Análisis de series de tiempo

Logro de la sesión

Al finalizar la sesión, el estudiante

realiza pronósticos de una variable
recolectada a través del tiempo
mediante la aplicación de modelos
estadísticos.
Temario

Series de tiempo

Métodos de medias móviles

Análisis de tendencia

Métodos de descomposición
El jefe de logística debe analizar la información del número
de operaciones logísticas

¿Cómo pronosticar el
número de operaciones
logísticas para el tercer
trimestre del año 7?

Trimestre Año 1 Año 2 Año 3 Año 4 Año 5 Año 6

I 416 558 475 500 560 720
II 528 623 500 640 729 740
III 615 710 525 610 694 710
IV 689 765 760 798 875 935
Series de tiempo
 Introducción

Toda institución ya sea empresa o gobierno tiene que

hacer planes para el futuro si ha de sobrevivir o
progresar.

Hoy en día diversas instituciones requieren conocer el

comportamiento futuro de ciertos fenómenos con el fin
de planificar o prever.

La técnica más importante para hacer inferencias sobre

el futuro con base en lo ocurrido en el pasado, es el
análisis de series de tiempo.
 ¿ Qué es una serie de tiempo?
Una serie de tiempo, llamada también serie cronológica o histórica, se define
como una sucesión de observaciones tomadas para una variable en distintos
momentos del tiempo (diario, mensual, trimestral, anual, etc.).

El propósito principal del análisis de series de tiempo es conocer el

comportamiento de una variable a través del tiempo y a partir de este
conocimiento y bajo el supuesto de que no van a producirse cambios
estructurales, poder hacer pronósticos o predicciones de sus valores futuros.
Ejemplos:
• Ventas mensuales de baterías para teléfonos celulares.
• Consumo de energía eléctrica semanal en una planta ensambladora.
• Índice diario de la Bolsa de valores de Lima.
• Tasa de desempleo trimestral en la ciudad de Arequipa.
• Estimaciones trimestrales del PBI.
• Producción anual de GLP.
• Número de fallas por hora de una máquina empaquetadora.
 Componentes de una serie temporal

Componente de tendencia:
Es un componente que representa el
crecimiento o disminución en la serie sobre un
periodo a largo plazo.

Componente estacional:
Es un patrón de cambio que se repiten de
manera regular en periodos de corto plazo
(generalmente menores a un año)
Componente cíclica:
Es la fluctuación en forma de onda alrededor de
la tendencia, muestran variaciones a periodos de
mediano plazo (generalmente mayores a un año)

Componente irregular:
Son variaciones aleatorias que ocurren en una
serie por acontecimientos inesperados.
 Tema 1

Análisis de la serie de tiempo

 Análisis de la serie de tiempo

Análisis de medias móviles Análisis de tendencia Análisis de descomposición

Sin tendencia ni Con tendencia sin Estacionalidad con o sin
estacionalidad estacionalidad tendencia

Tipos de modelos
Tipos de modelos Tipos de modelos
1. Modelo lineal
1. No centrado 1. Aditivo
2. Modelo exponencial
2. Centrado 3. Modelo cuadrático
2. Multiplicativo

Para obtener el mejor modelo se compara el PEMA

El PEMA se usa para comparar métodos diferentes de pronóstico.
Indica qué tan grande son los errores del pronóstico.
Contrasta con los valores reales de la serie.
 Tema 2

Método de medias móviles

 Método de medias móviles
• Es un método que se utiliza cuando la serie no presenta
tendencia ni estacionalidad (los datos se encuentran
alrededor de la media), o ante la presencia de estos
patrones permite eliminar dichas fluctuaciones.
• El nombre de media móvil es dado porque en cada periodo
(pronóstico) la observación más antigua es sustituida por la
más reciente, calculándose una media nueva.
• Para aplicar este método se debe indicar el número de
observaciones que interviene en el cálculo del promedio
móvil (longitud).
• Los pronósticos obtenidos con este método son “planos”.
• El pronóstico para el tiempo “t+1” emplea la media móvil
del tiempo “t”.
 Método de medias móviles

Tipos de medias móviles

1.Media móvil centrada: El valor del
promedio móvil se asigna al punto medio
del intervalo.
2.Media móvil no centrada: El promedio
móvil de r términos para el periodo t, se
calcula considerando las r observaciones
más recientes (n-r observaciones son
eliminadas).
 Método de medias móviles
Usted es gerente de una empresa del rubro de construcción y
ha sido alertado(a) acerca de una posible disminución de las
ventas para el próximo trimestre. A fin de evaluar la situación,
recolecta los siguientes datos de ventas en miles de soles:

Trimestre Año 1 Año 2 Año 3 Año 4

I 2790 3339 4361 3605
II 2949 3785 4513 3856
III 3102 3857 3370 3508
IV 3257 4142 3453

Pronostique las ventas para el cuarto trimestre del año 4.

 Método de medias móviles

La serie de tiempo parece presentar una leve tendencia, sin embargo, los puntos
se encuentran bastante cercanos a una media general
 Método de medias móviles
Medias móviles centradas de longitud 2:
La media móvil del tiempo “t” sirve para
predecir el tiempo “t+1”
Media móvil Tiempo Ventas MA Predecir Error
Trimestre Ventas Q1 2790 * * *
centrada
Q2 2949 2947.50 * *
I 2790 Q3 3102 3102.50 2947.50 154.50
Q4 3257 3238.75 3102.50 154.50
2869.5 Q1 3339 3430.00 3238.75 100.25
II 2949 2947.5 Q2 3785 3691.50 3430.00 355.00
Q3 3857 3910.25 3691.50 165.50
3025.5 Q4 4142 4125.50 3910.25 231.75
Q1 4361 4344.25 4125.50 235.50
III 3102 3102.5 Q2 4513 4189.25 4344.25 168.75
Q3 3370 3676.50 4189.25 -819.25
3179.5
Q4 3453 3470.25 3676.50 -223.50
IV 3257 3238.75 Q1 3605 3629.75 3470.25 134.75
Q2 3856 3706.25 3629.75 226.25
… … … … Q3 3508 * 3706.25 -198.25
 Método de medias móviles
Medias móviles centradas de longitud 2:
 Método de medias móviles
La media móvil del tiempo “t” sirve para
Medias móviles no centradas de longitud 2: predecir el tiempo “t+1”

Tiempo Ventas MA Predecir Error

Trimestre Ventas Media móvil
Q1 2790 * * *
NO centrada
Q2 2949 2869.5 * *
I 2790 Q3 3102 3025.5 2869.5 232.5
II 2949 2869.5 Q4 3257 3179.5 3025.5 231.5
Q1 3339 3298.0 3179.5 159.5
III 3102 3025.5 Q2 3785 3562.0 3298.0 487.0
IV 3257 3179.5 Q3 3857 3821.0 3562.0 295.0
Q4 4142 3999.5 3821.0 321.0
… … … Q1 4361 4251.5 3999.5 361.5
Q2 4513 4437.0 4251.5 261.5
Q3 3370 3941.5 4437.0 -1067.0
Q4 3453 3411.5 3941.5 -488.5
Q1 3605 3529.0 3411.5 193.5
Q2 3856 3730.5 3529.0 327.0
Q3 3508 3682.0 3730.5 -222.5
 Método de medias móviles
Medias móviles no centradas de longitud 2:
Método de medias móviles
¿Qué longitud debemos elegir?
¿La media móvil debe centrarse o no?
 Método de medias móviles
Resultados y pronósticos
Promedio móvil de Ventas Tiempo Ventas MA Predecir Error
Q1 2790 * * *
Datos Q2 2949 2947.00 * *
Ventas Q3 3102 3102.67 2947.00 155.000
Longitud 15 Q4 3257 3232.67 3102.67 154.333
Número de valores faltantes 0 Q1 3339 3460.33 3232.67 106.333
Q2 3785 3660.33 3460.33 324.667
Q3 3857 3928.00 3660.33 196.667
Promedio móvil Q4 4142 4120.00 3928.00 214.000
Q1 4361 4338.67 4120.00 241.000
Longitud 3 Q2 4513 4081.33 4338.67 174.333
Q3 3370 3778.67 4081.33 -711.333
Q4 3453 3476.00 3778.67 -325.667
Medidas de exactitud Q1 3605 3638.00 3476.00 129.000
Q2 3856 3656.33 3638.00 218.000
MAPE 6.6 Q3 3508 * 3656.33 -148.333
MAD 238.4
MSD 79671.4 Pronósticos

Período Pronóstico Inferior Superior

Q4 3656.33 3103.11 4209.55
 Tema 3

Análisis de tendencia
 Análisis de tendencia

Paso 1: Comparar los modelos Se va analizar tres modelos:

1. Modelo lineal
Realizar la comparación de modelos 2. Modelo exponencial
con el PEMA 3. Modelo cuadrático

Paso 2: Predecir con el mejor

modelo
 Ejemplo de aplicación
Un ingeniero de una empresa industrial de calzado desea
abastecer y garantizar su posicionamiento en el mercado. Para tal
fin, va analizar el número de unidades producidas desde el
segundo trimestre del 2014 hasta el cuarto trimestre del año 2017:
Trimestre
Año
I II III IV
Año 1 2514 3326 3054
Año 2 3335 3012 3258 3278
Año 3 3498 3815 3950 4184
Año 4 3745 3956 4375 5154

Utilice el nivel de significación del 5%.

1. Grafique la serie de tiempo.
2. Realice el análisis respectivo para obtener el pronóstico
del número de unidades producidas para el segundo y
tercer trimestre del año 5.
 Solución
Ingreso de datos al Minitab
 Solución
1) Grafique la serie de tiempo

Se observa que existe un patrón de tendencia

 Solución
2) Comparar modelos: Tendencia lineal

Análisis de tendencia para Barras de

acero

Datos Barras de acero

Longitud 15
Número de valores faltantes 0

Ecuación de tendencia ajustada

Yt = 2591 + 129.9×t

Pronósticos

Período Pronóstico
16 4669.15
17 4799.01
18 4928.87

𝑌 = 2591 + 129.9𝑡
 Solución
2) Comparar modelos: Tendencia exponencial

Análisis de tendencia para unidades

producidas

Datos Unidades producidas

Longitud 15
Número de valores faltantes 0

Ecuación de tendencia ajustada

Yt = 2692.74 × (1.03618^t)

Pronósticos

Período Pronóstico
16 4754.88
17 4926.89
18 5105.14

𝑌 = 2692.74𝑒 0.03554𝑡
 Solución
2) Comparar modelos: Tendencia cuadrática

Análisis de tendencia para Unidades

producidas

Datos Unidades producidas

Longitud 15
Número de valores faltantes 0

Ecuación de tendencia ajustada

Yt = 2874 + 30.1t + 6.23t²

Pronósticos

Período Pronóstico
16 4951.71
17 5187.52
18 5435.81

𝑌 = 2874 + 30.1𝑡 + 6.23𝑡²

 Solución
2) Análisis de tendencia:

Modelo estimado cuadrático: 𝑌 = 2874 + 30.1𝑡 + 6.23𝑡²

Análisis de tendencia para Barras de acero Barras Eliminar
Tiempo de acero Tendencia tendencia
Datos Barras de acero 1 2514 2910.30 -396.303
Longitud 15 2 3326 2959.14 366.863
Número de valores faltantes 0 3 3054 3020.44 33.563
4 3335 3094.20 240.797
5 3012 3180.43 -168.434
Ecuación de tendencia ajustada 6 3258 3279.13 -21.131
7 3278 3390.29 -112.293
Yt = 2874 + 30.1×t + 6.23×t^2 8 3498 3513.92 -15.921
9 3815 3650.01 164.985
10 3950 3798.57 151.426
Medidas de exactitud 11 4184 3959.60 224.401
12 3745 4133.09 -388.089
MAPE 6.0 13 3956 4319.04 -363.045
MAD 214.4 14 4375 4517.47 -142.466
MSD 65121.7 15 5154 4728.35 425.647
 Solución
2) Análisis de tendencia: Pronóstico
Mejor pronóstico
Análisis de tendencia para Unidades
producidas

Datos Unidades producidas

Longitud 15
Número de valores faltantes 0

Ecuación de tendencia ajustada

Yt = 2874 + 30.1t + 6.23t²

Pronósticos

Período Pronóstico
16 4951.71
17 5187.52
18 5435.81

Modelo estimado cuadrático: 𝑌 = 2874 + 30.1𝑡 + 6.23𝑡²

 Tema 4

Modelos de descomposición
 Modelos de descomposición

Permite descomponer una serie de tiempo como la suma o el producto de

cuatro componentes:

Descomposición aditiva Descomposición multiplicativa

𝑌 =𝑇+𝐶+𝐸+𝐼 𝑌 =𝑇×𝐶×𝐸×𝐼

Y = Valor real de la variable de interés

T = Tendencia secular
C = Componente cíclica
E = Componente estacional
I = Componente irregular
 Modelos de descomposición

Modelo de descomposición aditiva

Este modelo asume que los componentes de
la serie de tiempo son independientes. Por
ejemplo, a mayor nivel de la serie (tendencia
creciente), la estacionalidad no se ve
afectada.

Modelo de descomposición multiplicativa

Este modelo asume que los componentes de
la serie de tiempo guardan alguna relación.
Por ejemplo, a mayor nivel de la serie
(tendencia creciente), la estacionalidad
puede ser más marcada. La mayoría de las
series de tiempo presentan este patrón.
 Índices estacionales

Los índices estacionales son utilizados para

desestacionalizar los datos de una serie de tiempo,
es decir eliminar el efecto estacional en los datos.

Existen varios métodos para calcular los índices

estacionales, cuyo significado dependerá si se
consideran el uso del modelo aditivo o
multiplicativo.

Los índices estacionales recogen el incremento o la

disminución que el componente estacional produce
en cada estación, mensual, trimestral, anual.
Ejemplo de aplicación

El jefe de logística de la empresa Savar S.A. almacenes y logística desea realizar

un gráfico que represente el número de operaciones realizadas, para ello cuenta
con la siguiente información histórica:

Número de operaciones realizadas en Savar S.A almacenes y

Trimestre logística
2012 2013 2014 2015 2016 2017
I Trimestre 416 558 475 500 560 720
II Trimestre 528 623 500 640 729 740
III Trimestre 615 710 525 610 694 710
IV Trimestre 689 765 760 798 875 935

El jefe de logística de la empresa Savar S.A. almacenes y logística desea

Obtener:
1. Analice el gráfico de la serie.
2. Encuentre el mejor modelo.
3. Calcule e interprete el primer y cuarto índice estacional.
4. Obtenga el pronóstico del segundo trimestre del año 2018.
 Solución
1) Analice el gráfico de la serie

Se observa en el gráfico presencia de la componente tendencia y

estacionalidad leve.
2) Encuentre el mejor modelo

Modelo multiplicativo Modelo aditivo

Descomposición de series de tiempo Descomposición de series de tiempo

para Número de operaciones para Número de operaciones

Modelo multiplicativo Modelo aditivo

Datos N° operaciones Datos N° operaciones

Longitud 24 Longitud 24
Número de valores faltantes 0 Número de valores faltantes 0

Medidas de exactitud Medidas de exactitud

MAPE 7.24 MAPE 7.34

MAD 43.49 MAD 44.45
MSD 3189.05 MSD 3137.22
 Solución
3) Calcule e interprete el primer y cuarto índice estacional

Índices estacionales

Período Índice
1 0.83232
2 0.97968
3 0.96326
4 1.22474
Interpretación:

o Para el primer trimestre, el número de operaciones logísticas realizadas a

disminuido en 16.768% = (1 - 0.83232)*100

o Para el cuarto trimestre, el número de operaciones logísticas realizadas a

aumentado en 22.474% = (1.22474 - 1)*100
 Solución
4) Obtenga el pronostico del segundo trimestre del año 2018

Descomposición de series de tiempo para

N° de operaciones realizadas

Modelo multiplicativo

Datos N° de operaciones
Longitud 24
Número de valores faltantes 0

Ecuación de tendencia ajustada

Yt = 536.8 + 9.28×t

Pronósticos

Período Pronóstico
25 639.847
26 762.216
 Ejemplo de aplicación
El jefe del área de Finanzas de la empresa Motocar S.A. desea elaborar el
presupuesto para el segundo semestre del año en curso. Para ello desea predecir el
precio de uno de los insumos más importantes del proceso de producción. Considere
los siguientes datos:
Precio (en soles)
Trimestre
Año 1 Año 2 Año 3 Año 4 Año 5 Año 6
Enero 80.65 70.14 66.86 21.25 12.29 84.46
Febrero 44.6 116.63 79.02 20.8 9.57 110.51
Marzo 23.17 120.17 111.92 14.39 7.19 100.37
Abril 15.89 117.32 105.19 9.1 7.82 109.04
Mayo 37.13 117.49 86.16 17.67 21.99 93.42
Junio 58.73 103.4 70.95 43.4 34.71 60.51
Julio 107.79 42.75 28.79 80.91 21.15
Agosto 151.77 16.59 18.56 114.23 13.82
Septiembre 147.89 13.01 17.09 124.07 11.05
Octubre 156.74 6.05 8.52 126.86 13.81
Noviembre 122.58 24.56 12.48 97.79 27.56
Diciembre 76.68 36.04 29.96 63.63 49.96

1. Analice el gráfico de la serie.

2. Encuentre el mejor modelo.
3. Calcule e interprete el primer y sexto índice estacional
4. Obtenga el pronóstico para el periodo julio – diciembre del año 6
 Ejemplo de aplicación

El jefe de finanzas de la empresa le pide a Ud. que:

1) Analice el gráfico de la serie.

La gráfica parece presentar estacionalidad pues existe un patrón que se repite a cada año
 Solución
2) Encuentre el mejor modelo

Modelo multiplicativo Modelo aditivo

Descomposición de series de tiempo Descomposición de series de tiempo

para Número de operaciones para Número de operaciones

Modelo multiplicativo Modelo aditivo

Datos Precio Datos Precio

Longitud 66 Longitud 66
Número de valores faltantes 0 Número de valores faltantes 0

Medidas de exactitud Medidas de exactitud

MAPE 159.07 MAPE 143.94

MAD 45.44 MAD 38.95
MSD 2956.38 MSD 2030.15
 Solución
3) Calcule e interprete el primer y sexto índice estacional

Índices estacionales Interpretación:

Período Índice o Para el mes de enero, el

1 -16.8774
precio del insumo está
2 6.7891
3 6.7585
16.88 soles por debajo del
4 10.9955 precio medio.
5 20.9245
6 21.8057 o Para el mes de junio, el
7 4.3876 precio del insumo está
8 -10.1553 21.81 soles por encima del
9 -17.6640 precio medio
10 -18.1665
11 -7.3490
12 -1.4486
 Solución
4) Obtenga el pronóstico para el periodo julio – diciembre del año 6

Descomposición de series de tiempo para

N° de operaciones realizadas

Modelo aditivo

Datos Precio
Longitud 66
Número de valores faltantes 0

Ecuación de tendencia ajustada

Yt = 78.2 - 0.562×t

Pronósticos

Período Pronóstico
67 44.9097
68 29.8051
69 21.7347
70 20.6706
71 30.9265
72 36.2653
Conclusiones

Para realizar pronósticos con series de

tiempo, los datos son expresados en función
al tiempo.

Para realizar los pronósticos se debe utilizar

como herramienta complementaria un
modelo de regresión lineal o no lineal.
 Indique V o F según corresponda en los siguientes enunciados:

1. Se puede utilizar variables categóricas para realizar series V

de tiempo.
2. Se realiza el análisis de tendencia cuando la serie tienen
V
tendencia sin estacionalidad.
3. Siempre es conveniente tener series no estacionarias para
F
realizar buenos pronósticos.
 Bibliografía

• Bowerman, Bruce L., (2007) Pronósticos, series de tiempo y

regresión. México, Ed.Thomson.
• Anderson,David. Sweeney, Denis. William, Thomas (2008)
Estadística para Administración y Economía. México DF, Ed.
CENGAGE.
Material producido por la Universidad Peruana de Ciencias Aplicadas
Autor: Campomanes Murrugarra, Fanny; Gamboa Unsihuay Jesús Eduardo
COPYRIGHT ©UPC 2016 - Todos los derechos reservados.