“Año de la Diversificación Productiva y del Fortalecimiento de la Educación”

Universidad Nacional de la Amazonía Peruana

Facultad de Ciencias Económicas y de Negocios

Escuela Profesional de Economía

Título : “Series de tiempo”

ASIGNATURA : Econometría 2

DOCENTE : Econ. Ingrith Panduro Torres.

ALUMNO : Hugo Egoávil Reátegui.

TURNO :Noche

Nivel :IV

Ciclo :XVII

Fecha de entrega: 08/05/2015

IQUITOS – PERÚ
2015

1
 Capítulo1: Series Temporales

Concepto 1:

Una serie temporal es una sucesión de observaciones de una variable tomadas en varios
instantes de tiempo.

 Nos interesa estudiar los cambios en esa variable con respeto al tiempo.
 Predecir sus valores futuros.

Algunos ejemplos de series temporales podemos encontrarlos en muchos campos de

conocimiento por ejemplo:

 Economía: producto interior bruto anual, tasa de inflación, tasa de desempleo, etc.
 Demografía: nacimientos anuales, tasa de dependencia, etc.
 Meteorología: temperaturas máximas, medias o mínimas, precipitaciones diarias,
etc.
 Medio ambiente: concentración media mensual de nitratos en agua, alcalinidad
media anual del suelo, emisiones anuales de CO2, etc.

Representación gráfica de una serie temporal

A menudo, se representa la serie en un gráfico temporal, con el valor de la serie en
el eje de ordenadas y los tiempos en el eje de abscisas.
Ejemplo 1
El siguiente grafico temporal muestra la media de los pluviómetros peninsulares
(Fuente I.N.M.) para el período Octubre/1989 a Septiembre/2006.

2
Ejemplos de gráfico temporal

Otros tipos de gráficos temporales

Concepto: 2

Distribución mensual de la precipitación media en España tomado www.hispagua.cedex.com

Gráficos por periodos de observación plurianuales.

Ejemplo 3.

3
Reserva hidrológica peninsular. Tomado de www.mma.es

Clasificación de series temporales

Definición 2:

Una serie temporal es una sucesión de observaciones de una variable tomadas en varios
instantes de tiempo. Estas observaciones provienen de una distribución que puede ser
diferente en cada instante del tiempo.

No somos capaces de tratar cualquier tipo de serie temporal, ya que en cada instante tenemos
una variable con distinta distribución de la que sólo observamos un dato. Ignoramos mucho y
tenemos poca información.

Las series estacionarias se pueden clasificar en:

4
  Una serie es estacionaria si la media y la variabilidad se mantienen constantes a lo
largo del tiempo.

 Una serie es no estacionaria si la media y/o la variabilidad cambian a lo largo del

tiempo.

 Series no estacionarias pueden mostrar cambios de varianza.

 Series no estacionarias pueden mostrar una tendencia, es decir que la media
crece o baja a lo largo del tiempo.
 Además, pueden presentar efectos estacionales, es decir que el
comportamiento de la serie es parecido en ciertos tiempos periódicos en el
tiempo.

Definición 3:

Una serie temporal es estacionaria en sentido amplio si:

El ejemplo más simple es el RUIDO BLANCO, cuando la media y la covarianza son siempre cero.

¿Por qué es bueno que las series sean estacionarias?

 Con series estacionarias podemos obtener predicciones fácilmente.

 Como la media es constante, podemos estimarla con todos los datos, y utilizar este
valor para predecir una nueva observación.

 También se pueden obtener intervalos de predicción (confianza) para las predicciones

asumiendo que Xt sigue una distribución conocida, por ejemplo, normal.

Ejemplos

5
 Serie estacionaria:
Variaciones anuales de la media de los pluviómetros peninsulares para el periodo
Octubre/1990 a Septiembre/2006.

Serie no estacionaria: Emisiones mundiales de CO2.

Capítulo 1.1: Estacionalidad

Concepto:

La estimación de la estacionalidad no sólo se realiza con el fin de incorporarla al modelo para

obtener predicciones, sino también con el fin de eliminarla de la serie para visualizar otras

6
componentes como tendencia y componente irregular que se pueden confundir en las
fluctuaciones estacionales.

Para detectar rápidamente la estacionalidad se puede utilizar directamente el grafico de la

serie (Analizar /Series temporales/Análisis espectral), así se obtiene el PERIODOGRAMA ,
que es una figura que transforma la serie temporal de su dominio natural (el tiempo) al
dominio de las frecuencias ( a los valores de la serie se les aplican transformaciones de
Fourier), en el eje X se presentan frecuencias y en el eje Y las amplitudes. Respecto al
PERIODRAMA hay que establecer las siguientes consideraciones:

 No hay estacionalidad si no hay picos destacables.

 Cada pico destacable identifica un período que incluso puede ser un ciclo.
 A cada amplitud destacable le corresponde una frecuencia cuya inversa es el período
estacional o el ciclo, con lo que el paradigma identifica la longitud del periodo
estacional y en su caso el ciclo.
 Las amplitudes más fuertes (correspondientes a valores más bajos de la frecuencias)
suelen corresponder a ciclos y las menos fuertes(correspondientes a valores no tan
bajos de las frecuencias) suelen corresponder a estaciones. En caso de duda entre
ciclos y estaciones puede recurrir a las funciones de autocorrelación para discriminar.
 PERIODOGRAMA ACUMULATIVO, representa en el eje de absicas las frecuencias y el
en eje de ordenadas las amplitudes acumuladas. En esta línea ,hay que hacer las
consideraciones:
 Para una serie aleatoria coincide con la diagonal del primer cuadrante.
 Desvios bruscos de la diagonal provocan presencia de ciclos o estaciones para
las respectivas frecuencias, que serán ciclos cuando las frecuencias sean bajas.

La estacionalidad, asi como la estacionariedad, también puede detectarse a través

de de las funciones de autocorrelacion (ACF) y autocorrelacion parcial estimadas
(ACFP) –Analizar /Series temporales/Autocorrelaciones (en Opciones para
representar ACF con un tramo significativo se eligen 36 retardos).

7
8
 Capítulo 1.2 :Estacionariedad
Concepto:

Es un proceso estocástico cuya distribución de probabilidad en un instante de tiempo fijo o una

posición fija es la misma para todos los instantes de tiempo o posiciones. En consecuencia,
parámetros tales como la media y la varianza, si existen, no varían a lo largo del tiempo o la
posición.

Estacionariedad débil o de sentido amplio

Una forma más débil de estacionaridad de uso común en procesamiento de señales es la
llamada estacionaridad débil o estacionariedad en sentido amplio. Un proceso aleatorio
estacionario en sentido amplio solo requiere que el primer y segundo momento no varíen con
respecto al tiempo. Todo proceso estacionario en sentido estricto que tenga media y varianza
definidas, es también estacionario en sentido amplio.

De esta manera, un proceso aleatorio de tiempo continuo x(t) que sea estacionario en sentido
amplio tiene las siguientes restricciones sobre su función media:

1.

y función de correlación:

2.

La primera propiedad implica que su función media mx(t) debe ser constante. Las segunda
propiedad implica que la función de correlación depende solo de la diferencia entre t_1 y t_2,
y sólo necesita ser indexada por una única variable en lugar de dos. Así, en lugar de escribir:

normalmente se abrevia notando de la siguiente manera:

 Para detectar rápidamente la estacionariedad (Analizar /Estadísticos descriptivos/

Explorar) se pueden calcular la sucesión de media y varianzas por años , si se obtienen
variaciones significativas crecientes y decrecientes a lo largo de los años, indica que no
hay estacionariedad. Este resultado conduce a tomar logaritmos y diferenciar la serie
original con el objetivo de atenuar la falta de estacionariedad en media y varianza.
 Otro método (Analizar /Series temporales /Autocorrelaciones), si los coeficientes de
ACF no decaen rápidamente hay un indicio claro de falta de estacionariedad en media,
lo que llevaría a tomar primeras diferencias en la serie original.

Sin duda sobre diferenciar o no, o sobre cuántas veces hay que diferenciar, se calcula la
varianza de la serie original y de la serie sometida a diferentes diferenciaciones, tomando

9
 como diferenciación adecuada aquella para la que la varianza es mínima. El método es
tanto más adecuado cuanto mayor se la diferencia entre las varianzas anteriores. La
sobrediferenciación suele evitarse observando si en la parte de medias móviles alguna raíz
es próximo a la unidad.

Estacionariedad estricta
La estacionariedad estricta es un tipo de invariancia del tiempo que propiamente puede
exhibir la serie temporal.

Dado que el supuesto de igualdad de las distribuciones no sólo es muy severo sino que , en
la práctica, es bastante difícil de verificar un proceso estocástico. Por eso, la
estacionariedad suele definirse usualmente en un sentido más débil o menos restrictivo.

Para ello es suficiente caracterizar la estacionariedad en términos de los momentos del

proceso ( y no en términos de distribuciones conjuntas) y , particularmente , en términos
del primer y segundo momento, conocidos por funciones de la media , variancia y
autovariancia . Como afirma Fuller, es mucho lo que se puede conseguir al considerar los
dos primeros momentos de la serie.

Recapitulando es suficiente tener claro, como destaca gotman(1981), que un proceso

estacionario se caracteriza en parte por el hecho de que su media (finita) y su variancia
(finita) no cambian con el tiempo histórico (condición 1), y que la covariancia entre las
variables aleatorias en dos puntos del tiempo( t y t +k) es sólo función del retardo relativo
K, y no del punto de origen, t. En otras palabras la covariancia de este proceso es
independiente del punto histórico (condición 2).

De hecho, en la práctica, es más útil definir la estacionariedad es un sentido menos fuerte,

ya que no requiere la verificación de supuestos tan restrictivos como que las funciones de
densidad de probabilidad son invariantes con relación al tiempo.

Capítulo 1.3 Modelos Autorregresivos AR(P)

Concepto:

Un modelo autorregresivo AR describe una clase particular de proceso en que las

observaciones en un momento dado son predecibles a partir de las observaciones previas
del proceso más un término de error. El caso mas simple es el ARIMA( 1,0,0) o AR(1) o de
primer orden , cuya expresión matemática es:

El proceso autorregresivo de orden p, representado por ARIMA (p,0,0) o simplemete por AR

(p):

Que puede ponerse , mediante el operador de cambio retroactivo B, en la forma :

10
  Un proceso autorregresivo AR(p) es estacionario si la raíces del polinomio en B dado
por :

Caen fuera del círculo unidad. Esta

condición es equivalente a
que las raíces de la ecuación :

Sean todas inferiores a uno en módulo.

 Un proceso autorregresivo siempre es invertible.

Capítulo 1.4 : Modelos de Medias Móviles Ma(q)

Concepto:

Un modelo de medias móviles MA describe una serie temporal estacionaria . En este

modelo el valor actual puede predecirse a partir de la componente aleatoria de este
momento y, en menor medida , de los impulsos anteriores. El modelo ARIMA (0,0,1) ,
también denotado por MA(1), viene dado por la expresión:

El proceso de medias móviles de orden q, representan por ARIMA (0,0,q) o también por Ma(q),
viene dado por la expresión:

Que puede ponerse, mediante el operador de

cambio retroactivo B , en la forma:

 Un proceso de medias móviles es siempre estacionario.

 Un proceso de medias móviles Ma(q) es invertible si las raíces del polinomio B definido
por

Caen fuera del circulo unidad. Esta condición es

equivalente a que las raíces de la
ecuación

Sean todas inferiores a uno en módulo.

11
 Capítulo 1.5 : Modelo Arma( p,q)
Concepto:
Una extensión natural de los modelos AR(p) Y MA(q) es un tipo de modelos que
incluyen tanto términos autorregresivos como de medias móviles y se definen como
ARIMA(p,0,q). Se representan por la ecuación:

que puede ponerse de la forma:

es decir ,

El proceso ARMA (p,q) es estacionario si lo es un componente autorregresiva , y es

inevitable si lo es su componente de media móviles.

 Un modelo ARMA (p,q) es estacionario si las raíces del polinomio definido por

caen fuera del circulo unidad. Esta condición es

equivalente a que las raíces de la ecuación:

sean todas inferiores a uno en

modulo.
 Un modulo ARMA(p,q) es invertible si las raíces del polinomio en B definido
mediante

caen fuera del circulo unidad. Esta

condición es equivalente a que las raíces:

sean todas inferiores a uno en

modulo.

12
 Contenido
Capítulo1: Series Temporales.......................................................................................................2
Capítulo 1.1: Estacionalidad.........................................................................................................7
Capítulo 1.2 :Estacionariedad.......................................................................................................9
Estacionariedad débil o de sentido amplio..................................................................................9
Estacionariedad estricta.............................................................................................................10
Capítulo 1.3 Modelos Autorregresivos AR(P)............................................................................10
Capítulo 1.4 : Modelos de Medias Móviles Ma(q)......................................................................11
Capítulo 1.5 : Modelo Arma( p,q)...............................................................................................12

13