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 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), puede emplearse el mtodo
de promedios mviles o el de suavizacin exponencial para emparejar la serie y
proporcionar un panorama global a largo plazo.
Mtodos de promedios
Aunque existen ms mtodos para pronosticar, por simplicidad presentamos solamente
dos, que consideramos los ms usuales y sencillos de llevar a cabo.

Promedios Mviles
Suavizacin Exponencial

Estos mtodos pueden utilizarse cuando:

a) Hay informacin disponible de la variable(s) que se est pronosticando.
b) La informacin puede ser cuantificada.
c) Si se considera razonable que el patrn de comportamiento del pasado
continuar en el futuro. Si se cuenta con una base de datos histrica y se quiere
pronosticar una variable considerando su comportamiento pasado, entonces
podemos utilizar el mtodo de promedios mviles o el mtodo de suavizacin
exponencial, que son conocidos tambin como mtodos de series de tiempo.
Mtodo de Promedios Mviles
La utilizacin de esta tcnica supone que la serie de tiempo es estable, esto es, que los
datos que la componen se generan sin variaciones importantes entre un dato y otro
(error aleatorio=0)2, esto es, que el comportamiento de los datos aunque muestren un
crecimiento o un decrecimiento lo hagan con una tendencia constante.

Cuando se usa el mtodo de promedios mviles se est suponiendo que todas las
observaciones de la serie de tiempo son igualmente importantes para la estimacin del
parmetro a pronosticar (en este caso los ingresos). De esta manera, se utiliza como
pronstico para el siguiente periodo el promedio de los n valores de los datos ms
recientes de la serie de tiempo.
Utilizando una expresin matemtica, tenemos:

El trmino mvil indica que conforme se tienen una nueva observacin de la serie de
tiempo, se reemplaza la observacin ms antigua de la ecuacin y se calcula un nuevo
promedio. El resultado es que el promedio se mover, esto es, conforme se tengan
nuevos datos y se vayan sustituyendo en la frmula, el valor del promedio ir
modificndose.
Suavizacin Exponencial
A diferencia de los promedios mviles, este mtodo pronostica otorgando una
ponderacin a los datos dependiendo del peso que tengan dentro del clculo del
pronstico. Esta ponderacin se lleva a cabo a travs de otorgarle un valor a la
constante de suavizacin, 1, que puede ser mayor que cero y menor que uno. Para
nuestro ejemplo, utilizamos un valor de 1 = 0.8, por ser ste el que mejor ajusta al
pronstico a los datos reales.
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.
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. Un

outliers 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
de la 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.
Matemticamente, podemos decir que la serie representa variacin estacional si existe
un nmero s tal que x(t) = x(t + k*s).
Las principales fuerzas que causan una variacin estacional son las condiciones del
tiempo, como por ejemplo:

En invierno las ventas de helado.

En verano la venta de lana.
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:

Aditivo: X(t) = T(t) + E(t) + A(t)

Multiplicativo: X(t) = T(t) E(t) A(t)
Mixto: X(t) = T(t) E(t) + A(t)

Dnde:
X(t) serie observada en instante t.
T(t) componente de tendencia.
E(t) 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 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 . Es claro que el modelo
multiplicativo puede ser transformado en aditivo, tomando logaritmos. El problema que
se presenta, es modelar adecuadamente las componentes de la serie.

Bibliografa
http://www.cca.org.mx/funcionarios/biblioteca/html/finanzas_publicas/documentos/3/m3
_metodos.pdf

Libro
Estadstica Inferencial II
Autor:
Ral Jimnez Gonzlez.
Conclusin
En conclusin ayudan a describir, explicar, predecir y controlar aquellos procesos que
de alguna manera se presentan en el tiempo, si bien hay que recordar que la
observacin se da de manera ordenada en el tiempo por lo que su aplicacin se refleja
de manera concreta en diferentes reas cientficas y sociales ayudando a pronosticar
eventos futuros o a tomar decisiones importantes de diferentes tipos.