Series de Tiempo

1. Requisitos de Estadstica Descriptiva:

a. Media, Mediana
b. Desviacin estndar
c. Regresin lineal
2. Qu es una serie de tiempo
a. Componentes de la Serie de Tiempo (tipos de variacin):
i. Tendencia secular
ii. Variacin estacional
iii. Variacin cclica
iv. Variacin irregular
b. Tendencia de una serie
i. Lineal
ii. No lineal
c. Mtodos de Suaviza miento de la Serie
i. Promedios mviles
ii. Promedios mviles ponderados
iii. Suaviza miento exponencial
d. Pronsticos y su precisin
i. Promedios mviles
ii. Promedios mviles ponderados
iii. Suaviza miento exponencial

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) Variaciones aleatorias o por casualidad,
cuyas causas no se pueden sealar en forma exacta, pero que tienden a
equilibrarse a la larga.
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 mvil: (n valores mas recientes de datos) / n
Resumen de clculos para promedios mviles de tres semanas
semana
1
2
3
4
5
6
7

Valor de la serie de Pronstico de la i-sima

tiempo
semana con
Promedios mviles
17
21
19
23
(17+21+19)/3 = 19
18
(21+19+23)/3 = 21
16
((19+23+18)/3 = 20
20

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:
semana

Valor de la serie
de tiempo (miles de
galones)

1
2
3
4
5
6
7

17
21
19
23
18
16
20

8
9
10
11
12

18
22
20
15
22

Pronstico de la i-sima
semana con
Promedios mviles para
3 aos
(17+21+19)/3 = 19
(21+19+23)/3 = 2
(19+23+18)/3 = 20
(23+18+16)/3 = 19
18
18
20
20
19
19

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:
Pronstico para la cuarta semana: (17)+ (21)+ (19)= 19.33 galones
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. Suaviza miento exponencial
El suaviza miento 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 suaviza miento exponencial es el siguiente:

Donde:
Ft+1 = pronstico de la serie de tiempo para el perodo t+1
Yt = valor real de la serie de tiempo en el perodo t
Ft = pronstico de la serie de tiempo para el perodo t
= constante de suavizamiento, 0 1
En base a lo anterior, el pronstico para el perodo dos se calcula de la
siguiente manera:

..