STATGRAPHICS – Rev.

4/25/2007

Series de Tiempo – Métodos Descriptivos

Resumen
El procedimiento de Métodos Descriptivos crea varias tablas y gráficas para datos de
series de tiempo. Una serie de tiempo consiste en un conjunto datos numéricos
secuenciales tomados en intervalos de tiempo igualmente espaciados, usualmente sobre
un período de tiempo o espacio. El procedimiento grafica los datos y muestra las
autocorrelaciones, autocorrelaciones parciales y el periodograma de la muestra. Se
realizan pruebas para determinar si las observaciones podrían ser muestras de un proceso
aleatorio o “ruido blanco”. Si se aporta una segunda serie de tiempo, también se calculan
y se muestran las correlaciones cruzadas entre las dos series.

StatFolio de Muestra: tsdescribe.sgp

Datos Muestrales:
El archivo golden gate.sf6 contiene volúmenes del tráfico mensual del puente Golden
Gate en San Francisco para un período de n = 168 meses desde enero de 1968 hasta
diciembre de 1981. La tabla de abajo muestra una lista parcial de los datos de ese
archivo:

Month Traffic
1/68 73.637
2/68 77.136
3/68 81.481
4/68 84.127
5/68 84.562
6/68 91.959
7/68 94.174
8/68 96.087
9/68 88.952
10/68 83.479
11/68 80.814
12/68 77.466
1/69 75.225
… …

Los datos fueron obtenidos de una publicación del Puente Golden Gate.

©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -

1
 STATGRAPHICS – Rev. 4/25/2007

Captura de Datos
El cuadro de diálogo de captura de datos requiere el nombre de la columna que contiene
los datos de series de tiempo:

• Datos: columna numérica que contiene n observaciones igualmente espaciadas.

• Intervalo de Muestreo: define el intervalo entre observaciones sucesivas. Por
ejemplo, los datos del Puente Golden Gate fueron recabados una vez al mes,
iniciando en enero de 1968.
• Estacionalidad: la amplitud de la estacionalidad s, si la hay. Los datos son
estacionales si existe un patrón que se repite en un período de tiempo fijo. Por
ejemplo, los datos mensuales como el tráfico en el puente Golden Gate tienen una
estacionalidad de s = 12. Los datos por hora que se repiten todos los días tienen una
estacionalidad de s = 24. Si no se introduce nada, se asume que los datos no tienen
estacionalidad (s = 1).
• Ajuste por Jornadas Financieras: una variable numérica con n observaciones
usadas para normalizar las observaciones originales tales como el número de días
laborales en un mes. Las observaciones en la columna Datos serán divididas por estos
valores antes de ser graficadas o analizadas.
• Selección: selecciona el subconjunto.

©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -

2
 STATGRAPHICS – Rev. 4/25/2007

Resumen del Análisis

El Resumen del Análisis muestra el número de observaciones en la serie de tiempo y la

amplitud de la estacionalidad:

Métodos Descriptivos - Traffic

Datos/Variable: Traffic (Golden Gate Bridge Traffic Volume)

Número de observaciones = 168

Indice Inicial = 1/68
Intervalo de Muestra = 1.0 mes(es)
Longitud de la estacionalidad = 12

Nota: una cantidad limitada de datos faltantes está permitida, siempre que no haya
demasiados valores faltantes juntos. Los valores faltantes son reemplazados por valores
interpolados de acuerdo con el método señalado en la sección Cálculos.

Tabla de Datos
La Tabla de Datos despliega la captura de datos:

Tabla de Datos para Traffic

Periodo Datos Ajustados

1/68 73.637 1.8671
2/68 77.136 1.88726
3/68 81.481 1.91106
4/68 84.127 1.92494
5/68 84.562 1.92718
6/68 91.959 1.96359
7/68 94.174 1.97393
8/68 96.087 1.98266
9/68 88.952 1.94916
10/68 83.479 1.92158
11/68 80.814 1.90749
12/68 77.466 1.88911
… … …

• Periodo: el índice de la muestra t.

• Datos: la observación yt.

• Ajustados: los datos ajustados y t′ , si un ajuste ha sido especificado usando Opciones

de Análisis.

Opciones de Análisis
Opciones de Análisis permite que los datos sean transformados antes de que sean
graficados o analizados:

©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -

3
 STATGRAPHICS – Rev. 4/25/2007

• Matemática: transforma los datos mediante la realización de la operación matemática

indicada. Con excepción de la transformación de Box-Cox, las selecciones son auto
explicatorias. La transformación de Box-Cox es usada cuando es necesario que los
datos sean más Gaussianos. Para una discusión detallada, ver la documentación para
el procedimiento Transformaciones de Box-Cox.

• Estacional: ajuste estacional de datos usando el método indicado. Los ajustes

estacionales están diseñados para remover cualquier componente estacional de los
datos. Los métodos usados son discutidos en la documentación para el procedimiento
Descomposición Estacional.

• Tendencia: remueve una tendencia ajustando y substrayendo el tipo de tendencia

indicado. Los datos transformados son los residuos de la línea de tendencia. Las
ecuaciones para cada tipo de tendencia es discutida en la documentación para el
procedimiento Predicción.

• Diferenciación: transforma los datos al tomar las diferencias no estacionales de orden

d y/o las diferencias estacionales de orden D. La Diferenciación es usada algunas
veces para estabilizar una serie de tiempo no estacionaria que no tiene una media
constante. Una diferencia no estacional de orden d es creada al substraer consecutivas
observaciones d veces. Por ejemplo, la primera diferencia (d = 1) es dada por:

y t′ = y t − y t −1 (1)

Mientras que una segunda diferencia (d = 2) está dada por:

©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -

4
 STATGRAPHICS – Rev. 4/25/2007

y t′ = ( y t − y t −1 ) − ( y t −1 − y t −2 ) (2)

Una diferencia estacional de orden 1 (D = 1) está dada por:

y t′ = y t − y t − s 3)

Una diferencia estacional de orden 2 (D = 2) está dada por:

y t′ = ( y t − y t − s ) − ( y t − s − y t − 2 s ) (4)

• Inflación: ajusta los datos por la inflación usando la tasa de inflación especificada
λ. Aplicada al inicio del período, el ajuste es:

yt
y t′ = (5)
(1 + λ )(t −t +1)
0

Donde t0 es el índice de la primera observación. Si se aplica a la mitad del período, el

ajuste es:

yt
y t′ = (6)
(1 + λ ) ( t −t0 + 0.5)

Si más de una transformación es requerida, éstas serán aplicadas en el siguiente orden:

1. Ajuste de días hábiles

2. ajuste por inflación
3. ajuste matemático
4. ajuste estacional
5. ajuste de tendencia
6. diferenciación

Gráfica de Secuencia de Tiempo Horizontal

La Gráfica de Secuencia de Tiempo Horizontal muestra los datos de la serie de tiempo en
orden secuencial:

©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -

5
 STATGRAPHICS – Rev. 4/25/2007

Gráfica de Serie de Tiempo para Traffic

113

103
Traffic

93

83

73
1/68 1/71 1/74 1/77 1/80 1/83

Los datos del tráfico contienen algunas características muy interesantes:

1. Una tendencia general ascendente.

2. Una ciclicidad regular anual alrededor de la tendencia, con un pico en el tráfico
que ocurre en los meses de verano.
3. Dramáticos cambios a la línea de tendencia ocurriendo a finales de 1973, cuando
el embargo al petróleo de Arabia convirtió a la gasolina en un bien difícil de
conseguir. Un suceso similar pero menos dramático ocurrió durante 1978.

Opciones de Cuadro

• Puntos: grafica símbolos de puntos en cada observación.

• Líneas: conecta las observaciones con una línea.

Gráfica de Secuencia de Tiempo Vertical

La Gráfica de Secuencia de Tiempo Vertical muestra la serie de tiempo dibujando líneas
verticales desde una línea base para cada observación:

©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -

6
 STATGRAPHICS – Rev. 4/25/2007

Gráfica de Serie de Tiempo para Traffic

113

103
Traffic

93

83

73
1/68 1/71 1/74 1/77 1/80 1/83

Opciones de Cuadro

• Línea base: posición de la cual las líneas verticales son dibujadas.

Autocorrelaciones
Una herramienta importante en la modelación de datos de series de tiempo es la función
de autocorrelación. La autocorrelación en el rezago k mide la fuerza de la correlación
entre las observaciones durante k períodos de tiempo. La autocorrelación muestral del
rezago k se calcula de la siguiente manera:
n−k

∑ (y t − y )( y t + k − y )
rk = t =1
n
(7)
∑ (y − y)
2
t
t =1

©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -

7
 STATGRAPHICS – Rev. 4/25/2007

El cuadro de Autocorrelaciones muestra las autocorrelaciones muestrales junto con los

errores estándar de los rezagos grandes y los límites de probabilidad:

Autocorrelaciones Estimadas para Traffic

Límite en 95.0% Límite en 95.0%

Retraso Autocorrelación Error Estd. Inferior Superior
1 0.840362 0.0771517 -0.151215 0.151215
2 0.601514 0.119832 -0.234866 0.234866
3 0.329537 0.136627 -0.267785 0.267785
4 0.0932316 0.141279 -0.276902 0.276902
5 -0.108987 0.141645 -0.277619 0.277619
6 -0.169318 0.142143 -0.278596 0.278596
7 -0.11148 0.143339 -0.280939 0.280939
8 0.0723794 0.143854 -0.281949 0.281949
9 0.274421 0.14407 -0.282373 0.282373
10 0.490762 0.147149 -0.288407 0.288407
11 0.664932 0.156589 -0.306909 0.306909
12 0.735963 0.172579 -0.338249 0.338249
13 0.618444 0.190346 -0.373072 0.373072
14 0.411699 0.201953 -0.395821 0.395821
15 0.173765 0.206888 -0.405494 0.405494
16 -0.0384742 0.207755 -0.407193 0.407193
17 -0.219497 0.207797 -0.407276 0.407276
18 -0.280273 0.209173 -0.409972 0.409972
19 -0.229326 0.211397 -0.41433 0.41433
20 -0.0606596 0.212872 -0.417223 0.417223
21 0.126304 0.212975 -0.417424 0.417424
22 0.338969 0.21342 -0.418297 0.418297
23 0.506746 0.216601 -0.424532 0.424532
24 0.580971 0.223547 -0.438145 0.438145

El error estándar para rk es calculado con el supuesto de que las autocorrelaciones han
“desaparecido” por el rezago k y son iguales a 0 en todos los rezagos mayores o iguales a
k. El error estándar se calcula de la siguiente manera:

1⎧ k −1
⎫
se[rk ] = ⎨
n⎩
1 + 2 ∑
i =1
rk2 ⎬
⎭
(8)

Este error estándar se usa para calcular 100(1-α)% límites de probabilidad alrededor de
cero, usando un valor crítico de la distribución normal estándar:

0 ± zα / 2 se[rk ] (9)

Si α = 0.05, las autocorrelaciones muestrales que caen fuera de esos límites son
estadísticamente significativamente diferente de 0 en un nivel de significancia de 5%. El
StatAdvisor señala ese tipo de autocorrelaciones con rojo.

Para los datos del tráfico, note que hay valores significativos para los 3 primeros rezagos
y también en la vecindad de s = 12 y 2s = 24. Los valores significativos en los primeros
©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -
8
 STATGRAPHICS – Rev. 4/25/2007

rezagos ocurren porque existen observaciones cercanas en el tiempo que están

correlacionadas. Los rezagos significativos alrededor de 12 y 24 son causados por el
fuerte patrón estacional.

Cuadro de Opciones

• Número de retrasos: máximo rezago k para calcular la autocorrelación.

• Nivel de Confianza: valor de 100(1-α)% usado para calcular los límites de

probabilidad.

Función de Autocorrelación
La gráfica de Función de Autocorrelation muestra las autocorrelacionadas muestrales y
los límites de probabilidad:

Autocorrelaciones Estimadas para Traffic

0.6
Autocorrelaciones

0.2

-0.2

-0.6

-1
0 5 10 15 20 25
retraso

©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -

9
 STATGRAPHICS – Rev. 4/25/2007

Las barras que se extienden más allá de los límites superior e inferior corresponden a
autocorrelaciones estadísticamente significativas.

Autocorrelaciones Parciales
Otra importante herramienta en la modelación de datos de series de tiempo es la función
de autcorrelación parcial. Las autocorrelaciones parciales son usadas para ayudar a
identificar el orden adecuado del modelo autorregresivo para usar en la descripción de la
serie de tiempo observada. La autocorrelación parcial φˆkk del rezago muestral k se
calcula como se describe en la sección de Cálculos. El cuadro de Autocorrelaciones
Parciales muestra las autocorrelaciones parciales muestrales junto con errores estándar
de rezagos grandes y límites de probabilidad:

Autocorrelaciones Parciales Estimadas para Traffic

Parcial Límite en 95.0% Límite en 95.0%

Retraso Autocorrelación Error Estd. Inferior Superior
1 0.840362 0.0771517 -0.151215 0.151215
2 -0.356356 0.0771517 -0.151215 0.151215
3 -0.220746 0.0771517 -0.151215 0.151215
4 -0.0325883 0.0771517 -0.151215 0.151215
5 -0.132289 0.0771517 -0.151215 0.151215
6 0.294114 0.0771517 -0.151215 0.151215
7 0.174468 0.0771517 -0.151215 0.151215
8 0.309939 0.0771517 -0.151215 0.151215
9 0.0754963 0.0771517 -0.151215 0.151215
10 0.219082 0.0771517 -0.151215 0.151215
11 0.252541 0.0771517 -0.151215 0.151215
12 0.0188762 0.0771517 -0.151215 0.151215
13 -0.267034 0.0771517 -0.151215 0.151215
14 -0.0880152 0.0771517 -0.151215 0.151215
15 -0.00778138 0.0771517 -0.151215 0.151215
16 -0.023474 0.0771517 -0.151215 0.151215
17 -0.137019 0.0771517 -0.151215 0.151215
18 -0.0313481 0.0771517 -0.151215 0.151215
19 -0.0791926 0.0771517 -0.151215 0.151215
20 0.0714297 0.0771517 -0.151215 0.151215
21 -0.0340022 0.0771517 -0.151215 0.151215
22 0.12536 0.0771517 -0.151215 0.151215
23 0.0894574 0.0771517 -0.151215 0.151215
24 0.0420213 0.0771517 -0.151215 0.151215

El error estándar para φˆkk es calculado a partir de:

1
se[φˆkk ] = (10)
n

©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -

10
 STATGRAPHICS – Rev. 4/25/2007

Este error estándar se usa para calcular 100(1-α)% límites de probabilidad alrededor de
cero, usando un valor crítico de la distribución normal estándar:

0 ± zα / 2 se[φˆkk ] (11)

Si α = 0.05, cualquiera de las autocorrelaciones parciales muestrales que caen fuera de

estos límites son estadísticamente significativamente diferente de 0 a un nivel de
significancia de 5%. El StatAdvisor señala cualquier autocorrelación parcial de ese tipo
con rojo.

Para los datos del tráfico, note que existen valores significativos a lo largo de los
primeros 13 rezagos. Esto implica que se necesitaría un modelo autorregresivo más
complicado para describir los datos observados, lo cual no sería sorprendente dada su
naturaleza (tendencia) no estacionaria.

Cuadro de Opciones

• Número de retrasos: máximo rezago k para calcular la autocorrelación parcial.

• Nivel de Confianza: valor de 100(1-α)% usado para calcular los límites de

probabilidad.

Función de Autocorrelación Parcial

La Función Parcial de Autocorrelación grafica las autocorrelaciones parciales muestrales
y los límites de probabilidad:

©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -

11
 STATGRAPHICS – Rev. 4/25/2007

Autocorrelaciones Parciales Estimadas para Traffic

1
Autocorrelaciones Parciales
0.6

0.2

-0.2

-0.6

-1
0 5 10 15 20 25
retraso

Las barras que se extienden más allá de los límites superior o inferior corresponden a
autocorrelaciones parciales significativas.

Periodograma
Las autocorrelaciones y autocorrelaciones parciales describen el comportamiento de los
datos en el dominio del tiempo, por ejemplo, al estimar estadísticos basados en un espacio
del tiempo entre observaciones. También es útil examinar los datos en el dominio de la
frecuencia al considerar qué tanta variabilidad existe en diferentes frecuencias. Se ha
demostrado que cualquier serie de tiempo discreta puede ser representada como la suma
de un conjunto de senos y cosenos en un conjunto de frecuencias llamadas frecuencias de
Fourier. Un típico componente tiene la forma:

ai cos(2πf i t ) + bi sin (2πf i t ) (12)

donde fi es la i-ésima frecuencia de Fourier. La i-ésima frecuencia de Fourier es

i
fi = (13)
n

Para i = 0, 1, …, n/2 si n es par y i = 0, 1, …, (n-1)/2 si n es impar.

El periodograma calcula la potencia de los datos en cada frecuencia de Fourier al

calcular:

I ( fi ) =
n 2
2
(
ai + bi2 ) (14)

©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -

12
 STATGRAPHICS – Rev. 4/25/2007

El cual se mide de acuerdo con una escala tal que la suma de las ordenadas del
periodograma a través de todas las frecuencias de Fourier excepto para i = 0, arroja la
suma de las desviaciones cuadradas de la serie de tiempo alrededor de su media, por
n

∑ (y − y ) . En efecto, el periodograma genera un análisis de varianza por

2
ejemplo i
i =1
frecuencia.

El cuadro del periodograma muestra la siguiente tabla:

Periodograma para Traffic

Suma Periodograma
i Frecuencia Periodo Ordenada Acumulada Integrado
0 0.0 1.57558E-23 1.57558E-23 1.66608E-27
1 0.00595238 168.0 1387.62 1387.62 0.146731
2 0.0119048 84.0 866.251 2253.87 0.238332
3 0.0178571 56.0 465.451 2719.32 0.28755
4 0.0238095 42.0 90.789 2810.11 0.297151
5 0.0297619 33.6 447.388 3257.5 0.344459
6 0.0357143 28.0 68.8937 3326.39 0.351744
7 0.0416667 24.0 60.3328 3386.72 0.358124
8 0.047619 21.0 28.0432 3414.77 0.361089
9 0.0535714 18.6667 36.3759 3451.14 0.364936
10 0.0595238 16.8 61.0357 3512.18 0.37139
11 0.0654762 15.2727 40.4935 3552.67 0.375672
12 0.0714286 14.0 24.073 3576.74 0.378217
13 0.077381 12.9231 1.28899 3578.03 0.378354
14 0.0833333 12.0 4968.08 8546.11 0.903696
15 0.089285157 1511.2 30.471915 8576.58 0.906918
… … … … … …

La tabla incluye:

• Frecuencia: la i-ésima frecuencia de Fourier fi = i/n.

• Periodo: el periodo asociado por la frecuencia de Fourier dado por 1/ fi. Este es el
número de observaciones en un ciclo completo en esa frecuencia.

• Ordenada: la ordenada del periodograma I(fi).

• Suma Acumulada: la suma de las ordenadas del periodograma en todas las

frecuencias hasta e incluyendo la i-ésima.

• Periodograma Integrado: la suma acumulada dividida entre la suma las ordenadas

del periodograma en todas las frecuencias de Fourier. Esta columna representa la
proporción de la potencia en la serie de tiempo en o debajo de la i-ésima frecuencia.

Por ejemplo, la frecuencia 14a de Fourier corresponde a una oscilación con un periodo de
12 meses. Hay una ordenada muy grande en esa frecuencia porque los datos tienden a
subir y caer sobre una base anual. Si se fuera a ajustar un modelo de regresión en esa
frecuencia, tomaría la forma:
©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -
13
 STATGRAPHICS – Rev. 4/25/2007

⎛ 2πt ⎞ ⎛ 2πt ⎞
Yt = c + a cos⎜ ⎟ + b sin ⎜ ⎟ + et (15)
⎝ 12 ⎠ ⎝ 12 ⎠

donde c es una constante y et es el término de error. Ajustando este modelo usando el

procedimiento Regresión Múltiple arroja:

⎛ 2πt ⎞ ⎛ 2πt ⎞
Yˆt = 93.9783 − 4.94209 cos⎜ ⎟ + 5.89233 sin ⎜ ⎟ (16)
⎝ 12 ⎠ ⎝ 12 ⎠

Un diagrama de puntos de éste modelo se muestra abajo:

Gráfico X-Y Múltiple

113 Variables
Regression
Traffic
103

93

83

73
1/68 1/71 1/74 1/77 1/80 1/83
Month

Note qué tanto de la variabilidad ha sido explicada por aquel simple componente.

Cuadro de Opciones

• Remover media: verifica para sustraer la media de la serie de tiempo antes de

calcular el periodograma. Si la media no es removida, la ordenada en i = 0 será
probablemente muy grande.

©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -

14
 STATGRAPHICS – Rev. 4/25/2007

• Menguar: porcentaje de los datos en cada final de la serie de tiempo en el cual un

grabador de datos será aplicado antes de que el periodograma sea calculado.
Siguiendo a Bloomfield (2000), STATGRAPHICS usa un ajustador de coseno que
disminuye la importancia de las observaciones cercanas a i = 1 y i = n. Esto es útil
para corregir el sesgo si las ordenadas del periodograma van a ser suavizadas para
crear una estimación de la función de densidad espectral subyacente.

Gráfica de Periodograma
La Gráfica de Periodograma muestra las ordenadas del periodograma:

Periodograma para Traffic

(X 1000.0)
5

4
Ordenada

0
0 0.1 0.2 0.3 0.4 0.5
frecuencia

Note un pico enorme en la frecuencia 1/12 meses. Dos pequeñas elevaciones pueden ser
observadas en el primer y segundo armónicos (2/12 y 3/12) porque la oscilación
estacional no es puramente senoidal. Existe también alguna potencia en las frecuencias
muy pequeñas, causado por las tendencias y cambios repentinos en la serie de tiempo del
tráfico.

Cuadro de Opciones

©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -

15
 STATGRAPHICS – Rev. 4/25/2007

• Remover media: verifica para substraer la media de la serie de tiempo antes de

calcular el periodograma.

• Puntos: si es verificado, serán mostrados símbolos de puntos.

• Líneas: si es verificado, las ordenadas serán conectadas por una línea.

• Menguar: porcentaje de los datos en cada final de la serie de tiempo en los cuales un
ajustador de datos será aplicado antes de que el periodograma sea calculado.

Periodograma Integrado
El Periodograma Integrado muestra las sumas acumuladas de las ordenadas del
periodograma divididas entre la suma de las ordenadas de todas las frecuencias de
Fourier:

Periodograma para Traffic

0.8
Ordenada

0.6

0.4

0.2

0
0 0.1 0.2 0.3 0.4 0.5
frecuencia

Se incluye una línea diagonal sobre la gráfica junto con bandas de Kolmogorov de 95% y
99%. Si la serie de tiempo es puramente aleatoria, el periodograma integrado debería caer
dentro de esas bandas el 95% y 99% del tiempo. Para los datos del tráfico, es seguro
concluir que los datos no forman una serie de tiempo aleatoria.

©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -

16
 STATGRAPHICS – Rev. 4/25/2007

Prueba para Aleatoriedad

El cuadro de Pruebas para Aleatoriedad muestra los resultados de pruebas adicionales
realizadas para determinar si o no la serie de tiempo es puramente aleatoria:

Prueba de Aleatoriedad de Traffic

(1) Corridas arriba o abajo de la mediana

Mediana = 94.323
Número de corridas arriba o abajo de la mediana = 32
Número esperado de corridas = 85.0
Estadístico z para muestras grandes = 8.12529
Valor-P = 4.44089E-16

(2) Corridas arriba y abajo

Número de corridas arriba y abajo = 47
Número esperado de corridas = 111.667
Estadístico z para muestras grandes = 11.8052
Valor-P = 0.0

(3) Prueba Box-Pierce

Prueba basada en las primeras 24 autocorrelaciones
Estadístico de prueba para muestras grandes = 677.926
Valor-P = 0.0

Se realizan tres pruebas:

1. Corridas arriba y debajo de la mediana: calcula el número de veces que la serie

va arriba o debajo de su mediana. Este número es comparado con el valor
esperado para una serie de tiempo aleatoria. Una serie con tendencia como la de
los datos del tráfico, es probable que muestre significativamente menos corridas a
las esperadas. Pequeños P-values (menos que 0.05 si se opera en un nivel de
significancia de 5%) indican que la serie de tiempo no es puramente aleatoria.

2. Corridas arriba y abajo: calcula el número de veces que la serie sube y baja. Éste
número se compara con el valor esperado para una serie de tiempo aleatoria. Una
serie con fuerte oscilación, tal como los datos del tráfico, es muy probable de
mostrar significativamente menos corridas que las esperadas. Pequeños P-values
indican que la serie de tiempo no es puramente aleatoria.

3. Prueba de Box-Pierce: construye una prueba estadística basada en las primeras k

autocorrelaciones muestrales al calcular:

k
Q = n∑ ri 2 (17)
i =1

Éste estadístico se compara con una distribución chi-cuadrada con k grados de

libertad. Como con las otras dos pruebas, pequeños P-values indican que la serie
de tiempo no es puramente aleatoria.

©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -

17
 STATGRAPHICS – Rev. 4/25/2007

Nuevamente, no hay alguna duda de que la serie de tráfico contiene una estructura no
aleatoria significativa.

Cuadro de Opciones

• Número de retrasos: número de rezagos k para incluir en la prueba de Box-Pierce.

Correlaciones Cruzadas
El cuadro de Correlaciones Cruzadas muestra correlaciones cruzadas entre la serie de
tiempo principal y la segunda serie especificada usando las Opciones de Cuadro. Las
correlaciones cruzadas entre una serie de tiempo Y en el tiempo t y una segunda serie de
tiempo X en el tiempo t-k se denota como cxy(k). Un uso típico de las correlaciones
cruzadas es en la identificación de “indicadores principales” o en una relación insumo-
producto. Por ejemplo, Box, Jenkins y Reinsel (1994) presentan datos de insumo y
producto de un horno de gas en intervalos de 9 segundos los cuales se encuentran en el
archivo furnace.sf6. Los datos consisten en:

1. Serie de producto Y: % Co2 en el gas obtenido

2. Serie de insumo X: tasa de gas introducido en pies cúbicos por minuto

La tabla de correlaciones cruzadas se muestra abajo:

Correlaciones Cruzadas Estimadas para Output con Input

Retraso Correlación Cruzada

-8 -0.179456
-7 -0.206068
-6 -0.226716
-5 -0.242871
-4 -0.260351
-3 -0.286432
-2 -0.328542
-1 -0.393467
0 -0.484451
1 -0.598405
2 -0.725033
3 -0.84282
4 -0.924592
5 -0.95032
6 -0.914593
7 -0.82932
8 -0.71652

©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -

18
 STATGRAPHICS – Rev. 4/25/2007

Algunas correlaciones negativas grandes son notables, con un pico en k = 5. Esto sugiere
que los incrementos en el insumo tasa de gas usado causan decrementos en el % de Co2
en la tasa de gas obtenido con un pico alrededor de 45 segundos después.

Cuadro de Opciones

• Segunda Serie de Tiempo: las observaciones para la serie de tiempo X.

• Número de rezagos: máximo rezago k (positivo y negativo) en el cual se calculan las

correlaciones cruzadas.

Gráfica de Correlaciones Cruzadas

La Gráfica de correlaciones cruzadas muestra las correlaciones cruzadas estimadas:

Correlaciones Cruzadas Estimadas para Output con Input

1
Correlaciones Cruzadas

0.6

0.2

-0.2

-0.6

-1
-25 -15 -5 5 15 25
retraso

©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -

19
 STATGRAPHICS – Rev. 4/25/2007

Note las correlaciones negativas grandes en los rezagos positivos.

Guardar Resultados
Los siguientes resultados pueden ser guardados en la hoja de base de datos:

1. Datos – las observaciones originales junto con cualquier valor interpolado

reemplazado para los datos faltantes.

2. Datos Ajustados – datos de la serie de tiempo después que cualquier ajuste se

haya hecho.

3. Etiquetas de periodo – identificación del tiempo t para cada observación.

4. Autocorrelaciones – autocorrelaciones muestrales.

5. Autocorrelaciones parciales – autocorrelaciones parciales muestrales.

6. Correlaciones cruzadas – correlaciones cruzadas muestrales.

7. Ordenadas de Periodograma –ordenadas del periodograma calculadas.

8. Frecuencias de Fourier – Frecuencias de Fourier que corresponden a las

ordenadas del periodograma.

©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -

20
 STATGRAPHICS – Rev. 4/25/2007

Cálculos

Datos Faltantes
Un limitado número de datos faltantes está permitido, mientras no haya muchos valores
faltantes que se encuentren cerca. Antes que los datos sean analizados, los valores
faltantes son reemplazados por valores interpolados, los cuales son determinados de
acuerdo con la siguiente regla:

1. Si yt, la observación en el tiempo t, falta, encuentre las dos observaciones en la

misma estacionalidad que preceden el tiempo t (yt-s y yt-2s) y las dos observaciones
en la misma estacionalidad que vienen después del tiempo t (yt+s y yt+2s).

2. Si ninguna de las cuatro observaciones falta, entonces el valor de reemplazo para

yt es:

− 3 y t − 2 s + 12 y t − s + 12 y t + s − 3 y t + 2 s
yt = (18)
18

3. Si yt+2s falta pero los otros tres no, entonces el valor de reemplazo para yt es:

− yt −2 s + 3 yt − s + yt + s
yt = (19)
3

4. Si yt+s está faltando pero los otros tres no, entonces el valor de reemplazo para yt
es:

− 3 yt −2 s + 8 yt −s + yt + s
yt = (20)
6

5. Si yt+s está faltando pero los otros tres no, entonces el valor de reemplazo para yt
es:
y + 8 yt + s − 3 yt +2 s
yt = t −2 s (21)
6

6. Si yt-2s está faltando pero los otros tres no, entonces el valor de reemplazo para yt
es:
y + 3 yt + s − yt + s
yt = t −s (22)
3

7. Si yt+s y yt+2s están faltando pero los otros dos no, entonces el valor de reemplazo
para yt es:

©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -

21
 STATGRAPHICS – Rev. 4/25/2007

yt = − yt −2 s + 2 yt − s (23)

8. Si yt-s y yt+2s están faltando pero los otros dos no, entonces el valor de reemplazo
para yt es:

yt −2 s + 2 yt + s
yt = (24)
3

9. Si yt-s y yt+s están faltando pero los otros dos no, entonces el valor de reemplazo
para yt es:

yt −2 s + yt +2 s
yt = (25)
2

10. Si yt-2s y yt+2s están faltando pero los otros dos no, entonces el valor de reemplazo
para yt es:

yt −s + yt + s
yt = (26)
2

11. Si yt-2s y yt+s están faltando pero los otros dos no, entonces el valor de reemplazo
para yt es:

2 y t − s + y t + 2s
yt = (27)
3

12. Si yt-2s y yt-s están faltando pero los otros dos no, entonces el valor de reemplazo
para yt es:

yt = 2 yt + s − yt + 2 s (28)

Si más de 2 de las cuatro observaciones están faltando, un mensaje de error será mostrado
y el análisis no será realizado.

Los valores interpolados están diseñados para reproducir perfectamente una tendencia
cuadrática (si solamente una de las observaciones falta) o una tendencia lineal (si faltan
dos observaciones), siempre que no haya ruido presente.

©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -

22
 STATGRAPHICS – Rev. 4/25/2007

Autocorrelaciones Parciales

⎧r1 k =1
⎪ k −1
⎪⎪ rk − ∑ φˆk −1, j rk − j
φˆkk = ⎨ j =1 para k > 1 (29)
⎪ k −1
⎪ 1 − ∑ φˆk −1, j r j
⎪⎩ j =1

donde

φˆkj = φˆk −1, j − φˆkk φˆk −1,k − j para j = 1, 2, …, k-1

(30)

Pruebas de Corridas
Refiérase a la documentación para el procedimiento Cuadros de Rachas o Corridas.

Correlaciones Cruzadas

c xy (k )
rxy (k ) = (31)
sx s y

donde

1 n−k
c xy (k ) = ∑ (xt − x )( yt + k − y ) para k = 0, 1, 2, …
n t =1
(32)

1 n+ k
c xy (k ) = ∑ ( yt − y )(xt −k − x ) para k = 0, -1, -2, …
n t =1
(33)

∑x t
x= t =1
(34)
n
n

∑y t
y= t =1
(35)
n

©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -

23
 STATGRAPHICS – Rev. 4/25/2007

s x = c xx (0) (36)

s y = c yy (0) (37)

©2006 por StatPoint, Inc. Series de Tiempo – Métodos Descriptivos -

24