Apuntes preparados por el profesor Sr.

Rosamel Sez Espinoza con fines de Docencia

Objetivos del mdulo: Identificar los factores componentes que influyen en una serie de tiempo. Explicar qu causa la tendencia en una serie de tiempo y desarrollar una ecuacin para modelarla. Calcular la componente cclica en una serie de tiempo e identificar lo que causa la variacin. Identificar la variacin estacional en una serie de tiempo y calcular los ndices estacionales para describirlas. Eliminar la estacionalidad en los datos. Desarrollar la descomposicin de series para modelos de pronsticos a corto y largo plazo. Medir los errores generados por un procedimiento de pronsticos. Usar tcnicas intuitivas de promedios mviles y suavizamiento exponencial para crear un pronstico. Calcular un coeficiente de autocorrelacin. Construir un correlograma. Identificar si los datos son aleatorios, no estacionarios o estacionales. Detectar una correlacin serial en una serie de tiempo. Utilizar modelos autorregresivos y de regresin para pronsticos.

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

Introduccin
La mayora de los procedimientos estadsticos est diseado para ser aplicados a datos que se originan en una serie de experimentos aleatorios independientes. Los datos resultantes x1,......., xn son representativos de una cierta poblacin y el anlisis estadstico realiza inferencias sobre ciertos aspectos de la poblacin a partir de la muestra x1,......., xn . Con este tipo de datos el orden en que aparecen los datos es irrelevante. Sin embargo en muchos casos necesitamos de los pronsticos o predicciones como herramienta esencial en cualquier proceso de toma de decisiones. Pronosticar supone proyectar la experiencia pasada hacia el futuro, desde la suposicin que las condiciones que generaron los datos histricos no sern diferentes de las condiciones futuras. Se debe tener presente que, la calidad de las predicciones que podemos efectuar est estrechamente relacionada con la informacin que se puede extraer y utilizar de los datos que se tengan. El anlisis de series temporales es un mtodo cuantitativo ampliamente usado como ayuda a tener una visin con incertidumbre acerca del futuro. Una serie de tiempo o serie cronolgica es una sucesin de observaciones y t (t= 1, 2,...,T) realizadas secuencialmente en el tiempo, por ejemplo cada mes. En este caso el orden en que aparecen los datos es de suma importancia y los procedimientos clsicos no son directamente aplicables. Las series de tiempo son comunes en muchos campos. Algunos ejemplos son: Economa Meteorologa Medicina Fsica Qumica : Desempleo, precios, ventas, demanda, etc. : Precipitaciones, velocidad del viento, etc. : Electrocardiogramas, electroencefalogramas, etc. : Sismologa, oceanografa, etc. : Temperatura, viscosidad, concentracin, rendimiento, etc.

Algunas series pueden ser observadas continuamente en el tiempo (por ejemplo, temperatura, electrocardiogramas). Se les denomina series de tiempo continuas. En la mayora de las series, sin embargo, las observaciones se realizan equiespaciadamente en el tiempo. Ellas se denominan series de tiempo discretas y son las nicas que consideraremos en este mdulo. 1) DESCOMPOSICIN DE UNA SERIE DE TIEMPO 1.1 Descomposicin: En la introduccin de este mdulo se defini una serie de tiempo como los valores de datos que se recogen, registran u observan en incrementos sucesivos de tiempo. Cuando se registra y observa una serie de tiempo variable, muchas veces es difcil o imposible visualizar sus diferentes componentes. El propsito de descomponer una serie de tiempo es observar cada uno de sus elementos aislados. Al hacerlo, se puede tener una mejor idea de las causas de la variabilidad de la serie. Una segunda razn importante para aislar las
2

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

componentes de una serie de tiempo es facilitar el proceso para determinar los pronsticos. Si se entiende el movimiento de los elementos de una serie, el pronstico resulta ms sencillo. Para entender los elementos de una serie de tiempo, deben considerarse las relaciones matemticas entre las componentes. Existen tres modelos de descomposicin de una serie, que suelen usarse alternativamente en las aplicaciones, segn se comporte la serie analizada. Estos tres modelos son el aditivo, Yt = Tt + Ct + Et + It (1) el multiplicativo Yt = Tt x Ct x E tx It (2) y el mixto, que puede tomar, por ejemplo, la forma siguiente: Yt = Tt(1+Ct)(1+Et)+It Donde en cada caso: Yt Tt Ct Et It es el valor observado de la variable de inters es la componente llamada tendencia es un trmino llamado componente cclica es la llamada componente estacional es la llamada componente irregular (3)

. El modelo que ms se usa para la descomposicin de las series de tiempo es el modelo multiplicativo, en el que Yt es el producto de cuatro elementos que actan en combinacin para producir la serie. A fin de ilustrar la descomposicin de una serie, consideremos el siguiente ejemplo: Ejemplo 1.1.1: Los datos que se muestran a continuacin corresponden al nmero de nuevas unidades habitacionales comenzadas en el pas desde el tercer trimestre de 1984 al segundo trimestre de 1992.
Ao 1984 1985 1986 1987 1988 1989 1990 1991 1992 I 283 274 218 298 336 264 389 510 II 454 392 382 452 468 399 604 661 III 398 392 290 382 423 387 408 579 IV 352 345 210 340 372 309 396 513

Representar grficamente la serie qu puede comentar?

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

Unidades Habitacionales Nuevas

700

600

500

400

300

200

100

0 III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II

1984

1985

1986

1987

1988

1989

1990

1991

1992

Descomponiendo la serie en sus trminos componentes usando el modelo multiplicativo se tiene:

Ao 1984 1985 Trim III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II Unidades 398 352 283 454 392 345 274 392 290 210 218 382 382 340 298 452 423 372 336 468 387 309 264 399 408 396 389 604 579 513 510 661 Yhat 291.65 298.00 304.34 310.69 317.03 323.38 329.72 336.07 342.41 348.76 355.10 361.45 367.79 374.14 380.48 386.83 393.17 399.52 405.86 412.21 418.55 424.90 431.24 437.59 443.93 450.28 456.62 462.97 469.31 475.66 482.00 488.35 Indice Estacional 107.61 91.09 80.14 121.16 107.61 91.09 80.14 121.16 107.61 91.09 80.14 121.16 107.61 91.09 80.14 121.16 107.61 91.09 80.14 121.16 107.61 91.09 80.14 121.16 107.61 91.09 80.14 121.16 107.61 91.09 80.14 121.16 Tendencia estacional 313.84 271.45 243.9 376.43 341.16 294.57 264.24 407.18 368.47 317.69 284.58 437.93 395.78 340.8 304.92 468.68 423.09 363.92 325.26 499.43 450.4 387.04 345.6 530.18 477.71 410.16 365.94 560.93 505.02 433.28 386.27 591.68 %Irregulares Total movil 3 y Ciclicos trim. % Ciclico 126.82 129.67 372.52 124.17 116.03 366.31 122.1 120.61 351.54 117.18 114.9 352.63 117.54 117.12 335.71 111.9 103.69 317.08 105.69 96.27 278.66 92.89 78.7 241.07 80.36 66.1 221.4 73.8 76.6 229.93 76.64 87.23 260.35 86.78 96.52 283.52 94.51 99.77 294.02 98.01 97.73 293.94 97.98 96.44 294.15 98.05 99.98 298.64 99.55 102.22 305.5 101.83 103.3 299.23 99.74 93.71 282.93 94.31 85.92 259.47 86.49 79.84 242.15 80.72 76.39 231.49 77.16 75.26 237.06 79.02 85.41 257.22 85.74 96.55 288.26 96.09 106.3 310.53 103.51 107.68 328.63 109.54 114.65 340.73 113.58 118.4 365.08 121.69 132.03 362.15 120.72 111.72 % Irregular 104.43 95.03 102.93 97.75 104.66 98.11 103.64 97.93 89.57 99.95 100.52 102.13 101.8 99.74 98.36 100.43 100.38 103.57 99.36 99.34 98.91 99 95.24 99.62 100.48 102.7 98.3 100.94 97.3 109.37

1986

1987

1988

1989

1990

1991

1992

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

En el ejemplo 1.1.1 observamos que si en el IV trimestre de 1984, multiplicamos el valor 298 de la columna Yhat por el valor 91.09/100 de la columna Indice estacional, resultado que multiplicamos por 124.17/100 de la columna % cclico y por ltimo multiplicamos por 104.43/100 de la columna % Irregular observamos que el valor resultante es 352, que corresponde al valor observado de la serie para este periodo. Esto mismo lo puede repetir para las lneas siguientes. En este ejemplo se muestra claramente como la serie se descompone en sus cuatro trminos componentes. Se debe tener presente que una serie de tiempo debe tener al menos una de las cuatro componentes. Con el fin de describir cada una de las componentes de una serie, consideremos el siguiente ejemplo: Ejemplo 1.1.2: Los datos que se muestran a continuacin corresponden al registro anual de automviles nuevos (en millones de unidades) en los Estados Unidos entre 1960 y 1991.
Ao 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 Autos 6.577 5.855 6.939 7.557 8.065 9.314 9.009 8.357 9.404 9.447 Ao 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 Autos 8.388 9.831 10.409 11.351 8.701 8.168 9.752 10.826 10.946 10.357 Ao 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 Autos 8.761 8.444 7.754 8.924 10.118 10.889 11.14 10.183 10.398 9.853 Ao 1990 1991 Autos 9.103 8.234

Grficamente
12 11 10 9 8 7 6 5 1960 1962 1964 1966 1968 1970 1972 1974 1976 1978 1980 1982 1984 1986 1988 1990

Figura 1.1.1: Registro anual de automviles nuevos entre 1960 y 1961

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

Observe el grfico qu puede comentar? TENDENCIA La tendencia de una serie de tiempo, tambin llamada tendencia secular, es la componente que hace que el valor de la variable tienda a aumentar o disminuir en un periodo muy largo. En la figura 1.1.1, se observa una tendencia creciente. Las fuerzas bsicas responsables de la tendencia de una serie son poblacin, crecimiento, inflacin de precios, cambios tecnolgicos e incrementos de la productividad. COMPONENTE CCLICA La componente cclica es una fluctuacin con apariencia de ondas alrededor de la tendencia. Cualquier patrn no necesariamente regular de observaciones arriba o abajo de la recta de la tendencia es atribuible a la componente cclica de la serie de tiempo. La figura 1.1.1 ilustra un patrn tpico de fluctuacin cclica por encima y por debajo de la lnea de tendencia. Note que los movimientos cclicos no siguen ningn patrn regular, sino que se mueven de una forma un tanto impredecible. Casi siempre, las fluctuaciones cclicas estn influidas por las condiciones econmicas. LA COMPONENTE ESTACIONAL La componente estacional tambin llamada variacin temporal, se refiere al patrn de cambio que se repite de un ao a otro. Para una serie mensual, la componente estacional mide la variabilidad de las series cada enero, cada febrero, etctera. Para una serie trimestral, existen cuatro medidas estacionales, una para cada trimestre. La variacin estacional puede reflejar las condiciones del clima, los das festivos o las longitudes variables de los meses del calendario. COMPONENTE IRREGULAR La componente irregular es una medida de la variabilidad restante de la serie de tiempo despus de eliminar las otras componentes. Es la que describe la variabilidad aleatoria en una serie de tiempo causada por factores no previsibles y no recurrentes. La mayor parte de la componente irregular est formada por la variabilidad aleatoria. Sin embargo, algunos eventos no previstos como huelgas, cambios de clima (sequas, inundaciones o sismos), resultados de una eleccin, conflictos armados o nuevas legislaciones causan irregularidades en una variable.

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

1.2) ANLISIS DE TENDENCIA Las tendencias se manifiestan en muchas series mediante un crecimiento regular a largo plazo. Otras muestran un decrecimiento, en tanto que algunas parecen constantes o estacionarias, y otras presentan ondas u oscilaciones de periodo muy elevado. Las tendencias suelen representarse mediante funciones del tiempo continuas y diferenciables. Los modelos de regresin ms utilizados son: i) ii) iii) iv) v) Lineal. Polinmico. Exponencial Modelo autorregresivo Curva de Gompertz.

Disponiendo de observaciones muestrales, el procedimiento consiste en ajustar la funcin ms adecuada a los datos aplicando el anlisis de regresin. Hay dos tipos de problemas relacionados con el anlisis de tendencias: la prediccin a largo plazo y la eliminacin de tendencias. Porqu estudiar la tendencia? Existen tres razones por la cual resulta til estudiar la tendencia: i) ii) iii) El estudio de la tendencia nos permite describir un patrn histrico. El estudio de la tendencia nos permite proyectar patrones pasados, o tendencias, hacia el futuro. En muchas situaciones, el estudio de la tendencia de una serie de tiempo nos permite eliminar la componente de tendencia de la serie. Esto facilita el estudio de las otras tres componentes.

1.2.1 Ajuste de tendencia lineal Si la grfica de la serie sugiere una tendencia lineal, se plantea el ajuste de la funcin Yt = 0 + 1t + t ; t= 1, 2, ...,T (1.2.1) donde los t son variables aleatorias que satisfacen los supuestos dados en el modelo de regresin simple. Observe que si retardamos t en un periodo en (1.2.1) y restamos de la ezpresin original se tiene: Yt Yt 1 = 1 + u t (1.2.2) con u t = t t 1 . La expresin (1.2.2) muestra que en el modelo de tendencia lineal la variable crece, aproximadamente, segn una progresin aritmtica de razn 1 .

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

Observe adems que la serie Zt = Yt Yt-1 dada por (1.2.2) carece de tendencia, por lo que este procedimiento de generar la serie Zt es un procedimiento habitual para eliminar la tendencia. El procedimiento que se usa para encontrar la recta que mejor se ajusta a los datos observados de la serie de tiempo es el de mnimos cuadrados, el cual corresponde al mismo procedimiento usado para minimizar SCE en el anlisis de regresin. El periodo puede venir expresado en das, semanas, meses, trimestres o aos por lo que, lo ms practico para trabajar con el periodo en los modelos es codificarlo de manera correlativa desde 1 a T. Para el ejemplo 1.1.2, al ao 1960 le corresponde el valor 1, a 1961 el valor 2 y as sucesivamente. Luego, para este ejemplo, ajustando un modelo lineal simple usando excel se tiene:
Resumen Estadsticas de la regresin Coeficiente de correlacin mltiple 0.52237069 Coeficiente de determinacin R^2 0.27287113 R^2 ajustado 0.2486335 Error tpico 1.18495869 Observaciones 32 ANLISIS DE VARIANZA Grados de libertad Regresin Residuos Total Promedio de los Suma de cuadrados cuadrados 1 15.8078891 15.8078891 30 42.1238127 1.40412709 31 57.9317019 Valor crtico de F 0.00216301

F 11.2581612

Intercepcin Periodo

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% 7.90191129 0.42896223 18.4209957 6.6452E-18 7.02585446 0.0761228 0.02268721 3.35531835 0.00216301 0.02978939

Superior 95% 8.77796813 0.12245621

Observe que el coeficiente de determinacin es slo de un 27,3%, es decir, slo el 27.3% de la variabilidad de la variable registros de automviles nuevos es explicada por la variable tiempo. De los datos observamos que el modelo ajustado para la tendencia es:

= 7.901911 + 0.076123X Y
Del modelo, se espera que el registro anual de automviles nuevos se incremente cada ao en promedio 0.076123 millones de unidades o 76,123 automviles nuevos. Veamos ahora cul sera nuestra estimacin de registro de automviles nuevos para 1992 (tiempo=33) haciendo uso slo de la tendencia.
= 7.901911 + 0.076123(33) Y

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

= 10.4139 millones de autos

As, para el ao 1992 se esperan 10,413,900 automviles nuevos en los Estados Unidos.

1.2.2 Ajuste de tendencia polinmica La funcin polinomial de grado p,

f (t ) = 0 + 1t + 2 t 2 + ... + p t p (1.2.3) posee la atractiva propiedad de aproximar a cualquier funcin no lineal continua , de derivadas tambin continuas, con cualquier grado de exactitud dentro de un intervalo dado, para lo cual hay que tomar p lo suficientemente grande. De hecho, tomando p=T-1, es posible determinar exactamente 0 , 1 ,..., p de manera que el polinomio reproduzca los T valores observados de Yt. Si bien el polinomio as obtenido describira exactamente el pasado de la serie temporal Yt, como instrumento predictivo sera poco confiable, pues nada garantiza que la ecuacin haya recogido las pautas de comportamientos regulares de la serie. Si se toma p<T-1, los coeficientes del polinomio dejan de estar determinados, y su eleccin es ya un problema estadstico, que puede resolverse por el mtodo de los mnimos cuadrados. Si lo que pretende es utilizar el polinomio estimado para predecir, hay que tener en cuenta que las predicciones vendrn fuertemente influidas por los trminos en los que t figura elevado a la mayor potencia. Ajustemos una tendencia cuadrtica al ejemplo 1.1.2. De excel tenemos que:
Estadsticas de la regresin Coeficiente de correlacin mltiple 0.70035924 Coeficiente de determinacin R^2 0.49050307 R^2 ajustado 0.45536535 Error tpico 1.00885774 Observaciones 32 ANLISIS DE VARIANZA Grados de libertad Regresin Residuos Total Promedio de los Suma de cuadrados cuadrados 2 28.4156776 14.2078388 29 29.5160243 1.01779394 31 57.9317019 Valor crtico de F 5.6696E-05

F 13.9594453

Intercepcin t t2

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% Superior 95% 6.36026613 0.57030046 11.1524828 5.2542E-12 5.19387008 7.52666218 0.34817783 0.07967461 4.36999704 0.00014534 0.18522486 0.5111308 -0.00824409 0.00234236 -3.51956935 0.00144796 -0.01303475 -0.00345343

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

El modelo de tendencia cuadrtica es Yt = 6,3603 + 0,3482t 0,00824t2 con un R2 ajust= 0,455 1.2.2.1 Eliminacin de tendencias polinmicas. De la expresin (1.2.2) vimos que si a una serie de tiempo con tendencia lineal se le aplica la primera diferencia, desaparece la tendencia. Siguiendo este procedimiento con una serie de tiempo que presente tendencia polinmica de segundo grado, para eliminar la tendencia hay que realizar dos operaciones consecutivas de obtencin de diferencias. Sea Yt = 0 + 1t + 2 t 2 + t , entonces, Z t = Yt Yt 1 = 1 2 + 2 2 t + t t 1 la cual es una expresin lineal en t. Obteniendo las segundas diferencias se tiene que, Z t Z t 1 = 2 2 + t 2 t 1 + t 2 expresin que ya no tiene tendencia. En general, para eliminar la tendencia polinmica de grado p, se toman diferencias sucesivas de la serie hasta p veces. 1.2.3 Estimacin de tendencia exponencial. Suponiendo que la tendencia de la serie de tiempo es dada por la expresin t=1, 2,...,T (1.2.4) el problema estadstico consiste en estimar a y r, a partir del conjunto de observaciones Yt, t=1, 2, ...,T

Yt = ae rt e t

r>0

r<0

Si tomamos logaritmo natural en la expresin (1.2.4) se tiene, lnYt= lna + rt + t (1.2.5)

10

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

expresin lineal por lo que, para estimar r se puede usar el mtodo de mnimos cuadrados, suponiendo para t que satisface los supuestos del modelo de regresin. Para eliminar tendencias exponenciales basta con tomar diferencias usando la expresin (1.2.5). As lnYt lnYt-1 = r + ut Donde u t = t t 1

1.2.4 Modelo Autorregresivo En algunas ocasiones se usa la relacin Yt = 0 + 1Yt 1 + t ,

1 >0

(1.2.6)

denominado modelo autorregresivo y sirve para representar tendencias. Una aplicacin directa de este modelo es para representar tendencias que presentan dos componentes aditivas, una lineal y otra exponencial.

1 = 1,5

1 = 1

1 = 0,6

Ejemplo 1.2.4.1: Los ndices de consumo de energa elctrica, registrados en una determinada rea geogrfica en expansin fueron los siguientes : Ao Yt 1979 1980 1981 1982 1983 1984 1985 1986 1987 100 195 295 386 537 660 827 973 1318 1988 1425

Graficando la serie, tenemos

11

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

2000

1800

1600

1400

1200

1000

800

600

400

200

0 1978

1980

1982

1984

1986

1988

1990

Del grfico vemos que existe la posibilidad de ajustar un modelo autorregresivo. Si ajustamos una tendencia lineal, R2= 0,969. Ahora si ajustamos una tendencia exponencial, R2 = 0,956, en cambio un ajuste de un modelo autorregresivo entrega la siguiente salida excel.
Estadsticas de la regresin Coeficiente de correlacin mltiple 0.98671069 Coeficiente de determinacin R^2 0.97359799 R^2 ajustado 0.96982627 Error tpico 76.0379182 Observaciones 9

ANLISIS DE VARIANZA Grados de libertad Regresin Residuos Total Promedio de los Suma de cuadrados cuadrados 1 1492454.53 1492454.53 7 40472.355 5781.765 8 1532926.89 Valor crtico de F 8.7937E-07

F 258.131303

Intercepcin Variable Yt-1

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% Superior 95% 96.6226997 47.1351354 2.04990818 0.07954117 -14.8341047 208.079504 1.08606987 0.06759856 16.0664652 8.7937E-07 0.9262248 1.24591495

De la salida, el modelo autorregresivo es , Yt= 96,623 + 1,086Yt-1 con un R2= 0,974

el cual es mas satisfactorio como modelo para predecir la tendencia.

12

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

1.2.5. Curva de Gompertz. Tendencia Para describir fenmenos de crecimiento con un punto de inflexin se puede utilizar la curva Gompertz, que responde a la ecuacin: T(t) = T* b
e rt

(1.2.7)

en donde r, b y T* son parmetros positivos. La representacin grfica de esta curva es:

T*

La ordenada del punto de inflexin, F, es TF = e-1T* La mxima tasa de crecimiento tiene lugar en el punto de inflexin. 1.3) Estudio de la Componente Cclica El procedimiento utilizado para identificar la componente cclica es el mtodo de los residuos. Cuando observamos una serie temporal consistente en datos anuales, solamente se toman en cuenta las componentes de tendencia secular, cclica e irregular. La componente cclica se defini como la fluctuacin con forma de onda alrededor de la tendencia. En la figura 1.1.1, las cumbres y valles arriba y debajo de la recta de tendencia representan fluctuaciones cclicas en el nmero de registros anuales de automviles nuevos. Estas fluctuaciones pueden estar influidas por las condiciones cambiantes de la economa como: tasa de inters demanda de los consumidores, niveles de inventarios, condiciones del mercado, etc. Para determinar la componente cclica cuando la serie temporal est compuesta por datos anuales, empleamos la ecuacin conocida como mtodo de los residuos:

C=

Y (100) Y

(7)

13

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

la cual es una medida de la variacin cclica como un porcentaje de la tendencia, donde; C : componente cclica Y : Valor real de la variable de inters. : Pronstico del valor de Y para el periodo seleccionado. Y Otra medida de la variacin cclica es el residuo cclico relativo, cuya expresin de clculo est dada por YY )100 C rel = ( (8) Y Aplicando este mtodo a nuestros datos de registros de automviles nuevos en los Estados Unidos, obtenemos los siguientes resultados:.
Ao 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 Registro Tiempo Pronstico

Y
6,577 5,855 6,939 7,557 8,065 9,314 9,009 8,357 9,404 9,447 8,388 9,831 10,409 11,351 8,701 8,168 9,752 10,826 10,946 10,357 8,761 8,444 7,754 8,924 10,118 10,889 11,140 10,183 10,398 9,853 9,103 8,234

X
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32

Y
7,978 8,054 8,130 8,206 8,283 8,359 8,435 8,511 8,587 8,663 8,739 8,815 8,892 8,968 9,044 9,120 9,196 9,272 9,348 9,424 9,500 9,577 9,653 9,729 9,805 9,881 9,957 10,033 10,109 10,186 10,262 10,338

Indice Cclico 82,439 72,697 85,351 92,091 97,368 111,425 106,805 98,191 109,514 109,050 95,984 111,526 117,060 126,572 96,207 89,561 106,046 116,760 117,095 109,900 92,221 88,170 80,327 91,726 103,192 110,201 111,881 101,495 102,859 96,731 88,706 79,648

Residuo Cclico Relativo -17,561 -27,303 -14,649 -7,909 -2,632 11,425 6,805 -1,809 9,514 9,050 -4,016 11,526 17,060 26,572 -3,793 -10,439 6,046 16,760 17,095 9,900 -7,779 -11,830 -19,673 -8,274 3,192 10,201 11,881 1,495 2,859 -3,269 -11,294 -20,352

14

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

La interpretacin de los valores obtenidos para el ndice cclico y para el ndice cclico relativo es: Para el ao 1960, el ndice cclico nos indica que el valor observado fue un 82,439% de los registros de autos nuevos esperados para ese ao. Para ese mismo ao, el residuo cclico relativo indic que el registro de autos nuevos estaba un 17,561% por debajo de los registros de autos nuevos esperados. Una forma de ayudar a analizar la componente cclica, es realizar un grfico en el que representamos el ndice cclico como porcentaje de la tendencia. Observar como este proceso elimina la lnea de tendencia y asla la componente cclica de la serie de tiempo (ver figura 1.3.1).

130 120 110 100 90 80 70

1960 1962 1964 1966 1968 1970 1972 1974 1976 1978 1980 1982 1984 1986 1988 1990

60

Figura 1.31: Grfico Componente cclica para los registros de automviles nuevos. En este grfico se muestra a la tendencia como lnea base, representada por el 100%. La importancia de este tipo de grficos se debe a que permite la comparacin de la variable de inters con el patrn cclico de otras variables y/o indicadores de negocio. Del grfico vemos que la serie registr su valor ms bajo en 1961 (72,697%), despus hubo un crecimiento sostenido hasta alcanzar un valor de un 111,4% por sobre el valor esperado. Los buenos tiempos prevalecieron entre 1966 y 1979 con excepcin los aos 1967, 1970, 1974 y 1975. A partir de 1980 sigui una disminucin en el registro durante cuatro aos. 1.4) Estudio de la Componente Estacional La variacin temporal o estacional, se define como un movimiento repetitivo y predecible alrededor de la lnea de tendencia que se da en un ao, o en menos. Con el fin de detectar la componente estacional, los intervalos de tiempo necesitan

15

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

ser medidos en unidades ms pequeas, como das, semanas, meses o trimestres. La descomposicin de una serie de tiempo mensual o trimestral puede revelar las componentes estacional e irregular, adems de las componentes de tendencia y cclica. Al examinar cada una de estas cuatro componentes por separado se puede descubrir informacin interesante y til que permita al analista combinar estos elementos para producir un buen pronstico. Los pronsticos que usan series de tiempo mensuales o trimestrales se hacen por lo general para 1 a 12 meses, o para 1 a 4 trimestres futuros. El analista debe tener de 4 a 7 aos de datos mensuales o trimestrales para realizar clculos necesarios para un anlisis estacional. La primera componente que debe aislarse en una serie de tiempo mensual o trimestral es la componente estacional. Se requiere un ndice para cada 12 meses o cada 4 trimestres del ao; los programas de computacin de la serie de tiempo se usan para calcular estos ndices. A continuacin se da una descripcin del procedimiento que usan tales programas para datos mensuales. La idea bsica al calcular un ndice estacional mensual es comparar los valores reales de la variable (Y) con un promedio de 12 meses para esa variable. De esta manera se puede determinar si el valor de Y es mayor o menor que el promedio anual y por cunto. Si se analizan datos trimestrales, se calcula el promedio de cuatro trimestres para la comparacin. Al calcular el promedio anual para la comparacin mensual, se debe usar un promedio centrado en el mes que se est examinando. Desafortunadamente, cuando se promedian 12 meses, el centro del promedio no est en el centro del mes sino en el punto en el que termina un mes y comienza otro. sta es la razn por la que se usan los siguientes pasos para centrar un promedio de 12 meses para Y en el mes que se examina. (Estos cuatro pasos suponen que los datos comienzan en enero.) Paso 1 Se calcula el total mvil de 12 meses, de enero a diciembre para los datos del primer ao y se coloca opuesto a julio. Se calcula el siguiente total de 12 meses quitando enero del primer ao y agregando enero del segundo ao. ste es el total mvil de 12 meses de febrero del primer ao a enero del segundo ao; se coloca opuesto a agosto. Paso 2 Se calcula un total mvil de dos aos sumando los totales mviles opuestos a julio y a agosto. Los totales de dos aos incluyen datos de 24 meses (enero del primer ao una vez, de febrero a diciembre dos veces y enero del segundo ao una vez). Este total se centra en julio. Paso 3 Se divide el total mvil de dos aos entre 24 para obtener el promedio de 12 meses centrado corregido en julio. Paso 4 Se calcula el ndice estacional para cada mes con la divisin del valor real de cada mes entre el promedio centrado corregido de 12 meses y se multiplica por 1 00 para convertir la razn en un nmero ndice. A continuacin se indica cmo se realiza este clculo:

16

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

ndice estacional E= donde

TECI (100 ) TCI

(9)

E = ndice estacional TECI = valor real de Y TCI = promedio centrado de 12 meses

Ejemplo 1.4.1La tabla que se muestra a continuacin contiene los datos mensuales de 1985 a 1986 para los registros nuevos de automviles, y los resultados de los clculos de los ndices estacionales mensuales ilustrado anteriormente. Tabla 4.1: Procedimiento para el clculo del ndice estacional mensual Promedio Mvil Total Mvil Total Mvil Centrado de ndice Periodo Registro 12 meses De 2 aos 12 meses Estacional 1985 Enero 781 Febrero 790 Marzo 927 Abril 936 Mayo 912 Junio Julio Agosto Septiembre Octubre Noviembre Diciembre 1986 Enero Febrero 923 10899 949 (1) 926 11063 1105 10984 973 10954 828 10960 849 11049 22083 913 11034 822 11002 22036 918.17 89.53 920.13 99.23 22009 917.04 92.58 21914 913.08 90.68 21938 914.08 106.45 22047 918.63 120.29 11031 22094 920.58 100.59 (2) 21930 (3) 913.75 103.86 (4)

17

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre

848 11046 906 11021 918 10912 1012 10965 934 894 1149 948 719 902

22048 22067 21933 21877

918.67 919.46 913.88 911.54

92.31 98.54 100.45 111.02

El paso siguiente es determinar un ndice estacional para cada mes. Como este ejemplo contena pocos datos no determinaremos el ndice estacional. Para lograr una mayor comprensin de este mtodo, veamos el siguiente ejemplo. Ejemplo 1.4.2:Los datos que se muestran a continuacin, representan el nmero de husped registrados en cada trimestre durante los ltimos cinco aos:

Ao 1988 1989 1990 1991 1992

I 1.861 1.921 1.834 1.837 2.073

TRIMESTRE II III 2.203 2.415 2.343 2.514 2.154 2.098 2.025 2.304 2.414 2.339

IV 1.908 1.986 1.799 1.965 1.967

En la tabla que a continuacin se anexa, se muestra el desarrollo que conduce a la obtencin del ndice estacional para cada trimestre. Tabla 1.4.2.1: Procedimiento para el clculo del ndice estacional por trimestre
Ao Trimestre Nmero Husped Total Mvil 4 trimestres Total Mvil de 2 aos Promedio Mvil centrado 4 trimestres ndice Estacional

1988

I II III IV

1.861 2.203 8.387 2.415 8.447 1.908 17.034 2.129,250 89,6 16.834 2.104,250 114,8

18

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

8.587 1989 I II III IV 1990 I II III IV 1991 I II III IV 1992 I II III IV 1.921 8.686 2.343 8.764 2.514 8.677 1.986 8.488 1.834 8.072 2.154 7.885 2.098 7.888 1.799 7.759 1.837 7.965 2.025 8.131 2.304 8.367 1.965 8.756 2.073 8.791 2.414 8.793 2.339 1.967 17.584 2.198,000 109,8 17.547 2.193,375 94,5 17.123 2.140,375 91,8 16.498 2.062,250 111,7 16.096 2.012,000 100,6 15.724 1.965,500 93,5 15.647 1.955,875 92,0 15.773 1.971,625 106,4 15.957 1.994,625 108,0 16.560 2.070,000 88,6 17.165 2.145,625 92,6 17.441 2.180,125 115,3 17.450 2.181,250 107,4 17.273 2.159,125 89,0

Una vez obtenidos los ndices estacionales, estos se organizan por trimestres segn se indica ms abajo Tabla 1.4.2.2: Organizacin de los ndices estacionales obtenidos en tabla 1.4.2.1 TRIMESTRE Ao 1988 1989 1990 1991 1992 I 89,0 88,6 93,5 94,5 II 107,4 108,0 100,6 109,8 III 114,8 115,3 106,4 111,7 IV 89,6 92,6 92,0 91,8

Observar que la tabla 1.4.2.2 muestra cuatro ndices estacionales para cada trimestre. Para el trimestre I los valores son 89,0, 88,6, 93,5 y 94,5.

19

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

El paso siguiente a esta organizacin de los ndices estacionales es combinar estos valores en un solo ndice por trimestre, para ello calculamos un promedio por trimestre. Para que este promedio sea representativo del trimestre correspondiente, es conveniente eliminar los valores extremos, para ello existen varios procedimientos estadsticos que permiten la deteccin de estos valores, como por ejemplo el grfico de caja y bigote. Tambin esta la comparacin de la media con la mediana. Tambin se puede obtener el coeficiente de variacin. Veamos estos resultados para el ejemplo anterior. Tabla 1.4.2.3: Estadsticos descriptivos por trimestre
Trimestre Ao 1988 1989 1990 1991 1992 Promedio Mediana Desv. Estand Coef. Var. I 89.0 88.6 93.5 94.5 91.4 91.25 3.03 3.32 II 107.4 108.0 100.6 109.8 106.45 107.7 4.03 3.79 III 114.8 115.3 106.4 111.7 112.05 113.25 4.09 3.65 IV 89.6 92.6 92.0 91.8 91.5 91.9 1.31 1.43

De los resultados obtenidos observamos que la media no es fuertemente diferente de la mediana, por lo que ya el promedio es un buen representante del centro. Adems, el coeficiente de variacin es bastante pequeo (<4%), lo que indica que cada serie es bastante homognea. De esta forma podemos considerar al promedio como ndice estacional de cada trimestre. Los valores de los ndices estacionales obtenidos en la tabla 1.4.2.1, todava contienen las componentes cclica e irregular de la variacin de la serie de tiempo. Al eliminar los valores extremos de cada trimestre reducimos las variaciones cclica e irregular extremas. Cuando promediamos los valores restantes, suavizamos an ms estas componentes. Las variaciones cclicas e irregular tienden a ser eliminadas mediante este proceso, de modo que la media es un ndice de la componente estacional. Al sumar los cuatro nuevos ndices de la tabla 1.4.2.3 (91,4+106,45+112,05+91,5) dan por resultado 401,4, sin embargo, la base de un ndice siempre es 100. Por consiguiente, los cuatro ndices trimestrales deben dar un total de 400 y su media debe ser de 100. Para corregir este error, multiplicamos cada uno de los ndices trimestrales por una constante de ajuste. Este nmero se encuentra dividiendo la suma deseada de los ndices (400) entre la suma real (401,4), siendo en este caso la constante de ajuste igual a 0,99651. A continuacin mostramos el clculo del ndice temporal por trimestre, donde el ndice temporal = media modificada x constante de ajuste, as:
20

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

Tabla 1.4.2.4: Procedimiento para el clculo del ndice temporal modificado. Media Trimestre I II III IV 91,4 106,45 112.05 91,5 X X X X Constante de Ajuste 0,99651 0,99651 0,99651 0,99651 Total Indice Temporal 91.08 106.08 111.66 91,18 400,0

1.5 ) Usos del Indice Temporal. El mtodo razn de promedios mvil que acabamos de estudiar, nos permite identificar la variacin estacional de una serie de tiempo. Los ndices temporales se utilizan para eliminar de una serie de tiempo los efectos por estacionalidad, proceso que se denomina desestacionalizacin o destemporalizacin de una serie de tiempo o temporal. Es conveniente antes de que podamos identificar las componentes de tendencia o cclica de una serie de tiempo, eliminar la variacin estacional calculando para ello el ndice temporal. Para describir el procedimiento, procederemos a desestacionalizar cada valor observado de la serie tiempo: Tabla 1.5.1: Procedimiento de desestacionalizacin de datos.
Ao 1988 Nmero Trimestre Husped I 1,861 II 2,203 III 2,415 IV 1,908 I 1,921 II 2,343 III 2,514 IV 1,986 I 1,834 II 2,154 III 2,098 IV 1,799 I 1,837 II 2,025 III 2,304 IV 1,965 I 2,073 II 2,414 III 2,339 IV 1,967 Indice Temp. 100 0.9108 1.0608 1.1166 0.9118 0.9108 1.0608 1.1166 0.9118 0.9108 1.0608 1.1166 0.9118 0.9108 1.0608 1.1166 0.9118 0.9108 1.0608 1.1166 0.9118 Ocupacin Desestacionalizada 2043 2077 2163 2093 2109 2209 2251 2178 2014 2031 1879 1973 2017 1909 2063 2155 2276 2276 2095 2157

1989

1990

1991

1992

21

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

Ya que ha sido eliminado el efecto de las estaciones, los valores desestacionalizados que quedan, solamente reflejan las componentes de tendencia, cclica e irregular de la serie de tiempo. Una vez que hemos eliminado la variacin temporal, podemos determinar la tendencia desestacionalizada, que luego podemos proyectar hacia el futuro. A continuacin mostraremos los grficos correspondiente a la serie observada junto al promedio mvil (figura 1.5.1) y a la serie observada junto a los valores desestacionalizados (figura 1.5.2) Figura 1.5.1: Grfico promedio mvil para suavizar la serie de tiempo original

2,700 2,500 2,300 2,100 1,900 1,700 1,500

I II III IV I II III IV I II III IV I II III IV I II III IV

Serie1

Serie2

La lnea indicada como serie 1 en esta figura representa los valores observados, en cambio la lnea punteada indicada como serie 2, representa los valores obtenidos por el mtodo razn de promedios mvil para cada trimestre. La figura 1.5.1, muestra cmo el promedio mvil ha suavizado las cimas y valles de la serie de tiempo original.

22

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

Figura 1.5.2: Grfico comparacin de la serie desestacionalizada junto a la serie original.

2700 2500 2300 2100 1900 1700 1500

I II III IV I II III IV I II III IV I II III IV I II III IV

Serie1

Serie2

La lnea indicada como serie 1 en esta figura representa los valores observados, en cambio la lnea punteada indicada como serie 2, representa los valores de la serie ya desestacionalizados. Procedamos ahora a estimar la lnea de tendencia desestacionalizada, para ello aplicamos el mtodo de mnimos cuadrados. Recordar codificar la variable tiempo, en este caso se codific de 1 a 20 El modelo a ajustar es:

0 + 1X = Y
donde representa los valores ajustados de la serie desestacionalizada Y 1 son los parmetros estimados del modelo. 0 y X es el periodo

23

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

Estadsticas de la regresin Coeficiente de correlacin mltiple 0.08984655 Coeficiente de determinacin R^2 0.0080724 R^2 ajustado -0.04703469 Error tpico 114.693274 Observaciones 20 ANLISIS DE VARIANZA Grados de libertad Regresin Residuos Total Promedio de los Suma de cuadrados cuadrados 1 1926.95338 1926.95338 18 236781.847 13154.547 19 238708.8 Valor crtico de F 0.7063986

F 0.14648573

Intercepcin X

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% Superior 95% 2080.52632 53.2786334 39.0499189 7.4643E-19 1968.59197 2192.46066 1.70225564 4.44761439 0.38273454 0.7063986 -7.64184268 11.046354

De esta salida excel vemos que el modelo de la tendencia desestacionalizada es:

= 2080 .5263 + 1.7022 X Y

A partir de esta lnea de tendencia podemos hacer proyecciones hacia el futuro, por ejemplo, realicemos un pronstico para el cuarto trimestre de 1993, el cual corresponde a un tiempo de 24 de acuerdo a la variable codificada, as = 2080.5263 + 1.7022( 24) Y =2.121 personas Conocida esta prediccin debemos tomar en consideracin el efecto de las estaciones, para ello debemos multiplicar la ocupacin promedio desestacionalizada predicha 2.121 por el ndice temporal correspondiente al cuarto trimestre, expresado como fraccin de 100, para obtener de este modo una estimacin estacionalizada, as 2.121 x 0.9118=1.934 personas.

Veamos ahora un ejemplo completo que nos permitir estudiar todas las componentes. Ejemplo: Suponga que deseamos predecir las ventas de una compaa que se especializa en la produccin de equipos para recreacin. En la tabla 1.5.2 mostramos las ventas pasadas o histricas de esta compaa:

24

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

Tabla 1.5.2: Ventas trimestrales de equipos para recreacin entre 1988 y 1992. Ventas x Trimestre (x$1.000.000) II III IV 21 9 18 20 10 18 24 13 22 25 11 21 26 14 25

Ao 1988 1989 1990 1991 1992

I 16 15 17 17 18

Como los datos de la tabla 1.5.2 estn por trimestres, como primer paso debemos desestacionalizar la serie temporal. Primero calculamos los promedios mviles por el mtodo razn de promedio mvil, para luego obtener el ndice estacional., estos se muestran en la tabla siguiente: Tabla 1.5.3: Procedimiento para la determinacin del ndice estacional:
Ao 1988 Trimestre I II III IV 1989 I II III IV 1990 I II III IV 1991 I II Ventas 16 21 64 9 63 18 62 15 63 20 63 10 65 18 69 17 72 24 76 13 76 22 77 17 75 25 74 149 18.625 134.2 152 19.000 89.5 153 19.125 115.0 152 19.000 68.4 148 18.500 129.7 141 17.625 96.5 134 16.750 107.5 128 16.000 62.5 126 15.750 127.0 125 15.625 96.0 125 15.625 115.2 127 15.875 56.7 Total Mvil 4 trimestres Total Mvil de 8 trim. Promedio Mvil (1) ndice Estacional

25

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

III IV 1992 I II III IV

11 75 21 76 18 79 26 83 14 25

149 151 155 162

18.625 18.875 19.375 20.250

59.1 111.3 92.9 128.4

El paso siguiente consiste en organizar los ndices obtenidos en la ltima columna de la tabla 5.3 y calcular la media modificada, con la cual obtenemos el nuevo ndice temporal . Tabla 1.5.4 : Procedimiento para la obtencin de la media modificada.
Ao 1988 1989 1990 1991 1992 Promedio Mediana Desv. Estndar Coef. Var. I 96 96.5 89.5 92.9 93.725 94.45 3.236 3.452 II 127 129.7 134.2 128.4 129.825 129.05 3.118 2.402 III 56.7 62.5 68.4 59.1 61.675 60.8 5.076 8.230 IV 115.2 107.5 115 111.3 112.25 113.15 3.639 3.242

La suma de las medias modificadas es : 397,475, por lo que el factor de ajuste es 400 = 1,006352 397,475 Tabla 5.5: Procedimiento para el clculo del ndice temporal modificado. Media Modificada 93,725 129,825 61.675 112.25 Constante de Ajuste 1,006352 1,006352 1,006352 1,006352 Total Indice Temporal 94,32 130,65 62,07 112,96 400

Trimestre I II III IV

X X X X

26

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

Tabla 1.5.6: Procedimiento de desestacionalizacin de datos.

Ao 1988 Trimestre Ventas I 16 II 21 III 9 IV 18 I 15 II 20 III 10 IV 18 I 17 II 24 III 13 IV 22 I 17 II 25 III 11 IV 21 I 18 II 26 III 14 IV 25 Indice Temp. 100 0.9432 1.3065 0.6207 1.1296 0.9432 1.3065 0.6207 1.1296 0.9432 1.3065 0.6207 1.1296 0.9432 1.3065 0.6207 1.1296 0.9432 1.3065 0.6207 1.1296 Ventas Desestacionalizada 16.96 16.07 14.50 15.93 15.90 15.31 16.11 15.93 18.02 18.37 20.94 19.48 18.02 19.14 17.72 18.59 19.08 19.90 22.56 22.13

1989

1990

1991

1992

Con las ventas desestacionalizada estamos ahora en condiciones de obtener la lnea de tendencia desestacionalizada, para ello emplearemos excel
Estadsticas de la regresin Coeficiente de correlacin mltiple 0.83129099 Coeficiente de determinacin R^2 0.6910447 R^2 ajustado 0.67388052 Error tpico 1.28463688 Observaciones 20 ANLISIS DE VARIANZA Grados de libertad Regresin Residuos Total Promedio de los Suma de cuadrados cuadrados 1 66.4421654 66.4421654 18 29.7052546 1.65029192 19 96.14742 Valor crtico de F 5.6017E-06

F 40.260856

Intercepcin X

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% Superior 95% 14.7140526 0.59675424 24.6568044 2.5265E-15 13.4603175 15.9677877 0.31609023 0.04981608 6.34514429 5.6017E-06 0.21143044 0.42075001

27

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

De la salida excel vemos que nuestro modelo estimado es:

= 14,714 + 0,3161X Y
Supongamos ahora que deseamos realizar estimaciones de las ventas para todos los trimestres de 1993 cules seran los pasos a seguir? 1.- Debemos determinar los valores desestacionalizados de las ventas para los cuatro trimestres de 1993 mediante el uso de la ecuacin de tendencia = 14,714 + 0,3161X . Esto requiere obviamente de la codificacin de los Y cuatros trimestres de 1993. Como los trimestres histricos fueron codificados correlativamente de 1 a 20, entonces a los trimestres de 1993 le corresponden los cdigos 21, 22, 23 y 24 respectivamente. Sustituyendo estos valores en la ecuacin de la tendencia tenemos que: 21 = 14,714 + 0.3161( 21) = 21,35 Y 22 = 14,714 + 0.3161( 22) = 21,66 Y 23 = 14,714 + 0.3161( 23) = 21.98 Y 24 = 14,714 + 0.3161( 24) = 22,30 Y Cada uno de estos valores estimados de ventas para los cuatro trimestres del ao 1993 se encuentran sobre la lnea de tendencia. 2.- Ahora debemos estacionalizar esta estimacin multiplicndola por el ndice estacional correspondiente a cada trimestre, expresado como una fraccin de 100, as los nuevos valores son: 21,35 x 0,9432 =20.14 21,66 x 1,3065= 28.30 21.98 x 0,6207 = 13.64 22,30 x 1,1296 = 25.19 Sobre la base de este anlisis, la compaa estima que las ventas por trimestre para 1993 sern de $20.140.000, $28.300.000, $13.640.0000 y $25.190.000 respectivamente. A continuacin en la figura 7 podemos apreciar la serie original junto a su proyeccin para cada trimestre de 1993.

28

Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia

Figura 1.5.7: Serie original junto a la proyeccin de ventas para 1993.

30 25 20 15 10 5 0
I 1988 III I 1989 III I 1990 III I 1991 III I 1992 III I 1993 III

Ventas

Estimacin

Para finalizar con esta primera parte, se dejar el siguiente ejercicio para su anlisis. Ejercicio: Los datos que a continuacin se muestran corresponden a registros mensuales de automviles nuevos
1985 ene feb mar abr may jun jul ago sep oct nov dic 781 790 927 936 912 923 949 926 1105 973 828 849 1986 913 822 848 906 918 1012 934 894 1149 948 719 902 1987 800 671 829 895 830 963 899 903 955 819 718 901 1988 774 810 919 852 874 981 883 901 937 807 764 896 1989 733 722 833 843 885 950 830 880 956 800 666 694 1990 619 657 773 751 819 858 779 777 825 787 683 683 1991 599 590 669 675 744 792 755 675 737 692 610 628

29