UNIVERSIDAD AUTONOMA DEL ESTADO DE MÉXICO

FACULTAD DE PLANEACIÓN URBANA Y REGIONAL

ESTADÍSTICA II

Modelos de Series de Tiempo

POR:
LUIS CONRADO TOLEDO VEGA

FECHA DE ELABORACIÓN:
1ra quincena de Marzo de 2015
 Guión explicativo
El presente material didáctico constituye un apoyo para la presentación de
los elementos teóricos y prácticos del método de los modelos de series de
tiempo en la unidad de Estadística II, perteneciente a la Licenciatura en
Ciencias Ambientales.

El material proyectable se desarrollo en este año, en el periodo 2015 A,

contribuye a la capacidad de comprensión de la metodología que permite
comprender el comportamiento de las tendencias de variables ambientales
a lo largo del tiempo y poder hacer pronósticos en el futuro de la misma
serie de tiempo. Para su posterior análisis y explotación en casos prácticos
y aplicaciones reales, como parte fundamental en la solución de múltiples
problemas que resultan del análisis de datos en las Ciencias Ambientales.

Para el desarrollo del tema se consultaron diversas fuentes, resultando que

donde mejor se explican los conceptos teóricos es en los libros de
Estadística inferencial incluidos en la bibliografía del programa de la Unidad
de Aprendizaje.
Series de tiempo
Con ejemplos de métodos de
suavización
Ubicación dentro del plan de
estudios
 Series de tiempo
Una serie temporal, cronológica, histórica o
de tiempo es una serie estadística en la que
cada uno de los valores de la variable está
referido a un instante o aun periodo de
tiempo.
Tiempo Variable
Ene 72
Feb 80
Mar 22
Abr 9
May 163
Jun 65
Jul 187
Ago 319
Sep 236
 Series de tiempo
Es un conjunto de valores Variable
Independiente
Variable
dependiente
observados durante una
Variable
serie de periodos Año
ambiental
temporales, 5 319
secuencialmente
10 325
ordenada.
15 330
20 338
Son variables estadísticas
bidimensionales en donde 25 345

el tiempo es la variable 30 354

independiente, y la otra es 35 359

la variable dependiente. 40 370
 Series de tiempo
Los valores de una serie cronológica
referidos a instantes son:

cantidades, stocks o niveles.

Los valores de una serie cronológicas

referidos a periodos de tiempo son:

flujos o corrientes.
 Análisis de una serie cronológica
Es el procedimiento por el cual se identifican
y aíslan los factores relacionados con el
tiempo que influyen en los valores
observados en las series de tiempo.

Una vez identificados estos factores pueden

contribuir a la interpretación de valores
históricos de series de tiempo y a
pronosticar valores futuros de series de
tiempo.
 Análisis de una serie cronológica
Se construyen modelos de series de tiempo
para:

•Obtención del mecanismo o leyes que

generan.

•Estudio de su evolución futura o predicción.

Se realiza: Analizando los componentes o

factores que determinan los resultados de la
información.
 Análisis de una serie cronológica
PERIODOS DE UNA SERIE

Generalmente los periodos son constantes

en el tiempo.

(mensual, trimestral, anual).

Diferencia entre cada dos niveles en el caso

de un nivel.

Periodo de referencia en el caso de un flujo.

 Análisis de una serie cronológica
DESCRIPCIÓN NUMÉRICA DE UNA SERIE
CRONOLÓGICA

Mediante una tabla de dos columnas. Una de

ellas para el tiempo t y la otra para los
valores de la otra variable y(t).

t Y(t)

5 319
10 325
15 330
20 338
REPRESENTACIÓN GRAFICA

Una serie de tiempo se representa

gráficamente mediante ejes coordenados
cartesianos, en donde en el eje X (eje
horizontal) se sitúa el valor del tiempo y en el
eje Y (eje vertical) la otra variable o los
valores de la serie de tiempo.
Y

t
REPRESENTACIÓN GRAFICA

Mediante una tabla de doble entrada una

para los años y otra para las partes K del año
situando en el punto de intersección el valor
correspondiente muy adecuada para estudiar
estacionalidades.
t Y(t)

5 319
10 325
15 330
20 338
 REPRESENTACIÓN GRAFICA
28.75
ventas

Se determinan las 23
variaciones en el 23
22 22
21
periodo total de tiempo 20 20
17.25 19
18 18
del que se tienen 17
16
15
observaciones y/o se 11.5
predice el posible
comportamiento en el 5.75
futuro.
0
1 2 3 4 5 6 7 8 9 10 11 12
REPRESENTACIÓN GRAFICA

Las variaciones de la serie son debidas a

muchos factores y causas superpuestas
entre las que están las llamadas
componentes o factores de una serie
temporal o cronológica.
Y

t
 Componentes o factores de una
serie temporal o cronológica.
El método clásico para el análisis de series de tiempo
identifica cuatro componentes:

TENDENCIA (T).- El movimiento general a largo plazo

de los valores de la serie de tiempo (Y) sobre un
extenso periodo de años.
Y

t
 Componentes o factores de una
serie temporal o cronológica.
FLUCTUACIONES CÍCLICAS (C).- Movimientos
ascendentes y descendentes respecto de las
tendencias recurrentes, con una duración de varios
años.
Un ejemplo de este tipo de
variación son los ciclos
comerciales cuyos períodos
recurrentes dependen de la
prosperidad, recesión, depresión
y recuperación, las cuales no
dependen de factores como el
clima o las costumbres sociales.
 Componentes o factores de una
serie temporal o cronológica.
VARIACIONES ESTACIONALES (E).- Movimientos
ascendentes y descendentes respecto de la
tendencia que se consuman en el término de un año
y se repiten anualmente, estas variaciones suelen
identificarse con base en datos mensuales o
trimestrales.
 Componentes o factores de una
serie temporal o cronológica.
VARIACIONES IRREGULARES (I).- Las variaciones
erráticas respecto de la tendencia que no puedan
atribuirse a las influencias cíclicas o estaciónales.

Esta se debe a factores a

corto plazo, imprevisibles y
no recurrentes que afectan
a la serie de tiempo
t
 PRONÓSTICOS BASADOS EN PROMEDIOS MÓVILES

El promedio móvil sirve para pronosticar valores de

datos del siguiente periodo de la serie de tiempo, pero
no los datos de periodos mas distantes a futuro.

Sirve más bien para pronosticar cuando en los datos no

está presenta la influencia de una tendencia, cíclica o
estacional, situación improbable.

Este procedimiento sirve para promediar el

componente irregular de los datos mas recientes de
una serie de tiempo.
 PRONÓSTICOS BASADOS EN PROMEDIOS MÓVILES

Es el promedio de los n valores de datos más

recientes de una serie de tiempo. Este
procedimiento se expresa como:

PM   n valores mas recientes

n
A medida de que se dispone del nuevo valor de un
dato de una serie de tiempo, la nueva observación
reemplaza a la antigua en la serie de n valores
como base para determinar el nuevo promedio, lo
que explica que se llame promedio móvil.
Ejemplo: Los siguientes datos muestran el número de galones de
gasolina vendidos por un distribuidor en las últimas 12 semanas.
Datos de la serie de tiempo de las ventas de gasolina
Ventas (Miles de
Semana
galones)
1 17
2 21
3 19
4 23
5 18
6 16
7 20
8 18
9 22
10 20
11 15
12 22
 Datos de la serie de tiempo de las ventas de gasolina

Ventas (Miles de
28.75
Semana
galones)
1 17

2 21 23
3 19
23 22 22
4 23
21 20 20
5 18 17.25 19 18 18
6 16
17 16
7 20
15
8 18 11.5
9 22

10 20

11 15 5.75
12 22

ventas
0
1 2 3 4 5 6 7 8 9 10 11 12

Hacer pronósticos por los métodos de promedios móviles y de

suavización para la semana 13
Para utilizar promedios móviles ponderados, utilizaremos un
promedio móvil de 3 semanas, para n = 3

Ventas (Miles de Pronóstico, Error de pronóstico al

Semana
galones) promedio movil cuadrado
1 17

2 21

3 19

4 23 19 23

5 18 21 16

6 16 20 9

7 20 19 16

8 18 18 1

9 22 18 0

10 20 20 16

11 15 20 25

12 22 19 9

13 ? 19
 Datos de la serie de tiempo de las ventas de gasolina con
pronósticos

28.75

ventas
23
23 2222
pronostico
21 21 20 20 20 20
17.25 19 19 18 19 18 18 19 19
17 16 15
11.5

5.75

0
1 2 3 4 5 6 7 8 9 10 11 12 13
 ERROR DE PRONÓSTICO
Es una consideración de importancia al
seleccionar el método de pronóstico. Debemos
seleccionar aquel método que produzca que el
promedio de la suma de los errores al cuadrado
sea mínimo.
Promedio de la suma de los errores al cuadrado
= 92 / 9 = 10.22

MSE = 10.22
 Datos de la serie de tiempo de las ventas de gasolina

Con pronósticos para n = 4

28.75

23
23
pronostico 22 22
21 21 20 20 20 20 20
17.25 19 19
18 18 18 18
18
ventas 17
16
15
11.5

5.75

0
1 2 3 4 5 6 7 8 9 10 11 12 13
 Promedios móviles ponderados

El uso de éste método, se utilizará la primera parte del

ejemplo anterior de la venta de gasolina.

El método consiste en asignar un factor de ponderación

distinto para cada dato.

Generalmente, a la observación o dato más reciente a

partir del que se quiere hacer el pronóstico, se le asigna el
mayor peso, y este peso disminuye en los valores de
datos más antiguos. En este caso, para pronosticar las
ventas de la cuarta semana, el cálculo se realizaría de la
siguiente manera:
 Promedios móviles ponderados
Para los datos del ejemplo anterior tenemos:
 SUAVIZACIÓN EXPONENCIAL
Es un método de pronóstico basado en el uso de promedios
móviles ponderados, no son promedios en los que se
ponderan por igual los valores de datos precedentes, la base
de ponderación es exponencial, por lo que se concede la
mayor ponderación al valor correspondiente al periodo
inmediatamente anterior al periodo de pronóstico y las
ponderaciones decrecen exponencialmente para los valores
de datos de periodos anteriores.

El siguiente modelo sirve para representar la determinación

de ponderaciones exponencialmente decrecientes.

Sea α una constante de suavización.

Para hacer pronósticos, inicialmente se requiere de un valor

“semilla”
 SUAVIZACIÓN EXPONENCIAL
El modelo matemático de suavización exponencial es:

  
Y t 1  Y t   (Yt  Y t )
Donde:

Y t 1  Pronóstico para el siguiente periodo

Y t = Pronóstico para el periodo más reciente
= Constante de suavización (0 ≤ α ≤ 1)

Yt = Valor real para el periodo más reciente

 SUAVIZACIÓN EXPONENCIAL

La suavización exponencial solo puede usarse

para pronosticar el valor para el periodo siguiente
en la serie de tiempo, no para varios periodos
futuros.

Cuanto más cerca de 1.0 se fije el valor de la

constante de suavización, tanto más dependerá el
pronóstico de los resultados más recientes.
 SUAVIZACIÓN EXPONENCIAL

Si la serie de tiempo contiene una variabilidad

aleatoria sustancial, se preferirá un valor pequeño
como constante de suavización, mientras que para
una variabilidad pequeña, valores mas elevados
de  tienen la ventaja de ajustar con rapidez.

Escogeremos el valor de  que minimice al MSE.

Ejemplo: considere los datos del ejemplo anterior

para hacer pronósticos hasta la semana 13.
Utilizar una constante de suavización de  = 0.2
SUAVIZACIÓN EXPONENCIAL
 OTROS MÉTODOS DE PRONÓSTICO DE SERIES DE TIEMPO

Métodos de suavización más complejos incorporan más

influencias y permiten obtener pronósticos para varios
periodos futuros.

SUAVIZACIÓN EXPONENCIAL LINEAL

Usa una ecuación de tendencia lineal basada en los datos
de la serie de tiempo. Sin embargo a diferencia de la
ecuación de tendencia simple, los valores de la serie se
ponderan exponencialmente con base a una constante de
suavización que puede variar de 0 a 1.0

SUAVIZACIÓN EXPONENCIAL DE HOLT

Usa una ecuación de tendencia lineal basada en el empleo
de dos constantes de suavización: una para estimar el nivel
actual de los valores de la serie de tiempo y otra para
estimar la pendiente.
 OTROS MÉTODOS DE PRONÓSTICO DE SERIES DE TIEMPO

SUAVIZACIÓN EXPONENCIAL DE WINTER

Incorpora influencias estacionales en el pronóstico. En
este caso se hace uso de tres constantes de suavización:
una para estimar el nivel actual de los valores de la serie
de tiempo, la segunda para estimar la pendiente de la
línea de tendencia y la tercera para estimar el factor
estacional por emplear como multiplicador.

MODELOS AUTOREGRESIVOS INTEGRADOS Y DE

PROMEDIO MÓVIL (ARIMA)
Son una categoría de métodos de pronóstico en los que
valores previamente observados en la serie de tiempo se
usan como variables independientes en modelos de
regresión. El método de más amplio uso de ésta categoría
es el Método de Box – Jenkins. Estos métodos hacen uso
explicito de la existencia de autocorrelación (correlación
de una variable rezagada uno o más periodos, consigo
mismo) en las series de tiempo.
Ejercicio: El comportamiento de la precipitación y la humedad
relativa durante el año 2014, para una Cuenca en la costa del
país se muestra en la siguiente tabla:
Mese Precipitación Humedad relativa
s (mm) (%)
Ene 72 94
Feb 80 91 Aplicar los métodos de
Mar 22 86 promedios móviles para
Abr 9 90 tener gráficas mas
May 163 95 suaves y hacer
Jun 65 88
pronósticos para el
Jul 187 99
siguiente periodo
Ago 319 95
Sep 236 90
( enero, 2015)
Oct 201 93
Nov 75 87
Dic 104 90
 Grafica Precipitación
Precipitación
Meses
(mm) precipitacion (mm)
Ene 72 400
Feb 80
Mar 22
Abr 9 300
May 163
Jun 65
200
Jul 187
Ago 319
Sep 236 100
Oct 201
Nov 75
0
Dic 104 ene mar may jul sep nov
 Grafica Humedad Relativa
Humedad
Meses relativa H relativa (%)
(%)
Ene 94 105

Feb 91 100
Mar 86
Abr 90 95
May 85
90
Jun 88
Jul 99 85
Ago 95
80
Sep 90
Oct 93 75
Nov 87 ene mar may jul sep nov
Dic 90
Ejercicio: El observatorio Mauna Loa, Hawai, registra la concentración de dióxido
de carbono (en partes por millón) en la atmósfera terrestre. En la tabla se
muestran los registros correspondientes al mes de enero de varios años

CO2
Año (partes por 375
millon)
360
15 319
345
10 325

15 330 330

20 338 315

25 345 300

30 354 285
5 10 15 20 25 30 35 40
35 359

40 370
MUCHAS GRACIAS
 REFERENCIAS
Hillier,F. S. Liberman G. J., 2010. Introducción a la Investigación de Operaciones.
México

López, J.F., Vértiz, G., 2014. Investigación de Opeaciones. Patria. México

Prawda, J., 2007. Métodos y Modelos de Investigación de Operaciones, Vol. 1 y 2.

México

Render, B. Stair, R., 2006. Métodos Cuantitativos para los Negocios. Pearson.
México

Taha, H. A.., 2012. Investigación de Operaciones, 9ª edición, México D.F.

Apuntes de Estadística II