Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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.
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
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.
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
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.
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:
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
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
Precios Mínimos
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.
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
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)
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.
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):
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.
● 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
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
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
En la tabla siguiente se muestran los índices estacionales obtenidos así como su representación gráfica:
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.
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
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:
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.
Series Cronológicas I
Series Cronológicas II
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 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.