|UNIVERSIDAD NACIONAL DEL CALLAO

FACULTAD DE CIENCIAS ECONÓMICAS

TAREA ACADÉMICA DE SERIES DE TIEMPO

INTEGRANTES

CERDA MONTALVO MILY ROXANA

MOSCOSO CHINGA PAUL JEAN PIERRE

OTERO GARCÍA JEANELLA ALEJANDRINA

ROJAS TORRES JERALNDINE VALERIA

VALDERRAMA INOÑAN JOAN

DOCENTE

NUNURA CHULLY JUAN BAUTISTA

Escuela Profesional de Economía

Callao – Perú

2024
Universidad Nacional del Callao
Facultad de Ciencias Económicas Escuela profesional de Economía

ÍNDICE DE CONTENIDOS

1. DEFINICIÓN BÁSICA SOBRE LA SERIE DE TIEMPO ............................................... 4

1.1. ¿Qué es una serie de tiempo? ........................................................................................ 4
1.2. Importancia ................................................................................................................. 4
2. COMPONENTES DE LA SERIE DE TIEMPO .............................................................. 4
2.1 Tendencia o componente tendencial: .............................................................................. 5
2.2 Componente cíclica y estacionales:................................................................................. 5
2.3 Componente irregular ................................................................................................... 7
3. MEDICIÓN DE SERIES DE TIEMPO ............................................................................. 8
3.1 Metodología de Box-Jenkins .......................................................................................... 8
3.2 Pre-procesamiento de la serie de tiempo ......................................................................... 8
3.3 Análisis de la serie de tiempo ......................................................................................... 9
CONCLUSIONES ............................................................................................................... 10
REFERENCIAS BIBLIOGRÁFICAS .................................................................................. 11
Universidad Nacional del Callao
Facultad de Ciencias Económicas Escuela profesional de Economía

TAREA ACADÉMICA DE SERIES DE TIEMPO

INTRODUCCIÓN

En el presente trabajo abarcaremos el tema de series temporales, una técnica basada en

la estadística descriptiva y que su uso es vital para el análisis económico. En la macroeconomía

moderna su uso es frecuente especialmente en los modelos dinámicos de equilibrio general

(DGE), una evidencia de esto fue cuando Lucas (1975), Kydland y Prescott (1982), Long y

Plosser (1983) analizaron los ciclos económicos reales donde el principal objetivo era analizar

y establecer una conexión del PBI real respecto del PBI potencial.

Las series temporales son distribuciones estadísticas bidimensionales en las que unas

de las variables es el tiempo […]. El estudio de las series temporales tiene dos objetivos

básicos: Analizar las variaciones del fenómeno estudiado y predecir situaciones futuras a partir

de la información que se posee. (Venancio, 2009, p.214).

Cada año el Banco Central de Reserva del Perú realiza pronósticos sobre la fluctuación

de las principales variables macroeconómicas: PBI, Inflación, Tipo de cambio, etc.

El presente informe académico del tema mencionado tiene como objetivos:

- Conceptualizar las series temporales y su importancia en el análisis

económico.

- Enfatizar los componentes principales de una serie temporal.

- Explicar el proceso de medición de una serie de tiempo.

Universidad Nacional del Callao
Facultad de Ciencias Económicas Escuela profesional de Economía

1. DEFINICIÓN BÁSICA SOBRE LA SERIE DE TIEMPO

1.1. ¿Qué es una serie de tiempo?

Una serie de tiempo es una secuencia de datos numéricos, cada uno de los cuales se

asocia con un instante específico del tiempo. Podemos citar como ejemplos de series de

tiempo al índice mensual de inflación, al tipo de cambio diario, al producto bruto interno

trimestral, al índice de desempleo anual, etc. Estas series poseen como característica que

los lapsos de tiempo, para cada una de ellas, son homogéneos; es decir, si se utiliza una

serie con datos semanales, este mismo tipo de datos (con una misma frecuencia) se deberá

mantener durante toda la serie (Casas, 2002).

1.2. Importancia
El pronóstico de series de tiempo es de gran importancia en una amplia variedad de

industrias debido a su capacidad de proporcionar información valiosa para la toma de

decisiones, la planificación estratégica y la optimización de recursos.

Algunas de las áreas de aplicación a la economía de Series de Tiempo son

a. Economía: Precios de un artículo, tasas de desempleo, tasa de inacción, índice

de precios, precio del dólar, precio del cobre, precios de acciones, ingreso

nacional bruto, etc.

b. Finanzas y Mercados de Valores: Precio de acciones,

c. Comercio Minorista y Gestión de Inventario: Demanda de productos y

gestionar sus inventarios de manera eficiente.

2. COMPONENTES DE LA SERIE DE TIEMPO

El análisis de series de tiempo se basa en el supuesto de que los valores que toman las

variables observadas son el resultado de tres componentes que tienen un efecto común en los

valores medidos, y estos componentes son:

Universidad Nacional del Callao
Facultad de Ciencias Económicas Escuela profesional de Economía

2.1 Tendencia o componente tendencial:

Es el resultado de factores que afectan los datos a largo plazo, creando un patrón

de variación gradual y consistente dentro de una sola serie. Algunos de ellos aumentan

continuamente, otros disminuyen y algunos permanecen iguales durante un período o

período de tiempo determinado (Villavicencio, 2010).

2.2 Componente cíclica y estacionales:

En el caso de los componentes cíclicos, son procesos que ocurren a mayor escala

durante el período de observación, mientras que los componentes estacionales ocurren

en escalas de tiempo más pequeñas. Los cambios cíclicos y estacionales pueden

entenderse como movimientos ondulatorios de datos por encima y por debajo de la línea

de tendencia. Un ejemplo de este tipo de variación son los ciclos económicos, donde el

ciclo económico depende de auges, caídas, recesiones y recuperaciones, no de factores

como el clima o las costumbres sociales (Páez, 2016).

Cabe resaltar la importancia que tiene la variable estacional, puesto que no sirve

tenerlo para hacer pronósticos, por ello desestacionalizarla nos ayudará en gran medida.

Partiremos de datos reales del PBI (en millones de US$) trimestral del Banco

Central de Reserva del Perú (BCRP) para elaborar nuestra serie del tiempo y así poder

hacer una proyección del año 2024. Con ayuda del software Excel nuestra meta será

desestacionalizar la serie para no tener las variaciones estacionales en la proyección que

se realizará y para ello necesitaremos hallar el índice estacional típico y aplicar la

correspondiente corrección, luego se calculará la ecuación de regresión y se compararan

los datos obtenidos en un gráfico.

 Universidad Nacional del Callao
Facultad de Ciencias Económicas Escuela profesional de Economía

• Tabla de datos: PBI (millones $) 2012-2023 • Con los datos obtenidos hallamos el índice
Indice
PBI (millones US$) Suma movil Prom. Movil
prom. Movil
Centrado
Estacional estacional simple de cada trimestre.
t Trimestre Especifico
1 Ene-Marzo 43648.08555
2 Abril-Junio 47223.39603 193323.0083 48330.7521
2012
3 Julio-Septie 49080.21093 198720.4549 49680.1137 49005.4329 1.001525913
4 Octubre-Dic 53371.31577 202740.7941 50685.1985 50182.65613 1.06354107
Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4
5 Ene-Marzo 49045.53217 203598.1724 50899.5431 50792.37081 0.965608248
6 Abril-Junio 51243.73525 202602.2265 50650.5566 50775.04986 1.009230624 2012 1.00152591 1.06354107
2013
7 Julio-Septie 49937.58918 201581.0792 50395.2698 50522.91322 0.988414682 2013 0.96560825 1.00923062 0.98841468 1.039543563
8 Octubre-Dic 52375.36991 201483.2791 50370.8198 50383.04479 1.039543563
9 Ene-Marzo 48024.3849 203270.3873 50817.5968 50594.2083 0.949207162 2014 0.94920716 1.00728383 1.02404057 1.041309039
10 Abril-Junio 51145.9351 202938.3372 50734.5843 50776.09056 1.007283833
2014 2015 0.93953275 1.00601391 1.00409469 1.034023037
11 Julio-Septie 51724.69738 201144.8518 50286.2129 50510.39862 1.02404057
12 Octubre-Dic 52043.31984 198685.1151 49671.2788 49978.74586 1.041309039 2016 0.92286726 1.01502157 1.01108439 1.023788843
13 Ene-Marzo 46230.89946 194965.021 48741.2553 49206.26702 0.939532752
2017 0.95694821 1.00140572 1.0128845 1.039130312
14 Abril-Junio 48686.19842 192196.2152 48049.0538 48395.15452 1.006013906
2015
15 Julio-Septie 48004.60332 190274.5112 47568.6278 47808.84079 1.004094693 2018 0.95098127 1.02697082 0.99606998 1.033218949
16 Octubre-Dic 49274.51395 190951.1457 47737.7864 47653.20711 1.034023037
2019 0.93678735 1.01825683 1.01624885 1.103083222
17 Ene-Marzo 44309.19549 193149.1236 48287.2809 48012.53366 0.922867262
2016
18 Abril-Junio 49362.83291 195909.2715 48977.3179 48632.29939 1.015021571 2020 0.98807417 0.79470538 1.02346984 1.114528276
19 Julio-Septie 50202.58124 201308.4634 50327.1159 49652.21687 1.011084387
20 Octubre-Dic 52034.66187 205296.1777 51324.0444 50825.58014 1.023788843
2021 0.9604998 0.9956721 0.98031206 1.039985617
21 Ene-Marzo 49708.38741 210261.4206 52565.3551 51944.69978 0.956948209 2022 0.9555072 1.01562951 0.99355479 1.043210986
22 Abril-Junio 53350.54714 215943.8334 53985.9583 53275.65675 1.001405715
2017
23 Julio-Septie 55167.82416 219784.6182 54946.1545 54466.05645 1.012884496 2023 0.93512589 1.01280298
24 Octubre-Dic 57717.07468 224564.461 56141.1152 55543.63489 1.039130312
25 Ene-Marzo 53549.17219 225910.6314 56477.6579 56309.38655 0.950981275
26 Abril-Junio 58130.38994 226919.2916 56729.8229 56603.74038 1.026970825
Prom 0.95101266 0.99118121 1.00470002 1.05230572
2018
27 Julio-Septie 56513.99461 226976.4847 56744.1212 56736.97204 0.99606998
28 Octubre-Dic 58725.73488 227724.6989 56931.1747 56837.64795 1.033218949
29 Ene-Marzo 53606.36528 230064.278 57516.0695 57223.62211 0.93678735
30 Abril-Junio 58878.60409 232519.2438 58129.811 57822.94023 1.018256835
2019 correcion
31 Julio-Septie 58853.57376 230781.2461 57695.3115 57912.56124 1.01624885 indice estacional tipico
32 Octubre-Dic 61180.70071 212925.6258 53231.4064 55463.35898 1.103083222 estacional
33 Ene-Marzo 51868.36755 207029.6316 51757.4079 52494.40717 0.988074165
34 Abril-Junio 41022.98376 205933.3107 51483.3277 51620.36778 0.794705376 Tim(1) 0.951 0.951
2020
35 Julio-Septie 52957.57956 208012.0949 52003.0237 51743.17569 1.023469836 Tim(2) 0.991 0.991
36 Octubre-Dic 60084.37981 223269.0569 55817.2642 53910.14398 1.114528276
37 Ene-Marzo 53947.15173 226056.6095 56514.1524 56165.70831 0.960499802 Tim(3) 1.005 1.005
38 Abril-Junio 56279.94585 226140.0188 56535.0047 56524.57854 0.995672101 Tim(4) 1.052 1.053
2021
39 Julio-Septie 55745.13212 228777.4245 57194.3561 56864.68041 0.980312062
40 Octubre-Dic 60167.78913 234058.1235 58514.5309 57854.44349 1.039985617 suma 3.999 4.000
41 Ene-Marzo 56584.55737 239697.0287 59924.2572 59219.39402 0.9555072
42 Abril-Junio 61560.64483 245209.2823 61302.3206 60613.28888 1.015629509
2022
43 Julio-Septie 61384.03741 249048.6138 62262.1534 61782.23701 0.993554788
44 Octubre-Dic 65680.04271 254627.391 63656.8478 62959.5006 1.043210986
45 Ene-Marzo 60423.88882 262298.8501 65574.7125 64615.78014 0.935125889
46 Abril-Junio 67139.42208 268026.7755 67006.6939 66290.7032 1.012802985
2023
47 Julio-Septie 69055.49651
48 Octubre-Dic 71407.96805

• Calculamos la intercepción y la pendiente de la ecuación de tendencia y calcular la

proyección para el 2024.

PBI (millones
Indice
US$) Y'
t Trimestre PBI (millones US$) estacional Y'
tipico
desestacionalizad estacionalizada Coeficientes
o
1 Ene-Marzo 43648.08555 0.951 45878.06374 46299.4979 44049.03522
2 Abril-Junio 47223.39603 0.992 47624.48999 46639.801 46247.00009 Intercepción 45959.1948
2012
1.005 48831.06421 46980.1041 47219.80677
3
4
Julio-Septie
Octubre-Dic
49080.21093
53371.31577 1.053 50698.1556 47320.4071 49815.46886
t 340.303076
5
41
6
Ene-Marzo
Ene-Marzo
Abril-Junio
49045.53217
56584.55737
51243.73525
0.951
0.951
0.992
51551.2656
59475.45917
51678.97612
47660.7102
59911.621
48001.0133
45344.08357
56999.5188
47596.74825
y = 340.44x + 45959.19
2013 42 Abril-Junio 61560.64483 0.992 62083.51283 60251.924 59744.48169
2022 7 Julio-Septie 49937.58918 1.005 49684.09014 48341.3164 48587.96428
43
8 Julio-Septie
Octubre-Dic 61384.03741
52375.36991 1.005
1.053 61072.43256
49752.09276 60592.2271
48681.6194 60901.38183
51248.45377
44 Octubre-Dic 65680.04271 1.053 62390.38661 60932.5302 64145.31793
45 Ene-Marzo 60423.88882 0.951 63510.94184 61272.8333 58294.56716
46 Abril-Junio 67139.42208 0.992 67709.67366 61613.1363 61094.22985
2023
47 Julio-Septie 69055.49651 1.005 68704.94891 61953.4394 62269.53934
48 Octubre-Dic 71407.96805 1.053 67831.42261 62293.7425 65578.30284
49 Ene-Marzo 0.951 62634.0456 59589.61552
2024
50 Abril-Junio 0.992 62974.3486 62443.97802
2023
51 Julio-Septie 1.005 63314.6517 63637.69685
52 Octubre-Dic 1.053 63654.9548 67011.28774
 Universidad Nacional del Callao
Facultad de Ciencias Económicas Escuela profesional de Economía

• Dado los pasos anteriores, gráficamente observamos una suavización del

comportamiento del PBI a través del tiempo (gráfico azul). Es decir, contamos con

valores del PBI desestacionalizados. Además, esto nos sirve para analizar un posible

crecimiento endógeno de la producción.

PBI (MILLONES $) 2012-2023

PBI DESESTACIONALIZADO PBI CON VARIABLE ESTACIONAL Lineal (PBI DESESTACIONALIZADO)

70000
y = 340.44x + 45978
65000

60000

55000

50000

45000

40000
0 5 10 15 20 25 30 35 40 45 50

2.3 Componente irregular

Incluye datos que se desvían significativamente de la tendencia, como cuando se cierran

los pozos. En este caso, es necesario decidir el tratamiento de estos valores atípicos, ya

que su inclusión en el cálculo causaría demasiada confusión en su descripción (Páez,

2016).

Existen dos tipos de variación irregular:

a. Las variaciones que se producen por eventos especiales y fáciles para

identificar la identidad, como elecciones, inundaciones, ataques

y terremotos.

b. Variaciones aleatorias o por casualidad, cuyas causas no se pueden señalar

en forma exacta, pero tienden a equilibrarse a lo largo del tiempo.

Universidad Nacional del Callao
Facultad de Ciencias Económicas Escuela profesional de Economía

3. MEDICIÓN DE SERIES DE TIEMPO

3.1 Metodología de Box-Jenkins

El método de Box-Jenkins representa una de las estrategias más ampliamente utilizadas

en el modelado estocástico de series temporales. Su popularidad radica en su versatilidad, ya

que puede aplicarse a cualquier tipo de serie, sea estacionaria o no, y en su implementación en

numerosos software computacionales. (Ríos, 2008)

Los pasos fundamentales de la metodología de Box-Jenkins son los siguientes:

1. Verificar la estacionariedad de la serie. Si ésta no es estacionaria, diferenciarla hasta alcanzar

estacionariedad.

2. Identificar un modelo tentativo.

3. Estimar el modelo.

4. Verificar el diagnóstico (si este no es adecuado, volver al paso 2).

5. Usar el modelo para pronosticar.

El objetivo es identificar el proceso estocástico detrás de los datos, estimar sus

parámetros y verificar las hipótesis necesarias. Cuando se cumplen las condiciones iniciales, el

modelo está preparado para hacer pronósticos. (Ríos, 2008)

3.2 Pre-procesamiento de la serie de tiempo

En primer lugar, es fundamental abordar el análisis de los datos faltantes en la serie de

tiempo, comúnmente conocidos como "huecos". Para ello, se pueden considerar alternativas

como la imputación de valores faltantes o la eliminación de estos datos, dependiendo de la

estrategia elegida para manejarlos.

Universidad Nacional del Callao
Facultad de Ciencias Económicas Escuela profesional de Economía

El segundo paso implica asegurar que el intervalo temporal de la serie sea uniforme.

Esto implica ajustar las resoluciones temporales si los datos provienen de diferentes fuentes

con resoluciones temporales diversas.

El tercer paso se centra en el manejo de valores extremos, donde se debe decidir si

eliminarlos o conservarlos, según las características específicas de la serie y los objetivos del

análisis.

El cuarto paso consiste en seleccionar el horizonte temporal del análisis, es decir, el

periodo de tiempo histórico que se utilizará para llevar a cabo el análisis. Esta elección depende

del tipo de estrategia o análisis que se esté realizando.

Por último, la partición de los datos se aplica específicamente en análisis predictivos.

En este caso, es importante preservar la correlación entre observaciones consecutivas dentro

de la serie. Por lo tanto, se generan dos sub-series: una de entrenamiento, que incluye las

primeras observaciones, y una de validación, que incluye las observaciones restantes.

3.3 Análisis de la serie de tiempo

En el análisis descriptivo resumimos los hallazgos del análisis exploratorio y los

resultados de las pruebas de estacionariedad y autocorrelación.

En cuento al análisis explicativo o inferencial buscamos establecer relaciones causa-

efecto entre la serie observada y la hipótesis que queremos explicar.

Finalmente en el análisis predictivo basado en modelos se emplea ecuaciones

matemáticas o estadísticas, como la regresión lineal o polinómica, así como los modelos auto-

regresivos (AR) y de media móvil. Ejemplos incluyen ARMA y ARIMA. Se utiliza cuando la

serie muestra estacionariedad o cierta periodicidad o tendencias. (Sotaquirá, 2022)

 Universidad Nacional del Callao
Facultad de Ciencias Económicas Escuela profesional de Economía

CONCLUSIONES
Nuestro grupo llegó a las siguientes conclusiones:

- La conceptualización de las series de tiempo en muchas áreas profesionales y

especialmente en la economía son de vital importancia. Nos permite analizar las

fluctuaciones de las principales variables macroeconómicas (PBI, Inflación, etc).

- Dentro de los componentes principales de una serie de tiempo, la variable estacional es

la más importante, para ello, por medio de una desestacionalización se logra suavizar

la curva de la serie tal cual observamos cuando hicimos el análisis para el PBI 2012-

2023.

- Se concluye que para el proceso de medición de una serie de tiempo el análisis de la

serie es la parte más importante. En el análisis descriptivo se resume los hallazgos del

análisis exploratorio y los resultados de las pruebas de estacionariedad y

autocorrelación.
Universidad Nacional del Callao
Facultad de Ciencias Económicas Escuela profesional de Economía

REFERENCIAS BIBLIOGRÁFICAS

Codificando Bits. (2022). Guía completa para el Análisis de Series de Tiempo. Recuperado

de https://www.codificandobits.com/blog/guia-analisis-de-series-de-tiempo/

Gallego Gómez, J. L. (2008). Procesos estocásticos estacionarios. Universidad de Cantabria,

p.111

López, J. F. (2018). Serie Temporal. Serie Temporal, p.1.

Mora Caballero, M. (2023). Predicción Series de tiempo, p.1.

Páez, E. G. M., González, F. E. C., & Duarte, C. A. M. (2016). Aplicación de series de

tiempo en la realización de pronósticos de producción. El reventón energético, 14(1),

79-88.

Ríos, G. (2008). Series de Tiempo. Universidad de Chile, Facultad de Ciencias Físicas

Matemáticas, p. 9.

Villavicencio, J. (2010). Introducción a series de tiempo. Puerto Rico.