METODOS ELEMENTALES DE PROCESAMIENTO DE SERIES DE TIEMPO

Jorge Galbiati Riesco

En este apunte se da una visin general sobre algunos procedimientos en el anlisis

en series de tiempo. Inicialmente presentamos el problema general de prediccin,
luego presentamos mtodos clsicos ingenuos de suavizamiento en el anlisis de
series de tiempo.
La aplicacin de estas tcnicas requieren de trabajo computacional que debe ser
complementado en la ejercitacin de este curso.
El material presentado fue escrito en base a apuntes del profesor Renato Allende, que
tuvo como referencia notas de clase de los profesores Pilar Iglesias y Eduardo Engel.
INTRODUCCION
Una de las motivaciones para el estudio del tema surge desde tiempos remotos
donde una de las principales inquietudes del hombre ha sido estimar el futuro
utilizando informacin del presente y del pasado. Esto se llama predecir. Es evidente
que las diversas instituciones requieren conocer el comportamiento futuro de ciertos
fenmenos con el fin de planificar, preveer o prevenir.

La Estadstica ha desarrollado teora y mtodos que apuntan a resolver el problema de

prediccin. Sin embargo, este no puede ser resuelto por argumentos puramente
matemticos, debe ser el resultado de una combinacin matemtico-especialista. La
prediccin es una Ciencia y es un Arte, y la mayor dificultad es la mala comunicacin
entre los analistas de informacin y de prediccin y los usuarios de stas.
DEFINICION BSICA DE SERIE DE TIEMPO

Una serie de tiempo es una coleccin o conjunto de mediciones de cierto fenmeno o

experimento registrados secuencialmente en el tiempo, en forma equiespaciada ( a
intevalos de tiempo iguales) .
Las observaciones de una serie de tiempo sern denotadas por
Y(t1), Y(t2) ,... , Y(tn)
donde Y(ti) es el valor tomado por el proceso en el instante ti.

Ejemplos de series de tiempo

1. Economa: Precios de un articulo, tasas de desempleo, tasa de
inflacin, ndice de precios, precio del dlar, precio del cobre,
precios de acciones, ingreso nacional bruto, etc.
2. Meteorologa: Cantidad de agua cada, temperatura mxima diaria, Velocidad del
viento (energa elica), energa solar, etc.
3. Geofsica: Series sismolgicas.
4. Qumica:

Viscosidad de un proceso, temperatura de un proceso.

5. Demografa: Tasas de natalidad, tasas de mortalidad.

6. Medicina: Electrocardiograma, electroencfalograma.
7. Marketing: Series de demanda, gastos, utilidades, ventas, ofertas.
8. Telecomunicaciones: Anlisis de seales.
9. Transporte: Series de trfico.

ANALISIS GRAFICO DE UNA SERIE DE TIEMPO

Por muy simple que parezca, el paso ms importante en el anlisis de series de tiempo
consiste en graficar la serie.

Esto debe hacerse siempre, independiente de cun simples o complejos sean los
procedimientos que se emplean posteriormente.
El grfico de la serie permitir detectar los siguientes elementos:

a)

Outliers:

Se refiere a puntos de la serie que se escapan de lo normal.

Si se sospecha que una observacin

es un outliers, se

debe reunir informacin

adicional sobre posibles factores que afectaron el proceso. Por ejemplo, en un estudio
de la produccin diaria de cobre se present la siguiente situacin:

b)

Tendencias
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

extenso perodo de tiempo.

c)

Variaciones cclicas o estacionales

La variacin estacional representa un movimiento peridico de la serie de

tiempo. La duracin del perodo puede ser un ao, un trimestre, un mes, un da,
etc.

Se suele hacer una distincin entre cclicas y estacionarias. Estas ltimas ocurren con
perodos identificables, como la estacionalidad del empleo, o de la venta de ciertos
productos, cuyo perodo es un ao. El trmino variacin cclica se suele referir a ciclos
grandes, cuyo perodo no es atribuible a alguna causa. Por ejemplo, fenmenos
climticos, que tienen ciclos que duran varios aos.
Las tendencias y estacionalidades pueden darse simultneamente.

d) Variaciones aleatorias.

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.
El anlisis grfico de los datos se acostumbra a resumir en una tabla como la que
siguiente:
Tabla de familiarizacin
Estacionalidad

Tendencia

Aleatoria

Alta
Media
Baja

Ejercicios:
1) Para cada una de las series graficadas a continuacin realizar al anlisis

grfico

completando la tabla de familiarizacin.

Serie A

Serie B

2) Construya la grafica y la tabla de familiarizacin para la siguiente serie.

Planificacin de un casino
Objetivos: Planificacin de compra de alimentos y necesidades de servicio para
satisfacer la demanda de almuerzo en un gran casino.
Descripcin de la serie.
Serie: Nmero de almuerzos servidos por mes en el casino II de la Universidad
de Campinas-Brasil para el perodo de enero 1977 a marzo de 1980, de acuerdo
a la administracin general del restaurante.
Tabla de datos
t
1
2

Y(t)
20636
18708

t
14
15

Y(t)
28183
56632

t
27
28

Y(t)
63167
42520

3
4
5
6
7
8
9
10

62944
50272
69375
50056
20604
54947
50576
50425

16
17
18
19
20
21
22
23

56641
56555
57185
33906
67261
52232
58232
45726

29
30
31
32
33
34
35
36

50572
53875
27233
57942
47610
61738
51168
26370

11
12
13

44202
27604
28791

24
25
26

24550
30954
34295

37
38
39

42964
42748
62390

Modelos Clsicos
Un modelo clsico de series de tiempo, supone que la serie Y(1), ..., Y(n) puede ser
expresada como suma o producto de tres componentes: tendencia, componente
estacional y un trmino de error aleatorio:
1. Y(t) = T(t)+E(t)+A(t)
2.

Y(t) = T(t) E(t) A(t)

Modelo aditivo
Modelo multiplicativo

donde:
T: Tendencia de la serie.
E: Variacin Estacional.
A: Variaciones aleatorias.
El grfico siguiente muestra la serie y sus componentes, para el caso aditivo

El problema que se presenta es modelar adecuadamente las componentes de la

serie.

ESTIMACIN DE LA TENDENCIA

Hay varios mtodos para estimar la tendencia T(t), uno de ellos es utilizar un modelo
de regresin lineal. Se pueden utilizar otros tipos de regresiones, como regresin
cuadrtica, logstica, exponencial, entre otros.
EJEMPLO 1: La tabla presenta parte de los datos de una serie de energa elctrica. Son
24 datos mensuales referentes a los aos 1977 a 1978.
Consumo de Energa Elctrica

Y(t)

Y(t)

84,6

13

110,3

89,9

14

118,1

81,9

15

116,5

95,4

16

134,2

91,2

17

134,7

89,8

18

144,8

89,7

19

144,4

97,9

20

159,2

103,4

21

168,2

10

107,6

22

175,2

11

120,4

23

174,5

12

109,6

24

173,7

Consumo electrico

consumo

200
150
100
50
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
mes

El modelo de tendencia propuesto es un modelo de regresin lineal:

Y(t) = a + b t + A(t)
Por mnimos cuadrados se obtiene

T(t) = 68.45 + 4.24 * t

La serie sin tendencia se ve de la siguiente manera:

23

21

19

17

15

13

11

15.00
10.00
5.00
0.00
-5.00
-10.00
-15.00
-20.00

consumo

Consumo electrico

mes

Se observa un ciclo que dura casi todo el perodo observado, de 24 meses.

ESTIMACION DE LA COMPONENTE ESTACIONAL
Para estimarla, se debe conocer el perodo, y se deben tener datos de varios perodos
consecutivos. Por ejemplo, datos mensuales, estacionalidad de un ao.
EJEMPLO 2
Indicador Mensual de Actividad Econmica (IMACEC). Base del ndice : 1996=100
Corresponde al nuevo Indicador Mensual de Actividad Econmica (Imacec),
estructurado a base de la matriz insumo-producto de 1996. La cobertura de este
indicador comprende casi la totalidad de las actividades econmicas incluidas en el
PIB.
Las cifras de 2000 y 2001 son provisionales.
Las cifras de 2002 y 2003 son preliminares.
Fuente: Banco Central de Chile.

10

Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre

1996

1997

1998

1999

2000

2001

2002

2003

99.6
94.9
105.4
103.4
104.2
101.3
98.7
98.7
94.8
102.0
98.0
99.2

105.0
98.6
109.1
108.1
109.2
106.5
107.1
105.6
103.8
110.9
106.8
108.4

110.8
104.3
117.5
116.1
114.4
111.9
110.9
109.0
105.4
107.7
106.1
106.5

109.2
103.7
116.4
108.0
111.2
110.0
106.4
108.1
105.7
109.2
110.7
111.9

112.6
107.6
121.2
113.8
117.9
113.1
112.3
113.4
108.6
115.4
114.9
114.4

116.4
111.8
124.3
118.0
121.7
119.1
116.0
116.9
111.4
118.4
117.3
115.7

119.7
113.0
124.4
122.0
123.0
120.1
118.9
119.1
114.6
121.7
119.9
120.9

122.6
118.3
128.8
125.3
126.1

Indicador Mensual Actividad Econmica

140.0
120.0
IMACEC

100.0
80.0
60.0
40.0
20.0

20
03

20
02

20
01

20
00

19
99

19
98

19
97

19
96

0.0

m es-ao

Se estima la tendencia por regresin lineal Y (t ) = a + bt + A(t )

dando el siguiente resultado:
Intercepto a = 100.3. Corresponde al valor de partida.
Pendiente b = 0.253 . Corresponde al aumento medio mensual.
Coeficiente de determinacin R2 = 0.74, que indica un ajuste moderadamente bueno.
El error estndar de los errores se estim en 3.98.
La recta de regresin correspondiente a la tendencia se muestra en el siguiente
grfico:

11

Tendencia Indicador Mensual Actividad

Econmica
140
120
IMACEC

100
80
60
40
20

20
03

20
02

20
01

20
00

19
99

19
98

19
97

19
96

m es-ao

Asumiremos un modelo clsico aditivo. Entonces para obtener una estimacin de la

estacionalidad, restamos los valores ajustados de la tendencia a los datos, obteniendo
una serie sin tendencia. Luego promediamos todos los valores de enero, los de febrero,
los de marzo, etc., obteniendo doce valores mensuales promedio:
Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre

Prom.
0.8
-4.9
6.7
2.4
3.8
0.8
-1.2
-1.3
-5.4
0.2
-1.7
-1.5

que se muestran en el siguiente grfico:

Compone nte Cclica Indicador M e nsual
Activ idad Econmica
20

10
5
0
-5

m es-ao

20
02

20
01

20
00

19
99

19
98

19
97

-10

19
96

IMACEC

15

12

Se observan valores altos a partir de marzo, y bajos en torno a septiembre.

Si recomponemos la serie con tendencia y componente cclica, sin la componente
aleatoria, tenemos la situacin que se ilustra en el grfico siguiente:

Te nde ncia ms Compone nte Cclica Indicador

M e nsual Activ idad Econmica
140
120
IMACEC

100
80
60
40
20

20
02

20
01

20
00

19
99

19
98

19
97

19
96

m es-ao

Con esto se pueden hacer predicciones futuras, extrapolando la recta de regresin y

sumndole la componente cclica del mes correspondiente. Dentro de un rango
limitado, estas predicciones pueden ser acertadas.
A continuacin se muestra el grfico de la componente aleatoria sola.
Componente Aleatoria Indicador M ensual
Activ idad Econmica
20

10
5
0
-5

m es-ao

20
02

20
01

20
00

19
99

19
98

19
97

-10
19
96

IMACEC

15

13

Si se usa el modelo multiplicativo, el procedimiento es parecido.

Nota: Junto con las series de datos como esta, el Banco Central tambin entrega series
sin tendencia y desestacionalizadas.

SUAVIZAMIENTO DE SERIES DE TIEMPO

Una forma de visualizar la tendencia, es mediante suavizamiento de la serie. La idea
central es definir a partir de la serie observada una nueva serie que filtra o suaviza los
efectos ajenos a la tendencia (estacionalidad, efectos aleatorios), de manera que
podamos visualizar la tendencia.

Serie original

Serie suavizada

Promedio Mvil.
Este mtodo de suavizamiento es uno de los ms usados para describir la tendencia.
Consiste en fijar un nmero k, preferentemente impar, como 3, 5, 7, etc., y calcular

14

los promedios de todos los grupos de k trminos consecutivos de la serie. Se obtiene

una nueva serie suavizada

por promedios mviles de orden k. De este modo se

tienden a anular las variaciones aleatorias.

Por ejemplo, consideremos una serie de seis observaciones y fijemos el orden
k=3. Entonces los trminos de la serie suavizada son

t
Y (t )
Z (t ) media mvil de orden k = 3
______________________________________
1

Y (1)

Y (2)

Y (3)

Y ( 4)

Y (5)

Y (6)

Y (1) + Y (2) + Y (3)

Z(2) =
3
Y (2) + Y (3) + Y (4)
Z(3) =
3
Y (3) + Y (4) + Y (5)
Z(4) =
3
Y (4) + Y (5) + Y (6)
Z(5) =
3

Ntese que Z(1) y Z(6) no se pueden calcular. En general, se pierden k/2 trminos en
cada extremo.
EJEMPLO 3.
Precio del dlar observado, das mircoles, enero a junio ao 2003.
Fuente: Banco Central de Chile.
En las columnas 3 a 6, se entregan los promedios mviles de orden 3, 5, 7 y 9,
m es
Ene

Feb

M ar

Abr

M ay

Jun

Jul

p re c io
7 1 3 .4
7 1 2 .6
7 2 6 .6
7 3 7 .1
7 3 8 .9
7 4 3 .1
7 4 0 .2
7 5 5 .3
7 5 2 .8
7 5 4 .8
7 3 6 .5
7 2 8 .3
7 2 9 .8
7 2 0 .0
7 1 8 .7
7 1 6 .5
7 0 5 .3
7 0 1 .2
6 9 4 .2
7 1 3 .7
7 1 2 .2
7 1 3 .0
7 1 7 .4
7 0 6 .0
7 0 3 .1

k=3

k=5

k=7

k=9

7 1 7 .5
7 2 5 .4
7 3 4 .2
7 3 9 .7
7 4 0 .7
7 4 6 .2
7 4 9 .4
7 5 4 .3
7 4 8 .0
7 3 9 .9
7 3 1 .5
7 2 6 .0
7 2 2 .8
7 1 8 .4
7 1 3 .5
7 0 7 .7
7 0 0 .2
7 0 3 .1
7 0 6 .7
7 1 3 .0
7 1 4 .2
7 1 2 .1
7 0 8 .8

7 2 5 .7
7 3 1 .6
7 3 7 .2
7 4 2 .9
7 4 6 .0
7 4 9 .2
7 4 7 .9
7 4 5 .5
7 4 0 .4
7 3 3 .9
7 2 6 .6
7 2 2 .6
7 1 8 .0
7 1 2 .3
7 0 7 .2
7 0 6 .2
7 0 5 .3
7 0 6 .9
7 1 0 .1
7 1 2 .5
7 1 0 .3

7 3 0 .3
7 3 6 .2
7 4 2 .0
7 4 6 .0
7 4 5 .9
7 4 4 .4
7 4 2 .5
7 3 9 .6
7 3 4 .4
7 2 9 .2
7 2 2 .1
7 1 7 .1
7 1 2 .2
7 0 9 .9
7 0 8 .8
7 0 8 .0
7 0 8 .2
7 0 8 .2
7 0 8 .5

7 3 5 .5
7 4 0 .1
7 4 2 .8
7 4 3 .0
7 4 2 .2
7 4 0 .1
7 3 7 .4
7 3 4 .7
7 2 9 .2
7 2 3 .4
7 1 6 .7
7 1 4 .2
7 1 2 .4
7 1 0 .5
7 1 0 .2
7 0 8 .8
7 0 7 .3

15

respectivamente.
La serie original aparece graficada a continuacin.

Precio del dolar observado 2003

760.0
precio $

740.0
720.0
700.0
680.0

Ju
l

Ju
n

M
ay

br
A

M
ar

Fe
b

En
e

660.0

sem ana

Los grficos siguientes corresponden a las medias mviles. Se observa cmo a medida
que aumenta el orden, el efecto del suavizado es mayor. Pero tambin se pierden ms
datos en los extremos.
Precio del dolar observado 2003
Media mvil orden 5
760
p r e cio $

760
740
720
700
680
660

740
720
700

Ju
n

Ju
l

Ju
l

Ma
y

Ju
n

semana

Ab

Ma
r

Fe
b

En
e

Ju
l

Ju
n

Ma
y

r
Ab

Ma
r

680

Fe
b

En
e

p r e cio $

Precio del dolar observado 2003

Media mvil orden 3

semana

Precio del dolar observado 2003

Media mvil orden 9

Precio del dolar observado 2003

Media mvil orden 7

semana

Ma
y

r
Ab

Ju
l

Ju
n

Ma
y

r
Ab

Ma
r

Fe
b

680

720
700
680
Ma
r

700

Fe
b

720

760
740

En
e

p r e cio $

740

En
e

p r e cio $

760

semana

16

El suavizamiento de media mvil es muy fcil de aplicar, permite visualizar la

tendencia de la serie. Pero tiene dos inconvenientes: No es posible obtener
estimaciones de la tendencia en extremos y no entrega un medio para hacer
predicciones.
Si la serie presenta un efecto estacional de perodo k, es conveniente aplicar un
suavizamiento de media mvil de orden k. En tal caso se elimina el efecto estacional,
junto con la variacin aleatoria, observndose solamente la tendencia.

SUAVIZAMIENTO EXPONENCIAL
Este modelo se basa en que una observacin suavizada, en tiempo t, es un promedio
ponderado entre el valor actual de la serie original y el valor de la serie suavizada, en
el tiempo inmediatamente anterior. Si Y(t) representa la serie de tiempo original, y
Z(t) la serie de tiempo suavizada, entonces lo anterior se puede escribir

Z(t) = a Y(t) + (1 a) Z(t - 1)

en que a es un nmero entre 0 y 1.
Si a es cercano a 1, la serie suavizada pondera ms fuertemente el valor original,
luego ambas se parecen, y en consecuencia, el suavizamiento es poco.
Si a se acerca a 1/2, se ponderan moderadamente la serie original y la suavizada, por
lo que el suavizamiento es moderado.

17

Si a es cercano a cero, (1-a) es cercano a 1, y la serie suavizada pondera ms

fuertemente el valor suavizado inmediatamente anterior, por lo que el suavizado es
importante.
Consecuencia de la frmula anterior es que la serie suavizada se puede expresar como

Z(t ) = a Y(t ) + a (1 - a) Y(t 1) + a (1 - a) 2 Y (t 2) + a (1 - a) 3 Y (t 3) +

Es decir, cada trmino suavizado es un promedio ponderado de todos los trminos
histricos de la serie original, con ponderaciones

a (1 a ),

a,

a (1 a ) 2 ,

a (1 a ) 3 ,

a (1 a ) 4 ,

etc.

Como a est entre 0 y 1, estos nmeros se van achicando a medida que avanzan. Eso
significa que a medida que nos alejamos hacia el pasado, los trmino van influyendo
cada vez menos en el trmino presente. La rapidez con que disminuye la influencia es
mayor mientras ms grande (cercano a 1) es a.
Los grficos siguientes muestran las ponderaciones de los trminos hacia el pasado,
cuando a = 0.3 y cuando a = 0.7

a = 0.3

a = 0.7

0.80

0.80

0.60

0.60

0.40

0.40

0.20

0.20

0.00

0.00

7 8 9 10 11 12 13 14 15
p asad o

7 8 9 10 11 12 13 14 15
p asad o

Criterio para elegir a: Si la serie vara lentamente, se eligen valores de a cercanos a 0.

(valor tpico a = 0.3). En cambio, si vara bruscamente, se eligen valores de a cercanos
a 1 (valor tpico a = 0.7).

18

El mtodo de suavizamiento exponencial sirve para hacer predicciones, pero slo de un

valor, siguiente al ltimo valor observado. Si se tienen observaciones Y(n), Y(n-1), Y(t2), ... Y(n-k).
Si tratramos de obtener el trmino Z(n+1) con la frmula para el suavizamiento
exponencial, nos dara

Z(n + 1) = a Y(n + 1) + (1 a) Z(n)

pero como no tenemos una observacin Y(n+1), la aproximamos por Y(n). Por lo tanto
podemos
hacer una prediccin para Y(n+1) con la frmula del suavizamiento exponencial
modificada de la siguiente forma:

Z(n + 1) = a Y(n) + (1 - a) Z (n)

Si se intentara hacer ms de una prediccin, dara el mismo valor, por eso que slo se
usa para predecir un valor a la vez. Sin embargo, en la prctica, cada vez que aparece
una nueva observacin real, se actualiza la frmula anterior, pera predecir la siguiente.
As, cada vez que el tiempo avanza en una unidad, se predice un nuevo valor a futuro.
El valor de a se que sirve mejor se suele buscar por un sistema de prueba y error,
hasta encontrar el que permite predecir mejor.

EJEMPLO 3
En la pgina siguiente se muestra el Producto Interno Bruto trimestral de Chile, desde
el primer trimestre de 1996 hasta el primer trimestre de 2003, en millones de pesos.
Fuente: Banco Central de Chile.

19

Ao
1996

1997

1998

1999

2000

2001

2002

2003

Trim.
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

PIB
7804934
8038772
7604665
7788918
8141434
8431424
8238641
8489194
8658075
8910964
8468861
8338698
8572437
8571428
8334807
8636370
8887713
8972978
8704303
8971751
9175377
9342846
8960882
9146981
9292810
9503990
9179436
9435570
9621810

Suavizamiento exponencial
a = 0.3
a = 0.5
a = 0.7
7804934
7804934
7804934
7875085
7921853
7968620
7793959
7763259
7713852
7792447
7776088
7766398
7897143
7958761
8028923
8057427
8195093
8310674
8111791
8216867
8260251
8225012
8353030
8420511
8354931
8505553
8586806
8521741
8708258
8813716
8505877
8588559
8572317
8455723
8463629
8408784
8490737
8518033
8523341
8514945
8544730
8557002
8460903
8439769
8401465
8513543
8538069
8565899
8625794
8712891
8791169
8729949
8842935
8918435
8722255
8773619
8768543
8797104
8872685
8910788
8910586
9024031
9096000
9040264
9183438
9268792
9016449
9072160
9053255
9055609
9109571
9118863
9126769
9201190
9240626
9239935
9352590
9424981
9221786
9266013
9253099
9285921
9350792
9380829
9386688
9486301
9549516

Junto a los datos se muestran tres suavizamientos exponenciales con a=0.3, a=0.5 y
a=0.7.
Como no hay datos indefinidamente hacia el pasado, los primeros trminos de la serie
sauvizada salen algo distorsionados, pues no consideran suficientes trminos hacia
atrs. La forma de calcular es la siguiente, partiendo del primer trimestre 1996, que
llamaremos t=1 :
Z(1) = Y(1)
Z(2) = a Y(2)+(1-a) Z(1)
Z(3) = a Y(3)+(1-a) Z(2)
etc.

20

Como se ve, Z(1) no contiene toda la historia hacia atrs, Z(2) slo un trmino hacia el
pasado, Z(3) slo 2, etc.
Los grficos de la serie y los tres suavizamientos se muestran a continuacin.
Producto Interno Bruto

Producto Interno Bruto

Suavizam iento exponencial a = 0.3

11.000.000

PIB

PIB

11000000

7.000.000
19
96
19
97
19
98
19
99
20
00
20
01
20
02
20
03

19
96
19
97
19
98
19
99
20
00
20
01
20
02
20
03

7000000

trim estre-ao

trim estre-ao

Producto Interno Bruto

Suavizam iento exponencial a = 0.7

Producto Interno Bruto

Suavizam iento exponencial a = 0.5

11000000

PIB

PIB

11000000

7000000

trim estre-ao

19
96
19
97
19
98
19
99
20
00
20
01
20
02
20
03

19
96
19
97
19
98
19
99
20
00
20
01
20
02
20
03

7000000

trim estre-ao

En los grficos se puede apreciar que cuando la constante a es pequea, cercana a

cero, el suavizamiento es significativo. A medida que aumenta a acercndose a 1, el
suavizamiento es menos y la serie suavizada se parece ms a la serie original.
Se dispone de 29 datos. Es posible hacer una prediccin del trmino de orden 30, que
corresponde al segundo trimestre de 2003, mediante la frmula
Z(30) = a Y(29) + (1-a) Z(29)
En el caso de a=0.3, se tiene
Z(30) = 0.3 * 9621810 + 0.7 * 9386688 = 9457224 millones de pesos.

21

En el caso a=0.5, la prediccin da 9554055 millones de pesos. Y en el caso a=0.7, se

obtiene el valor 9600122 millones. Observando el grfico, cul de las tres
predicciones parece ser mejor?
PREGUNTAS
1.

Que puede decir de la serie de tiempo de datos mensuales, cuyo grfico se

muestra a continuacin?

2.

Cul es el objeto de suavizar una serie de tiempo?

3.

Explique por qu los promedios mviles y el suavizamiento exponencial

"suavizan" una serie de tiempo, es decir, reducen la variacin aleatoria.

4.

En qu consiste el suavizamientos de media mvil ?

5.

Seale una diferencia entre el modelo clsico de series de tiempo y el

suavizamiento por medias mviles, referente al uso que pueden tener.

6.

Se tiene una serie de tiempo con datos econmicos mensuales. A partir de ella

se obtuvo una serie desestacionalizada y sin tendencia. Explique qu significa esto.

7.

Seale una diferencia esencial entre el suavizamiento de una serie de tiempo

por promedios mviles y el suavizamiento exponencial.

22

8.

Se miden dos variables, x e y. Se calcula su coeficiente de correlacin. Qu

mide este coeficiente?

9.

Cmo se interpreta el coeficiente de determinacin, en una regresin lineal?

10.

En qu consiste el suavizamiento de media mvil, de una serie de tiempo ?

11.

Se tiene una serie de tiempo con datos econmicos mensuales. A partir de ella

se obtuvo una serie desestacionalizada y sin tendencia. Explique qu significa esto.

12.

Que puede decir de la serie de tiempo de datos mensuales, cuyo grfico se

muestra a continuacin, en relacin a tendencia y estacionalidad?

13.

En qu consiste el suavizamiento exponencial?

14.

Explique en qu consiste la aplicacin de un modelo clsico aditivo a una serie

de tiempo.
15.

En qu consiste el suavizamientos de media mvil ?

23