1.

Conceptos Basicos De Series De Tiempo

1.1 Introduccin
1.2 Definicin De Serie De Tiempo
1.3 Primer Paso Al Analizar Cualquier Serie De Tiempo
2. Modelos Clasicos De Series De Tiempo
2.1 Modelos De Descomposicin
2.2 Estimacin De La Tendencia
2.3 Estimacin De La Estacionalidad
3. Predicciones
3.1 Ejemplo Ilustrativo

1. CONCEPTOS BASICOS DE SERIES DE TIEMPO

1.1 INTRODUCCIN

Toda institucin, ya sea la familia, la empresa o el gobierno, tiene que hacer

planes para el futuro si ha de sobrevivir y progresar. Hoy en da diversas
instituciones requieren conocer el comportamiento futuro de ciertos fenmenos
con el fin de planificar, prever o prevenir.
La planificacin racional exige prever los sucesos del futuro que probablemente
vayan a ocurrir. La previsin, a su vez, se suele basar en lo que ha ocurrido en el
pasado. Se tiene pues un nuevo tipo de inferencia estadstica que se hace acerca
del futuro de alguna variable o compuesto de variables basndose en sucesos
pasados. La tcnica ms importante para hacer inferencias sobre el futuro con
base en lo ocurrido en el pasado, es el anlisis de series de tiempo.
Son innumerables las aplicaciones que se pueden citar, en distintas reas del
conocimiento, tales como, en economa, fsica, geofsica, qumica, electricidad,
en demografa, en marketing, en telecomunicaciones, en transporte, etc.
Series De Tiempo
1. Series econmicas:

Ejemplos
- Precios de un artculo
- Tasas de desempleo
- Tasa de inflacin
- ndice de precios, etc.
- Meteorologa
- Cantidad de agua cada

2. Series Fsicas:
3. Geofsica:

- Temperatura mxima diaria

- Velocidad del viento (energa elica)
- Energa solar, etc.
- Series sismologas

5. Series de marketing:

- Tasas de crecimiento de la poblacin

- Tasa de natalidad, mortalidad
- Resultados de censos poblacionales
- Series de demanda, gastos, ofertas

6. Series de telecomunicacin:

- Anlisis de seales

7. Series de transporte:

- Series de trfico

4. Series demogrficas:

Uno de los problemas que intenta resolver las series de tiempo es el de

prediccin. Esto es dado una serie {x(t1),...,x(tn)} nuestros objetivos de inters
son describir el comportamiento de la serie, investigar el mecanismo generador
de la serie temporal, buscar posibles patrones temporales que permitan
sobrepasar la incertidumbre del futuro.
En adelante se estudiar como construir un modelo para explicar la estructura y
prever la evolucin de una variable que observamos a lo largo del tiempo. La
variables de inters puede ser macroeconmica (ndice de precios al consumo,
demanda de electricidad, series de exportaciones o importaciones, etc.),
microeconmica (ventas de una empresa, existencias en un almacn, gastos en
publicidad de un sector), fsica (velocidad del viento en una central elica,
temperatura en un proceso, caudal de un ro, concentracin en la atmsfera de un
agente contaminante), o social (nmero de nacimientos, matrimonios,
defunciones, o votos a un partido poltico).
1.2 DEFINICIN DE SERIE DE TIEMPO

En muchas reas del conocimiento las observaciones de inters son obtenidas en

instantes sucesivos del tiempo, por ejemplo, a cada hora, durante 24 horas,
mensuales, trimestrales, semestrales o bien registradas por algn equipo en forma
continua.
Llamamos Serie de Tiempo a un conjunto de mediciones de cierto fenmeno o
experimento registradas secuencialmente en el tiempo. Estas observaciones
sern denotadas por {x(t1), x(t2), ..., x(tn)} = {x(t) : t T R} con x(ti) el valor de
la variable x en el instante ti. Si T = Z se dice que la serie de tiempo es discreta y

si T = R se dice que la serie de tiempo es continua. Cuando ti+1 - ti = k para

todo i = 1,...,n-1, se dice que la serie es equiespaciadas, en caso contrario ser no
equiespaciadas.
En adelante se trabajar con series de tiempo discreta, equiespaciadas en cuyo
caso asumiremos y sin prdida de generalidad que: {x(t1), x(t2), ..., x(tn)}= {x(1),
x(2), ..., x(n)}.
1.3 PRIMER PASO AL ANALIZAR CUALQUIER SERIE DE TIEMPO

El primer paso en el anlisis de series de tiempo, consiste en graficar la serie.

Esto nos permite detectar las componentes esenciales de la serie.
El grfico de la serie permitir:
a) Detectar Outlier: se refiere a puntos de la serie que se escapan de lo
normal. Un outliers es una observacin de la serie que corresponde a un
comportamiento anormal del fenmeno (sin incidencias futuras) o a un error de
medicin.
Se debe determinar desde fuera si un punto dado es outlier o no. Si se concluye
que lo es, se debe omitir o reemplazar por otro valor antes de analizar la serie.
Por ejemplo, en un estudio de la produccin diaria en una fabrica se present la
siguiente situacin ver figura 1.1:

Figura 1.1
Los dos puntos enmarcados en un crculo parecen corresponder a un
comportamiento anormal de la serie. Al investigar estos dos puntos se vio que
correspondan a dos das de paro, lo que naturalmente afect la produccin en
esos das. El problema fue solucionado eliminando las observaciones e
interpolando.
b) Permite detectar tendencia: la tendencia representa el comportamiento
predominante de la serie. Esta puede ser definida vagamente como el cambio de
la media a lo largo de un periodo (ver figura 1.2).

Figura 1.2
c) Variacin estacional: la variacin estacional representa un movimiento
peridico de la serie de tiempo. La duracin de la unidad del periodo es
generalmente menor que un ao. Puede ser un trimestre, un mes o un da, etc
(ver figura 1.3).
Matemticamente, podemos decir que la serie representa variacin estacional si
existe un nmero s tal que x(t) = x(t + ks).
Las principales fuerzas que causan una variacin estacional son las condiciones
del tiempo, como por ejemplo:
1) en invierno las ventas de helado
2) en verano la venta de lana
3) exportacin de fruta en marzo.
Todos estos fenmenos presentan un comportamiento estacional (anual, semanal,
etc.)

Figura 1.3
d) Variaciones irregulares (componente aleatoria): los movimientos irregulares
(al azar) representan todos los tipos de movimientos de una serie de tiempo que
no sea tendencia, variaciones estacionales y fluctuaciones cclicas.

2. MODELOS CLASICOS DE SERIES DE TIEMPO

2.1 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).

Figura 2.1
2.2 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), dnde 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.
2.2.1 AJUSTE DE UNA FUNCIN

Los siguientes grficos ilustran algunas de las formas de estas curvas.

1.T(t) = a + bt

4.
+mtm

(Lineal)

2.
T(t) =
bt
e (Exponencial)

T(t) = 0 + 1t ,..., 5.T(t) = exp(a + b(rt))

(Gompertz 0 < r < 1)
(Polynomial)

3. T(t) = a + b ebt
a (Exponencial
modificada)

6. T(t) =

(Logstica)

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).

Figura 2.2
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).
Ao
1964
1965
1966
1967
1968

II

283
274
218
298

454
392
382
452

III
398
392
290
382
423

IV
352
345
210
340
372

Total Anual
1,474
1,166
1,322
1,545

1969
1970
1971
1972

336
264
389
510

468
399
604
661

387
408
579

309
396
513

1,500
1,467
2,085

Fuente: U.S. Department of Comerse, Survey of Current Bussiness.

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
Ao trimestre
1964: 3

t
4

1965: 1
2
3
4
1966: 1
2
3
4
1967: 1
2
3
4
1968: 1
2
3
4
1969: 1
2
3
4
1970: 1
2
3
4
1971: 1

T(t)
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

Tendencia
398
291,73
352
298,07
283
304,41
454
310,75
392
317,09
345
323,43
274
329,77
392
336,11
290
342,45
210
348,79
218
355,13
382
361,47
382
367,81
340
374,15
298
380,49
452
386,83
423
393,17
372
399,51
336
405,85
468
412,19
387
418,53
309
424,87
264
431,21
399
437,55
408
443,89
396
450,23
389
456,57

2
3
4
1972: 1
2

28
29
30
31
32

604
579
513
510
661

462,91
469,25
475,59
481,93
488,27

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).

Figura 2.3
2.2.2 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).

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.
2.2.2.1 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,

(1)
Para una serie trimestral, con estacionalidad anual (s = 4), la serie suavizada est
dada por

(2)
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)
Ao por
trimestre

Datos
Total Mvil en cuatro
Originales Y
trimestres

(1)

(2)

1964: 3
4
1965: 1
2
3
4
1966: 1
2
3
4
1967: 1
2
3
4
1968: 1
2
3
4
1969: 1
2
3
4
1970: 1
2
3
4
1971: 1
2
3
4
1972: 1
2

(3)

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

1.487
1.481
1.474
1.465
1.403
1.301
1.166
1.110
1.100
1.192
1.322
1.402
1.472
1.513
1.545
1.583
1.599
1.563
1.500
1.428
1.359
1.380
1.467
1.592
1.797
1.968
2.085
2.206
2.263

Promedio Mvil de
cuatro trimestres

Promedio Mvil Centrado de

cuatro trimestres

(4)

(5)

372
370
369
366
351
325
292
278
275
298
331
351
368
378
386
396
400
391
375
357
340
345
367
398
449
492
521
552
566

371
369
367
359
338
308
285
276
287
314
341
359
373
382
391
398
395
383
366
348
342
356
382
424
471
507
536
559

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.

Figura 2.5

2.3 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),

a)

Aditivo

b)

Mixto

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.

(a)

(b)

Figura 2.6
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
efectos de tendencia removidos.

Anlogamente, si el modelo es mixto

removidos los efectos de tendencia.

representa la serie con los

representa la serie, una vez

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 puede ser resumida como en las tablas 2.4 y
2.5.
Tabla 2.4. Residuos modelo Mixto
Perodo
Estacin

Promedio
Fila

W(1)

W(5)

W(4k-3)

S1

W(2)

W(6)

W(4k-2)

S2

W(3)

W(7)

W(4k-1)

S3

W(4)

W(8)

W(4k)

S4

STD
Fila

C.V.
Fila

STD
Fila

C.V.
Fila

Tabla 2.5. Residuos modelo Aditivo

Perodo
Estacin

Promedio
Fila

R(1)

R(5)

R(4k-3)

S1

R(2)

R(6)

R(4k-2)

S2

R(3)

R(7)

R(4k-1)

S3

R(4)

R(8)

R(4k)

S4

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,

Donde:
y si el modelo es Aditivo, entonces,

Donde
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.

Ejemplo 3. Continuando con el ejemplo 2, tenemos lo siguiente:

Se supuso que el Modelo es Mixto

Z(t):
Trimestre 1965
1
371
2
369
3
367
4
359

Sea

1966
338
308,375
284,5
276,25

y se obtuvo la serie suavizada

1967
286,5
314,25
340,5
359,25

1968
373,125
382,25
391
397,75

1969
395,25
382,875
366
348,375

1970
342,375
355,875
382,375
423,625

la estimacin de la tendencia (

Trimestre
1
2
3
4

1965
368,83
359,21
350,78
343,55

1966
337,50
332,64
328,97
326,48

1967
325,19
325,09
326,48
328,44

)
1968
331,90
336,55
342,39
349,42

1969
357,63
367,04
377,63
389,42

1970
402,39
416,55
431,90
448,44

Entonces, donde X (t) es la serie observada.

Trimestre

1965 1966 1967 1968 1969 1970 1971

1
2
3
4

0,77
1,26
1,12
1

0,81
1,18
0,88
0,64

0,67
1,18
1,17
1,04

0,9
1,34
1,24
1,06

1971
470,625
506,625
536,375
558,625

0,94
1,28
1,02
0,79

0,66
0,96
0,94
0,88

0,83
1,25
1,15
0,97

= promedio de W (t) para el trimestre h, h = 1, 2, 3, 4.

0,80
1,21
1,07
0,91
= 0,9975

1971
466,16
485,08
505,18
526,47

Como se observa en la siguiente figura, en el modelo mixto estos valores varan

entorno al uno.

Si el modelo es Mixto, entonces,

= 0,8 (0,9975 - 1) = 0,8025
= 1,21 (0,9975 1) = 1,2125
= 1,07 (0,9975 1) = 1,0725
= 0,91 (0,9975 1) = 0,9125

La idea es que
En definitiva, la estimacin de la estacionalidad es,

3. PREDICCIONES

Predecir, es estimar el futuro utilizando informacin del presente y del

pasado. El conocimiento del futuro nos capacita para planificar, prever o
prevenir.
La idea es estimar X(t) en un instante n + k posterior al ltimo dato observado
en t =n, k = 1,2,3,4,... (trimestre, mes, etc.).
Una vez estimada la tendencia y la estacionalidad las frmulas de prediccin
quedarn determinadas por:
Modelo Mixto
Modelo Aditivo
3.1 EJEMPLO ILUSTRATIVO

Con el objeto de ilustrar los mtodos revisados en este captulo considere los
siguientes datos:
Tabla 3.1. Serie Original
SEM/AO
1
1
1,73757
2
2,01815

2
2,42106
2,80325

3
4,47481
4,85566

4
4,78939
5,14076

5
5,19210
5,06387

6
5,10775
5,24787

Con el fin de eliminar los efectos irregulares y estacionalidad se obtiene la serie

suavizada Z(t) con un promedio mvil centrado de orden 2, como se muestra en
la tabla 3.2.

Tabla 3.2. Serie Suavizada (Z(t))

SEM/AO
1
1
2
2,04874

2
2,41589
3,1256

3
4,15214
4,74389

4
4,89381
5,06576

5
5,14721
5,1069

6
5,12181
-

Una vez suavizada la serie, se obtienen las series residuales con el objeto de
eliminar la estacionalidad dentro del modelo y saber por medio de un anlisis
tabular de los residuos si el modelo es aditivo o mixto.
PRIMER CASO: Modelo Mixto. X(t) = T(t) E(t) + A(t)
Con el objeto de eliminar la estacionalidad de la serie, se genera la serie de
residuos:

La siguiente tabla contiene los residuos.

Tabla 3.3. Serie de Residuos (W(t))
Sem/Ao
1
2

1
-

1,0021
4
0,98507 0,8968
7

1,07771 0,97866 1,00872 0,995

3
1,02356 1,0148 0,99157
-

SW

1,0125 0,03813 0,02766

1
0,9823 0,05037 0,05127
7

La estimacin de la estacionalidad para este caso queda dada por:

= 1,01251 (0,99744- 1) = 1,01251 + 0,00256 = 1,01507

= 0,98237 + 0,00256 = 0,98493

SEGUNDO CASO: Modelo Aditivo. X(t) = T(t) + E(t) + A(t)

Como en el caso anterior y con el objeto de eliminar la estacionalidad se
construye la serie de residuos.
R(t) = X(t) - Z(t)

CV

Los resultados se muestran en Tabla 3.4.

Tabla 3.4. Serie de Residuos (R(t))
Sem/Ao
1
2

SR

CV

0,00517 0,32267 -0,10442 0,04489 -0,02406 0,04885 0,16256 3,3278

-0,03059 0,32235 0,11177 0,075
-0,04303
-0,04184 0,17034 -4,0712

La estimacin de la estacionalidad para este caso queda dada por:

= 0,04885 - 0,0351 = 0,04534
= 0,004184 - 0,00351 = 0,04534
El clculo de las series residuales se realiz con el objeto de identificar a travs
de los coeficientes de variacin para cada fila de los modelos; aquel modelo que
sus filas presenten una menor variabilidad relativa a su media, ser escogido
como el que interpreta a la serie a analizar. En este caso el modelo adoptado, es
el modelo mixto.
A travs de este modelo se obtendrn las proyecciones deseadas para los
prximos dos semestres. Para tal efecto resta entonces obtener una estimacin de
la tendencia. Con tal fin, se ajustar una curva a la serie suavizada.
Z(t) = a + bt

Al ajustar la recta por mnimos cuadrados se obtiene:

Yt = 0,442966 + 0,938027*t - 4,56E-02*t**2

Una vez obtenidas estas estimaciones se utiliza la ecuacin

para proyectar.
Proyecciones

Resumen
Se llama Serie de Tiempo, a un conjunto de mediciones de cierto fenmeno o
experimento registradas secuencialmente en el tiempo, por ejemplo a cada hora,
mensualmente, trimestralmente, semestralmente, etc... En este apunte se trabaj
con series de tiempo discreto, equiespaciadas en cuyo caso se asume que: : {x(t1),
x(t2), ..., x(tn)}= {x(1), x(2), ..., x(n)}. Debido al carcter introductorio se
restringi al caso de series de tiempo univariadas.
Al analizar una serie de tiempo, lo primero que se debe hacer es graficar la
serie. Esto nos permite detectar las componentes esenciales de la serie. El
grfico de la serie permitir: detectar Outlier, detectar tendencias, variacin
estacional, variaciones irregulares (o componente aleatoria).
Un modelo clsico para una serie de tiempo, puede ser expresada como suma o
producto de tres componentes: tendencia, estacional y un trmino de error
aleatorio. Existen tres modelos de series de tiempos. 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)

Con el fin de obtener un modelo, es necesario estimar la tendencia y la

estacionalidad. Para estimar la tendencia, se supone que la componente
estacional no est presente. La estimacin se logra al ajustar a una funcin de
tiempo a un polinomio o suavizamiento de la serie a travs de los promedios
mviles. Para estimar la estacionalidad se requiere haber decidido el modelo a
utilizar (mixto o aditivo). Una vez estimada la tendencia y la estacionalidad se
esta en condiciones de predecir.

Los mtodos revisados en este apunte son de naturaleza descriptiva, por lo que el
juicio y el conocimiento del fenmeno juegan un rol importante en la seleccin
del modelo.
Los mtodos clsicos tienen la desventaja que se adaptan a travs del tiempo, lo
que implica que el proceso de estimacin debe volver a iniciarse frente al
conocimiento de un nuevo dato.

Bibliografa
[1] Chao, Lincoln L. (1975) Estadstica para ciencias sociales y
administrativas. Bogota: McGraw-Hill.
[2] Iglesias Z. Pilar. (1988). Elementos de series de tiempo.
[3] Makridakis, S; Wheelright, S.C.; McGee, V.E. (1983). Forecasting:
Methods and Applications. Wiley, New York.
[4] Pea, Daniel. (1989). Estadstica, Modelos y Mtodos 2. Modelos
Lineales y Series Temporales. Alianza Universidad, Madrid.

Enlaces

Einsteinnet (2001). Anlisis Clsico De Series Temporales. [en lnea]. Disponible

en: http://www.einsteinnet.com/econometria/seriestemp/acseriestemp.htm Conectad
o el 25 de junio de 2001.
INEI.(2001). Desestacionalizacin de series de tiempo econmicas. [en
lnea]. Disponible
en: www.inei.gob.pe/cpi/bancopub/libfree/LIB408/LIB408.htm Conectado el 26 de
junio de 2001.