17/11/2017 Introduccin al analisis clasico de series de tiempo

Leccin
Introduccin al Anlisis Clsico de Series de Tiempo
Estadstica
Citar como: Arellano, M. (2001): "Introduccin al Anlisis Clsico de Series de Tiempo", [en lnea] 5campus.com, Estadstica
<http://www.5campus.com/leccion/seriest> [y aadir fecha consulta]

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 Ejemplos

- Precios de un artculo
- Tasas de desempleo
1. Series econmicas: - Tasa de inflacin
- ndice de precios, etc.
- Meteorologa
- Cantidad de agua cada
2. Series Fsicas: - Temperatura mxima diaria
- Velocidad del viento (energa elica)
- Energa solar, etc.
3. Geofsica: - Series sismologas

- Tasas de crecimiento de la poblacin

4. Series demogrficas: - Tasa de natalidad, mortalidad
- Resultados de censos poblacionales
5. Series de marketing: - Series de demanda, gastos, ofertas

6. Series de telecomunicacin: - Anlisis de seales

http://ciberconta.unizar.es/leccion/seriest/100.htm 1/17
17/11/2017 Introduccin al analisis clasico de series de tiempo

7. Series de transporte: - Series de trfico

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 dece 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 equiespaciada, en caso contrario ser no equiespaciada.

En adelante se trabajar con series de tiempo discreta, equiespaciadas en cuyo caso asumiremos y sin perdida
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:

http://ciberconta.unizar.es/leccion/seriest/100.htm 2/17
17/11/2017 Introduccin al analisis clasico de series de tiempo

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
http://ciberconta.unizar.es/leccion/seriest/100.htm 3/17
17/11/2017 Introduccin al analisis clasico de series de tiempo

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), donde 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.

http://ciberconta.unizar.es/leccion/seriest/100.htm 4/17
17/11/2017 Introduccin al analisis clasico de series de tiempo

3. T(t) = a + b ebt
1.T(t) = a + bt (Lineal) 2.T(t) = a ebt (Exponencial) (Exponencial modificada)

4.T(t) = b0 + b1t ,...,+ 5.T(t) = exp(a + b(rt))

(Gompertz 0 < r < 1)
bmtm (Polinomial) 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 I II III IV Total Anual

1964 398 352
1965 283 454 392 345 1,474
1966 274 392 290 210 1,166
1967 218 382 382 340 1,322
1968 298 452 423 372 1,545
1969 336 468 387 309 1,500

http://ciberconta.unizar.es/leccion/seriest/100.htm 5/17
17/11/2017 Introduccin al analisis clasico de series de tiempo

1970 264 399 408 396 1,467

1971 389 604 579 513 2,085
1972 510 661
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 t T(t) Tendencia

1964: 3 1 398 291,73
4 2 352 298,07
1965: 1 3 283 304,41
2 4 454 310,75
3 5 392 317,09
4 6 345 323,43
1966: 1 7 274 329,77
2 8 392 336,11
3 9 290 342,45
4 10 210 348,79
1967: 1 11 218 355,13
2 12 382 361,47
3 13 382 367,81
4 14 340 374,15
1968: 1 15 298 380,49
2 16 452 386,83
3 17 423 393,17
4 18 372 399,51
1969: 1 19 336 405,85
2 20 468 412,19
3 21 387 418,53
4 22 309 424,87
1970: 1 23 264 431,21
2 24 399 437,55
3 25 408 443,89
4 26 396 450,23
1971: 1 27 389 456,57
2 28 604 462,91
3 29 579 469,25
4 30 513 475,59
1972: 1 31 510 481,93
2 32 661 488,27

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).

http://ciberconta.unizar.es/leccion/seriest/100.htm 6/17
17/11/2017 Introduccin al analisis clasico de series de tiempo

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
http://ciberconta.unizar.es/leccion/seriest/100.htm 7/17
17/11/2017 Introduccin al analisis clasico de series de tiempo

(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 Datos Total Mvil en cuatro Promedio Mvil de cuatro Promedio Mvil Centrado de cuatro
trimestre Originales Y trimestres trimestres trimestres
(1) (2) (3) (4) (5)
1964: 3 398
4 352
1965: 1 283 1.487 372 371
2 454 1.481 370 369
3 392 1.474 369 367
4 345 1.465 366 359
1966: 1 274 1.403 351 338
2 392 1.301 325 308
3 290 1.166 292 285
4 210 1.110 278 276
1967: 1 218 1.100 275 287
2 382 1.192 298 314
3 382 1.322 331 341
4 340 1.402 351 359
1968: 1 298 1.472 368 373
2 452 1.513 378 382
3 423 1.545 386 391
4 372 1.583 396 398
1969: 1 336 1.599 400 395
2 468 1.563 391 383
3 387 1.500 375 366
4 309 1.428 357 348
1970: 1 264 1.359 340 342
2 399 1.380 345 356
3 408 1.467 367 382
4 396 1.592 398 424
1971: 1 389 1.797 449 471
2 604 1.968 492 507
3 579 2.085 521 536
4 513 2.206 552 559
1972: 1 510 2.263 566
2 661

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.

http://ciberconta.unizar.es/leccion/seriest/100.htm 8/17
17/11/2017 Introduccin al analisis clasico de series de tiempo

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

http://ciberconta.unizar.es/leccion/seriest/100.htm 9/17
17/11/2017 Introduccin al analisis clasico de series de tiempo

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 representa la serie con los efectos de tendencia

removidos.

Anlogamente, si el modelo es mixto representa la serie, una vez removidos los efectos
de tendencia.

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.
http://ciberconta.unizar.es/leccion/seriest/100.htm 10/17
17/11/2017 Introduccin al analisis clasico de series de tiempo

Para fijar ideas, supongamos una serie con datos trimestrales y que la informacin de las series residuales
pueden ser resumidas como en las tablas 2.4 y 2.5.

Tabla 2.4. Residuos modelo Mixto

Perodo 1 2 K Promedio STD C.V.
Estacin Fila Fila Fila
1 W(1) W(5) W(4k-3) S1
2 W(2) W(6) W(4k-2) S2
3 W(3) W(7) W(4k-1) S3
4 W(4) W(8) W(4k) S4

Tabla 2.5. Residuos modelo Aditivo

Perodo 1 2 K Promedio STD C.V.
Estacin Fila Fila Fila
1 R(1) R(5) R(4k-3) S1
2 R(2) R(6) R(4k-2) S2
3 R(3) R(7) R(4k-1) S3
4 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

http://ciberconta.unizar.es/leccion/seriest/100.htm 11/17
17/11/2017 Introduccin al analisis clasico de series de tiempo

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 y se obtuvo la serie suavizada

Z(t):
Trimestre 1965 1966 1967 1968 1969 1970 1971
1 371 338 286,5 373,125 395,25 342,375 470,625
2 369 308,375 314,25 382,25 382,875 355,875 506,625
3 367 284,5 340,5 391 366 382,375 536,375
4 359 276,25 359,25 397,75 348,375 423,625 558,625

Sea la estimacin de la tendencia ( )

Trimestre 1965 1966 1967 1968 1969 1970 1971

1 368,83 337,50 325,19 331,90 357,63 402,39 466,16
2 359,21 332,64 325,09 336,55 367,04 416,55 485,08
3 350,78 328,97 326,48 342,39 377,63 431,90 505,18
4 343,55 326,48 328,44 349,42 389,42 448,44 526,47

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

Trimestre 1965 1966 1967 1968 1969 1970 1971
1 0,77 0,81 0,67 0,9 0,94 0,66 0,83 0,80
2 1,26 1,18 1,18 1,34 1,28 0,96 1,25 1,21
3 1,12 0,88 1,17 1,24 1,02 0,94 1,15 1,07
4 1 0,64 1,04 1,06 0,79 0,88 0,97 0,91
= 0,9975

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

http://ciberconta.unizar.es/leccion/seriest/100.htm 12/17
17/11/2017 Introduccin al analisis clasico de series de tiempo

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.).

http://ciberconta.unizar.es/leccion/seriest/100.htm 13/17
17/11/2017 Introduccin al analisis clasico de series de tiempo

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 2 3 4 5 6
1 1,73757 2,42106 4,47481 4,78939 5,19210 5,10775
2 2,01815 2,80325 4,85566 5,14076 5,06387 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 2 3 4 5 6
1 - 2,41589 4,15214 4,89381 5,14721 5,12181
2 2,04874 3,1256 4,74389 5,06576 5,1069 -

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 3 4 5 6 SW CV
1 - 1,00214 1,07771 0,97866 1,00872 0,9953 1,01251 0,03813 0,02766
2 0,98507 0,89687 1,02356 1,0148 0,99157 - 0,98237 0,05037 0,05127

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
http://ciberconta.unizar.es/leccion/seriest/100.htm 14/17
17/11/2017 Introduccin al analisis clasico de series de tiempo

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)

Los resultados se muestran en Tabla 3.4.

Tabla 3.4. Serie de Residuos (R(t))

Sem/Ao 1 2 3 4 5 6 SR CV
1 - 0,00517 0,32267 -0,10442 0,04489 -0,02406 0,04885 0,16256 3,3278
2 -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

http://ciberconta.unizar.es/leccion/seriest/100.htm 15/17
17/11/2017 Introduccin al analisis clasico de series de tiempo

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 Conectado 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.

http://ciberconta.unizar.es/leccion/seriest/100.htm 16/17
17/11/2017 Introduccin al analisis clasico de series de tiempo

http://ciberconta.unizar.es/leccion/seriest/100.htm 17/17