PREGUNTAS QUINTA UNIDAD: SERIES DE TIEMPO

HEIDY VALENTINA GIRALDO GUILLEN

JUAN SEBASTIAN MARTINEZ NAVARRO

CINDY ANDREA ZABALA OSORIO

Docente

MIGUEL ANGEL DIAZ PRADA

Economista

UNIVERSIDAD DEL TOLIMA – CAT HONDA

ECONOMETRIA

VIII SEMESTRE

ADMINISTRACION FINANCIERA

HONDA, TOLIMA

2023
 CONTENIDO

INTRODUCCION
1.1. ¿QUÉ ES UNA SERIA DE TIEMPO, CUÁLES SON SUS COMPONENTES Y COMO SE
CLASIFICAN?.......................................................................................................................................5
1.2. ¿QUÉ ES UN PROCESO ESTOCÁSTICO Y EN QUÉ CASOS ES POSIBLE VALIDAR
SU APLICACIÓN?................................................................................................................................6
1.3. ¿QUÉ SON PROCESOS LINEALES ESTACIONARIOS Y LINEALES NO
ESTACIONARIOS?..............................................................................................................................7
1.4. ¿CUÁLES SON LAS PRINCIPALES DIFERENCIAS ENTRE LOS PROCESOS
LINEALES ESTACIONARIOS Y LINEALES NO ESTACIONARIOS?..........................................8
1.5. ¿CUÁLES ES LA APLICABILIDAD DE LAS SERIES DE TIEMPO EN EL CAMPO
ECONÓMICO Y FINANCIERA, VALIDAR A TRAVÉS DE UN EJEMPLO PRÁCTICO?...........9
CONCLUSIONES

REFERENCIAS

2
 INTRODUCCIÓN

Las series de tiempo son conjuntos de datos recopilados a lo largo del tiempo, en
intervalos regulares. Estas series son muy utilizadas en diversas disciplinas, como la
economía, las finanzas, la meteorología, la física, la ingeniería y muchas otras.
Permitan analizar y comprender la evolución de una variable en función del tiempo,
identificar patrones, tendencias y comportamientos, así como realizar pronósticos y
tomar decisiones informadas.

Una serie de tiempo consta de puntos de datos ordenados secuencialmente, donde

cada punto representa una observación en un momento específico. Estos puntos
pueden ser recolectados en diferentes intervalos de tiempo, como segundos, minutos,
horas, días, semanas, meses o años, dependiendo de la naturaleza del fenómeno o del
objetivo del análisis.

En el análisis de series de tiempo, es común buscar patrones y estructuras

subyacentes en los datos, como tendencias ascendentes o descendentes,
estacionalidad, ciclos recurrentes y variaciones aleatorias. Estos componentes ayudan
a comprender cómo evoluciona la variable a lo largo del tiempo y qué factores pueden
estar influyendo en su comportamiento.

La eliminación de una serie de tiempo en sus componentes principales, como la

tendencia, la estacionalidad y las variaciones cíclicas, permite comprender mejor los
patrones y las fluctuaciones presentes en los datos. Además, se pueden aplicar
técnicas estadísticas y modelos matemáticos para analizar y pronosticar el
comportamiento futuro de la serie.

Las series de tiempo univariadas, que consisten en una sola variable, son ampliamente
utilizadas para analizar y pronosticar fenómenos unidimensionales, como el precio de
las acciones, el consumo de energía, el tráfico vehicular o el clima. Por otro lado, las
series de tiempo multivariadas involucran múltiples variables interrelacionadas y se
utilizan para estudiar fenómenos más complejos, como el comportamiento económico
de diferentes sectores o la interacción de variables climáticas.

3
El análisis de series de tiempo es una herramienta poderosa para comprender la
evolución y el comportamiento de variables a lo largo del tiempo. Permite identificar
patrones, tendencias y estructuras subyacentes, así como realizar pronósticos y tomar
decisiones informadas en diversos campos. Al utilizar técnicas estadísticas y modelos
matemáticos, es posible extraer información valiosa de los datos y obtener una visión
más completa de cómo cambian las variables a lo largo del tiempo.

4
 1. PREGUNTAS QUINTA UNIDAD: SERIES DE TIEMPO

1.1. ¿QUÉ ES UNA SERIA DE TIEMPO, CUÁLES SON SUS COMPONENTES Y

COMO SE CLASIFICAN?
Una serie de tiempo es una secuencia de datos observados y registrados en intervalos
regulares a lo largo del tiempo. Estos datos pueden ser recolectados en diferentes
momentos, como días, semanas, meses o años, y se utilizan para analizar y
comprender patrones, tendencias y comportamientos en función del tiempo.

Los componentes principales de una serie de tiempo son los siguientes:

1. Tendencia: Es la dirección general o la trayectoria en la cual se mueven los datos a

largo plazo. Puede ser ascendente (crecimiento), descendente (decrecimiento) o
incluso no tener una tendencia clara (variaciones aleatorias).

2. Estacionalidad: Se refiere a patrones regulares y predecibles que ocurren en la serie

de tiempo en intervalos fijos. Estos patrones pueden repetirse diariamente,
mensualmente, estacionalmente o en otros períodos regulares.

3. Variaciones cíclicas: Representan fluctuaciones que no tienen un período fijo y no

son tan regulares como la estacionalidad. Estas variaciones suelen estar asociadas con
factores económicos, sociales o políticos que influyen en la serie de tiempo.

4. Componente aleatorio o ruido: Es la variación irregular e impredecible que no se

puede atribuir a ninguna de las componentes anteriores. Representa la incertidumbre o
el error en los datos observados.

Las series de tiempo se pueden clasificar en dos categorías principales:

1. Series de tiempo univariadas: Estas series de tiempo contienen observaciones de

una única variable a lo largo del tiempo. Por ejemplo, el precio diario de una acción en
la bolsa de valores.

2. Series de tiempo multivariadas: Estas series de tiempo contienen observaciones de

múltiples variables interrelacionadas a lo largo del tiempo. Por ejemplo, los datos de
ventas mensuales de diferentes productos en una tienda.

5
La clasificación de una serie de tiempo como univariada o multivariada depende de la
cantidad de variables que se estén analizando en la serie.

1.2. ¿QUÉ ES UN PROCESO ESTOCÁSTICO Y EN QUÉ CASOS ES POSIBLE

VALIDAR SU APLICACIÓN?
Un proceso estocástico es un modelo matemático que describe la evolución de una
variable a lo largo del tiempo, donde el valor futuro de la variable es incierto y depende
tanto de su valor actual como de factores aleatorios. En otras palabras, es un proceso
que exhibe un comportamiento probabilístico y está influenciado por eventos aleatorios.

Los procesos estocásticos son ampliamente utilizados en el análisis y modelado de

fenómenos complejos en diversas áreas, como la física, la economía, las finanzas, la
ingeniería, la meteorología, entre otras. Algunos ejemplos de procesos estocásticos
comunes incluyen:

1. Proceso de Wiener o movimiento Browniano: Es un proceso estocástico continuo en

el tiempo que se utiliza para modelar el movimiento aleatorio de partículas en física y
finanzas.

2. Proceso de Poisson: Es un proceso estocástico discreto en el tiempo que se utiliza

para modelar eventos aleatorios que ocurren en un intervalo de tiempo determinado,
como llamadas telefónicas entrantes, accidentes de tráfico, entre otros.

3. Proceso de Markov: Es un proceso estocástico que satisface la propiedad de

Markov, lo que significa que la probabilidad de que el proceso tome un valor dado en el
futuro solo depende del valor actual y no de los valores pasados. Los procesos de
Markov se utilizan ampliamente en la teoría de la probabilidad y en aplicaciones como
el análisis de redes, la inteligencia artificial y la modelización de sistemas dinámicos.

La validez de la aplicación de un proceso estocástico depende del contexto y de las

características del fenómeno que se desea modelar. Algunos casos en los que puede
ser posible validar su aplicación son:

6
1. Cuando existen evidencias empíricas de que los datos siguen un comportamiento
probabilístico y están influenciados por factores aleatorios.

2. Cuando se pueden identificar patrones o regularidades en los datos que sugieren la

presencia de un proceso estocástico subyacente.

3. Cuando se cumplen las propiedades y suposiciones necesarias del proceso

estocástico específico que se desea utilizar.

Es importante tener en cuenta que la elección y validación de un proceso estocástico

para un problema específico requiere un análisis cuidadoso y una comprensión
profunda del fenómeno en cuestión, así como de las propiedades y limitaciones del
proceso estocástico seleccionado.

1.3. ¿QUÉ SON PROCESOS LINEALES ESTACIONARIOS Y LINEALES NO

ESTACIONARIOS?
En estadística básica, los procesos lineales estacionarios y lineales no estacionarios se
refieren a dos tipos diferentes de procesos estocásticos en el análisis de series
temporales.

1. Procesos lineales estacionarios: Un proceso lineal estacionario es aquel en el que

las propiedades estadísticas se mantienen constantes a lo largo del tiempo. Esto
implica que la media y la covarianza de las variables aleatorias en el proceso no
dependen del tiempo. En un proceso lineal estacionario, las distribuciones conjuntas de
las variables aleatorias son las mismas en diferentes momentos de tiempo. Esto
permite que las propiedades estadísticas del proceso, como la media y la varianza,
sean constantes y predecibles. Los procesos lineales estacionarios son ampliamente
utilizados en el análisis de series temporales y permiten la aplicación de técnicas
estadísticas para el pronóstico y el modelado de datos a lo largo del tiempo.

2. Procesos lineales no estacionarios: Un proceso lineal no estacionario es aquel en el

que las propiedades estadísticas varían a lo largo del tiempo. Esto significa que la
media, la varianza y la covarianza de las variables aleatorias en el proceso pueden
cambiar en diferentes momentos de tiempo. En un proceso lineal no estacionario, las
distribuciones conjuntas de las variables aleatorias pueden depender del tiempo, lo que

7
hace que el análisis y la predicción sean más desafiantes. Los procesos lineales no
estacionarios a menudo exhiben tendencias, cambios estructurales u otros patrones
que hacen que las propiedades estadísticas cambien con el tiempo. Para analizar
procesos lineales no estacionarios, es necesario aplicar técnicas y modelos específicos
que consideren la no estacionariedad, como la diferenciación para transformar los
datos en estacionarios o el uso de modelos autoregresivos integrados de media móvil
(ARIMA, por sus siglas en inglés).

La diferencia clave entre los procesos lineales estacionarios y lineales no estacionarios

radica en si las propiedades estadísticas, como la media y la covarianza, son
constantes o varían a lo largo del tiempo. La estacionariedad es una suposición
importante en el análisis de series temporales y permite la aplicación de técnicas
estadísticas más simples, mientras que la no estacionariedad requiere enfoques más
avanzados para el análisis y la predicción de los datos.

1.4. ¿CUÁLES SON LAS PRINCIPALES DIFERENCIAS ENTRE LOS PROCESOS

LINEALES ESTACIONARIOS Y LINEALES NO ESTACIONARIOS?

Característica Procesos Lineales Estacionarios Procesos Lineales No

Estacionarios

Medios de Constante en el tiempo Variable en el tiempo

comunicación

varianza Constante en el tiempo Variable en el tiempo

Autocovarianza Solo depende de la diferencia entre las Puede depender de las

variables de tiempo variables de tiempo

Autocorrelación Solo depende de la diferencia entre las Puede depender de las

variables de tiempo variables de tiempo

Estacionarieda Satisface la estacionariedad débil, lo No satisface la

d débil que implica que la estacionariedad débil, lo
media y la autocorrelación son que implica que la media

8
 constantes en el tiempo y/o la autocorrelación varía
en el tiempo.

Los procesos lineales estacionarios tienen una media y varianza constantes, la auto
covarianza depende solo de la separación en el tiempo y no muestran tendencia o
patrones sistemáticos.

Por otro lado, los procesos lineales no pueden tener estacionarios medios y/o varianza
cambiantes, la autocovarianza depende del tiempo y pueden mostrar tendencia o
patrones sistemáticos.

1.5. ¿CUÁLES ES LA APLICABILIDAD DE LAS SERIES DE TIEMPO EN EL CAMPO

ECONÓMICO Y FINANCIERA, VALIDAR A TRAVÉS DE UN EJEMPLO PRÁCTICO?
Las series de tiempo son ampliamente utilizadas en el campo económico y financiero
debido a su capacidad para modelar y analizar el comportamiento de variables a lo
largo del tiempo. Aquí tienes un ejemplo práctico de la aplicabilidad de las series de
tiempo en este contexto:

Supongamos que eres un analista financiero encargado de pronosticar el precio de las

acciones de una empresa en particular. Recopilas datos diarios del precio de las
acciones durante varios años y decides utilizar técnicas de series de tiempo para
realizar tu pronóstico.

1. Análisis exploratorio: Comienzas realizando un análisis exploratorio de los datos de

series de tiempo. Graficas la serie de precios a lo largo del tiempo para identificar
patrones o tendencias visuales. Puedes detectar si hay cambios significativos en la
volatilidad o si hay algún patrón estacional en los precios de las acciones.

2. Descomposición de la serie: Aplicas técnicas de descomposición de series de tiempo

para separar los componentes de tendencia, estacionalidad y aleatoriedad en los datos.
Esto te permite comprender mejor la evolución del precio de las acciones y analizar
cómo se comporta en diferentes momentos del año.

9
3. Modelado: Utilizas modelos de series de tiempo, como el modelo de media móvil
auto regresiva (ARMA) o el modelo auto regresivo integrado de media móvil (ARIMA),
para capturar los patrones y la estructura subyacente de los datos. Estos modelos
consideran la auto correlación en los datos y te permiten realizar pronósticos basados
en los patrones históricos.

4. Evaluación del modelo: Ajustas el modelo a los datos históricos y realizas

pronósticos futuros del precio de las acciones. Luego, evalúas la precisión del modelo
utilizando métricas como el error cuadrado medio (MSE) o el error absoluto medio
(MAE). Esto te ayuda a determinar la calidad del modelo y si es adecuado para realizar
pronósticos precisos.

5. Toma de decisiones: Con los resultados de tu análisis de series de tiempo y los

pronósticos generados, puedes tomar decisiones informadas en el ámbito financiero.
Por ejemplo, puedes recomendar la compra o venta de acciones en función de si se
espera que el precio aumente o disminuya en el futuro.

Las series de tiempo en el campo económico y financiero permiten analizar el

comportamiento pasado de variables, identificar patrones y tendencias, realizar
pronósticos y tomar decisiones informadas basadas en el análisis de los datos
históricos.

10
 CONCLUSIONES

Las series de tiempo son una herramienta fundamental para analizar y comprender la
evolución de variables a lo largo del tiempo. Su estructura temporal y orden cronológico
suficiente sobre patrones, tendencias y comportamientos pasados, lo que permite
realizar pronósticos y tomar decisiones informadas.

La avería de una serie de tiempo en sus componentes principales (tendencia,

estacionalidad y variación aleatoria) ayuda a comprender mejor los factores
subyacentes que influyen en la variable en estudio. Esta evidencia permite identificar
patrones estacionales regulares, detectar cambios a largo plazo en la tendencia y
comprender la considerable no explicada.

La estacionariedad de una serie de tiempo es una propiedad importante para su

análisis. Los procesos lineales estacionarios son más fáciles de modelar y predecir, ya
que sus propiedades estadísticas se mantienen constantes a lo largo del tiempo. Por
otro lado, los procesos lineales no estacionarios requieren transformaciones o ajustes
para restaurar la estacionariedad antes de aplicar técnicas de análisis de series de
tiempo.

Los procesos estocásticos son utilizados para modelar fenómenos que presentan
incertidumbre y resultados. Su aplicación es válida cuando el fenómeno en estudio
exhibe cierto grado de aleatoriedad y cuando se cumple la propiedad de independencia
o dependencia débil entre las observaciones.

En el campo económico y financiero, las series de tiempo desempeñan un papel

crucial. Permiten analizar y pronosticar variables económicas clave, como el
crecimiento del PIB, la inflación y el desempleo, lo que ayuda a las organizaciones y los
responsables de la toma de decisiones a planificar estrategias, evaluar riesgos y tomar
medidas adecuadas.

Las series de tiempo suficiente una visión temporal de la evolución de variables y

fenómenos, lograr comprender patrones, identificar tendencias y realizar pronósticos.
Su análisis requiere considerar componentes, como la tendencia, la estacionalidad y la
variación aleatoria, así como la estacionariedad de los procesos. Su aplicabilidad en

11
campos como la economía y las finanzas es amplia y contribuye a la toma de
decisiones fundamentales.

12
 REFERENCIAS

Stock, J. H., & Watson, M. W. (2018). Introducción a la econometría (3rd ed.). Pearson
Educación.

Wikipedia. (2023, 3 de mayo)Serie de tiempo. Recuperado de

https://es.wikipedia.org/wiki/series_de_ tiempo. html

Yanés, AM (2020). Modelo Lineal General. En Bookdown. Recuperado el 3 de mayo de

2023, de https://bookdown.org/content/2274/modelo-lineal-general.html

Gujarati, D. N., & Porter, D. C. (2009). Econometría. McGraw Hill.

Greene, W. H. (2012).Econometria y análisis . Pearson Education.

13