CAPÍTULO 7

SERIES TEMPORALES
SERIES TEMPORALES
Son series temporales aquellas observaciones sobre una variable realizados a intervalos
regulares de tiempo y ordenadas cronológicamente.

REPRESENTACIÓN GRÁFICA
Se representan: EJE OX: Datos temporales
EJE OY: Datos de la variable.

LIBOR (London InterBank Offered Rate) es una tasa de referencia diaria basada en las tasas
de interés bajo la cual los bancos ofrecen fondos no asegurados a otros bancos en el mercado
monetario mayorista (o mercado interbancario)

COMPONENTES DE UNA SERIE TEMPORAL

El análisis de una serie temporal se basa en que puede dividirse en 4 componentes

diferenciadas:

1) Tendencia (T). Evolución a largo plazo

2) Fluctuaciones cíclicas (C). Recoge las oscilaciones periódicas de amplitud superior
a un año
3) Variación estacional (S). Comportamiento regular y repetitivo en un ciclo inferior
a un año.
4) Movimientos irregulares o variaciones accidentales (I). Fluctuaciones ocasionales.

Se pueden asociar aditivamente (T+C+S+I), multiplicativamente (TCSI),...

1
 CÁLCULO Y ANÁLISIS DE LA TENDENCIA
Es la información más relevante de la serie temporal ya que es el componente fundamental
para realizar predicciones. Los medios más utilizados para detectar y eliminar la tendencia de una
serie se basan en la aplicación de filtros a los datos. Un filtro es una función matemática que aplicada
a los valores de la serie produce una nueva serie con unas características determinadas.

1) Cálculo de la tendencia por el método de los semipromedios.

Es la forma más rápida de estimar una línea de tendencia recta. Se divide la serie en dos
mitades y se calcula el promedio de cada mitad que se centra en el punto medio. La recta que una
ambas medias sería la línea de tendencia estimada.

Ejemplo: Si tenemos:
1 3
2 2
3 4
4 1
5 5
6 6
7 4
8 5
9 7
10 6
11 12
12 9

Dividimos la serie en dos mitades y tenemos

Buscamos la ecuación de la recta y=ax+b tal que cuando x=3,5 y=3,5 y cuando x=9,5
y=7,17

Restando m.a.m.:

2
2) Cálculo de la tendencia por el método de los mínimos cuadrados

Ejemplo: Dada la tabla del ingreso en miles de € de una empresa:

2010 2011 2012

1er TRIMESTRE 10 12 14
2º TRIMESTRE 12 14 15
3er TRIMESTRE 14 18 18
4º TRIMESTRE 15 16 18

Estimar la tendencia por el método de los mínimos cuadrados:

3
 Obtenemos la tabla auxiliar:

2010 2011 2012

1er TRIMESTRE 10 12 14
2º TRIMESTRE 12 14 15
3er TRIMESTRE 14 18 18 t yt

Donde 12,75 es la media de 10, 12, 14 y 15.

Así tendremos que:

Deshacemos el cambio de origen:

Si queremos hacer una estimación de los miles de euros en ingresos para 2013:

3) Cálculo de la tendencia por el método de las medias móviles

Partiendo de la serie temporal, se obtienen medias sucesivas para número de ordenadas

prefijado de antemano.

Empleando tres observaciones:

Si tenemos los siguientes datos:

1 3
2 2
3 4
4 1
5 5
6 6
7 4
8 5
9 7
10 6
11 12
12 9

4
14

12

10

0
1 2 3 4 5 6 7 8 9 10 11 12

y así sucesivamente

14

12

10

0
1 2 3 4 5 6 7 8 9 10 11 12

Empleando cuatro observaciones:

Los ingresos mensuales de una determinada compañía han sido en los años 2007 y 2008:

  2007 2008
ENERO 100 150
FEBRERO 110 160
MARZO 130 180
ABRIL 150 200
MAYO 140 210
JUNIO 130 200
JULIO 125 190
AGOSTO 150 220
SEPTIEMBR
E 160 210
OCTUBRE 175 200
NOVIEMBR
E 180 190

5
 DICIEMBRE 180 180

Calcular la tendencia por el método de las medias móviles empleando 4 observaciones.

Representar gráficamente dicha tendencia.

Al tratarse de un nº par de observaciones, si numeramos los meses del 1 al 24, calculamos:

y así sucesivamente:

2007 2008
  167,5
122,5 172,5
132,5 187,5
137,5 197,5
136,25 200
136,25 205
141,25 205
152,5 205
166,25 205
173,75 195
171,25  
167,5  

Esta serie se corresponde con periodos ficticios que no existen en la serie observada, 2,5,
3,5, etc. Para centrar estas medias con los periodos reales se vuelven a promediar los valores de dos
en dos:

y así sucesivamente:

  2007 2008
ENERO   167,5
FEBRERO   170
MARZO 127,5 180
ABRIL 135 192,5
MAYO 136,875 198,75
JUNIO 136,25 202,5
JULIO 138,75 205
AGOSTO 146,875 205
SEPTIEMBR
E 159,375 205
OCTUBRE 170 200
NOVIEMBR 172,5  
6
 E
DICIEMBRE 169,375  
La tendencia puede representarse:

220

200

180

160

140

120

100
07 RIL YO IO IO TO RE RE RE RE 08 RO ZO RIL YO IO IO TO RE RE
ZO AB MA JUN JUL OS MB TUB MB MB RO RE AR AB MA JUN JUL OS MB TUB
B
AR AG PTIE OC VIE ICIE ENE FE M AG PTIE OC
M SE NO D SE

7
 ANÁLISIS DE LAS VARIACIONES ESTACIONALES

Ciclos regulares de duración inferior a un año. Lo importante es su temporalidad o repetición

regular.
El proceso de descontar los efectos que provoca la existencia de un ciclo estacional se llama
desestacionalización. Hay dos métodos sencillos:

1) Cálculo de la variación estacional por el método del porcentaje promedio

Es un procedimiento rápido y simple para elaborar un índice estacional, permite valorar y visualizar
mejor el grado de estacionalidad. Se procede así:
- se obtienen los promedios anuales.
- se obtienen los porcentajes de las cifras mensuales en relación al promedio anual.
- se elabora un índice estacional para cada mes, con el promedio de las cantidades en el paso
anterior.

8
9
 Ejemplo Enero 2002: 10139.2 / 89.69 * 100 = 11305.1

2) Cálculo de la variación estacional por el método del porcentaje promedio móvil

Uno de los métodos mas usados para la variación estacional

- se obtiene un promedio móvil de doce meses (o trimestrales) de la serie de datos originales.
- Se calcula (con n = 2) el promedio móvil de los datos calculados en el paso anterior, con el fin
de centrar convenientemente dichos datos, al que se le denomina promedio móvil centrado de
doce meses.
- Finalmente se obtiene el índice dividiendo los datos originales por el promedio móvil.
-

10
 ANÁLISIS DE LAS VARIACIONES CÍCLICAS E
IRREGULARES

Son variaciones regulares que se producen en las series temporales con periodo superior a un
año.
Un ciclo tiene dos componentes básicos: la amplitud distancia que hay entre el 0 y el valor
máximo) y el periodo (tiempo que tarda en recorrer un ciclo completo).
Las variaciones irregulares de una serie temporal son movimientos ocasionales que tienen
generalmente un carácter impredecible o aleatorio. A veces hay circunstancias comprensibles que
determinan dicha irregularidad y que permiten corregir previamente los datos iniciales. Son los
denominados efectos calendario (festividades, vacaciones), huelgas, regulaciones de empleo. La
forma más sencilla de compensar estas variaciones es multiplicar la serie original de datos por:

Por lo general para eliminar las variaciones se suele utilizar una media móvil de pocos
periodos (3 o 5 periodos).

LA SUAVIZACIÓN EXPONENCIAL
El propósito del alisado exponencial es eliminar la fluctuación aleatoria. Esto permite captar
cualquier patrón de conducta en la serie temporal y usarlo para predecir nuevos valores.

Suavizado exponencial simple

La serie presenta un comportamiento estacionario (sin tendencia), modelizada como:

11
 u: término de perturbación aleatorio (fluctuación irregular), valor cero y varianza constante
para todo t, e independiente de X.

AES: este método estima para cada período t el parámetro a como suma ponderada de todas
las observaciones anteriores, con menor importancia a las observaciones más antiguas. La
ponderación decrece exponencialmente.

La expresión de cálculo de la estimación del parámetro a en el período t es:

St-1 es la estimación de a obtenida en el período t-1 y es la constante de alisado que toma los
valores entre 0 y 1. La predicción del período t se obtiene:

El AES actualiza período a período las estimaciones de a incorporando la nueva información.

Los cambios experimentados por el valor de a depende de . Si es grande (próximo a 1) el AES
se adapta a los cambios cuando a es poco estable. Si la serie es estable el valor de es pequeño y se
conseguirá un mejor alisado, eliminando el máximo de las fluctuaciones aleatorias.

12
13
 Suavizado exponencial de Holt

Cuando la serie presenta tendencia lineal, creciente o decreciente, puede ser modelizada
como:

ut: sería la fluctuación irregular, un método de predicción adecuado es el de Holt con buenos
resultados en economía empresarial (gestión de stock, financiación, ventas…). El procedimiento se
basa en dos ecuaciones de alisado:
estima el nivel de la serie en el período t.

estima la pendiente de la recta de la tendencia para todo período t.

Las constantes de alisado y toman valores comprendidos entre 0 y 1. Si las constantes

son menores más alisada será la serie de predicciones. El programa informático SPSS permite hacer
una búsqueda en rejilla y seleccionar aquellas que presentan la menor Raíz del Error Cuadrático
Medio de predicción en los períodos observados de la serie.

14
Suavizado exponencial de Winters

Una serie con tendencia lineal y patrón estacional multiplicativo puede modelizarse como:

Donde ct es el índice estacional del período t. Las estimaciones son:

15
 S es la periodicidad de la serie. Las constantes de alisado , y deben tomar valores
entre 0 y 1. La predicción para el período t se obtiene a partir de:

Respecto a los valores iniciales, señalamos como valores apropiados los que toma como
referencia el SPSS, los cuales son:

n es número de años de la serie. Los factores estacionales iniciales pueden ser obtenidos con los
métodos anteriores.

La predicción para los períodos futuros T+1,…, T+k obtenida en el período T es:

16
Suavización exponencial de series temporales con SPSS
Requiere la definición de variables fechas, lo cual está accesible en el menú Datos->Definir fechas.
Pantalla asociada:

Especificamos el tipo de periodicidad de los

datos, así como el año y el mes de inicio de la
serie. Para obtener predicciones mediante el AES
la secuencia en SPSS es:

Analizar -> Series temporales -> Suavizado

exponencial
En este cuadro está activado por defecto el
método AES (modelo simple). El modelo
Winters es el más indicado para esta serie
temporal. En la ventana Variables, se indica la
serie a predecir. En Parámetros se puede
modificar la elección del valor de las
constantes de alisado, donde se abre el
siguiente cuadro:

17
Por defecto está activada para Alfa la opción Valor: 0.1 el de la primera y 0.2 el resto.
Casilla Búsqueda en rejilla: especifica un intervalo de valores para cada una de las contantes de
alisado, Alfa, Gama o Beta; el sistema selecciona el que optimice la predicción y proporcione menor
suma de cuadrados de los errores de estimación (SSE).
Casilla Por el valor de incremento: para afinar la búsqueda.
Sólo se mostrarán los 10 valores de  con menor error de estimación, si se activa esta casilla.
Con la opción Valores iniciales: Personalizado se puede fijar el valor de inicio que se desee.
Botón Guardar: permite modificar las opciones relacionadas con la creación de nuevas variables y
con la predicción. Añadir al archivo: se añaden a la base de datos activa la serie alisada y los errores
de predicción. Sustituir las existentes: guarda las variables del último procedimiento. No crear: no
guarda ninguna variable de resultados. Pronosticar casos: por defecto está activada la primera
opción, pero con Pronosticar hasta permite generar predicciones para valores futuros.

18