ANALISIS DE

SERIES DE
TIEMPO
SALA 2
 QUÉ ES UNA SERIE DE TIEMPO

El estudio de series de tiempo tiene como objetivo central

desarrollar modelos estadísticos que expliquen el comportamiento
de una variable aleatoria que varía con el tiempo, o con la
distancia, o según un índice; y que permiten estimar pronósticos
futuros de dicha variable aleatoria.
Por ello, el manejo de las Series de Tiempo es de vital
importancia en planeación y en áreas del conocimiento donde
evaluar el efecto de una política basada sobre una variable, y/o
conocer predicciones de sus valores futuros, aportan criterios que
disminuyen el riesgo en la toma de decisiones o en la
implementación de políticas futuras.
IMPORTANCIA
En el contexto de Series de Tiempo, pronosticar significa predecir valores futuros de
una variable aleatoria basándose en el estudio de la estructura definida por las
observaciones pasadas de variables que explican su variación, suponiendo que la
estructura del pasado se conserva en el futuro.

Es importante anotar que existen factores o eventos que influyen en la calidad de un

pronóstico. Estos factores pueden ser internos o controlables y externos o
incontrolables. El éxito de la planeación depende de estos factores o eventos. Sin
embargo, observe que los factores externos sólo pueden pronosticarse y tenerse en
cuenta a la hora de tomar decisiones, mientras que los internos además de
pronosticarse pueden controlarse mediante decisiones acordes con la política de la
empresa y con los factores externos que actúan sobre ellos.
COMPONENTES DE UNA SERIE DE
TEMPOS

01 Tendencia secular
o regular
Que indica la marcha general y persistente del fenómeno
observado, es una componente de la serie que refleja la
evolución a largo plazo. Por ejemplo, la tendencia
creciente del índice de reciclado de basuras en los países
desarrollados, o el uso creciente de Internet en la sociedad,
independientemente de que en un mes concreto en un país,
por determinadas causas, haya una baja en la utilización de
Internet.
02
Variación estacional

Regular el movimiento periódico de corto plazo.

Se trata de una componente causal debida a la
influencia de ciertos fenómenos que se repiten de
manera periódica en un año (las estaciones), una
semana (los fines de semana) o un día (las horas
puntas) o cualquier otro periodo. Recoge las
oscilaciones que se producen en esos períodos de
repetición.
03 Variación cíclica

El componente de la serie que recoge las

oscilaciones periódicas de amplitud
superior a un año. movimientos
normalmente irregulares alrededor de la
tendencia, en las que a diferencia de las
variaciones estacionales, tiene un período
y amplitud variables, pudiendo
clasificarse como cíclicos, cuasi cíclicos
o recurrentes.
Variación aleatoria
o ruido

Accidental, de carácter errático, también denominada residuo, no

muestran ninguna regularidad (salvo las regularidades
estadísticas), debidos a fenómenos de carácter ocasional como
pueden ser tormentas, terremotos, inundaciones, huelgas,
guerras, avances tecnológicos, etcétera.
Variación transitoria

Accidental, de carácter errático, debido a fenómenos

aislados que pueden llegar a modificar el comportamiento
de la serie (tendencia, estacionalidad variaciones cíclicas y
aleatoria).
VENTAJAS

Los analistas de datos tienen mucho que ganar con el análisis de series temporales.
Desde la limpieza de datos sin procesar, darles sentido y descubrir patrones para ayudar
con las proyecciones, se puede lograr mucho mediante la aplicación de varios modelos
de series temporales. He aquí algunas ventajas del análisis de series temporales:

Limpia datos y elimina factores de confusión. La limpieza de datos filtra el ruido, elimina
los valores atípicos o aplica varios promedios para obtener una mejor perspectiva general
de los datos. Significa concentrarse en la señal filtrando el ruido. El proceso de análisis de
series temporales elimina todo el ruido y permite a las empresas obtener una imagen más
clara de lo que sucede día a día.
● Proporciona la comprensión de los datos. Los modelos utilizados en el análisis de series temporales
ayudan a interpretar el verdadero significado de los datos en un conjunto de datos, lo que facilita la
vida de los analistas de datos. Los patrones de autocorrelación y las medidas de estacionalidad se
pueden aplicar para predecir cuándo se puede esperar un determinado punto de datos. Además, las
medidas de estacionariedad pueden obtener una estimación del valor de dicho punto de datos.

● Proporciona la comprensión de los datos. Los modelos utilizados en el análisis de series temporales
ayudan a interpretar el verdadero significado de los datos en un conjunto de datos, lo que facilita la
vida de los analistas de datos. Los patrones de autocorrelación y las medidas de estacionalidad se
pueden aplicar para predecir cuándo se puede esperar un determinado punto de datos. Además, las
medidas de estacionariedad pueden obtener una estimación del valor de dicho punto de datos.
Desventajas
● El análisis de series temporales no es perfecto. Puede sufrir la generalización a partir de un solo
estudio donde se justificaron más puntos de datos y modelos. El error humano podría identificar
erróneamente el modelo de datos correcto, lo que podría tener un efecto de bola de nieve en la salida.

● También podría ser difícil obtener los puntos de datos convenientes. Un punto importante de
diferencia entre el análisis de series temporales y la mayoría de los demás problemas estadísticos es
que en una serie temporal, las observaciones no siempre son independientes.

● Por ejemplo, un solo evento fortuito puede afectar todos los puntos de datos posteriores, y depende
de cada científico de datos medir con precisión cuál de estos eventos puede tener un impacto en el
análisis en cuestión. ¿Existen similitudes en las predicciones que pueden hacer que los datos
históricos sean útiles?
Tipos de series de Tiempo
Los métodos de pronóstico pueden clasificarse en dos grandes bloques: métodos
cualitativos o subjetivos y métodos cuantitativos. Debido a que el objetivo es
desarrollar un modelo de tráfico se escogió los métodos cuantitativos de series de
tiempo, estos métodos modelan las series de tiempo estudiando la estructurade
correlación que el tiempo, o el índice, o la distancia induce en las variables
aleatorias que originan la serie.

Debido a que el objetivo es desarrollar un modelo de tráfico se escogió los métodos

cuantitativos de series de tiempo, estos métodos modelan las series de tiempo
estudiando la estructura de correlación que el tiempo, o el índice, o la distancia
induce en las variables aleatorias que originan la serie.
Dentro de los métodos cuantitativos existen varios tipos de series de tiempo, entre
los que se destacan: los modelos autorregresivos, modelos de promedio móvil.
Tipos de series de Tiempo
Considera que el valor de la serie estacionaria en el tiempo
El modelo presente t depende de todos los valores pasados que ha tomado
la serie, ponderados por un factor de peso que mide la
autorregresivo (AR) influencia de ese valor pasado en el valor presente; y de una
perturbación aleatoria presente.

Considera que el valor de la serie estacionaria oscila o se

desplaza alrededor de un valor medio. Además supone que el
El modelo media desplazamiento de en el tiempo presente es ocasionado por
infinitas perturbaciones ocurridas en el pasado, ponderados
móvil (MA) por un factor, que mide la influencia de dicha perturbación
en el presente de la serie.
 Se componen sumando la Tendencia, estacionalidad,
Aditivas variación cíclica regular, variación cíclica irregular, ruido:

Se componen multiplicando la Tendencia,

Multiplicativas estacionalidad, variación cíclica regular, variación
cíclica irregular, ruido

Se componen sumando y multiplicando la Tendencia,

estacionalidad, variación cíclica regular, variación
Mixtas cíclica irregular, ruido. Existen varias alternativas,
entre otras
CONCLUSIÓN

El análisis de series de tiempo según la tendencia es valido si es que no se dan otros

factores que puedan influenciar de manera significativa la tendencia de ocurrencia de los
datos, en nuestro caso un avance tecnológico inesperado podría alterar considerablemente
el comportamiento de la tendencia.
El análisis de series de tiempo tiene muchas aplicaciones en diversos campos de la ciencia.
Por ejemplo, en la economía continuamente se está expuesto a observaciones de los
mercados financieros, indicadores de empleo, índices o indicadores del nivel de
producción, índices de precios, etc.