Estadística I Tema 7

Tema 7:
Series temporales
Estadística I
Beatriz María Sastre Hernández

Contenido
• 1. Algunas cuestiones previas sobre el análisis de una serie temporal
• 2. Objetivo de estudio de las series temporales
Universidad Católica de Ávila

• 3. Concepto de serie temporal y componentes
• 4. Determinación de la tendencia
• 5. Determinación del componente estacional
• 6. Componentes cíclicos y accidentales 2

1. Algunas cuestiones previas sobre el análisis
de una serie temporal
• Cuestiones en relación a la evolución de las series
Total hechos Total hechos Var. Interanual Var. Interanual
delictivos delictivos (2)/(1) hechos hechos
conocidos esclarecidos conocidos esclarecidos
Año (1) (2) (%) (%) (%)
2011 2.285.525 736.175 32,2%

2012 2.268.867 728.929 32,1% -0,73 -0,98
2013 2.172.133 736.368 33,9% -4,26 1,02
2014 2.092.040 715.357 34,2% -3,69 -2,85
2015 2.036.815 659.787 32,4% -2,64 -7,77
Fuente: Ministerio del Interior
• ¿Cuál ha sido la tasa de variación del total de hechos esclarecidos entre 2014 y 2015?
• ¿Cuál ha sido la tasa media de variación anual de los hechos esclarecidos en el periodo?
• ¿Cuál ha sido la tasa de variación de los hechos conocidos en todo el periodo? 3
• ¿Cuánto aumentó el porcentaje de hechos esclarecidos (sobre el total de hechos conocidos) entre 2013 y
2014?
• ¿Cuál ha sido la tasa de variación del total de hechos esclarecidos entre 2014 y 2015?
𝐶𝐹 659787
𝑇𝑉 = − 1 ∗ 100 = − 1 ∗ 100 = −7′ 77%
𝐶0 715357

• ¿Cuál ha sido la tasa media de variación anual de los hechos esclarecidos en el periodo?
𝑁 𝐶𝐹 4 659787
𝑇𝑀𝑉𝐴 = − 1 ∗ 100 = − 1 ∗ 100 = −2′ 70%
𝐶0 736175
4
• ¿Cuál ha sido la tasa de variación de los hechos conocidos en todo el periodo?
𝐶𝐹 2036815
𝑇𝑉 = − 1 ∗ 100 = − 1 ∗ 100 = −10′ 88%

𝐶0 2285525
• ¿Cuánto aumentó el porcentaje de hechos esclarecidos (sobre el total de hechos

conocidos) entre 2013 y 2014?
𝐶𝐹 − 𝐶0 = 34′ 2 − 33′ 9 = 0′ 3%
5
2. Objetivo de estudio de las series temporales
• Los objetivos que se persiguen con el estudio de las series temporales son:
• Análisis descriptivo de las series para conocer y entender la evolución pasada de las
mismas

• Obtención de predicciones
• El método a través del cual se llevará a cabo el estudio de las series temporales en este
tema consiste en un tratamiento estadístico basado en aislar sus componentes.
• Este tipo de estudio se conoce como análisis clásico de series temporales. 6

3. Concepto de serie temporal y componentes
• Serie temporal: (Serie histórica, cronológica o de tiempo)
• Conjunto de datos, correspondientes a un fenómeno económico, ordenados en el
tiempo.
• En nuestro caso, un conjunto de datos económicos ordenados en el tiempo

• Por ejemplo: serie de paro registrado, serie de ventas de una empresa, serie de volumen de
exportaciones en un país, costes financieros, renta disponible de nuestros clientes…
• Es fundamental que los datos estén ordenados en el tiempo de forma que cada
observación deberá estar asociada a un determinado periodo.
• La periodicidad de la serie puede ser: diaria, semanal, mensual, trimestral, anual…
7
• Representación gráfica de una serie temporal:

8
• Ejemplo 1: La cifra de ventas trimestrales de un supermercado en el período 2010 –
2014, expresadas en millones de €, han sido los siguientes: 60, 70, 50, 80, 70, 80, 60,
100, 50, 60, 30, 70, 40, 50, 25, 60, 90, 95, 80, 110.
• Representa gráficamente la evolución de la serie.

9
• Ejemplo 1: La cifra de ventas trimestrales de un supermercado en el período 2010 – 2014, expresadas en
millones de €, han sido los siguientes: 60, 70, 50, 80, 70, 80, 60, 100, 50, 60, 30, 70, 40, 50, 25, 60, 90,
95, 80, 110.
• Representa gráficamente la evolución de la serie.
Ventas trimestrales
120

110 110
100 100
95
90 90
80 80 80 80
70 70 70 70
60 60 60 60 60
50 50 50 50
40 40
30 30
25
20
10
10
0
2010-I 2010-II 2010-III 2010-IV 2011-I 2011-II 2011-III 2011-IV 2012-I 2012-II 2012-III 2012-IV 2013-I 2013-II 2013-III 2013-IV 2014-I 2014-II 2014-III 2014-IV
• Componentes de una serie temporal:
• Tendencia (T): Representa la evolución de la serie en el largo plazo. Puede ser:
lineal, exponencial, parabólica…
• Ciclo ( C): Recoge las oscilaciones (no regulares) de la serie de periodicidad superior

a un año. En economía suelen identificarse con los periodos de expansión y crisis.
• Estacionalidad (E): Recoge las oscilaciones (regulares) de la serie de periodicidad
inferior a un año. En economía suelen deberse a factores climatológicos, vacaciones,
fiestas, horarios comerciales, fines de semana, …
• Variaciones accidentales (A): Recoge las oscilaciones de la serie que se deben a
factores puntuales y que por tanto no tienen carácter periódico.
• El estudio de una serie temporal a través de sus componentes nos permite simplificar el
análisis de ésta, no obstante, una serie temporal puede no tener una o varias 11
componentes.
• Tendencia (T): Representa la evolución de la serie en el largo plazo.
• Puede ser contante, lineal, exponencial, polinómica, parabólica…

12
• Ciclo (C): Recoge las oscilaciones de la serie de periodicidad superior a un año.
• En economía suelen identificarse con los periodos de expansión y depresión.

13
• Estacionalidad (E): Recoge las oscilaciones de la serie de periodicidad inferior a un
año.
• En economía, suelen deberse a factores climatológicos, vacaciones, fiestas, horarios
comerciales, …

14
• Variaciones accidentales (A): Recoge las oscilaciones de la serie que se deben a factores
puntuales y que por tanto no tienen carácter periódico.

15
• Representación de las componentes de una serie temporal del ejemplo 1.

16
4. Determinación de la tendencia
• La tendencia es una componente fundamental en el estudio de las series temporales.
• Proporciona el hilo conductor de la evolución del fenómeno a largo plazo.
• La determinación de la tendencia tiene sentido sólo cuando se dispone de una serie lo

suficientemente larga de observaciones, de lo contrario, podríamos llegar a
conclusiones erróneas como resultado del análisis.
• Principales métodos de determinación de tendencia:

• Medias móviles
• Mínimos Cuadrados Ordinarios (ajuste lineal)
17
o Método de medias móviles:
• Es un método de naturaleza mecánica que consiste en sustituir la serie temporal
observada por una amortiguada o suavizada obtenida por el cálculo reiterado de valores
medios y que nos representa la tendencia.

1) Partiendo de la serie original
2) Obtenemos una nueva serie suavizada a través del cálculo de la media de varias
observaciones sucesivas.
• Si el número de observaciones es impar, la media obtenida estará centrada
• Si el número de observaciones es par, hay que volver a calcular una nueva serie de medias
para centrar la serie.
• El número de observaciones más apropiado para el cálculo de las medias móviles
dependerá de la periodicidad de la serie. 18
• El principal inconveniente del método de medias móviles es que no nos permite
predecir.
• Ejemplo 2: Las ventas trimestrales de una gran empresa de calzado son los siguientes.
• Determina la tendencia de la serie temporal mediante el método de medias móviles.
2018 2019 2020

1º Trimestre 150 155 160

19
• Ejemplo 2:
• Representación gráfica de la serie temporal
2018-I 150 Ventas trimestrales de calzado

190
2018-II 165

180
2018-III 125
2018-IV 170 170
2019-I 155 160
2019-II 170 150
2019-III 135 140

2019-IV 165
130
2020-I 160
120
2020-II 180 20
2020-III 140 110
2020-IV 180 100

2018-I 2018-II 2018-III 2018-IV 2019-I 2019-II 2019-III 2019-IV 2020-I 2020-II 2020-III 2020-IV
Ejemplo 2: Calculamos las medias móviles 𝑌𝑡−1 + 𝑌𝑡 + 𝑌𝑡+1
utilizando 3 observaciones 𝑌ത𝑡 =
3
150 + 165 + 125 170 + 135 + 165
𝑌ത2 = = 146′ 6666 𝑌ത7 = = 156′ 6666
3 3
165 + 125 + 170 135 + 165 + 160
ത = 153′ 3333 ത = 153′ 3333

𝑌3 = 𝑌8 =
3 3
125 + 170 + 155 165 + 160 + 180
ത
𝑌4 = = 150 ത
𝑌9 = = 168′ 3333
3 3
170 + 155 + 170 160 + 180 + 140
𝑌ത5 = = 165 𝑌ത10 = = 160
3 3
155 + 170 + 135 180 + 140 + 180
ത
𝑌6 = = 153′ 3333 ത
𝑌11 =
3 3
= 166′ 6666 21
• Ejemplo 2: Calculamos las medias móviles utilizando 3 observaciones
𝑌𝑡−1 + 𝑌𝑡 + 𝑌𝑡+1
Periodo Ventas 𝑌ത𝑡 =
3
2018-I 150 -
2018-II 165 146,67

2018-III 125 153,33
2018-IV 170 150,00
2019-I 155 165,00
2019-II 170 153,33
2019-III 135 156,67
2019-IV 165 153,33
2020-I 160 168,33
2020-II 180 160,00 22
2020-III 140 166,67
2020-IV 180 -
• Ejemplo 2: Calculamos las medias móviles utilizando 3 observaciones. Representación
Ventas trimestrales de calzado
190
180

170
160
150
140
130
120
110
100
2018-I 2018-II 2018-III 2018-IV 2019-I 2019-II 2019-III 2019-IV 2020-I 2020-II 2020-III 2020-IV 23
Ejemplo 2: Calculamos las medias móviles 𝑌𝑡−1 + 𝑌𝑡 + 𝑌𝑡+1 + 𝒀𝒕+𝟐
utilizando 4 observaciones 𝑌ത𝑡 =
𝟒
150 + 165 + 125 + 170 155 + 170 + 135 + 165

𝑌 2′ 5 = = 152′ 5 𝑌6′ 5 = = 156′ 25
4 4

165 + 125 + 170 + 155 170 + 135 + 165 + 160
𝑌3′ 5 = = 153′ 75 𝑌7′ 5 = = 157′ 5
4 4
125 + 170 + 155 + 170 135 + 165 + 160 + 180
𝑌4′5 = = 155 𝑌8′ 5 = = 160
4 4
170 + 155 + 170 + 135 165 + 160 + 180 + 140
𝑌 5′ 5 = = 157′ 5 𝑌9′ 5 = = 161′ 25
4 4
160 + 180 + 140 + 180
𝑌10′5 = = 165
4
24
Ejemplo 2: Centrar las medias móviles con 4 𝑌ത𝑡−1 + 𝑌ത𝑡
observaciones 𝑌ധ𝑡 =
2
′ ′
152 5 + 153 75 156′ 25 + 157′ 5
𝑌ധ3 = = 153′ 125 𝑌ധ7 = = 156′ 875
2 2

′
157 5 + 160
153′ 75 + 155 𝑌ധ8 = = 158′ 75
𝑌ധ4 = = 154′ 375 2
2
155 + 157′ 5 160 + 161′ 25
𝑌ധ5 = = 156′ 25 𝑌ധ9 = = 160′ 625
2 2
′
157′ 5 + 156′ 25 161 25 + 165
𝑌ധ6 = = 156′ 875 𝑌ധ10 = = 163′ 125
2 2
25
• Ejemplo 2: Calculo de medias móviles con 4 observaciones
Periodo Ventas 𝑌ത𝑡 𝑌ധ𝑡
2018-I 150 - -
2018-II 165 152,5 -

2018-III 125 153,75 153,125
2018-IV 170 155 154,375
2019-I 155 157,5 156,25
2019-II 170 156,25 156,875
2019-III 135 157,5 156,875
2019-IV 165 160 158,75
2020-I 160 161,25 160,625
2020-II 180 165 163,125
2020-III 140 - - 26
2020-IV 180 - -
• Ejemplo 2: Representación gráfica medias móviles con 4 observaciones
Ventas
190
180

170
160
150
140
130
120
110
100
27
• El método de medias móviles tiene como objetivo aislar la componente tendencial de
todas las demás mediante la suavización o amortiguamiento de la serie observada.
• Al promediar se eliminan los efectos de las otras componentes cuando existan.

• Si los datos se observan en periodos inferiores al año, es conveniente que para calcular
las medias móviles se empleen tantas observaciones como estaciones consideradas
tengan los datos, ya que se consigue una adecuada eliminación de la componente
estacional que normalmente se presentará de una forma regular en dichos períodos.
• Cuando los datos que tomamos de la serie sean pares, tenemos que centrar de nuevo la
serie, ya que cualquier dato se debe corresponder con toda exactitud con su periodo 28
correspondiente.
o Método de ajuste lineal:
• Consiste en obtener la recta de regresión que toma como variable explicada (Y) la serie
temporal y como variable explicativa el tiempo (t = 1, 2, 3…).
• Los parámetros “a” y “b” se calculan por el método explicado en el tema de Regresión

lineal.
• La ventaja de este método es que una vez obtenida la expresión de la recta, podemos
hacer predicciones dándole valores a la variable “t”.
𝑌𝑡 = 𝑎 + 𝑏𝑡
𝑎 = 𝑌ത − 𝑏𝑡ҧ
𝑆𝑦𝑡
𝑏= 2
𝑆𝑡 29
• Ejemplo 3: A partir de los datos del ejemplo 2 determina la tendencia de la serie
mediante el método de ajuste lineal.
Periodo 𝑌𝑡 t
2018-I 150 1

2018-II 165 2
2018-III 125 3
2018-IV 170 4
2019-I 155 5
2019-II 170 6
2019-III 135 7
2019-IV 165 8
2020-I 160 9
2020-II 180 10 30
2020-III 140 11
2020-IV 180 12
• Ejemplo 3: Representación gráfica
Ventas y = 1,521x + 148,03
190
180

170
160
150
140
130
120
110 31
100
5. Determinación del componente estacional
• El componente estacional recoge las variaciones periódicas de periodicidad inferior a
un año debidas a factores climatológicos, económicos, et.
• Por ejemplo, las ventas de juguetes siempre son superiores en el mes de diciembre debido al
“efecto navidad”.
• Si quisiésemos comparar las ventas de diciembre con las de noviembre, deberíamos eliminar

de la serie el efecto estacional mencionado.
• Para procedes a “desestacionalizar” la serie temporal, primero debemos determinar la

tendencia por el método de medias móviles centradas.
32
o Método de la razón a la media móvil
1. Se determina la tendencia por el método de medias móviles centradas en los
periodos 𝑦ധ𝑡
2. Se divide la serie observada 𝑦𝑡 por su correspondiente media móvil centrada 𝑦ധ𝑡

3. Calcular la media aritmética de cada estación que tenga la serie. Esta media nos
representan de forma aislada la importancia de la componente estacional
4. Calcular la media de todas las estaciones
5. Obtener los índices de variación estacional: cociente entre el valor de la estación y el
total de las estaciones.
6. Dividimos cada valor de la serie original 𝑦𝑡 por el valor del índice de la estación
que corresponda
33
7. La serie obtenida será la serie desestacionalizada 𝑌𝑡∗
• Ejemplo 4: A partir de los datos del ejemplo 2 desestacionaliza la serie.
2018 2019 2020


34
• Ejemplo 4: 1) Medias móviles

35
• Ejemplo 4: 2) División valor por la media móvil
𝑦𝑡
Periodo Ventas 𝑌ത𝑡 𝑌ധ𝑡 ൗധ
𝑌𝑡
2018-I 150 - - -
2018-II 165 152,5 - -

2018-III 125 153,75 153,125 0,8163
2018-IV 170 155 154,375 1,1012
2019-I 155 157,5 156,25 0,9920
2019-II 170 156,25 156,875 1,0837
2019-III 135 157,5 156,875 0,8606
2019-IV 165 160 158,75 1,0394
2020-I 160 161,25 160,625 0,9961
2020-II 180 165 163,125 1,1034 36
2020-III 140 - - -
2020-IV 180 - - -
• Ejemplo 4: 3) Medias de las estaciones
0′ 9920 + 0′ 9961
𝑀1 = = 0′ 9941
2
1 0837 + 1′ 1034
′
𝑀2 = = 1′ 0936
2

0 8163 + 0′ 8606
′
𝑀3 = = 0′ 8384
2
1 1012 + 1′ 0394
′
𝑀4 = = 1′ 0703
2
• 4) Media móvil anual

0′ 9941 + 1′ 0936 + 0′ 8384 + 1′ 0703
𝑀= = 0′ 9991 37
4
• Ejemplo 4: 5) Índices de variación estacional
𝑀𝑗
𝐼𝑗 =
𝑀
0′ 9941
𝐼1 = ′ = 0′ 9950

0 9991
1′ 0936
𝐼2 = ′ = 1′ 0946
0 9991
0′ 8384
𝐼3 = ′ = 0′ 8392
0 9991
1′ 0703 38
𝐼4 = ′ = 1′ 0713
0 9991
• Ejemplo 4: 6) Serie desestacionalizada
𝑦𝑡
Periodo Ventas 𝑌ത𝑡 𝑌ധ𝑡 ൗധ
𝑌𝑡 𝑌𝑡∗
2018-I 150 - - - 150,76
2018-II 165 152,5 - - 150,75

2018-III 125 153,75 153,125 0,8163 148,95
2018-IV 170 155 154,375 1,1012 158,69
2019-I 155 157,5 156,25 0,9920 170,86
2019-II 170 156,25 156,875 1,0837 123,34
2019-III 135 157,5 156,875 0,8606 196,61
2019-IV 165 160 158,75 1,0394 149,36
2020-I 160 161,25 160,625 0,9961 160,81
2020-II 180 165 163,125 1,1034 164,45
39
2020-III 140 - - - 166,82
2020-IV 180 - - - 168,02
6. Componentes cíclico y accidental
• Así como en los apartados anteriores se ha tratado de determinar los componentes de
tendencia y estacionalidad, no disponemos de un procedimiento fijo para determinar
el ciclo y el componente accidental.
• El ciclo no podemos determinarlo a través de un método fijo debido a que los ciclos no

se dan siempre con la misma periodicidad y tampoco tienen todos la misma duración.
• En cuanto al componente accidental, se debe a sucesos imprevistos y por tanto

tampoco puede procederse de la misma forma para aislarlo.
40
Ejercicio 1
• Se tienen los siguientes datos trimestrales sobre parados (en miles de personas) de la
provincia de Ávila para los años 2017 – 2020:
Año 1º Trimestre 2º Trimestre 3º Trimestre 4º Trimestre
2017 15,5 14,7 11 13,2
2018 13,7 12,9 11 9,6

2019 12,2 10,3 9,1 10
2020 9,3 9,3 11,5 12
a) Determina la tendencia mediante el método de medias móviles y represéntala
gráficamente
b) Determina la tendencia por el método de ajuste lineal y represéntala gráficamente
c) Desestacionaliza la serie
d) Obtén la serie de variaciones interanuales para todos los trimestres desde el primero
41
de 2017 hasta el cuarto de 2020 e interpreta el resultado
e) Obtén la tasa media de crecimiento anual para todo el periodo e interpreta el
resultado
Ejercicio 1
• A) Medias móviles
Periodo Parados 𝑌ത𝑡 𝑌ധ𝑡 16
2017-I 15,5 15
2017-II 14,7 13,600 14

2017-III 11 13,150 13,375
13
2017-IV 13,2 12,700 12,925
2018-I 13,7 12,700 12,700

12
2018-II 12,9 11,800 12,250 11

2018-III 11 11,425 11,613
10
2018-IV 9,6 10,775 11,100
2019-I 12,2 10,300 10,538 9
2019-II 10,3 10,400 10,350 8

2019-III 9,1 9,675 10,038
2019-IV 10 9,425 9,550
2020-I 9,3 10,025 9,725
42
2020-II 9,3 10,525 10,275
2020-III 11,5
2020-IV 12
Ejercicio 1
• B) Ajuste lineal
Parados y = -0,2828x + 13,985
16
15

14
13
12
11
10
9
43
8
0 2 4 6 8 10 12 14 16 18
• C) Desestacionalizar
Ejercicio 1
𝑦𝑡
Periodo Parados 𝑌ത𝑡 𝑌ധ𝑡 ൗധ
𝑌𝑡 𝑦𝑡∗
2017-I 15,5 14,2675
2017-II 14,7 13,600 14,6282
2017-III 11 13,150 13,375 0,8224 12,0795 M1=1,0643
2017-IV 13,2 12,700 12,925 1,0213 13,2255 M2=0,9844
2018-I 13,7 12,700 12,700 1,0787 12,6106 M3=0,8921

2018-II 12,9 11,800 12,250 1,0531 12,8370 M4=0,9778
2018-III 11 11,425 11,613 0,9473 12,0795
2018-IV 9,6 10,775 11,100 0,8649 9,6185 M=0,9796
2019-I 12,2 10,300 10,538 1,1578 11,2299
2019-II 10,3 10,400 10,350 0,9952 10,2497 I1=1,0864
2019-III 9,1 9,675 10,038 0,9066 9,9930 I2=1,0049
2019-IV 10 9,425 9,550 1,0471 10,0193 I3=0,9106
2020-I 9,3 10,025 9,725 0,9563 8,5605 I4=0,9981
2020-II 9,3 10,525 10,275 0,9051 9,2546 44
2020-III 11,5 12,6286
2020-IV 12 12,0232
• D) Variaciones interanuales Ejercicio 1
𝐶𝐹
Periodo Parados 𝑇𝑉 = −1
𝐶𝑜
2017-I 15,5
2017-II 14,7 -5,16%
2017-III 11 -29,03%
2017-IV 13,2 -14,84%
2018-I 13,7 -11,61%

2018-II 12,9 -16,77%
2018-III 11 -29,03%
2018-IV 9,6 -38,06%
2019-I 12,2 -21,29%
2019-II 10,3 -33,55%
2019-III 9,1 -41,29%
2019-IV 10 -35,48%
2020-I 9,3 -40,00%
2020-II 9,3 -40,00% 45
2020-III 11,5 -25,81%
2020-IV 12 -22,58%
Ejercicio 1
• E) Tasa media de crecimiento anual para todo el periodo
𝑁 𝐶𝐹 15 12 ′
𝑇𝑀𝑉𝐴 = − 1 ∗ 100 = ′
− 1 ∗ 100 = −0 016917489 ∗ 100
𝐶0 15 5

= −1′ 6917%
46

Estadística I Tema 7

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estadística I Tema 7

Cargado por

Copyright:

Formatos disponibles

Tema 7:

Beatriz María Sastre Hernández

• 2. Objetivo de estudio de las series temporales

Universidad Católica de Ávila

• 5. Determinación del componente estacional

• 6. Componentes cíclicos y accidentales 2

Universidad Católica de Ávila

Universidad Católica de Ávila

Universidad Católica de Ávila

• ¿Cuánto aumentó el porcentaje de hechos esclarecidos (sobre el total de hechos

Universidad Católica de Ávila

• Este tipo de estudio se conoce como análisis clásico de series temporales. 6

Universidad Católica de Ávila

Universidad Católica de Ávila

Universidad Católica de Ávila

Universidad Católica de Ávila

Universidad Católica de Ávila

Universidad Católica de Ávila

Universidad Católica de Ávila

Universidad Católica de Ávila

Universidad Católica de Ávila

Universidad Católica de Ávila

• La determinación de la tendencia tiene sentido sólo cuando se dispone de una serie lo

Universidad Católica de Ávila

• Principales métodos de determinación de tendencia:

Universidad Católica de Ávila

2018 2019 2020

Universidad Católica de Ávila

2018-I 150 Ventas trimestrales de calzado

Universidad Católica de Ávila

2019-I 155 160

2019-II 170 150

2019-III 135 140

2020-IV 180 100

Universidad Católica de Ávila

Universidad Católica de Ávila

Universidad Católica de Ávila

150 + 165 + 125 + 170 155 + 170 + 135 + 165

Universidad Católica de Ávila

Universidad Católica de Ávila

Universidad Católica de Ávila

Universidad Católica de Ávila

• Al promediar se eliminan los efectos de las otras componentes cuando existan.

Universidad Católica de Ávila

Universidad Católica de Ávila

Universidad Católica de Ávila

Universidad Católica de Ávila

Universidad Católica de Ávila

• Para procedes a “desestacionalizar” la serie temporal, primero debemos determinar la

Universidad Católica de Ávila

2018 2019 2020

Universidad Católica de Ávila

Universidad Católica de Ávila

Universidad Católica de Ávila

Universidad Católica de Ávila

• 4) Media móvil anual

Universidad Católica de Ávila

Universidad Católica de Ávila

Universidad Católica de Ávila

• En cuanto al componente accidental, se debe a sucesos imprevistos y por tanto

Universidad Católica de Ávila

2017-II 14,7 13,600 14

Universidad Católica de Ávila