SERIES DE TIEMPO

Por serie de tiempo nos referimos a datos estadsticos que se recopilan, observan
o registran en intervalos de tiempo regulares (diario, semanal, semestral, anual,
entre otros). El trmino serie de tiempo se aplica por ejemplo a datos registrados
en forma peridica que muestran, por ejemplo, las ventas anuales totales de
almacenes, el valor trimestral total de contratos de construccin otorgados, el valor
trimestral del PIB.

a. Componentes de la serie de tiempo

Supondremos que en una serie existen cuatro tipos bsicos de variacin, los
cuales sobrepuestos o actuando en concierto, contribuyen a los cambios
observados en un perodo de tiempo y dan a la serie su aspecto errtico. Estas
cuatro componentes son: Tendencia secular, variacin estacional, variacin cclica
y variacin irregular.
Supondremos, adems, que existe una relacin multiplicativa entre estas cuatro
componentes; es decir, cualquier valor de una serie es el producto de factores que
se pueden atribuir a las cuatro componentes.
1. Tendencia secular: La tendencia secular o tendencia a largo plazo de una
serie es por lo comn el resultado de factores a largo plazo. En trminos intuitivos,
la tendencia de una serie de tiempo caracteriza el patrn gradual y consistente de
las variaciones de la propia serie, que se consideran consecuencias de fuerzas
persistentes que afectan el crecimiento o la reduccin de la misma, tales como:
cambios en la poblacin, en las caractersticas demogrficas de la misma,
cambios en los ingresos, en la salud, en el nivel de educacin y tecnologa. Las
tendencias a largo plazo se ajustan a diversos esquemas. Algunas se mueven
continuamente haca arriba, otras declinan, y otras ms permanecen igual en un
cierto perodo o intervalo de tiempo.
2. Variacin estacional: El componente de la serie de tiempo que representa la
variabilidad en los datos debida a influencias de las estaciones, se llama
componente estacional. Esta variacin corresponde a los movimientos de la serie
que recurren ao tras ao en los mismos meses (o en los mismos trimestres) del
ao poco ms o menos con la misma intensidad. Por ejemplo: Un fabricante de
albercas inflables espera poca actividad de ventas durante los meses de otoo e
invierno y tiene ventas mximas en los de primavera y verano, mientras que los
fabricantes de equipo para la nieve y ropa de abrigo esperan un comportamiento
anual opuesto al del fabricante de albercas.
3. Variacin cclica: Con frecuencia las series de tiempo presentan secuencias
alternas de puntos abajo y arriba de la lnea de tendencia que duran ms de un
ao, esta variacin se mantiene despus de que se han eliminado las variaciones
o tendencias estacional e irregular. Un ejemplo de este tipo de variacin son los
ciclos comerciales cuyos perodos recurrentes dependen de la prosperidad,
recesin, depresin y recuperacin, las cuales no dependen de factores como el
clima o las costumbres sociales.
4. Variacin Irregular: Esta se debe a factores a corto plazo, imprevisibles y no
recurrentes que afectan a la serie de tiempo. Como este componente explica la
variabilidad aleatoria de la serie, es impredecible, es decir, no se puede esperar
predecir su impacto sobre la serie de tiempo. Existen dos tipos de variacin
irregular: a) Las variaciones que son provocadas por acontecimientos especiales,
fcilmente identificables, como las elecciones, inundaciones, huelgas, terremotos.

b. Tendencia de una serie

1. Tendencia lineal
Como se dijo antes, la tendencia de una serie viene dada por el movimiento
general a largo plazo de la serie. La tendencia a largo plazo de muchas series de
negocios (industriales y comerciales), como ventas, exportaciones y produccin,
con frecuencia se aproxima a una lnea recta. Esta lnea de tendencia muestra que
algo aumenta o disminuye a un ritmo constante. El mtodo que se utiliza para
obtener la lnea recta de mejor ajuste es el Mtodo de Mnimos Cuadrados.
2. Tendencia no lineal
Cuando la serie de tiempo presenta un comportamiento curvilneo se dice que este
comportamiento es no lineal. Dentro de las tendencias no lineales que pueden
presentarse en una serie se encuentran, la polinomial, logartmica, exponencial y
potencial, entre otras.

c. Mtodos de Suavizamiento de la Serie

1. Promedio mvil
Un promedio mvil se construye sustituyendo cada valor de una serie por la media
obtenida con esa observacin y algunos de los valores inmediatamente anteriores
y posteriores. Se mostrar este mtodo con los siguientes ejemplos:
Ejemplo 1. Aplicar el mtodo de promedios mviles para el pronstico de ventas
de gasolina a partir de la siguiente informacin:
Se considerar el promedio mvil a partir de las tres observaciones ms recientes.
En este caso se utilizar la siguiente ecuacin:

Promedio movil=
(n valores masrecientes de datos)
n
Resumen de clculos para promedios mviles de tres semanas

Los

promedios mviles tambin se pueden construir tomando en cuenta valores

adyacentes de las observaciones, por ejemplo: En el caso de determinar el
promedio mvil para tres observaciones adyacentes de la tabla anterior, se tiene:
2. Promedios mviles ponderados
Para mostrar el uso de ste mtodo, se utilizar la primera parte del ejemplo
anterior de la venta de gasolina. El mtodo consiste en asignar un factor de
ponderacin distinto para cada dato. Generalmente, a la observacin o dato ms
reciente a partir del que se quiere hacer el pronstico, se le asigna el mayor peso,
y este peso disminuye en los valores de datos ms antiguos. En este caso, para
pronosticar las ventas de la cuarta semana, el clculo se realizara de la siguiente
manera:
1 2 3
pronosticos para la cuarta semana= ( 17 )+ ( 21 )+ ( 19 )=19.33 galones
6 6 6

Puede observarse que el dato ms alejado (correspondiente a la primera semana)

tiene el factor de ponderacin ms pequeo, el siguiente tiene un factor de
ponderacin del doble que el primero y el dato ms reciente (que corresponde a la
tercera semana) tiene un factor de ponderacin del triple del primero. Los
pronsticos para las diversas semanas se presentan en la siguiente tabla. En
todos los casos, la suma de los factores de ponderacin debe ser igual a uno.
3.

Suavizamiento exponencial
El suavizamiento exponencial emplea un promedio ponderado de la serie de
tiempo pasada como pronstico; es un caso especial del mtodo de promedios
mviles ponderados en el cual slo se selecciona un peso o factor de
ponderacin: el de la observacin ms reciente.
En la prctica comenzamos haciendo que F1, el primer valor de la serie de valores
uniformados, sea igual a Y1, que es el primer valor real de la serie. El modelo
bsico de suavizamiento exponencial es el siguiente:

Fl +1=aY 1 +(1a) F1

Donde:
En base a lo anterior, el pronstico para el perodo dos se calcula de la siguiente
manera:

Como se observa, el pronstico para el perodo 2

con suavizamiento exponencial es igual al
valor real de la serie de tiempo en el perodo uno.
Para el perodo 3, se tiene que:

Para el perodo 4 se tiene:

Para mostrar el mtodo de suavizamiento exponencial, retomamos el ejemplo de

la
gasolina, utilizando como constante de suavizamiento a = 0.2:
Componentes de una serie de tiempos
1.- Tendencia secular o variacin secular
2.- Fluctuacin cclica o variacin cclica
3.- Variacin estacional
4.- Variacin irregular

5.1 MODELOS CLASICOS DE SERIES DE TIEMPO

5.1.1..MODELOS DE DESCOMPOSICIN
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:
1. Aditivo: X(t) = T(t) + E(t) + A(t)
2. Multiplicativo: X(t) = T(t) E(t) A(t)
3. Mixto: X(t) = T(t) E(t) + A(t)

Donde:
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 (1), 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 (2). Es claro que
el modelo 2 puede ser transformado en aditivo, tomando logaritmos. El problema
que se presenta, es modelar adecuadamente las componentes de la serie.
La figura 2.1 ilustra posibles patrones que podran seguir series representadas
por los modelos (1), (2) y (3).

5.1.2 ESTIMACIN DE LA TENDENCIA

Supondremos aqu que la componente estacional E(t) no est presente y que el
modelo aditivo es adecuado, esto es:

X(t) = T(t) + A(t), donde A(t) es ruido blanco.

Hay varios mtodos para estimar T(t). Los ms utilizados consisten en:

1) Ajustar una funcin del tiempo, como un polinomio, una exponencial u otra
funcin suave de t.
2) Suavizar (o filtrar) los valores de la serie.
3) Utilizar diferencias.

Ajuste de una funcin

Los siguientes grficos ilustran algunas de las formas de estas curvas.
Nota:
i. la curva de tendencia debe cubrir un periodo relativamente largo para
ser una buena representacin de la tendencia a largo plazo.
ii. La tendencia rectilnea y exponencial son aplicable a corto plazo, puesto
que una curva S a largo plazo puede parecer una recta en un perodo restringido
de tiempo (por ejemplo).

En la figura 2.2 ambas curvas (recta y Gompertz) ajustan bien pero las
proyecciones divergen enormemente a largo plazo.
Ejemplo 1: En la tabla 2.1 se presentan los datos trimestrales de unidades
habitacionales iniciadas en los Estados Unidos desde el tercer trimestre de 1964
hasta el segundo trimestre de 1972 [1]. (Es necesario advertir que para el anlisis
de tendencia el periodo que se considera debera ser ms largo. Sin embargo, ya
que el propsito principal es el de ilustrar el mtodo de descomposicin y las
tcnicas para inferir partiendo de los elementos as descompuestos, la
insuficiencia de los datos no tiene por qu interesar.)
Tabla 2.1: Nuevas unidades habitacionales comenzadas en los Estados Unidos del
tercer trimestre de 1964 al segundo trimestre de 1972 (en miles de unidades).

Sea t cada uno de los 32 trimestres que van de 1964 a 1972, o sea que t = 1 para
el tercer trimestre de 1964, t = 2 para el cuarto trimestre, y as sucesivamente. As
que el dominio de definicin de t es el conjunto de los enteros de 1 a 32 inclusive.
Sea T(t) las iniciaciones de viviendas trimestralmente. Los valores de t y T(t) se
dan en la tabla 2.2. Para calcular los valores de a y de b en la recta de tendencia
T(t) = a + bt
Se obtienen las siguientes cifras a partir de los datos de la tabla 2.1.
Tabla 2.2: Clculo de la tendencia de las viviendas comenzadas en los Estados
Unidos del tercer trimestre de 1964 al segundo trimestre de 1972

Entonces, la recta de tendencia es

 T(t) = 285,39 + 6,34 t
La figura 2.3 muestra grficamente la recta de tendencia ajustada a los datos
trimestrales de la tabla 2.2. La recta de trazos despus de 1972 representa
proyecciones (ver seccin 3 Predicciones).

Suavizamiento. Filtros lineales

Una forma de visualizar la tendencia, es mediante suavizamiento de la serie. La
idea central es definir a partir de la serie observada un nueva serie que suaviza los
efectos ajenos a la tendencia (estacionalidad, efectos aleatorios), de manera que
podamos determinar la direccin de la tendencia (ver figura 2.4).

Lo que hacemos es usar una expresin lineal que transforma la serie X(t) en una
serie suavizada Z(t): Z(t) = F(X(t)), t = 1,...,n

F
 X(t) Z(t)

de tal modo que F(X(t)) = T(t). La funcin F se denomina Filtro Lineal. El filtro
lineal ms usado es el promedio mvil.
Promedios mviles
El objetivo es eliminar de la serie las componentes estacionales y accidentales.
Para una serie mensual con estacionalidad anual (s = 12), la serie suavizada se
obtiene,
Para una serie trimestral, con

estacionalidad anual (s = 4), la serie suavizada est dada por

A este procedimiento se les llama: filtro simtrico finito.

Nota: se suaviza cuando existen muchos cambios bruscos, movimientos
irregulares.
Ejemplo 2: A partir de los datos del ejemplo1, se calcula un promedio mvil
sumando los valores para un cierto nmero de periodos sucesivos y dividiendo
luego la suma as obtenida por el nmero de perodos abarcados. En este caso
se trata de una serie trimestral y para ello se ocupa la frmula (2).
Tabla 2.3: Clculo del Promedio Mvil centrado de cuatro trimestres de las
iniciaciones de viviendas en los EEUU, tercer trimestre 1964 a segundo trimestre
de 1972 (en miles de unidades)
En la tabla 2.3, por ejemplo, el promedio mvil de cuatro trimestres para el primer
trimestre de 1965 se obtiene sumando los valores del tercer y cuarto trimestres de
1964 y el primero y segundo trimestres de 1965 y dividiendo luego la suma por 4.
El promedio para el segundo trimestre de 1965 se obtiene sumando los valores del
cuarto trimestre de 1964 con los del primero, segundo y tercer trimestres de 1965
y luego dividiendo la suma por 4. As pues, para cada promedio sucesivo, se resta
el trimestre que viene primero y se suma el ltimo siguiente.
La columna 4 de la tabla 2.3 muestra los promedios mviles de cuatro trimestres
obtenidos, partiendo de los datos iniciaciones de viviendas para el 1964 a 1972.
El promedio mvil no elimina las fluctuaciones muy acentuadas de la serie, pero
reduce sustancialmente la amplitud de las variaciones de los datos originales.
Si en el clculo de un promedio mvil entra un nmero impar de perodos, el
proceso ser ms sencillo puesto que el nmero de perodos antes y despus del
perodo para el cual se calcula el promedio son iguales. Si el nmero de periodos
es par, como en este ejemplo, no se puede utilizar el mismo nmero de perodos
antes y despus de un periodo especificado. Por tanto, el promedio mvil ha de
quedar a mitad de camino entre los valores de dos perodos consecutivos y no se
relaciona con ningn perodo. Este problema se puede resolver calculando un
promedio mvil centrado en la serie, lo cual se logra obteniendo primero un
promedio mvil centrado de dos trimestres de los promedios mviles ya obtenidos.
El primer promedio mvil centrado es la media de los dos primeros promedios
mviles de cuatro trimestres, el segundo promedio mvil centrado es la media de
los promedios mviles de cuatro trimestres segundo y tercero, etc. De esta
manera, habr un nmero igual de perodos despus y antes del periodo
especificado para el cual se est calculando el promedio mvil centrado. Los
promedios mviles centrados se ven en la columna 5 de la tabla 2.3.

Segn la frmula 2, el clculo sera el siguiente:

Este valor corresponde al Promedio Mvil Centrado que se muestra en la columna

5.
La figura 2.5 muestra grficamente el ajuste por a travs del promedio mvil,
segn tabla 2.3, donde el segmento negro representa la serie original y el
segmento azul la serie suavizada.
5.1.3 Estimacin de la estacionalidad
La estimacin de la estacionalidad no slo se realiza con el fin de incorporarla al
modelo para obtener predicciones, sino tambin con el fin de eliminarla de la serie
para visualizar otras componentes como tendencia y componente irregular que se
pueden confundir en las fluctuaciones estacionales.
De acuerdo con los modelos de descomposicin (seccin 2.1), se asume el
siguiente modelo para T(t),

Una vez removida la tendencia se obtiene los siguientes grficos, donde en la

figura 2.6 (a) aparece el modelo aditivo y en la (b) el modelo mixto.

Pues si no hay tendencia, se espera

Como para serie mensual, entonces basta estimar E(1), E(2), E(3), ... , E(12).
Para una serie trimestral, bastara conocer: E(1), E(2), E(3) y E(4).
Suponga que se ha estimado la tendencia por alguno de los mtodos vistos en la
seccin previa. Sea la estimacin de la tendencia ya sea mediante una curva o
filtros lineales. Entonces,
Si el modelo es aditivo representa la serie con los efectos de tendencia
removidos.
Anlogamente, si el modelo es mixto representa la serie, una vez removidos los
efectos de tendencia.
Estas series generadas a partir de la original por eliminacin de la tendencia se
denominan series de residuos y debern contener predominantemente
fluctuaciones estacionales. Para estimar la estacionalidad se requiere haber
decidido el modelo a utilizar (mixto o aditivo), lamentablemente esto no es siempre
claro, ya sea porque no contamos con informacin a priori para suponerlo o
porque el grfico no ha dejado evidencia suficientemente clara como para
decidirnos por alguno de ellos. En tal situacin se propone calcular ambas series
residuales y elegir aquella cuyos valores correspondientes a una estacin dada
oscilen menos en torno a su promedio.
Para fijar ideas, supongamos una serie con datos trimestrales y que la informacin
de las series residuales pueden ser resumidas como en las tablas 2.4 y 2.5.

Tabla 2.4. Residuos modelo Mixto

Tabla 2.5. Residuos modelo Aditivo

Una forma de seleccionar el modelo, es por inspeccin de los coeficientes de

variacin (C.V.). Suponemos, que en aquellas filas donde la variacin sea menor
en torno a la media tendr menor coeficiente de variacin en trminos absolutos.
Luego, comparando dichos coeficientes parece razonable seleccionar el modelo
cuyos coeficientes sean menores en trminos absolutos. Esto puede
complementarse con grficos para cada fila en ambos modelos.
Finalmente, una vez que se ha elegido el modelo a utilizar, se procede a estimar
la estacionalidad.
Si el modelo es Mixto, entonces,

y si el modelo es Aditivo, entonces,

Probablemente, la primera idea para estimar la estacionalidad consistira de los

promedios por estacin en las series residuales. La correccin que aparece arriba
para cada caso, apunta a garantizar que,
como es de esperarse en el modelo terico.

5.2 Anlisis de fluctuaciones

Las fluctuaciones son movimientos oscilatorios alrededor de una tendencia,
caracterizados por diferentes fases sucesivas recurrentes, de expansin y
contraccin, de mayor o menor amplitud, que no se encuentran ceidas a lapsos
fijos y que son susceptibles de medicin.
Las fluctuaciones han sido registradas y estudiadas por ciencias tan diferentes
como la astronoma,1 la geologa,2 lameteorologa,3 la biologa,4 5 6 o
la economa.7 Ya en 1922 cientficos de diferentes disciplinas realizaron
una Conferencia sobre el Ciclo en la Carnegie Institution for Science, en la cual se
presentaron investigaciones sobre fluctuaciones cclicas tan diversas como
las manchas solares, las glaciaciones o el ciclo econmico.
Dado que las series cronolgicas o temporales se componen de movimientos seculares a
largo plazo o tendencias, fluctuaciones cclicas, fluctuaciones estacionales y fluctuaciones
accidentales, irregulares o casuales,9 la existencia de determinadas fluctuaciones cclicas
se establece mediante diferentes mtodos de anlisis de las series
temporales,10 mediante los cuales es posible aislarlas de las fluctuaciones estacionales y
de las tendencias. Una vez eliminada la estacionalidad y hecho el ajuste de tendencia se
obtienen los ciclos, no es necesario eliminar los movimientos casuales.9 Los mtodos
bsicos utilizados son los mnimos cuadrados y los promedios mviles, pero actualmente
existen diferentes procedimientos y tcnicasestadsticos para efectuar anlisis
especficos, tales como los correlogramas,11 12 el Filtro de Hodrick-Prescott o el programa
de computador BV4.1.

Aunque los estudios a largo plazo pueden encontrar la duracin promedio de

determinada fluctuacin cclica, es imposible predecir su duracin exacta, la cual
no puede deducirse del promedio, ni de la duracin del ciclo anterior ni de la de
algn grupo de ciclos precedentes. En cambio s es posible determinar el carcter
necesario de determinadas fluctuaciones cclicas, cuyo desenvolvimiento concreto
resulta de una compleja interrelacin de mltiples variables, de manera que se une
la determinacin con laprobabilidad.
5.3 Anlisis de tendencia
La tendencia secular o tendencia a largo plazo de una serie es por lo comn el
resultado de factores a largo plazo.
En trminos intuitivos, la tendencia de una serie de tiempo caracteriza el patrn
gradual y consistente de las variaciones de la propia serie, que se consideran
consecuencias de fuerzas persistentes que afectan el crecimiento o la reduccin
de la misma, tales como: cambios en la poblacin, en las caractersticas
demogrficas de la misma, cambios en los ingresos, en la salud, en el nivel de
educacin y tecnologa.

Un ejemplo de cmo se observan las tendencias se encuentra observando este

Grfico donde se observa una tendencia en cuanto al crecimiento de usuarios de
internet en Mxico que va de 2005 a 2010; ello nos da un patrn del
comportamiento de esta serie de tiempo; ahora slo faltara analizar
detalladamente con el mtodo de mnimos cuadrados.
Para el caso de tendencias a largo plazo, su comportamiento se ajusta a una lnea
recta, llamada por esta razn lnea de tendencia, es decir, se aproxima a una
ecuacin de recta, que recibe el nombre de ecuacin de tendencia y que es de la
forma:
y = a + bt
Cuyos coeficientes se calculan con ayuda del mtodo de mnimos cuadrados visto
anteriormente con las siguientes frmulas:

5.4 Anlisis de variaciones cclicas

Con frecuencia las series de tiempo presentan secuencias alternas de puntos
abajo y arriba de la lnea de tendencia que duran ms de un ao, esta variacin se
mantiene despus de que se han eliminado las variaciones o tendencias
estacional e irregular.
Un ejemplo de este tipo de variacin son los ciclos comerciales cuyos perodos
recurrentes dependen de la prosperidad, recesin, depresin y recuperacin, las
cuales no dependen de factores como el clima o las costumbres sociales.
Como se dijo antes, estos dos
componentes, el de tendencia y el
cclico, solamente se aplica para datos
anuales. Concretamente, el
componente cclico puede identificarse
como el, que persistira en los
datos luego de eliminada la influencia del componente de tendencia. Esta
eliminacin se realiza dividiendo cada uno de los valores observados entre su
valor de tendencia correspondiente, mediante la siguiente frmula:
El resultado de este cociente se multiplica por 100 a fin de que el promedio de
estas variaciones cclicas relativas sea de 100%. De esta forma, un valor cclico
relativo de 100 indicara la ausencia de toda influencia cclica en el valor de la
serie de tiempo anual.
Se puede elaborar una grfica de ciclos, en la que se describen los ciclos relativos
para cada ao, esta permite facilitar la interpretacin de los relativos cclicos ya
que hacen ms evidentes las cumbres y valles que se presentan.

5.5 Medicin de variaciones estacionales e irregulares

Como especialista en Administracin tendrs que tomar en cuenta dicho indicador,
pues como tu ya habrs vivido en tu vida cotidiana existen productos y servicios
que tienen mayor o menor demanda depende de la temporada del ao donde nos
encontremos.
Variacin estacional: El componente de la serie de tiempo que representa la
variabilidad en los datos debida a influencias de las estaciones, se llama
componente estacional.
Esta variacin corresponde a los movimientos de la serie que recurren ao tras
ao en los mismos meses (o en los mismos trimestres) del ao poco ms o menos
con la misma intensidad.
De este modo, las ventas de automviles, ropa, consumo de juguetes, entre otros,
pueden ser ejemplos de ello. Es evidente entonces, que estos comportamientos
solamente pueden ser apreciados cuando se trata de datos mensuales o
trimestrales, ya que en datos anuales o semestrales queda ocultos.

Si observas esta grfica sobre la Produccin de Autos en Mxico de forma

semestre y su relacin con las ventas se puede observar que en los meses de
Julio de los primeros 5 se observa como el punto ms bajo en cuanto a produccin
que va aumentado hasta tener su mximo en los periodos
Decembrinos.
Este anlisis es muy importante ya que permite, por ejemplo, programar los
suministros de materias primas para cubrir la demanda estacional variable.
Por ejemplo, una empresa refresquera debe estimar sus niveles de inventario para
las diferentes pocas del ao, tales como envases o ingredientes de su frmula,
esto le permitir calcular sus necesidades de espacio, y otras decisiones
importantes, entre las cuales tambin estara la contratacin de personal eventual.
Bueno, puesto que entonces cada mes es diferente uno del otro, este anlisis trata
de identificar un nmero ndice estacional asociada a cada mes (o trimestre del
ao) o, en otras palabras, un conjunto de ndices mensuales que consiste en 12
ndices que son representativos de los datos para un perodo de 12 meses o,
cuatro ndices si se trata de trimestres.
Cada uno de estos ndices es un porcentaje, con un promedio anual del 100%, es
decir, el ndice mensual indica el nivel de ventas o de produccin, segn se trate,
en relacin con el promedio anual del 100%. De esta forma:
Un ndice estacional del 94% para el mes de marzo, indica que las ventas en ese
mes estn, por lo general, 6% abajo del promedio anual
Un ndice mensual del 108.2% para el mes de diciembre, indica que las ventas
de ese mes se espera que estn 8.2% arriba del promedio anual.
El mtodo usado para determinar estos ndices se llama mtodo de razn a
promedio mvil y elimina las componentes de tendencia, cclica e irregular y est
descrito en el ejemplo siguiente.
Los ndices obtenidos por este mtodo se utilizan para ajustar los datos originales
con lo que se obtienen los valores desestacionalizados o datos ajustados
estacionalmente a partir de las cuales se procede a obtener pronsticos para los
trimestres futuros
Variacin Irregular:
Esta se debe a factores a corto plazo, imprevisibles y no recurrentes que afectan
a la serie de tiempo.
Como este componente explica la variabilidad aleatoria de la serie, es
impredecible, es decir, no se puede esperar predecir su impacto sobre la serie de
tiempo.
Existen dos tipos de variacin irregular:
a) Las variaciones que son provocadas por acontecimientos especiales, fcilmente
identificables, como las elecciones, inundaciones, huelgas, terremotos.
b) Variaciones aleatorias o por casualidad, cuyas causas no se pueden sealar en
forma exacta, pero que tienden a equilibrarse a la larga.

Un ejemplo que ilustra este tipo de comportamientos errticos es cuando se dio el

fenmeno de la influenza H1N1 en el 2009 lo cual gener una expectativa muy
fuerte en las autoridades y civiles de nuestro pas. Si observas la grfica te dars
cuenta que el nmero de decesos presenta un patrn irregular producto de la
aparicin de una nueva cepa del virus lo que intensifico entre el 19 de abril y el 1
de Mayo y a partir de ah se mostraron nmeros que de acuerdo a las instituciones
de salud eran los normales; por lo que no se ha vuelto a presentar un fenmeno
de esta forma en nuestro pas. Esta variacin irregular se debe a fenmenos que
no se tienen contemplados; as mismo por ejemplo en estas mismas fechas la
demanda de gel antibacterial, cubrebocas, sueros, inyecciones para la gripa,
amentaron como nunca llegando inclusive al desabasto de dichos productos.

5.6 Aplicacin de ajustes estacionales

5.7 Pronsticos basados en factores de

5.8 tendencia y estacionales