(ventas, produccin, etc.).
Variable de nivel o
existencia
En este caso en cada periodo de tiempo
considerado t se efecta una sola
medicin, y este nos da el valor Yt para
ese periodo, es decir, Yt es el valor de Y en
el instante t.
El stock de una fbrica el
ltimo da de cada mes.
Los meses no tienen la misma
duracin por tanto estas
mediciones no estn
escalonadas.
VARIABLE DE FLUJO
Cada periodo de tiempo se realiza una serie de
mediciones y la variable y puede tomar cualquiera
de los valores que resultan de esas mediciones.
De esta manera si enumeramos los perodos de
observacin de 1 a T y T [1, T], en el periodo t
el flujo trascurrido vendra dado por Yt .es decirla
variable de flujo se mide durante algn intervalo
de tiempo.
El nmero de kw/h que consumen
los habitantes de un edificio a lo
largo de un ao.
Las organizaciones
en general evalan
peridicamente el
comportamiento de
su actividad y/o
productos a fin de
pronosticar que va
a suceder en el
futuro.
A esta evolucin
que es
caracterstica en
las series
cronolgicas, le
llamaremos
movimiento
variacin de la
serie.

Cualquier serie cronolgica real, estar sujeta a un movimiento ms o menos
complejo que podra descomponerse en los cuatro movimientos caractersticos
principales que llamaremos componentes de la serie cronolgica.

a. Tendencia o Tendencia secular.

b. Variacin Cclica

c. Variacin Estacional

d. Variacin irregular
COMPONENTES CLASIFICACIN
DEL COMPONENTE
DEFINICIN RAZN DE LA
INFLUENCIA
DURACIN
tendencia sistemtico
Patrn de movimiento
global o persistente, a
largo plazo hacia arriba o
hacia abajo

Cambios en
tecnologa, poblacin,
riqueza, valores.

Varios aos
estacional sistemtico
Fluctuacin ms o
menos regular que
ocurre en cada periodo
de 12 meses cada ao.
Condiciones de clima,
costumbres sociales,
costumbres religiosas.
Dentro de 12 meses
( o datos mensuales
o trimestrales)
cclico sistemtico
Oscilacin o movimiento
repetitivo arriba o abajo
en cuatro etapas; pico
(prosperidad),
contraccin (recesin),
fondo (depresin), y
expansin (recuperacin
o crecimiento).


Interaccin de
Numerosas
combinaciones de
factores que influyen
en la economa.





De dos a 10 aos
con diferente
intensidad de un
ciclo completo
irregular no sistemtico
Fluctuacin errtico o
residual en uno serie que
est presente despus
de tomar en cuento los
efectos sistemticas (de
tendencia, estacional y
cclico).

Variaciones
aleatorias en los
datos o medidas a
eventos no previstos
como huelgas,
inundaciones, etc.



Corta duracin sin
repeticin.
La tendencia o tendencia
secular, es aquella tendencia a
largo plazo sin alteraciones de
una serie de tiempo.

Las tendencias a largo plazo se
ajustan a diversos esquemas.
Algunas se mueven
continuamente hacia arriba, otras
declinan, y otras ms permanecen
igual en un cierto periodo de
tiempo.

Esta tendencia pudiera ser de tipo lineal
o no lineal, as como tambin creciente o
decreciente y tambin como una
combinacin de alguna de las anteriores.

- En el diagrama que sigue muestra el nmero de
usuarios de telfonos celulares GTE (en millones), en
Estados Unidos, desde 1992 hasta 1996. El nmero se
increment de 1.09 millones en 1992 , a 3.75 millones en
1996 lo que representa un aumento de 2.66 millones de
usuarios, o sea 244%. La tendencia de la serie de tiempo
esta creciendo.

U
S
U
A
R
I
O
S
(M
I
L
L
O
N
E
S)

- El diagrama presentado a continuacin es un ejemplo
de una tendencia descendente a largo plazo. En 1992,
un gran establecimiento de comercio al menudeo en el
noroeste de EUA manejaba 245 tiendas, al final de 1997
operaba 204. Esto es una disminucin de 41 tiendas, o
sea de 16.7%.

- El diagrama siguiente
muestra la produccin
total de autos en Japn
y en Europa occidental
para el quinquenio de
1992 a 1996. La
produccin en Europa
occidental aument en
cerca de un milln de
autos en dicho lapso:
de 13.1 millones en
1992 a 14.1 millones en
1996. Hubo una baja en
1993 y en 1994. En
Japn ha habido un
descenso continuo en
la produccin de autos.
En 1992 se produjeron
9.4 millones. Para 1996
esto haba disminuido
a 7.9 millones, lo cual
es una reduccin de
1.5 millones, o un
descenso promedio de
0.3 millones por ao.
La segunda componente es la variacin cclica en
la que a travs del perodo de tiempo analizado se
producen ascensos y descensos en varias
oportunidades. Este tipo de comportamiento es
muy asociado a variaciones de carcter
econmico.

El ciclo normal en un negocio consiste en
un periodo de prosperidad seguido de
periodos de recesin, depresin, y luego,
recuperacin
Se observa fluctuaciones considerables que
representan ms de un ao, arriba y debajo de
la tendencia secular.

- En el
siguiente
diagrama se
muestra el
numero de
pilas vendidas
por national
battery sales,
inc. De 1980 a
1997. Se
resalta la
naturaleza
cclica del
negocio.
Existen
periodos de
recuperacin,
seguidos por
los de
prosperidad,
recesin, y
finalmente el
ciclo acaba con
la depresin.

La tercera componente es la variacin
estacional, que tiene como caracterstica de
variacin regular dentro de un ao y que a su
vez se repite cada ao
Muchas series como ventas, produccin y
otras, fluctan segn las estaciones del ao.
La unidad de tiempo indicada es el lapso
trimestral o mensual.
Casos tpicos son la produccin de algunas
frutas y/o comestibles o ventas asociadas a
productos como ropa de temporada.

- El diagrama se muestra las ventas trimestrales, en millones de dlares,
de la negociacin hercher sporting godas, inc. Una compaa de Chicago
que vende artculos deportivos y que se especializa en ventas de equipos
de bisbol y softball a escuelas o universidades. Existe un patrn
estacional distinto en este negocio. La mayora de sus ventas se hacen
en el primero y segundo trimestres del ao, cuando las escuelas y
organizaciones compran equipo para la estacin que se avecina. Durante
el inicio del verano, dicha compaa se mantiene activa vendiendo equipo
de reemplazo. Hace algunos negocios durante las vacaciones (cuarto
trimestre). El final del verano (tercer trimestre) es su estacin de menor
actividad.

La ltima componente es la componente irregular
que adiciona las caractersticas anteriores pero
adems tiene comportamiento extraos
imprevisibles que se dan generalmente en el corto
plazo.

Muchos analistas
prefieren subdividir la
variacin irregular en
variaciones episdicas y
residuales. Las
episdicas no son
predecibles.
Despus de que
las fluctuaciones
episdicas se han
eliminado, a la
variacin restante
se le llama
variacin residual.
Los cambios residuales, comnmente conocidos como
fluctuaciones aleatorias, son impredecibles y no pueden
identificarse. Por supuesto, ninguna variacin, sea
episdica o residual, puede proyectarse al futuro.

MODELO MULTIPLICATIVO
MODELO
ADITIVO
Se considera que
la variable
observada (Y) se
puede
descomponer en la
suma de los
factores, es decir:
Y= T + S + C+ I.
Modelo Aditivo
Y
t
= T
t
+ S
t
+ C
t
+ E
t

t t t t t
E C S T Y + + =
Donde:
Y
t:
Variable estudiada
T
t
:Tendencia
S
t
: Variaciones
estacionales
C
t
: Fluctuaciones
cclicas
E
t
: Sucesos
irregulares





2004 2005 2006
1
er
cuatrim. 16 19 24
2
do
cuatrim. 19 26 34
3
er
cuatrim. 24 31 41
Ejemplo de
las ventas de
la empresa de
gaseosas
Coca Cola
durante un
periodo de
tiempo
I II III I II III I II III
V
E
N
T
A
S
AOS
2004 2005 2006
VENTAS DE GASEOSA DE LA EMPRESA
COCACOLA 2004-2005
2004 2005 2006
1
er
cuatrim. 15.532 23.383 31.234
2
do
cuatrim. 18.149 26 33.851
3
er
cuatrim. 20.766 28.617 36.468
t T
t
617 . 2 26 + =
valores de tendencia para
cada uno de los
cuatrimestres son los que
aparecen en el siguiente
cuadro.
2004 2005 2006 / 3

1
er
cuatrim. 0.468 -4.383 -7.234 -11.149 -3.716
2
do
cuatrim. 0.851 0 0.149 1 0.333
3
er
cuatrim. 3.234 2.383 4.532 10.149 3.383
0 0
S
1
-3.714
S
2
+0.330
S
3
+3.351
-0.033
Deberamos sumar 0.011 (0.033 / 3)
a cada valor de la funcin a cada
valor de la funcin

Si proyectramos valores de la serie para 2007 en base a tendencia y
estacionalidad:

1
er
cuatr./07=Y
5
= 26 + 2.617 * 5 3.716 = 35.369
2
do
cuatr./07=Y
6
= 26 + 2.617 * 6 + 0.333 = 42.035
3
er
cuatr./07=Y
7
= 26 + 2.617 * 7 + 3.383 = 47.702

Si restamos los valores de tendencia hallados, de los valores
observados del cuadro anterior
=T* n+ St
El comportamiento de la
variable observada se
expresa como el producto de
los componentes, es decir:
Y=T * S * C * I.
Modelo
Multiplicativo
Y
t
= T
t
* S
t
* C
t
* E
t

MULTIPLICATIVO
t t t
t
t
E C S
T
Y
* * =
LOS VALORES OBTENIDOS SE PROMEDIAN
PARA SUAVIZAR LAS VARIACIONES
CCLICAS E IRREGULARES
Y
t
T
t
Y
t
/ T
t

16 15.532 1.0302
19 18.149 1.0469
24 20.766 1.1558
19 23.383 0.8126
26 26 1.0000
31 28.617 1.0833
24 31.234 0.7684
34 33.851 1.0044
41 36.468 1.1243
La suma de los valores estacionales deben
ser 3, considerando los 3 cuatrimestres,
para corregir usaremos el coeficiente :
Los valores de la
funcin
estacionalidad
suelen presentarse
como porcentajes,
para lo cual es
necesario
multiplicarlos por
100.
Los valores
ajustados seran
los siguientes:
S1 - 0.8704 * 99.71 =
86.79
S2 - 1.0171 * 99.71 =
101.42
S3 - 1.1211 * 99.71 =
111.79

300.00
Interpretacin: Esto significa que en el 1er
cuatrimestre, los valores se encuentran un
13.21% por debajo del promedio, mientras
que en el segundo y tercero, estn
respectivamente el 1.42% y 11.79% por
encima de l.
3.0000 = 0.9971
3.0086
Grafico
con
Tenden
cia
Interpretacin:
El hallazgo de la tendencia en los aos
histricos nos ayuda a proyectarnos a aos
futuros. En el ao 2007 segn clculos se
observa que las ventas van a ir incrementando.
VENTAS DE GASEOSA
DURANTE
2004-2006
FACTOR
RELEVAN
TE
EL
ESTUDIO
DE LA
TENDENCIA
La orientacin de la
demanda en el largo
plazo es de vital
importancia para las
empresas.
Una demanda
creciente
Una demanda
decreciente
Puede
indicar
Puede
indicar
Ampliacin de las
instalaciones.

Adquirir maquinaria
y equipos ms
productivos.

Requerir fondos que
financien su
desarrollo.


Reducir los gastos
fijos.

Reconsiderar la
poltica de
publicidad.

Lanzar nuevos
productos al
mercado.

Para
obtener la
tendencia
Es necesario
proceder a su
aislamiento
Para proyectar los
valores futuros de la
variable.
Para eliminar la tendencia
calculada para la serie, y
estudiar el comportamiento
de los restantes
componentes.
Para hallar
la
tendencia
lineal
usamos
Modelos de
ajuste
ecuaciones matemticas
que expresa la relacin
que existe entre dos o
ms variables.
son
Consiste en determinar la
funcin que hace mnima el
cuadrado de la distancia
entre los valores
observados y los valores
de la funcin de ajuste.
Esta funcin a de servir
para encontrar la
informacin
correspondiente a los aos
que continan a la serie
histrica.

Veamos la mecnica de sus frmulas, en
los casos de una recta:
A. Mediante
Ecuaciones
Simultneas
Y= a + bX

+ = X b na Y

+ =
2
X b X a XY
Si encontramos
un valor de b
negativo
entonces el
modelo ajustado
es decreciente.
X Y XY
a b c=a.b D=a.a E=b.b
1
2
3
4
5
6
7
8
9
10
1352.00
1434.96
1566.73
1300.50
1831.00
1867.60
2069.50
1947.00
2257.50
2409.30
1352.00
2869.92
4700.19
5202.00
9155.00
11205.60
14486.50
15576.00
20317.50
24093.00
1
4
9
16
25
36
49
64
81
100
1827904
2059110
2454643
1691300
3352561
3487930
4282830
3790809
5096306
5804727
55 18036.09 108957.71 385 33848120

EJEMPLO: En el siguiente ejemplo nos dan los datos de

los ingresos por ventas de caf de la empresa Altomayo
S.A. en los aos 2000-2009.
X2
Y2
Grafica: Diagrama de Dispersin de los
datos dados.
En el ejemplo se reemplaza los
valores correspondientes:
18036.09= 10 a + b55
108957.71= a 55 + b385

-5 -99198.46 = -55 a b302.5
108957.71 = 55 a + b385.0

9759.25 = 0 a + b82.5

b=


18036.09 = 10 a + b55 Escribiendo la
ecuacin de Ajuste:
18036.09 =10 a+118.29394*55 Y = a + bX
18036.09 = 10 a + 6506.1667
10 a = 11529.923
a = 1152.9923

Y* = 1152.9923 +
118.29394X
B. Mediante frmulas
paramtricas, sin usar medias
aritmticas de las variables:

=
2 2
2
) (
) )( ( ) )( (
X X n
XY X Y X
a
a. Clculo del parmetro de posicin a, cuando
bY a Y =
b. Clculo del parmetro de dispersin o inclinacin: b,
cuando Y = a + bX

=
2 2
) (
) )( ( ) (
X X n
Y X XY n
b
Remplazando en el ejemplo:
2
55 385 10
71 . 108957 55 09 . 18036 385


= a
2
55 385 10
09 . 18036 55 71 . 108957 10


= b
= 1152.9947

= 118.29352
Escribiendo la Ecuacin de
Ajuste:
Y= a + bY

Y* = 1152.9923 + 118.29394X
C. Mediante frmulas paramtricas, usando
medias aritmticas de las variables:
f= h=f.f i=f.g
-4.5
-3.5
-2.5
-1.5
-0.5
0.5
1.5
2.5
3.5
4.5
-451.609
-368.649
-236.879
-503.109
27.391
63.991
265.891
143.391
453.891
605.691
20.25
12.25
6.25
2.25
0.25
0.25
2.25
6.25
12.25
20.25
2032.241
1290.272
592.198
754.664
-13.696
31.996
396.837
358.478
1588.619
2725.610
0 82.25 9759.219
x a
Y b g =
n
X
X

=
n
Y
Y

=
( ) X X
( ) Y Y
( )
2
X X
( ) X X
( ) Y Y

La pequea ventaja que trae
trabajar con este
procedimiento es que se
opera con nmeros ms
pequeos y, simplifica el
clculo.

X b Y a =
( )( )
( )

=
2
X X
Y Y X X
b
A continuacin estimaremos los valores de a y b
respectivamente:
29356 . 118
50 . 82
219 . 9759
= = b
992 . 1152 5 . 5 294 . 118 609 . 1803 = = a

Escribiendo la ecuacin
de Ajuste:



Y= a + bX



Y*= 1152.992+118.294X
D. Por medio de
Determinantes:
La determinante es una forma particular de
expresar las frmulas paramtricas
anteriormente enunciadas.

=
2
2

X X
X n
X XY
X Y
a

=
2

X X
X n
XY X
Y n
b
Reemplazando en el ejemplo:
9947 . 1152
55 55 385 10
55 71 . 108957 09 . 18036
=


29352 . 118
825
09 . 18036 55 71 . 108957 10
=

10 55
55 385
10 18036.09
55 108957.71
825





Y*= 1152.9947+118.29352X
Por cualquiera de
las formas que
desarrollemos el
modelo lineal
para el caso de
una recta, los
resultados sern
los mismos.
18036.09 55
108957.71 385
=
=
As si queremos obtener como
irn yendo los ingresos por
ventas de dicha empresa
remplazaremos en el modelo
de ajuste con el tiempo
correspondiente:
Interpretacin: Como el modelo de ajuste es positivo
Y= a + bX entonces se puede observar que la
tendencia es creciente, es decir durante los
siguientes aos los ingresos van a ir en aumento .
El modelo de
ajuste sirve para
determinar
valores de la
variable estudiada
en los aos
futuros
22342 . 2454 ) 11 ( 29352 . 118 9947 . 1152
11
= + = Y
51694 . 2572 ) 12 ( 29352 . 118 9947 . 1152
12
= + = Y
81046 . 2690 ) 13 ( 29352 . 118 9947 . 1152
13
= + = Y
SIN USAR MEDIAS ARITMTICAS DE
LAS VARIABLES
En el
ejemplo:
( )( )
( ) ( )




=
2
2
2
2
Y Y n X X n
Y X XY n
R
2 2
09 . 18036 33848120 10 55 385 10
09 . 18036 55 71 . 108957 10


= R
USANDO MEDIAS ARITMTICAS DE
LAS VARIABLES


j= g.g
203950.69
135902.09
56111.66
750.27
4094.85
70698.02
20560.98
206017.04
366861.59
1318065.86
( )
2
Y Y

( )( )
( ) ( )

=
2 2
Y Y X X
Y Y X X
R
Tabla de medias
aritmticas
En el ejemplo:
86 . 1318065 50 . 82
219 . 9759
= R
0705 . 1148 0829511 . 9
219 . 9759

= R
9358787 . 0
868 . 10427
219 . 9759
= = R
UTILIZANDO
DETERMINANTES

=
2 2
Y Y
Y n
X X
X n
XY x
Y n
R
EN EL EJEMPLO:
10 18036.09

55 108957.7
R=
10 55

55 385
10 18036.09

18036.09 33848120

09 . 18036 09 . 18036 33848120 10 55 55 385 10
09 . 18036 55 71 . 108957 10


= R
13180660 825
15 . 97592
= R
9358782 . 0
5179 . 3630 72281 . 28
15 . 97592
=

= R
UTILIZANDO LA RAZ CUADRADA DEL
COEFICIENTE DE DETERMINACIN
Hallaremos el coeficiente de
correlacin
( )
( )

=
n
Y
Y
X X b
R
2
2
2
2
2
Sacamos la raz
cuadrada
2
R R =
Obtenemos el coeficiente de
correlacin
EN EL
EJEMPLO:
Coeficiente
de
Determinaci
n
( ) ( )
( )
10
09 . 18036
33848120
50 . 82 29394 . 118
2
2
2

= R
875874 . 0
75 . 1318065
14 . 1154460
2
= = R
935881 . 0 875874 . 0 = = R
Coeficiente
de
Correlacin
OTRA FORMA
Donde:
( )
( )

=
2
2
2
*
1
Y Y
Y Y
R
i
X b a Y Y

* + = =
=1
2
R
Varianza residual no
eliminable de Y

Varianza inicial de Y
2
R R =
NECESITAMOS CONSTRUIR LA
SIGUIENTE TABLA
( )
2
* Y Y
Y*

(Y-Y*)
K=modelo l=b-k m=l.l
1271.29
1389.58
1507.88
1626.17
1744.46
1862.75
1981.05
2099.34
2217.64
2335.93
80.71
45.38
58.85
-325.67
86.54
4.84
88.45
-152.34
39.86
73.37
6514.104
2059.344
3463.323
106060.950
7489.172
23.426
7823.403
23207.476
1588.820
5383.157
163313.175
Y*=1152.9947+118.29352X
86 . 1318065
18 . 163613
1
2
= R
En el
ejemplo:
1241313 . 0 1
2
= R
8758687 . 0
2
= R
9358786 . 0 8758687 . 0 = = R

R
EL COEFICIENTE DE CORRELACIN
Si es:
1
La nube de
puntos se
confunde con
la recta
Si
es
:
= 0
Si es:
0<R<+ -
1
s
La recta es
horizontal:
Y no explica
a X
Se da el caso
de correlacin:
mejor y mas
eficaz
Interpretacin: Ej. Si R es 0.93, significa que el modelo se
ajusta a la informacin histrica en un grado de asociacin
igual a 93 y que existe una dispersin de los datos
histricos respecto a la lnea de ajuste en un grado de 7
Si es 0.84 significa que el 84 por ciento (%) de la
varianza de Y es explicada por la varianza de X; es
decir que la influencia de X sobre Y es del 84%.
Todo esto nos indica, que el modelo se ajusta a la
nube de puntos en un grado de 93, pero que la
variable X explica a la variable Y tan solo en un 84%.
GRFICA DE DATOS CON TENDENCIA LINEAL
X Y 294 . 118 9947 . 1152 * + =
bX a Y + =
Datos
histricos

Datos
ajustados
La varianza es un valor que nos indica un promedio
aritmtico del cuadrado de la dispersin de los datos
histricos respecto a los datos estimados o a la media de
las variables.
Interpretacin:

586 . 131806
10
86 . 1318065
2
= = o
3175 . 16331
10
175 . 163313
2
= = o
( )
n
X X

=
2
2
o
( )
n
Y Y

=
2
2
o
( )
n
Y Y
2
2
*

= o
225 . 8
10
25 . 82
2
= = o
Es un mtodo utilizado para
analizar un conjunto de datos en
modo de puntos para crear
series de promedios. As las
medias mviles son una lista de
nmeros en la cual cada uno es
el promedio de un subconjunto
de los datos originales.
Se realizan para suavizar los
datos ,eliminando factores no
controlables ni predecibles

Representado : PM(L)
.(PM)=
(L)=nmero de elementos de cada
subconjunto de la serie de valores
L<n


PM(L)=Y1+Y2+
YL
L
PM(L)=Y2+Y2.Y
L+1
L
PM(L)=Y3+Y2.Y
L +2
L
Las sumas en los numeradores se llaman
totales mviles
EJEMPLO:
Los envos para el mercado nacional de tractores
agrcolas en el periodo de 1980-1987 por la
empresa maquinas y herramientas

Aos

1980

1981

1982

1983

1984

1985

1986

1987
utilidad 106 112 94 97 103 109 94 94
Hallar la serie y la tendencia por un
movimiento medio de orden 3.
PM(3)=106+112+94=104
3
PM(3)=112+94+97=101
3
PM(3)=94+97+103=98
3

Aos

1980

1981

1982

1983

1984

1985

1986

1987
utilidad 106 112 94 97 103 109 94 94
APLICAMOS LA
TEORIA
AOS UNIDADES PROMEDOI MVIL
1980 106
1981 112 104
1982 94 101
1983 97 98
1984 103 103
1985 109 99
1986 85 96
1987 94
Solo suaviza las fluctuaciones de la informacin
Asla una serie de tiempos
Para medir las fluctuaciones estacionales
Pierden informacin al inicio y al final.
Este mtodo no esta representado por ninguna frmula matemtica,
y por tanto, no nos es posible realizar proyecciones. Puesto que uno
de los principales objetivos los anlisis de la tendencia es la
prediccin, el promedio mvil al carecer de esta propiedad, no es
muy utilizado para hacer una estimacin de la tendencia.

REPRESENTAMOS EL PROMEDIO MVIL SOBRE LA
MISMA GRAFICA DE LA SERIE ORIGINAL, PARA
COMPARLAS
Y=95.822111-1.213017X

R=0.7286
0
20
40
60
80
100
120
1978 1980 1982 1984 1986 1988
UNIDADES
PROMEDOI MVIL
----Tendencia
lineal
Ventajas de anlisis de series
cronolgicas


Es una herramienta til en la planeacin y control
administrativo

Los mtodos de series criolgicos proporcionan una
va til para proyectar las tendencias futuras alargo y
corto plazo. Si se usan de manera adecuada, junto con
otros mtodos de pronsticos al igual que con juicio
de los negocios y experiencia, los mtodos de serie
cronolgicas sern siempre herramientas
administrativas para tomas de decisiones.



Desventajas de anlisis de series
cronolgicas
Los crticos de mtodos clsicos de series cronolgicas
argumentan que estas tcnicas son ingenuas y
mecnicas es decir un modelo matemtico basados en el
pasado no debe usarse para explorar tendencia al futuro
de manera mecnica sin considerar la opinin personal,
la experiencia de negocio o las tecnologas, hbitos y
necesidades cambiantes.