BANCO CENTRAL DE COSTA RICA DIVISIN ECONMICA DEPARTAMENTO DE INVESTIGACIONES ECONMICAS DIE/02-2002-NT NOTA TCNICA JUNIO, 2002

ASPECTOS CONCEPTUALES SOBRE SERIES DE TIEMPO

-NOCIONES BSICAS-

Ana Cecilia Kikut Valverde Evelyn Muoz Salas Juan Carlos Quirs Solano

Documento de trabajo del Banco Central de Costa Rica, elaborado en la Divisin Econmica, Departamento de Investigaciones Econmicas Las ideas expresadas en este documento son responsabilidad de los autores y no necesariamente representa la opinin del Banco Central de Costa Rica

TABLA DE CONTENIDO

PRESENTACIN............................................................................................................................ 1 1.CLASIFICACIN DE LOS MODELOS CUANTITATIVOS ......................................................... 1 1.1.Modelos Multivariantes o Economtricos............................................................................. 1 1.2.Modelos Univariantes ........................................................................................................... 2 2.MODELOS ARIMA....................................................................................................................... 3 2.1.Notacin Box-Jenkins ........................................................................................................... 4 2.2.Proceso Arima ...................................................................................................................... 5 2.2.1.Identificacin .................................................................................................................. 5 2.2.2.Estimacin...................................................................................................................... 7 2.2.3.Verificacin .................................................................................................................... 8 2.2.4.Pronstico...................................................................................................................... 8 2.3.Anlisis de Intervencin........................................................................................................ 9 2.4.Modelos Estacionales......................................................................................................... 10 3.COMPONENTES DE UNA SERIE DE TIEMPO....................................................................... 11 4.DESCOMPOSICIN DE LAS SERIES DE TIEMPO................................................................ 13 5.MTODOS DE EXTRACCIN DE SEALES.......................................................................... 14 6.BIBLIOGRAFA CONSULTADA................................................................................................ 15

PRESENTACIN La siguiente nota tcnica resume los principales aspectos conceptuales de series de tiempo y mtodos de extraccin de seales abordados en el Taller TRAMO/SEATS, impartido por el Departamento de Investigaciones Econmicas en diversas ocasiones. Se consider oportuno documentar estos conceptos para facilitar y promover su uso como material de consulta, no solo por los participantes al taller mencionado sino tambin por parte de los dems funcionarios de la Divisin Econmica. Adicionalmente, para el mbito de Desarrollo y Anlisis Metodolgicos constituye una gua para la exposicin de estos tpicos en futuras ocasiones. Por la naturaleza del documento, los temas son presentados en una forma sencilla y amigable, indicando algunas referencias bibliogrficas que pueden ser consultadas por quienes deseen profundizar en algn tema particular. 1.CLASIFICACIN DE LOS MODELOS CUANTITATIVOS Los modelos cuantitativos se pueden clasificar, de acuerdo con la informacin que utilizan en multivariantes o economtricos, y en univariantes o de series de tiempo. 1.1.Modelos Multivariantes o Economtricos Los modelos economtricos tratan de explicar el comportamiento de una o ms variables en funcin de la evolucin de otras variables que se consideran explicativas. Las variables explicadas por el modelo se denominan endgenas, mientras que las variables explicativas del modelo, pero no explicadas por l, se denominan predeterminadas. Entre las variables predeterminadas se distinguen dos grupos: exgenas y endgenas retardadas, estas ltimas no son explicadas por el modelo en el momento t, pero han sido explicadas por l en un momento anterior, por su parte, las exgenas son variables que no son explicadas por el modelo en ningn momento1. Los modelos multivariantes contemplan de forma explcita la informacin que aportan las variables causales del fenmeno de inters de acuerdo con una determinada teora econmica. Una ventaja de este modelo consiste en que los resultados que se generan son ms eficientes y poseen mayor poder explicativo que los modelos univariantes. Sin embargo, en estos modelos, cuando se desea realizar predicciones, el desconocimiento de los valores de las variables explicativas en el futuro determina la necesidad de utilizar predicciones para stas, lo cual incrementa el nivel de incertidumbre con que se realiza la prediccin economtrica. Por otro parte, cuando el futuro puede suponer una alteracin de tendencias de comportamiento respecto al pasado reciente, es recomendable utilizar estos modelos causales para predecir a mediano plazo (1 a 5 aos).

Vase, Guisn, Mara del Carmen. Econometra (1997).

Los modelos ms sencillos se le denominan uniecuacionales, pues solo tienen una variable endgena corriente en el lado izquierdo de la relacin (variable endgena o regresando), en el otro lado, puede haber una o varias variables explicativas (exgenas y endgenas retardadas). Adems de las variables mencionadas, en cada ecuacin interviene generalmente una variable no observable (la perturbacin aleatoria), la cual recoge los efectos de diversos factores que desvan ligeramente el valor de la variable explicada respecto al valor esperado de acuerdo al modelo. Por ejemplo:

Yt = 0 + 1 X t + 2Yt 1 + t
en donde;

Yt es la variable endgena, X t es exgena, Yt1 es una variable endgena retardada y

es la perturbacin aleatoria. En el caso que exista interdependencia entre la variable explicada por la ecuacin y alguna de las variables explicativas, u otras variables endgenas de otras ecuaciones, se debe formular un sistema de ecuaciones en el que tenga en cuenta las diversas relaciones existentes entre esas variables, utilizando mtodos de estimacin diseados especialmente para modelos multiecuacionales. Cuando el objetivo del estudio economtrico es exclusivamente la prediccin no siempre es necesario que se especifique un modelo causal en el que la variable explicada se exprese en funcin de un conjunto de variables explicativas, ya que en muchos casos se pueden obtener predicciones satisfactorias mediante modelos de prediccin univariantes. 1.2.Modelos Univariantes En este enfoque no se necesita conocer ninguna relacin de causalidad, explicativa del comportamiento de la variable endgena, ni en su defecto, ninguna informacin relativa al comportamiento de otras variable explicativas, ya que en este caso no existe este tipo de variables. Es suficiente con conocer una serie temporal de la variable en estudio, para estimar el modelo que se utilizar para predecir. La prediccin univariante se utiliza, en problemas econmicos, principalmente con dos objetivos: La prediccin de algunas variables explicativas de un modelo causal, cuando se espera que en el futuro conserven algunas de las caractersticas de su evolucin en el pasado. La prediccin a corto plazo (de 1 a 4 trimestres), debido a su gran capacidad para recoger la dinmica en el comportamiento de la variable estudiada. Adems, en condiciones normales, cuando no existen bruscas alteraciones respecto a la experiencia reciente de la variable, estos mtodos pueden proporcionar buenas predicciones.

Entre las tcnicas univariantes existen algunas muy sencillas, tales como el modelo autorregresivo de primer orden, el modelo de tendencia lineal o exponencial, entre otros. Las tcnicas ms rigurosas para la prediccin univariante son las denominadas tcnicas o modelos Box-Jenkins, o ms concretamente modelos ARIMA, pues las tcnicas Box-Jenkins constituyen un conjunto ms amplio, dentro del cual los modelos ARIMA univariantes son slo una parte. Por ltimo, se encuentran los modelos de funcin de transferencia que renen caractersticas de los modelos univariantes y multivariantes.
CLASIFICACIN DE LOS MODELOS CUANTITATIVOS

Univariantes o de series de tiempo Ej. ARIMA univariantes ARIMA estacionales ARIMA + Anlisis de intervencin Uniecuacionales

Multivariantes o economtricos

Multiecuacionales

Modelos de funcin de transferencia

Prediccin 1-4 trimestres

Prediccin 1-5 aos

Simulacin (Anlisis causal)

2.MODELOS ARIMA La metodologa de los modelos ARIMA fue formalizada por Box y Jenkins en 1976, por eso tambin se les denomina modelos Box-Jenkins. Los modelos ARIMA forman parte de la rama de la Estadstica que se denomina Anlisis de series de tiempo. Se fundamentan en la teora de los procesos estocsticos. El nombre de estos modelos ARIMA procede de las siglas en ingls de Autorregresive, integrated and moving average. Su significado es Modelos integrados (I) autorregresivos (AR) y de medias mviles (MA). Este enfoque parte del hecho que la serie temporal que se trata de predecir es generada por un proceso estocstico o aleatorio cuya naturaleza puede ser caracterizada mediante un modelo.

Para efectuar la estimacin de un modelo ARIMA se requiere de una serie temporal mensual o trimestral de tamao grande para la variable y. Por ejemplo, en el paquete t TRAMO/SEATS se requieren 36 observaciones (3 aos) en el caso de datos mensuales y 16 (4 aos) en el caso de datos trimestrales. 2.1.Notacin Box-Jenkins La notacin compacta de los modelos ARIMA es la siguiente: ARIMA (p,d,q) donde: p: Nmero de parmetros autorregresivos. d: Nmero de diferenciaciones para que la serie sea estacionaria. q: Nmero de parmetros de medias mviles. La notacin con operador de rezagos es (1-B) o . Es decir, (1-B) z t = z t = zt zt-1 Por otra parte, la notacin extendida de un modelo ARMA(p,q) es la siguiente: (1- 1*B - 2*B2 - ... - p*Bp ) zt = (1- 1*B - 2*B2 - ... - q*Bq ) at Entonces, la notacin de un modelo MA(1) y de un modelo MA(2) es: MA(1) z t = at - 1* at-1 MA(2) z t = at - 1* at-1 - 2* at-2 La notacin de modelos autorregresivos de orden 1 y orden 2 es: AR(1) (1- 1*B) z t = at z t - 1* z t-1 = at z t = 1* z t-1 + at AR(2) z t = 1* zt-1 + 2* z t-2 + at Por ultimo, la notacin de un modelo mixto es: ARMA(1,1) z t = 1* zt-1 + at - 1* at-1

2.2.Proceso Arima Las etapas que se siguen en la elaboracin de un modelo ARIMA con fines predictivos son las siguientes: identificacin, estimacin, verificacin y pronstico.

Identificacin

Estimacin

Verificacin

Pronstico

Lo que se trata es de identificar el proceso estocstico que ha generado los datos, estimar los parmetros que caracterizan dicho proceso, verificar que se cumplan las hiptesis que han permitido la estimacin de dichos parmetros. Si dichos supuestos no se cumplieran, la fase de verificacin sirve como retroalimentacin para una nueva fase de identificacin. Cuando se satisfagan las condiciones de partida, se puede utilizar el modelo para pronosticar. 2.2.1.Identificacin Como primer paso se requiere que la serie de inters sea estacionaria. Una serie estacionaria es aquella que posee una media y una variancia constante. El orden de integracin (o grado de diferenciacin), denotado por I(d), se refiere al nmero de veces que una serie debe ser diferenciada para obtener una serie estacionaria. El orden de integracin define el parmetro d del modelo ARIMA. Para la mayora de las series econmicas, la experiencia muestra que la estacionariedad se logra despus: de una diferencia(xt xt-1) o de una diferencia de logaritmos (log xt - log xt-1). En este caso, la variable xt es I(1), esto es, tiene una raz unitaria. A continuacin se presentan los grficos de una serie estacionaria y una no estacionaria:

VARIABLE I(0)

50

40

30

20

10 SERIE PROMEDIO 0

-10

-20

-30

-40

VARIABLE I(1)
725

675

625

SERIE 575 PROMEDIO

525

475

425

Para determinar los parmetros p y q se utilizan los grficos de la funcin de autocorrelacin simple y parcial (correlogramas). La autocorrelacin simple muestral en el rezago k (rk ) es igual a: rk = (yt-y) (yt+k -y ) / (yt -y)2

La autocorrelacin parcial muestral en el rezago k (rkk ) es igual a: rkk rkk = r1 = Si k donde rkj = si k = 1

(rk - rk-1, jrk-j / (1-rk-1,jrj) = 2, 3, ... rk-1,j-rkk rk-1,k-j para j=1, 2, ..., k-1

A continuacin se presenta la forma general de los correlogramas simple y parcial para diferentes modelos autorregresivos y de medias mviles:

Simple rk r kk

Parcial

AR(1)

1 rk

k r kk

MA(1)

1 rk

k r kk

ARMA(1,1)

2.2.2.Estimacin Para estimar los parmetros del modelo se utiliza un algoritmo de mnimos cuadrados de Gauss Marquatt para minimizar la suma de cuadrados de los residuos. Este algoritmo trata de minimizar la suma de cuadrados de los residuos, comenzando con algn valor de los parmetros del modelo. El algoritmo busca si otro vector de parmetros mejora el valor de la funcin objetivo y se produce un proceso de iteracin hasta que se alcanza la convergencia. Los programas de computador, como TRAMO/SEATS tienen definidos por defecto el valor de los parmetros iniciales del modelo, as como los criterios de convergencia.

2.2.3.Verificacin Una vez estimado el modelo ARIMA y dado que el modelo va a ser utilizado para predecir, se debe verificar que se cumplen las hiptesis de partida. El anlisis principal se centra en los residuos, pero tampoco se debe descuidar el anlisis de la bondad del ajuste del modelo estimado y el anlisis de los parmetros del modelo. A continuacin se citan algunos de los indicadores que se deben analizar: 1) Anlisis de los parmetros Valores de los parmetros i. < 1 condicin de invertivilidad ii. < 1 condicin de estacionariedad Significancia de los parmetros (t-Student) 2) Bondad del ajuste Error estndar de los residuos Estadstico BIC 3) Anlisis de los residuos (ruido blanco) Anlisis grfico Histograma Correlograma de los residuos Estadstico Q de Box-Pierce: Q = Tr2k

Este valor se compara con el valor tabular de la 2 con k grados de libertad. Si el valor calculado es mayor que el valor tabular se rechaza la hiptesis de estacionariedad. 2.2.4.Pronstico Una vez identificado el proceso ARIMA que genera la serie temporal de inters, estimados los parmetros del modelo ARIMA correspondiente y haber pasado la etapa de verificacin, se utiliza el modelo para realizar pronsticos, con el menor error de prediccin posible.

2.3.Anlisis de Intervencin Existen los modelos ARIMA con variables de intervencin, en los cuales las series econmicas son afectadas por fenmenos externos, tales como cambios tecnolgicos, huelgas, cambios en medidas de poltica o econmicas, cambios en la legislacin o escala de algn impuesto, cambios metodolgicos en la medicin de las estadsticas, etc. Estos fenmenos son llamados intervenciones ya que interfieren en el comportamiento original de la serie, por lo tanto se debe evaluar su efecto e incorporarlo al modelo ARIMA a travs de variables artificiales binarias (anlisis de intervencin). Se recurre a variables que explican la presencia de fenmenos exgenos en la serie de tiempo. Se incorporan como variables dummy en la forma de impulsos y escalones que se utilizan para representar cambios temporales o permanentes en el nivel de las series debidos a eventos especiales. La no-incorporacin de variables artificiales conduce a sesgos en las estimaciones de los parmetros, a elevar el error estndar residual y en ocasiones a errores en la especificacin del modelo ARIMA. La mayora de veces a priori no se conoce los fenmenos exgenos que afectan la serie de tiempo y ms bien se utiliza una primera aproximacin del modelo ARIMA para determinar la presencia de valores anmalos que son posteriormente incorporados al modelo. A continuacin se describen las principales variables de intervencin: Variables Impulso: Recoge el efecto de fenmenos que intervienen en la serie en un nico momento T0. Esto se traduce en una variable que contiene un uno en T0 y ceros en el resto. Afecta el componente irregular de la serie. Variable escaln: Recoge el efecto de un cambio en el nivel en la serie, es decir, que contienen ceros hasta el momento T0 y unos en adelante. Afecta el componente tendencia de la serie. Variable tendencia o rampa: Estas contienen ceros en un tramo de la serie hasta un momento T0, a partir del cual empieza a crecer en forma ascendente. Afecta la tendencia de la serie. Efecto calendario: Este efecto se refiere al hecho de que cabe esperar un mayor nivel de actividad en aquellos meses con mayor nmero de das laborales, por lo cual hay que tomar en cuenta no solo el nmero de das de cada mes, sino tambin su diferente composicin porcentual en trminos de lunes, martes, etc., en cada mes. Efecto de la semana santa o pascua (Easter effect): Con este efecto se intenta representar la influencia de la festividad mvil de semana santa ejerce sobre la actividad econmica en los meses de marzo y abril. Das de comercio (Trading-Days): Consiste en el ciclo semanal que se presenta cuando los das de la semana tienen un nivel de actividad distinto, unido a la distinta longitud de los meses; de tal modo que por ejemplo, un mes en particular podra tener un nivel de ventas superior a otro, debido nicamente a que posee un mayor nmero de das.

En el siguiente diagrama se hace una representacin de las variables de intervencin ms importantes:

Impulso Escaln

0 0 ...

0 1 1 1 ...

Rampa

11...1

00...

Das de comercio Efecto Pascua Incorporacin al modelo

yt = f ( , w , t ) + N t
parte determinstica parte estocstica

Las intervenciones se incluyen en la parte determinstica de la serie y el modelo ARIMA en la parte estocstica. 2.4.Modelos Estacionales Hasta el momento solamente se ha analizado la parte regular del modelo ARIMA. Sin embargo, muchas series econmicas presentan un elevado componente estacional, por lo que esta parte estacional tambin tendr un modelo ARIMA. En este caso tambin se sigue el proceso descrito antes, con la diferencia de que los rezagos que se deben analizar son el rezago 12, 24 y 36 en el caso de series mensuales y los rezagos 4, 8 y 12 para las series trimestrales.

10

La notacin del modelo ARIMA con parte estacional es la siguiente: ARIMA (p,d,q)(P,D,Q)s donde: p: Nmero de parmetros autorregresivos. d: Nmero de diferenciaciones para que la serie sea estacionaria. q: Nmero de parmetros de medias mviles. P: Nmero de parmetros autorregresivos en la parte estacional. D: Nmero de diferenciaciones para que la serie sea estacionaria, en la parte estacional. Q: Nmero de parmetros de medias mviles en la parte estacional. s: Periodicidad de serie (s=12 serie mensual, s=4 serie trimestral) 3.COMPONENTES DE UNA SERIE DE TIEMPO Se dice que una serie de tiem po puede descomponerse en cuatro componentes que no son directamente observables, de los cuales nicamente se pueden obtener estimaciones. Estos cuatro componentes son: Tendencia (T) que representa los movimientos de larga duracin, tambin se le conoce como evolucin subyacente de una serie. Ciclo (C) caracterizado por oscilaciones alrededor de la tendencia con una duracin aproximada de dos a ocho aos. Estacionalidad (S) es un movimiento peridico que se producen dentro del ao y que se repiten de un ao a otro. Este componente est determinado por factores institucionales y climticos. Irregularidad (I) son movimientos errticos que no siguen un patrn especfico y que obedecen a causas diversas. Este componente es prcticamente impredecible. En este punto debe hacerse la aclaracin de que las herramientas de descomposicin de series de tiempo disponibles hasta este momento realizan una estimacin de la tendencia y el ciclo en forma conjunta, es decir se obtiene una descomposicin de las series en componente estacional, componente irregular y componente tendencia-ciclo. Para separar la tendencia del ciclo, se recurre a otros procedimientos como por ejemplo el filtro de Baxter-King 1 o bien el Filtro de Hodrick-Prescott2. Estos filtros pueden aplicarse utilizando los paquetes economtricos WINRATS y EVIEWS, respectivamente.

1 2

Vase, Flores, Melania (1999) Vase, Kikut, A y Muoz, E. (199?)

11

Grficamente, la serie original y cada uno de estos componentes para el caso del PIB de Estados Unidos se aprecian de la siguiente forma:

PIB ESTADOS UNIDOS SERIE ORIGINAL 3,800 3,600 3,400 3,200 3,000 2,800 2,600 2,400 2,200 2,000 1,800 1,600 1,400 1,200 0 20 40 60 80 100 120 140 160

PIB E.U.: Serie desestacionalizada

3,800 3,600 3,400 3,200 3,000 2,800 2,600 2,400 2,200 2,000 1,800 1,600 1,400 1,200

20

40

60

80

100

120

140

160

PIB E.U.: Componente estacional

0.001 0.001 0.000 0.000 0.000 0.000 0 0 0.000 0.000 0.000 0.000 -0.001 -0.001 -0.001 -0.001 -0.001 -0.001 -0.001 -0.001 -0.001 -0.001 0 20 40 60 80 100 120 140 160

PIB E.U.: Componente irregular

0.005 0.004 0.003 0.002 0.001 0 -0.001 -0.002 -0.003 -0.004 -0.005 -0.006 -0.007 0 20 40 60 80 100 120 140 160

12

PIB E.U: Tendencia-ciclo

3,800 3,600 3,400 3,200 3,000 2,800 2,600 2,400 2,200 2,000 1,800 1,600 1,400 1,200 0 20 40 60 80 100 120 140 160

Ahora bien, existen dos modelos bsicos que muestran de manera explcita la relacin que guardan los componentes de una serie: Modelo Aditivo: se utiliza cuando los com ponentes son independientes entre si o se presentan valores negativos o ceros.

Yt = T + E + C + I
Modelo Multiplicativo: se utiliza cuando los componentes son dependientes entre s, o cuando el nivel de las series es muy cambiante.

Yt = T E C I
Si la amplitud del componente estacional vara en forma proporcional a la tendencia media anual, el modelo apropiado ser el multiplicativo; por otro lado, si el componente estacional permanece constante ante variaciones en la tendencia, el modelo ms adecuado es el aditivo, es decir la estacionalidad de la serie es independiente de su tendencia. 4.DESCOMPOSICIN DE LAS SERIES DE TIEMPO Para efectos del anlisis econmico, la estimacin de los componentes no observables de una serie de tiempo cobra relevancia. Por ejemplo, el conocimiento de los movimientos estacionales contribuye a explicar si los cambios que se estn observando en una variable, en determinado momento, obedecen efectivamente a aumentos o disminuciones en su nivel medio o bien a fenmenos estacionales. Adicionalmente, la posibilidad de aislar los factores estacionales permite el estudio de su comportamiento e identificar si son o no estables a lo largo del tiempo. Por otro lado, contar con una estimacin de la tendencia de la serie permite efectuar consideraciones acerca del crecimiento subyacente de la misma

13

5.MTODOS DE EXTRACCIN DE SEALES El proceso de descomposicin de series de tiempo en sus cuatro componentes se conoce tambin como extraccin de seales, para ello se cuenta con al menos dos grupos de mtodos: Mtodos empricos o o X11-ARIMA Census X11

Mtodos basados en modelos o o X12-ARIMA TRAMO-SEATS3

Los mtodos empricos se basan en promedios mviles, si bien son capaces de extraer caractersticas comunes de una gran cantidad de series, no tienen un modelo definido y por tanto se limita la capacidad de anlisis y del diagnstico de los resultados. Los mtodos basados en modelos utilizan estimadores que son variables aleatorias con todas sus propiedades y bandas de confianza. La principal ventaja radica en que procuran adaptarse a las caractersticas estocsticas de la serie evitando el riesgo de imprimir a las estimaciones propiedades espreas debido a uso de filtros inapropiados. Estos mtodos permiten efectuar un diagnstico amplio de las estimaciones, esta caractersticas es precisamente la que los hace superiores. Entre otras cosas permite responder a las preguntas: Con qu error se estima la estacionalidad y la tendencia-ciclo?; cules son los intervalos de confianza de los factores estacionales?. Finalmente, debe llamarse la atencin en el hecho de que el paquete integrado TRAMO/SEATS, desarrollado por el Banco de Espaa, se clasifica dentro de los mtodos basados en modelos. Este software es bastante amigable, en especial su versin para ambiente Windows, por lo cual este tipo de talleres buscan generalizar su aplicacin dentro y fuera del Banco Central de Costa Rica.4

Las siglas TRAMO hacen referencia a los terminos:Time Series Regression with ARIMA Noise, Missing Observations and Outliers y las de SEATS Signal Extraction in ARIMA Time Series. 4 Vase, Kikut, Muoz y Rodrguez (2001).

14

6.BIBLIOGRAFA CONSULTADA Flores, Melania. (2001) El filtro de Baxter King, metodologa y aplicaciones En Economa y Sociedad. N 16. Mayo Agosto 2001. Universidad Nacional. Guisn, Mara del Carmen (1997) Econometra. Espaa: McGraw-Hill Kikut, Ana Cecilia y Muoz Evelyn (1994) El filtro de Hodrick y Prescott: una tcnica para la extraccin de la tendencia de una serie. DIE-NT-03-94/R. Banco Central de Costa Rica Kikut, Ana Cecilia, Muoz Evelyn y Rodrguez Margarita (2001). Gua para el uso e interpretacin de TRAMO SEATS como procedimiento para el ajuste estacional y extraccin de seales. DIE-DCS/01-2001-NT Martn G., Labeaga J.M., Mochn F. (1997). Introduccin a la Econometra. Madrid: Prentice Hall Iberia.

kikutva@bccr.fi.cr munozse@bccr.fi.cr quirossj@bccr.fi.cr

15
C:\Documents and Settings\bogantesvk\Local Settings\Temporary Internet Files\OLKA\DIE-02-2002-NT-NOTA TCNICA ASPECTOS CONCEPTUALES SOBRE SERIES DE TIEMPO.doc 27/06/2002/10:18 a.m.