Las series de tiempo se utilizan principalmente en las áreas de ingenieria y ciencia aplicada para

realizar pronósti« cos. Se hacen suponiendo que no cambia la estructura del sistema que genera
los valores observados. Con el fin de pronosticar usando series de tiempo se realizan y construyen
modelos para pronósticos en: la demanda de productos y servicios, el comportamiento de
fenómenos naturales en interacción con el quehacer humano, en las mediciones de fenómenos
sociales, económicos, financieros y demográficos, en los resultados de sistemas complejos. Estos
pronósticos se utilizan para planear, decidir y tomar acciones pertinentes. El análisis de las series
de tiempo se utiliza para realizar modelos que permitan el pronóstico basado en el
comportamiento de la serie.

Una serie de tiempo se define como un conjunto de observaciones cuantitativas arregladas en

orden cronológico, Generalmente, se supone que el tiempo es una variable discreta. Una
diferencia importante entre una serie de tiempo y otras series que se manejan con regresión
lineal, es que en regresión lineal se considera a los residuales de los modelos estimados como
independientes entre ellos. En una serie de tiempo, si los residuales de la ecuación de regresión
están correlacionados positivamente, entonces las estimaciones de las varianzas de los
parámetros del modelo de regresión estarán subestimadas y los estadísticos de prueba F y T
sobrestimados.

Las series de tiempo son observaciones generadas a partir de algún proceso; se espera en el
análisis de las series de tiempo que los procesos cumplan ciertas condiciones en su media,
varianza y las covarianzas entre los elementos de estas series; por ejemplo, si no son dependientes
del tiempo se tiene una serie de tiempo estacionaria.

Procesos de series de tiempo

Siempre que se tengan valores para una variable de interes específica (una sola), que pueda ser
trazada en función del tiempo, estos valores a menudo se conocen como series de tiempo, y
cualquier método utilizado para analizar y extrapolar dichas series en el futuro entra en una
categoria general llamada analisis de series de tiempo.

Con mas detalle se define una serie de tiempo como una secuencia ordenada de valores de una
variable en intervalos de tiempo igualmente espaciados.

Una característica obvia de los datos de series de tiempo que los distingue de aquellos de corte
transversal es que tienen un orden temporal. Para analizar los datos de series de tiempo, es
necesario reconocer que el pasado influye en el futuro, pero no a la inversa.

Un enfoque al análisis de series de tiempo comprende un intento de identificar los factores que
ejercen influen« cia sobre cada uno de los valores periódicos de una serie. Este procedimiento de
identificación se denomina des» composición, Cada componente se identifica por separado, de tal
manera que la serie histórica pueda proyectarse al futuro y utilizarse en pronósticos tanto de corto
como de largo plazos. Los cuatro componentes que se encuentran en una serie histórica son:
tendencia, variaciones ciclicas, varia« ciones estacionales y fluctuaciones irregulares. 1. Tendencia.
La tendencia es el componente de largo plazo que constituye la base del crecimiento (o declina-
ción) de una serie histórica. Las fuerzas básicas que producen o afectan la tendencia de una serie
son: cambios en la población, inflación, cambio tecnológico e incremento en la productividad. 2.
Variación cíclica. El componente cíclico es un conjunto de fluctuaciones en forma de onda o ciclos,
de más de un año de duración, producidos por cambios en las condiciones económicas.
Representa la diferencia entre los valores esperados de una variable (tendencia) y los valores
reales, la variación residual que fluctúa alrededor de la tendencia. 3. Variación estacional. Las
fluctuaciones estacionales se encuentran típicamente en los datos clasificados por trimestre, mes
o semana. La variación estacional se refiere a un patrón de cambio regularmente recurrente a
traves del tiempo. El movimiento se completa dentro de la duración de un año y se repite a si
mismo año tras año. 4. Fluctuación irregular. El comportamiento irregular esta compuesto por
fluctuaciones causadas por sucesos impredecibles o no periódicos, como un clima poco usual,
huelgas, guerras, rumores de guerras, elecciones y cambios en las leyes. Esta claro que con
frecuencia existe una necesidad para pronosticar que considere la tendencia, estacionalidad y
otras características de los datos. En específico, interesa la situación en la que se observa una serie
de tiempo y], muy", y se desea pronosticar una futura observación en el tiempo n + h.

2.1 Modelo clásico de series de tiempo

2.1.1 Promedio móvil simple El modelo más simple en la categoría de promedios móviles es el
promedio móvil simple de n periodos, En este modelo se utiliza el promedio de un número fijo
(digamos, n) de las observaciones mas recientes para estimar el valor siguiente de “Y; por ejemplo,
para n periodos; entonces, después de haber observado el valor de “Y" en el n A" periodo t, la
estimación y para el periodo t + 1 seria:

En el caso de que n = 4 para t = 10 se tendria:

Para valorar lo adecuado de las estimaciones asi realizadas se utilizan medidas como el MAD,
acrónimo en ingles para la desviación absoluta media que se calcula como el promedio de las
desviaciones absolutas entre estimación y observación:

Otra medida para el pronóstico es el MAPE, acrónimo en ingles de la media absoluta del
porcentaje de error:
El error cuadrático medio del error de pronóstico, MSE, se usa también para valorar lo adecuado
de un método de pronóstico:

Una forma de saber cuál metodo es el más apropiado es evaluarlo contra una serie de tiempo
histórica conocida relativa al negocio o asunto de interés y ver Cómo se comporta una medida
como el MAD para diferentes valores. Supóngase que se tienen los resultados de ventas anuales
de 21 años (véase tabla 2.2).

Se comparan los promedios móviles para n = 1, 2, 3 y 5 (véase tabla 2.3).

Promedio móvil exponencialmente ponderado . El promedio móvil se presentó por interes

didáctico e histórico; es más común encontrar el uso de promedios móviles exponencialmente
ponderados en la practica. Tiene dos ventajas inmediatas: los datos mas recientes reciben ma’s
importancia que los anteriores y para cal- cular el pronóstico no es necesario guardar en
“memoria" tantos datos; corresponde en notación a (N, N). Una forma de expresar el promedio
móvil exponencial ponderado es (Brown, 1959):

donde a es una constante especificada por el usuario tal que 0 S a S 1, También se puede ver:

El valor asignado a a determina cuánto peso relativo se le da al coeficiente de ponderación de la

observación más reciente al calcular el pronóstico del periodo siguiente. Obse’rvese que si a (x se
le asigna un valor cercano a 1, casi todo el peso se coloca en la demanda real del periodo t. Para
calcular f5 +1, solo debe almacenarse JAC (junto con el valor de a); en la ponderación exponencial,
al guardar a y el último pronóstico, de manera implícita se estan alma» cenando todos los
pronósticos anteriores. Cuando t : 1 y se inicia el cálculo de las estimaciones, la expresión utilizada
para definir yA2 es:

En esta expresión jll es una “estimación inicial” del valor

paray en el periodo 1, yyl es el valor observado del periodo 1. Para comenzar el pronóstico de
ponderación exponencial, se necesita establecer esta “estimación inicial'Í Tenemos varias opciones
disponibles: 1) la primera y más común, hacer que 371 = yl (es decir, suponer un pronós« tico
“perfecto" para iniciar el proceso, pero no se cuenta este error de cero en el ca’lculo de la MAD).
Otras opciones incluyen: 2) buscar todos los datos disponibles y determinar que y 1 = y (el
promedio de todos los datos disponibles) o 3) establecer que y, : 39 el promedio de solo el primer
par de periodos.

2.2 Análisis de fluctuaciones

2.2.1 Determinación de autocorrelacíón

Los datos económicos ordenados en una serie de tiempo pueden considerarse como una muestra
aleatoria. Una observación en un periodo dado sobre precios, inventarios, produccion, acciones y
otras variables económicas, está por lo regular correlacionada con (depende de) el valor de la
misma variable en el periodo anterior. Para describir esta situación se emplea el término
correlación serial. Los residuos (Y - l?) no son independientes entre una observación y la siguiente,
de modo que el conocimiento del error en un año ayuda al analista a anticipar el error en el año
siguiente. Los residuos están autocorrelacionados.

El ejemplo ma’s sencillo de la correlación serial es la de primer orden, en la que cada termino de
error es una función del término de error del periodo anterior. Esta situación se ilustra en la
ecuación:
donde et depende del valor en el periodo anterior:

donde: e; es el te’rmino de error de la ecuación, p es coeficiente de correlación de primer orden

que mide la correlación entre los términos de error U2 es un término de error con distribución
normal. Para este tipo de correlación serial, todo lo que se necesita es que el nivel de un término
de error (EH) afecte directamente el nivel del siguiente término de error (9:) La magnitud del
coeficiente de correlación de primer or« den (p) indica la fuerza de la correlación serial. Si p es
cero, entonces no existe correlación serial y los términos de error son independientes (st = vt), Si
los residuos en una ecuación de regresión están autocorrelacionados en forma positiva, el uso del
metodo de minimos cuadrados presenta varios problemas: 1, El error estandar de la estimación
subestima seriamente la variabilidad de los términos de error, 2. Los intervalos de confianza y
pruebas que emplean las distribuciones t y F ya no son estrictamente aplicables. 3, El error
estandar del coeficiente de regresión subestima la variabilidad del coeficiente de regresión
estimado.

Prueba de Durbin-Watson para correlación serial

Un enfoque que se usa con frecuencia para determinar si existe correlación serial es la prueba de
Durbin»\X/atson. La prueba comprende la determinación de si el parámetro de autocorrelación p
que se muestra en la ecuación: SL : psH + vt es igual a cero. Las hipótesis son Ho: p = 0 y Ha: p > 0;
la hipótesis alternativa es p > 0, ya que los residuos en las aplicaciones de series de tiempo tienden
a mostrar una correlación positiva. El primer paso en el cálculo consiste en ajustar a los datos la
línea de regresión de mínimos cuadrados. A con« tinuación se calculan los residuos y la estadística
de Durbin»Watson:

donde et es el error observado entre observación y modelo, eH es el error observado entre

observación y modelo para el periodo anterior. Aunque no hay disponible un procedimiento de
prueba exacto, Durbin y Watson (1951) han proporcionado las fronteras inferior (I) y superior (S),
de manera que se pueda efectuar una prueba de correlación serial después de calcular el valor
DW. Las reglas de decisión son: Si DW > S, quedarse con Ho, no existe correlación positiva. Si DW <
I, quedarse con Ha, existe una correlación positiva. Si I S DW S S, la prueba no ofrece conclusión, es
necesario obtener más datos.

2.3 Análisis de tendencia

Si una serie tiene tendencia se puede determinar por regresión y haciendo la prueba estadística al
parámetro de pendiente, se ha popularizado el uso del promedio móvil doble exponencialmente
ponderado para enfrentar las series de tiempo (Holt, 1957). Las fórmulas que se usan son:
2.4 Análisis de variaciones cíclicas Existe un patrón estacional cuando una serie está influida por
factores estacionales (por ejemplo, el trimestre del año, el mes, el día de la semana). La
estacionalidad siempre es de un periodo fijo y conocido, por eso a veces se les llama series de
tiempo periódicas. Un patrón cíclico muestra subidas y caídas que no son de periodo fijo; la
duración de estas fluctuaciones es de dos años o mas; estan los ciclos de negocios que usualmente
duran varios años, pero la duracion del ciclo presente se desconoce anticipadamente.
Históricamente los ciclos también se han estudiado en la astronomia, donde se han observado
ciclos en cosas como el brillo de las estrellas o el número de manchas en el Sol. Muchas personas
confunden el comportamiento cíclico con el estacional, pero en realidad son muy diferentes; si las
fluctuaciones no son de un periodo fijo, entonces son ciclicas; si el periodo no cambia y esta
asociado en algún aspecto al calendario, entonces el patrón es estacional. En general, el tamaño
promedio de los ciclos es mucho mayor que el de un patrón estacional y la magnitud de los ciclos
tiende a ser mas variable que la magnitud de los patrones estacionales. Los métodos de suavizado
exponencial pueden tratar los patrones estacionales, pero no los patrones ciclicos, para esto se
usan los modelos ARIMA ciclicos. La mayoria de los procesos f isicos exhiben inercia y no la
cambian rapidamente; combinado con la frecuencia de observación o muestreo, esto hace a
menudo que las observaciones consecutivas estén correlacionadas; tal correlación entre
observaciones consecutivas se llama autocorrelación. Cuando los datos estan autocorrelacionados,
la mayoria de los métodos estandar para modelar basados en el supuesto de observaciones
independientes pueden ser erróneos o inútiles. Se necesita un me’todo alternativo que tenga en
cuenta la dependencia en serie dentro de los datos; esto se puede lograr empleando modelos de
series de tiempo tales como los modelos autorregresivos integrados de media móvil
(autoregressive integrated moving ave» rage — ARIMA).

En general, un sistema dinamico se puede modelar con base en su estructura y su

comportamiento será ma» yormente el resultado de las relaciones estructurales que se dan entre
los elementos que mueven sus flujos obser« vados; su comportamiento actual esta altamente
relacionado con lo que acaba de ocurrir debido a la inercia del sistema, Un paso importante fue el
modelo de un péndulo, un sistema dinamico conocido y relativamente sencillo. Yule (1927)
construyó un modelo autorregresivo a partir de las consideraciones basicas de un péndulo de
masa m, ob« servando el desplazamiento del punto de equilibrio, z, contra el tiempo t, en tiempos
discretos, a partir de un impulso de magnitud a en tiempo cero; la ecuación diferencial de segundo
orden para z con sus constantes se muestra asi (véase ecuación 13):

No se debe esperar que todos los sistemas sigan una dinámica de segundo orden; ni se espera
tener un cono» cimiento previo o alguna conjetura del tipo de dinámica para cualquier sistema
dado. Consecuentemente se considerará apropiado buscar modelos empíricos donde el valor
actual se modela usando los valores previos con los retrasos apropiados para modelar series de
tiempo con ciclos. Para esto se ha propuesto el metodo Box- ]enkíns de modelado y pronóstico.

El me’todo BoxJenkins de pronóstico es diferente de la mayoria de los métodos. Esta técnica no

supone nin- gún patrón particular en los datos históricos de la serie a pronosticar. Utiliza un
enfoque iterativo de identificación de un modelo útil a partir de modelos de tipo general. El
modelo elegido se verifica contra los datos históricos para ver si describe la serie con precisión. El
modelo se ajusta bien si los residuos entre el modelo de pronóstico y los puntos de datos
históricos son reducidos, distri- buidos de manera aleatoria e independientes. Si el modelo
especificado no es satisfactorio, se repite el proceso utilizando otro modelo diseñado. Los modelos
autorregresivos univariados han obtenido buenos resultados en predecir variables que tienen un
patrón cíclico persistente.
2.4.3 Serie estacionaria

2.4.4 La descomposición Wold

2.4.5 Modelos ARMA

2.4.6 Modelo autorregresívo integrado de promedio móvil ARIMA

2.4.7 Metodología de Box-Jenkins

2.4.8 Prueba de Ljung-Box

2.5 Medición de variaciones estacionales e irregulares Se consideran variaciones estacionales a las

variaciones con patrones recurrentes en periodos fijos. Una gráfica es una forma de visualizar si el
comportamiento estacional se da y la duración de la temporada o número de periodos en que se
vuelve a repetir el patrón. Se tienen las ventas de seis años reportadas por trimestres (véase figura
2,16):

Los datos se muestran a continuación (véase tabla 2.10):

Se apilan en forma de lista y se analiza la tendencia aplicando regresión lineal directa, usando la
función “PRO— NOSTICOO / FORECASTO” para obtener el ajuste de una linea recta, y, que
estimaría la tendencia de la serie. A continuación se divide cada observación y entre su valor
ajustado y y se obtiene un índice de tipo multiplicativo que mide el cambio por variación
estacional (véase figura 2,17 y tabla 2.11):

2.5.1 Descomposícíón estacional en Minitab

Una vez evaluado el componente estacional y el componente de tendencia se puede realizar un

pronostico para el ejemplo de la tabla 2.14. Ahora es posible estimar un pronóstico de un año. En
el caso de descomposición con Minitab simplemente se marca en el menú correspondiente, Stat >
Time Series > Decomposition , Generar pro» nósticos y en número de pronósticos : 4, Iniciando en
origen 24, el periodo ma’s reciente.
2.7.1 Análisis de series de tiempo en R

REFERENCIAS:

Hernández Ripalda, M. D. Tapia Esquivias, M. y Hernández Gonzalez, S. (2019). Estadística

inferencial 2: aplicaciones para ingeniería. Ciudad de México, Grupo Editorial Patria. Recuperado
de https://elibro.net/es/ereader/itvalletla/121281?page=136.

Hernández Ripalda, M. D. Tapia Esquivias, M. y Hernández Gonzalez, S. (2019). Estadística

inferencial 2: aplicaciones para ingeniería. Ciudad de México, Grupo Editorial Patria. Recuperado
de https://elibro.net/es/ereader/itvalletla/121281?page=137.

Hernández Ripalda, M. D. Tapia Esquivias, M. y Hernández Gonzalez, S. (2019). Estadística

inferencial 2: aplicaciones para ingeniería. Ciudad de México, Grupo Editorial Patria. Recuperado
de https://elibro.net/es/ereader/itvalletla/121281?page=138.

Hernández Ripalda, M. D. Tapia Esquivias, M. y Hernández Gonzalez, S. (2019). Estadística

inferencial 2: aplicaciones para ingeniería. Ciudad de México, Grupo Editorial Patria. Recuperado
de https://elibro.net/es/ereader/itvalletla/121281?page=139.

Hernández Ripalda, M. D. Tapia Esquivias, M. y Hernández Gonzalez, S. (2019). Estadística

inferencial 2: aplicaciones para ingeniería. Ciudad de México, Grupo Editorial Patria. Recuperado
de https://elibro.net/es/ereader/itvalletla/121281?page=140- 156