ESTADÍSTICA

Unidad 5. Series Temporales

1 Introducción 1
1.1 ¿Qué son las series cronológicas? 1
1.2 Ejemplos de trabajo 1
1.3 Definición 3

2 Componentes y modelos 3
2.1 Componentes 3
2.2 Modelos 5

3 Estudio de Tendencia 5
3.1 Ajuste de la tendencia 6
3.1.1 Tendencia Lineal 6
3.1.2 Tendencia Polinomial 8
3.1.3 Tendencia Exponencial 9
3.2 Predicción 10
3.3 Serie sin tendencia 12

4 Estudio de estacionalidad 13
4.1 Índices Estacionales 14
4.2 Predicción 16

5 Vídeos sobre series cronológicas 17

6 Autoevaluación 18

7 Ejercicios de la unidad 18
 1

1 Introducción
En esta unidad introducimos las series cronológicas como herramientas para estudiar el
comportamiento y la evolución temporal de magnitudes socioeconómicas.

1.1 ¿Qué son las series cronológicas?

Una serie temporal o cronológica es una secuencia de datos, observaciones o valores,
medidos en determinados momentos y ordenados cronológicamente. Los datos pueden
estar espaciados a intervalos iguales (como la temperatura en un observatorio
meteorológico en días sucesivos al mediodía) o desiguales (como el peso de una persona
en sucesivas mediciones en el consultorio médico, la farmacia, etc.). Para el análisis de
las series temporales se usan métodos que ayudan a interpretarlas y que permiten extraer
información representativa sobre las relaciones subyacentes entre los datos de la serie o
de diversas series y que permiten en diferente medida y con distinta confianza extrapolar
o interpolar los datos y así predecir el comportamiento de la serie en momentos no
observados, sean en el futuro (extrapolación pronóstica), en el pasado (extrapolación
retrógrada) o en momentos intermedios (interpolación).
Uno de los usos más habituales de las series de datos temporales es su análisis para
predicción y pronóstico (así se hace por ejemplo con los datos climáticos, las acciones de
bolsa, o las series de datos demográficos). Resulta difícil imaginar una rama de las
ciencias en la que no aparezcan datos que puedan ser considerados como series
temporales.

1.2 Ejemplos de trabajo

A continuación se muestran los ejemplos de trabajo de esta unidad.
Ejemplo. Evolución del coste salarial por hora (en euros) para el territorio español, en el periodo desde el
primer trimestre del año 2000 hasta el segundo trimestre del año 2007. (Fuente: INE).
 2

Ejemplo. Evolución de los indicadores económicos del barómetro mensual del CIS correspondiente al
período de Enero de 2001 hasta Septiembre de 2016: Indicador de Confianza Económica (Azul), Indicador
de Situación Económica Actual (Rojo), Indicador de Expectativas Económicas (Gris).

Ejemplo. Evolución del consumo de gas natural en millones de metros cúbicos. Periodo: Invierno 1992 a
Otoño de 1995.

Ejemplo. Evolución del del índice de producción industrial de la comunidad valenciana en bienes de
consumo. Periodo: Enero 2002 – Septiembre 2007. Fuente: INE.
 3

Ejemplo. Evolución de los precios públicos medios del crédito matriculado por primera vez en titulaciones
universitarias en función del grado de experimentalidad máxima (azul) o mínima (roja).

1.3 Definición
Las series cronológicas, están constituidas por sucesivas observaciones de un mismo
fenómeno durante cierto lapso de tiempo que va desde el periodo 1 hasta el periodo t:

Y1 , Y 2 , Y 3 , … , Y t
Los periodos de tiempo pueden ser días, semanas, meses, estaciones, trimestres, años,
etc…

2 Componentes y modelos
Las series temporales se usan para estudiar la relación causal entre diversas variables
que cambian con el tiempo y se influyen entre sí. Muchas series temporales tienen una
tendencia creciente (por ejemplo, el número de automóviles en uso en casi todos los
países durante los últimos cincuenta años) o decreciente (por ejemplo, el número de
personas que trabajan en la agricultura); otras no tienen tendencia (la luminosidad a horas
sucesivas, que varía cíclicamente a lo largo de las 24 horas del día) y son estacionarias.

2.1 Componentes
El análisis más clásico de las series temporales se basa en que los valores que toma la
variable de observación es la consecuencia de cuatro componentes, cuya actuación
conjunta da como resultado los valores medidos, estos componentes son:
● Tendencia regular (Tt), que indica la marcha general y persistente del fenómeno
observado, es una componente de la serie que refleja la evolución a largo plazo.
Por ejemplo, la tendencia creciente del índice de reciclado de basuras en los
 4

países desarrollados, o el uso creciente de Internet en la sociedad,

independientemente de que en un mes concreto en un país, por determinadas
causas, haya una baja en la utilización de Internet.
● Variación estacional o Variación cíclica regular (Et). Es el movimiento periódico
de corto plazo. Se trata de una componente causal debida a la influencia de ciertos
fenómenos que se repiten de manera periódica en un año (las estaciones), una
semana (los fines de semana) o un día (las horas puntas) o cualquier otro periodo.
Recoge las oscilaciones que se producen en esos períodos de repetición.
● Variación cíclica (Ct). Es el componente de la serie que recoge las oscilaciones
periódicas de amplitud superior a un año. movimientos normalmente irregulares
alrededor de la tendencia, en las que a diferencia de las variaciones estacionales,
tiene un período y amplitud variables, pudiendo clasificarse como cíclicos,
cuasicíclicos o recurrentes.
● Variación aleatoria o ruido accidental (Rt), de carácter errático, también
denominada residuo, no muestran ninguna regularidad (salvo las regularidades
estadísticas), debidos a fenómenos de carácter ocasional como pueden ser
tormentas, terremotos, inundaciones, huelgas, guerras, avances tecnológicos, etc.

Ejemplo. Para los datos sobre la evolución del coste salarial por hora (en euros) para el territorio
español, en el periodo desde el primer trimestre del año 2000 hasta el segundo trimestre del año 2007.
(Fuente: INE) apreciamos cierta tendencia creciente y además cierto comportamiento estacional que se
repite todos los años.

Ejemplo. Para los datos de los indicadores económicos del barómetro mensual del CIS correspondiente al
período de Enero de 2001 hasta Septiembre de 2016 apreciamos cierto tendencia de carácter global con un
descenso más o menos pronunciado el principio y una subida en los últimos períodos considerados. En este
caso no se observa una patrón estacional en los datos.

Ejemplo. Para los datos sobre la evolución del consumo de gas natural en millones de metros cúbicos.
Periodo: Invierno 1992 a Otoño de 1995, se aprecia un claro patrón estacional (debido al carácter de los
datos recogidos) pero no se observa ninguna tendencia creciente o decreciente.

Ejemplo. Para los datos sobre la evolución del índice de producción industrial de la comunidad valenciana
en bienes de consumo se observa un claro patrón estacional que se repite todos los años, pero no se aprecia
ninguna tendencia global de carácter creciente o decreciente.

Ejemplo. Para los datos de los precios públicos medios del crédito matriculado por primera vez en
titulaciones universitarias en función del grado de experimentalidad máxima (azul) o mínima (roja), se
observa un claro patrón de tendencia creciente pero no parece ningún patrón estacional.

En ninguno de los ejemplos se aprecian comportamiento cíclicos a gran escala.

2.2 Modelos
Los modelos básicos de series temporales se pueden clasificar en:
● Aditivos, se componen sumando la tendencia, estacionalidad, variación cíclica
regular, y ruido:
 5

● Multiplicativos, se componen multiplicando la tendencia, estacionalidad, variación cíclica

regular y ruido:

● Mixtos, se componen sumando y multiplicando la Tendencia, estacionalidad, variación cíclica

regular y ruido. Existen varias alternativas, entre otras:

3 Estudio de Tendencia
El análisis de la tendencia (T t) es un método que consiste en ajustar una función
matemática que reproduzca el comportamiento en lo posible de los valores originales de
la serie de tiempo con tres objetivos fundamentales:
● Describir el patrón histórico de los datos.
● Proyectar patrones o tendencias pasadas hacia el futuro.
● Eliminar la componente de tendencia de la serie cronológica.
En esta unidad vamos a utilizar el método análitico para el estudio de tendencia de una
serie cronológica.

3.1 Ajuste de la tendencia

En el ajuste de la tendencia hay que tener siempre en mente que el objetivo fundamental
es estudiar el comportamiento de la serie cronológica a largo plazo, es decir, no estamos
interesados en estudiar las fluctuaciones en cortos espacios de tiempo sino en reproducir
la evolución global de los datos registrados.
Para el estudio de tendencia se hace necesario definir en primer lugar una codificación de
la escala temporal de la serie en valores consecutivos desde 1 hasta n (última medición
de la escala temporal.
 6

Ejemplo. Imaginemos una serie de datos con mediciones trimestrales para un periodo de cinco años de
forma que la codificación de la escala temporal viene dada por:

Escala de tiempo Codificación (t)

Trimestre I, año 1 1
Trimestre II, año 1 2
Trimestre III, año 1 3
Trimestre IV, año 1 4
…………... ……………..
Trimestre IV, año 5 20

Los modelos más habituales en el estudio de tendencia son:

● Tendencia Lineal
● Tendencia Polinomial
● Tendencia Exponencial

3.1.1 Tendencia Lineal

Este es el modelo más sencillo y corresponde a asumir que la tendencia tiene un
comportamiento lineal a largo plazo, es decir, que se puede representar mediante la
ecuación matemática:

donde Tt es el valor de la tendencia en el instante t, y a y b son cantidades desconocidas

que se deben obtener para determinar la tendencia. El procedimiento usado para obtener
dichos valores es el método de mínimos cuadrados que proporciona los valores de a y b
con menor error.
Ejemplo. Para los datos del coste salarial se ha ajustado un modelo lineal a la tendencia de la serie
obteniendo los resultados que aparecen en el gráfico siguiente. En línea discontinua aparece la tendencia
ajustada y en la parte superior la ecuación matemática para dicha tendencia. Se puede ver que la tendencia
ajustada reproduce de forma bastante precisa el crecimiento global de la serie cronológica.

La interpretación de la ecuación de tendencia nos indica que existe una valor fijo de coste salarial para
todos los valores de la serie (12,113) independientemente del instante de tiempo en que nos situemos,
 7

mientras que hay un incremento de 0,1593 sobre el coste por cada incremento de la escala temporal, es
decir que el valor de coste para la ecuación de la tendencia correspondiente a cada instante de tiempo
viene dada por

Escala de tiempo Valor Serie Codificación (t) Tendencia

Trimestre I, año 1 11,41 1 T1=12,113+0,1593*1=12,27
Trimestre II, año 1 12,31 2 T2=12,113+0,1593*2=12,43
Trimestre III, año 1 13,42 3 T3=12,113+0,1593*3=12,59
Trimestre IV, año 1 13,41 4 T4=12,113+0,1593*4=12,75
…………... …………….. …………….. ………………...
Trimestre II, año 8 16,94 30 T30=12,113+0,1593*30=16,89

Ejemplo. Para los datos de la evolución de los precios públicos medios del crédito matriculado por
primera vez en titulaciones universitarias en función del grado de experimentalidad se ha ajustado un
modelo lineal a la tendencia de la serie tanto de precios mínimos como máximos obteniendo los resultados
que aparecen en el gráfico siguiente. En línea discontinua aparece la tendencia ajustada para cada serie de
precios y junto a ellas la ecuación de tendencia. En ambas series se aprecia un efecto creciente a largo
plazo que es captado por la tendencia ajustada.

La interpretación de la ecuación de tendencia para los precios máximos nos indica que existe una valor fijo
de 6,7005 para todos los valores de la serie independientemente del instante de tiempo en que nos
situemos, mientras que hay un incremento de 0,4994 por cada año académico. La interpretación de la
ecuación de tendencia para los precios mínimo nos indica que existe una valor fijo de 4,3549 para todos los
valores de la serie independientemente del instante de tiempo en que nos situemos, mientras que hay un
incremento de 0,3443 por cada año académico. Se puede apreciar que el crecimiento no es el mismo para
ambas series de datos y además que dicho incremento aumenta más en el precio máximo conforme avanza
el curso académico. Los resultados numéricos vienen dados en las tablas siguientes:
Precios Máximos

Escala de tiempo Valor Serie Codificación (t) Tendencia

1992-93 7,53 1 T1=6,7005+0,4994*1=7,20
1993-94 8,49 2 T2=6,7005+0,4994*2=7,70
…………... …………….. …………….. ………………...
2014-15 19,15 23 T23=6,7005+0,4994*23=18,19
2015-16 19,07 24 T24=6,7005+0,4994*24=18,69
 8

Precios Mínimos

Escala de tiempo Valor Serie Codificación (t) Tendencia

1992-93 5,09 1 T1=4,3549+0,3443*1=4,70
1993-94 5,65 2 T2=4,3549+0,3443*2=5,04
…………... …………….. …………….. ………………...
2014-15 13,06 23 T23=4,3549+0,3443*23=12,27
2015-16 13,17 24 T24=4,3549+0,3443*24=12,62

La diferencia entre el valor real y el valor de la tendencia ajustada es lo que se denomina error en el ajuste,
de forma que cuanto mayor es el error peor comportamiento tendrá la tendencia ajustada para estudiar el
comportamiento de la serie real.

3.1.2 Tendencia Polinomial

Este modelo es una generalización del anterior ya que permite el ajuste de la tendencia a
través de polinomios de orden superior a 1. Recordemos que un polinomio de grado 1 es
una recta y que uno de grado dos es una parábola. La ecuación matemática
correspondiente a un polinómico de orden k viene dada por:

donde Tt es el valor de la tendencia en el instante t, a 0 hasta ak son cantidades

desconocidas que se deben obtener para determinar la tendencia. El procedimiento usado
para obtener dichos valores es el método de mínimos cuadrados que proporciona los
valores de los coeficientes a con menor error.

Ejemplo. Análisis de la tendencia para el indicador de la situación económica actual (IEA). Se presentan
las tendencias ajustadas para tres modelos polinómicos (grado 1 = verde, grado 2 = roja y grado 3 =
negra) y las correspondientes ecuaciones de tendencia. Se puede ver que tanto la tendencia lineal y de
grado 2 no captan de forma adecuada el comportamiento de la serie cronológica, mientras que si lo hace la
tendencia polinómica de grado 6, Las dos primeras tienden a continuar su descenso mientras que la serie
original ha comenzado una breve recuperación.
 9

El mal comportamiento de los modelos lineal y parabólico en el ejemplo anterior se debe

principalmente su rigidez, ya que una vez establecida la tendencia el modelo no es capaz
de adaptarse a los cambios en la serie original. En los modelos polinómicos cuanto mayor
es su grado disponemos de mayor capacidad de adaptación a los cambios de la serie
original. Sin embargo este tipo de modelos no son siempre la mejor solución, ya que el
segundo objetivo en el estudio de la tendencia es la predicción de valores futuros no
observados de la serie cronológica, es decir, ¿qué valores podría tomar la serie durante
los próximos 12 meses de acuerdo al modelo de tendencia obtenido?
Los modelos polinómicos de grado superior suelen funcionar bien para el estudio de
tendencia, pero suelen hacerlo bastante mal para predecir el futuro de la serie. Este punto
lo trataremos con más detalle en el apartado de predicción.

3.1.3 Tendencia Exponencial

El último modelo que presentamos es el modelo exponencial. Estos modelos se suelen
utilizar en series con un comportamiento curvilíneo de aumento o disminución a lo largo
del tiempo. La ecuación matemática correspondiente a un polinómico de orden k viene
dada por:

donde Tt es el valor de la tendencia en el instante t, a 0 y a1 son cantidades desconocidas

que se deben obtener para determinar la tendencia, y e es la función exponencial.
Ejemplo. Análisis de la tendencia mediante el modelo exponencial para el indicador de situación
económica actual (IEA). En la figura siguiente se presentan tanto la curva ajustada como la
correspondiente ecuación de tendencia. Al igual que ocurría con el modelo lineal o parabólico la curva de
tendencia no capta de forma adecuada el comportamiento de la serie.
 10

Se recomienda ver los vídeos sobre el estudio de tendencia para conocer como
representar la serie cronológica y obtener el modelo de tendencia correspondiente. El
proceso de la obtención del modelo de tendencia y su representación gráfica se conoce
como la fase de ajuste del modelo. En el punto siguiente estudiamos la fase de predicción
asociada al modelo ajustado.

3.2 Predicción
Una vez realizada la fase de ajuste de la tendencia, el siguiente paso es conocer el grado
de exactitud que el modelo propuesto tiene de cara a estudiar el comportamiento futuro de
la serie. Este proceso se conoce como predicción del modelo. Básicamente consiste en
prolongar la escala temporal del modelo de forma que utilizando el modelo obtenido
podamos intuir valores futuros de la serie.
Ejemplo. Se desea conocer el comportamiento para el año que viene de los datos del coste salarial teniendo
en cuenta la tendencia lineal ajustada dada por la ecuación:

Dado que la codificación temporal establecida abarca 30 periodos (desde el primer trimestre del año 1
hasta el segundo trimestre del año 8), si estamos interesados en predecir el comportamiento del año
siguiente nos referimos al periodo desde el tercer trimestre del año 8 hasta el segundo trimestre del año 9,
con valores de la codificación temporal iguales a 31, 32, 33, y 34 siguiendo desde el último valor
establecido. La tabla de valores de predicción se presenta a continuación así como el gráfico asociado (la
línea verde indica los valores de predicción de la serie cronológica para el próximo año)

Escala de tiempo Codificación (t) Tendencia

Trimestre III, año 8 31 T1=12,113+0,1593*31=17,05
Trimestre IV, año 8 32 T2=12,113+0,1593*32=17,21
Trimestre I, año 9 33 T3=12,113+0,1593*33=17,37
Trimestre II, año 9 34 T4=12,113+0,1593*34=17,53
 11

Ejemplo. Se desea conocer el comportamiento para el año que viene de los datos del cel indicador de la
situación económica actual (IEA) teniendo en cuenta diferentes modelos de tendencia. En la figura
siguiente se presentan los modelos ajustados y la predicción para el próximo año (negro = predicción
modelo polinómico de grado 6; verde = modelo lineal; rojo = modelo parabólico). Como ya comentamos
anteriormente el modelo de grado 6 es el que consigue un mejor ajuste pero en términos de predicción
podríamos tener ciertos problemas si de repente los valores reales de la serie tienen una evolución
creciente y no decreciente como prevé el modelo propuesto.

Para asegurar que el modelo ajustado funcione adecuadamente en la fase de predicción

hay que tener en cuenta dos puntos fundamentales:
● Nunca tratar de predecir periodos largos de tiempo, ya que resulta más difícil
adaptarse a cambios en la serie original. Es muy habitual establecer rangos de
predicción de varios años o incluso decenios, lo que resulta de utilidad porque en la
mayoría de los casos el modelo propuesto pierde efectividad conforme evoluciona
la serie cronológica real.
● Para evitar desequilibrios en la predicción resulta recomendable ir reajustando el
modelo de ajuste cada cierto tiempo para así tener en cuenta las nuevas
observaciones recogidas, y poder corregir los posibles desequilibrios o cambios de
tendencia que vayan apareciendo. Es lo que se conoce como reajuste en las
 12

previsiones, y aparece frecuentemente cuando tratamos de predecir variables de

carácter económico que tienen alta volatilidad (cambios bruscos en los valores
observados)

3.3 Serie sin tendencia

Como pudimos ver en el punto 2, el estudio de la serie cronológica se basa en la
descomposición de los valores originales en diferentes componentes que se pueden
mezclar mediante diferentes modelos (aditivo, multiplicativo y mixto). Para poder realizar
el análisis completo de la serie es necesario proceder de forma secuencial estudiando en
primer lugar los cambios a gran escala (tendencia) para proceder posteriormente con los
cambios a pequeña escala (estacionalidad). En este punto se explica la forma de
proceder para eliminar la tendencia de una serie una vez esta ha sido ajustada tanto para
el modelo aditivo como el multiplicativo. Asumimos además que no existen
comportamientos cíclicos de forma que ambos modelos tienen expresiones:

Por tanto, una vez obtenida la tendencia de la serie podemos proceder a su eliminación
sin más que despejarla de las ecuaciones anteriores, ya que ahora se trata ya de una
cantidad conocida y podemos operarla con los datos observados de la serie. Tendríamos
una nueva serie con expresiones (modelo aditivo y multiplicativo respectivamente):

Este proceso de corrección se conoce como eliminación de la tendencia y proporciona

series (Y*t) en las que se puede estudiar de forma más clara la posible existencia de
efectos estacionales, ya que se han eliminado lo efectos a largo plazo de la serie.
Ejemplo. Asumiendo un modelo multiplicativo a los datos del coste salarial, y ajustando una tendencia
lineal, resulta posible obtener la serie sin tendencia sin más que dividir los valores originales de la serie
con sus correspondientes valores ajustados según la ecuación de la tendencia. La serie obtenida se
representa en la figura siguiente donde se puede apreciar cómo ha desaparecido la tendencia creciente que
aparecía en los datos originales, pero donde se mantiene un claro patrón estacional de comportamiento
para cada año de estudio.
 13

En los puntos siguientes presentamos el estudio de estacionalidad de las series

cronológicas a través de los índices estacionales, veremos cómo obtener la predicción de
la serie, y como obtener la serie desestacionalizada o sin efecto estacional.

4 Estudio de estacionalidad
Abordamos en este apartado el estudio de estacionalidad de las series cronológicas a
través del análisis de los índices estacionales, veremos como obtener la predicción de la
serie en ese caso, y como obtener la serie desestacionalizada o sin efecto estacional.
El estudio de estacionalidad consiste en el análisis de las fluctuaciones o patrones
repetitivos a pequeña escala entre diferentes años. El patrón estacional de año a año
depende por tanto de la escala temporal observada dentro de cada año que pueden ser
días, semanas, meses, trimestres o estaciones generalmente. Los objetivos principales
del estudio de estacionalidad son:
● Describir el patrón estacional de los datos.
● Proyectar el comportamiento de la serie atendiendo a la tendencia ajustada y el
patrón estacional establecido.
● Eliminar la estacionalidad de la serie para comprobar que los datos resultantes
corresponden con un patrón aleatorio.
Para realizar este estudio nos centraremos en la obtención de los conocidos como índices
estacionales.

4.1 Índices Estacionales

Los índices estacionales nos permiten establecer un patrón estacional sobre la serie
cronológica de una forma muy sencilla. Como veremos se interpretan de forma similar a
los números índice simples se pueden usar directamente para la predicción de la serie
cronológica. El procedimiento para la obtención de los índices estacionales consiste en:
● Establecer el modelo de combinación de componentes de la serie (aditivo,
multiplicativo o mixto), y si la serie tiene tendencia se elimina para obtener la serie
sin tendencia.
 14

● Construir una tabla de doble entrada con los valores sin tendencia donde en la
columnas se colocan los años y en las filas la escala temporal utilizada para el
patrón estacional.
● Obtenemos la media por filas de la tabla anterior, es decir, calculamos la media de
un mismo periodo para todos los años, y la media global de las medias obtenidas.
Se obtiene la corrección estacional asociada a cada periodo como la diferencia
entre las medias particulares y la media global (modelo aditivo), o el cociente entre
las medias particulares y la media global (modelo multiplicativo).
● Convertimos las correcciones estacionales en índices estacionales multiplicandolos
por 100.
Ejemplo. Tenemos una serie cronológica medida a lo largo de 5 años y con escala temporal trimestral
dentro de cada año. Asumiendo un modelo multiplicativo y una vez eliminada la tendencia (cociente entre
datos originales y os de tendencia) de la serie tendríamos la tabla de datos

Año I Año II Año III Año IV Año V

Trimestre I y1 *
y5
*
y9
*
y 13
*
y*17

Trimestre II y*2 y*6 y*10 y*14 y*18

Trimestre III y*3 y*7 y*11 y*15 y*19

Trimestre IV y*4 y*8 y*12 y*16 y*20

donde los y* son los valores sin tendencia. A partir de la tabla anterior obtenemos las medias por período,
la media global y el índice estacional

Año I Año II Año III Año IV Año V Medias Índice

estacional
Trimestre I y*1 y*5 y*9 y*13 y*17 MI 100*MI/M
Trimestre II y *
2 y6 *
y 10*
y 14
*
y 18
*
MII 100*MII/M
Trimestre III y*3 y*7 y*11 y*15 y*19 MIII 100*MIII/M
Trimestre IV y*4 y*8 y*12 y*16 y*20 MIV 100*MIV/M
Media Global M

La interpretación de los valores obtenidos se realiza de forma similar a la de los índices

simples. Los valores por debajo de 100 indican comportamientos estacionales por debajo
de la media, mientras que los mayores que 100 indican comportamientos por encima de la
media. La diferencia entre el índice estacional y 100 proporciona el incremento o
decremento estacional asociado con cada período que se debe aplicar para cada uno de
ellos en los diferentes años de estudio de la serie.
Ejemplo. En la tabla siguiente se muestran los resultados del proceso anterior para los datos del coste
salarial asumiendo un modelo multiplicativo y la tendencia lineal obtenida anteriormente.

1 2 3 4 5 6 7 8 Medias
I 0,9297 0,9156 0,9486 0,9426 0,9473 0,9594 0,9338 0,9371 0,9393
II 0,9902 0,9794 0,9536 0,9900 0,9753 0,9502 1,0003 1,0028 0,9802
III 1,0658 1,0614 1,0544 1,0453 1,0245 1,0179 1,0308 1,0429
IV 1,0517 1,0532 1,0460 1,0367 1,0510 1,0410 1,0650 1,0492
 15

Media total 1,0029

En la tabla siguiente se muestran los índices estacionales obtenidos así como su representación gráfica:

Trimestre Índice estaciona (IEST)l

I
93,65
II
97,74
III
103,99
IV

104,62

A la vista de los resultados podemos concluir que estacionalmente se produce una disminución del coste en
el primer (6.35%) y segundo trimestre (2.26%, mientras que se produce un aumento en los últimos dos
trimestres (3.99% y 4.62% respectivamente).

Ejemplo. En la tabla siguiente se muestran los índices estacionales para los datos de consumo de gas. A la
vista de los resultados se concluye que estacionalmente se produce un aumento del consumo de gas en
invierno (11.17%) y el Otoño (7.94%), que viene asociado con los meses más fríos, y una disminución en
primavera (5.63%) y Verano (13.48%) coincidiendo con los meses más calurosos.

Estación Índice estaciona (IEST)l

Invierno 111,17

Primavera 94,37

Verano 86,52

Otoño 107,94

4.2 Predicción
Una vez obtenidos los índices estacionales sólo nos falta atacar la fase final de predicción
teniendo en cuenta la tendencia ajustada y los índices estacionales obtenidos. En función
del modelo asumido para las diferentes componentes de la serie cronológica (aditivo,
multiplicativo o mixto) la ecuación de predicción para un conjunto de k observaciones
futuras viene dada por:

● Modelo Aditivo

● Modelo Multiplicativo
 16

donde Tj es la tendencia predicha para el instante de predicción j e IEST j es el índice

estacional correspondiente al instante de predicción j según la escala temporal
establecida.
Ejemplo. Para los datos del coste salarial asumiendo un modelo multiplicativa, la tendencia lineal y los
índices estacionales obtenidos anteriormente se desea predecir el comportamiento de la serie para el
próximo año.

Escala de tiempo Tendencia Índice Estacional Predicción

Trimestre III, año 8 T31=17,05 IESTTrimestre III=103,99 17,73
Trimestre IV, año 8 T32=17,21 IESTTrimestre IV=104,62 18,01
Trimestre I, año 9 T33=17,37 IESTTrimestre I=93,65 16,27
Trimestre II, año 9 T34=17,53 IESTTrimestre II=97,74 17,13

En la gráfica siguiente se han representado la serie original, la serie ajustada y la predicción obtenida.

A la vista de los resultados obtenidos se puede concluir que la predicción resultante se ajusta bastante bien
al comportamiento observado de la serie.

Ejemplo. Para los datos del consumo de gas asumiendo un modelo multiplicativo, sin tendencia y con los
índices estacionales obtenidos anteriormente se desea predecir el comportamiento de la serie para el
próximo año. Al no haber modelo de tendencia se usa la media de todos los datos observados como valor
de la tendencia para los valores de predicción, ya que el efecto principal observado es el de estacionalidad.
De esta forma los resultados obtenidos son:

Escala de tiempo Tendencia Índice Estacional Predicción

Invierno, año 6 T17=270,75 IESTInvierno=111,17 300,99
Primavera, año 6 T18=270,75 IESTPrimavera=94,37 255,51
Verano, año 6 T19=270,75 IESTVerano=86,52 234,25
Otoño, año 6 T20=270,75 IESTOtoño=107,94 292,25
 17

En la gráfica siguiente se han representado la serie original, la serie ajustada y la predicción obtenida.

A la vista de los resultados obtenidos se puede concluir que la predicción resultante se ajusta bastante bien
al comportamiento observado de la serie.

5 Vídeos sobre series cronológicas

A continuación se presenta los videos que muestran como realizar el estudio de series
cronológicas estudiado en esta unidad..
Listado de vídeos

Series Cronológicas I

Series Cronológicas II

Series Cronológicas III

6 Ejercicios de la unidad
A continuación se presenta un listado de ejercicios complementarios de esta unidad.
Datos para los ejercicios. En este enlace puedes descargar la hoja de cálculo necesaria para realizar
dichos ejercicios.

Se recopilaron datos sobre el número de pasajeros de la línea de transporte pública PATCO entre dos
ciudades. Los datos proporcionados pertenecen a 86 semanas durante un periodo de 7 años, dividiéndose cada
año en 13 periodos de 4 semanas. Los datos recogidos se encuentran en la hoja (1). Asumiendo un modelo
multiplicativo con tendencia lineal y haciendo uso de los índices estacionales que aparecen en la hoja de
cálculo, da la predicción para las próximas 13 semanas y realiza el correspondiente gráfico.

Una compañía de máquinas de herramientas que elabora diversos productos para industrias manufactureras
 18

tiene registros trimestrales de su actividad, correspondientes a los últimos 8 años. Los datos reflejan más la
actividad que el precio, de modo que la inflación es irrelevante. Los datos recogidos se encuentran en la hoja
(2). Asumiendo un modelo multiplicativo con tendencia lineal y haciendo uso de los índices estacionales que
aparecen en la hoja de cálculo, contesta a las siguientes preguntas
1. ¿Qué conclusiones se pueden extraer sobre la tendencia de la serie?
2. ¿Cómo podemos interpretar los índices estacionales proporcionados?
3. Da la predicción para los próximos cuatro trimestres y realiza el correspondiente gráfico.

El gerente de un restaurante quiere mejorar el servicio a sus clientes y la organización horaria de sus
trabajadores. Para ello recoge información durante cuatro semanas del número de clientes atendidos en el
restaurante. Los datos recogidos se encuentran en la hoja (3). Asumiendo un modelo multiplicativo con
tendencia lineal y haciendo uso de los índices estacionales que aparecen en la hoja de cálculo, contesta a las
siguientes preguntas
1. ¿Qué conclusiones se pueden extraer sobre la tendencia de la serie?
2. ¿Cómo podemos interpretar los índices estacionales proporcionados?
3. Da la predicción para la próxima semana y realiza el correspondiente gráfico.

Se recogieron los siguientes datos sobre la evolución de los gastos (en €) en vestido y calzado por persona en
tres años. Los datos recogidos se encuentran en la hoja (4). Asumiendo un modelo multiplicativo con
tendencia lineal y haciendo uso de los índices estacionales que aparecen en la hoja de cálculo, contesta a las
siguientes preguntas
1. ¿Qué conclusiones se pueden extraer sobre la tendencia de la serie?
2. ¿Cómo podemos interpretar los índices estacionales proporcionados?
3. Da la predicción para el próximo año y realiza el correspondiente gráfico.

Se recogieron las cifras correspondientes al número de auditorías solicitadas a un conjunto de compañías

desde 2005 a 2009. Los datos recogidos se encuentran en la hoja (5). Asumiendo un modelo multiplicativo
con tendencia lineal y haciendo uso de los índices estacionales que aparecen en la hoja de cálculo, contesta a
las siguientes preguntas
1. ¿Qué conclusiones se pueden extraer sobre la tendencia de la serie?
2. ¿Cómo podemos interpretar los índices estacionales proporcionados?
3. Da la predicción para el próximo año y realiza el correspondiente gráfico.

Se recogieron los datos sobre los precios (bimensuales) de una mercancía durante un periodo de tres años. Los
datos recogidos se encuentran en la hoja (6). Asumiendo un modelo multiplicativo con tendencia lineal y
haciendo uso de los índices estacionales que aparecen en la hoja de cálculo, contesta a las siguientes preguntas
1. ¿Qué conclusiones se pueden extraer sobre la tendencia de la serie?
2. ¿Cómo podemos interpretar los índices estacionales proporcionados?
3. Da la predicción para el próximo año y realiza el correspondiente gráfico.