Introduccin al Anlisis Clsico de Series de Tiempo

Se llama Series de Tiempo a un conjunto de mediciones de cierto fenmeno o

experimento registrado secuencialmente en el tiempo. El primer paso para
analizar una serie de tiempo es graficarla, esto permite: Identificar la tendencia,
la estacionalidad, las variaciones irregulares (componente aleatoria). n
modelo cl!sico para una serie de tiempo, puede ser expresada como suma o
producto de tres componentes: tendencia, estacional " un t#rmino de error
aleatorio. En adelante se estudiar! como construir un modelo para explicar la
estructura " prever la evolucin de una varia$le %ue o$servamos a lo largo del
tiempo.
&inco son los o$jetivos de la leccin:
&onocer los conceptos $!sicos de series de tiempo, " aplicarlos en la
modelacin.
'l o$servar una serie de tiempo en un gr!fico, aprender a detectar las
componentes esenciales de la serie.
'prender a construir los modelos de serie de tiempo, mediante las
componentes: tendencia, estacional " un t#rmino de error aleatorio.
Identificar el modelo adecuado para la serie %ue se est! analizando.
(redecir los datos de una serie de tiempo, de acuerdo con el modelo
m!s adecuado.
Introduccin
Cmo podemos sa$er si nuestras ventas )an ido en aumento*
Es posi$le sa$er si existe un super!vit de la cantidad de agua ca+da en la
zona en los ,ltimos d+as*
De %u# manera podemos predecir el crecimiento de la po$lacin*
Cmo podemos sa$er si la econom+a del pa+s esta creciendo*
-.u# tienen en com,n todos estos pro$lemas* -cmo resolverlos*
Introduccin al Anlisis Clsico de Series de Tiempo
CONTENIDO
/. &onceptos 0!sicos 1e Series 1e Tiempo
/./ Introduccin
/.2 1efinicin 1e Serie 1e Tiempo
/.3 &omponentes 1e na Serie 1e Tiempo
/.3 (rimer (aso 'l 'nalizar &ual%uier Serie 1e Tiempo
2. 4odelos &lasicos 1e Series 1e Tiempo
2./ 4odelos 1e 1escomposicin
2.2 Estimacin 1e 5a Tendencia
2.3 Estimacin 1e 5a Estacionalidad
3. (redicciones
3./ Ejemplo Ilustrativo

1. CONCEPTOS BSICOS DE SE!IES DE TIE"PO
1.1 INT!OD#CCI$N

Toda institucin, "a sea la familia, la empresa o el go$ierno, tiene %ue )acer
planes para el futuro si )a de so$revivir " progresar. 6o" en d+a diversas
instituciones re%uieren conocer el comportamiento futuro de ciertos fenmenos
con el fin de planificar, prever o prevenir.

5a planificacin racional exige prever los sucesos del futuro %ue pro$a$lemente
va"an a ocurrir. 5a previsin, a su vez, se suele $asar en lo %ue )a ocurrido en
el pasado. Se tiene pues un nuevo tipo de inferencia estad+stica %ue se )ace
acerca del futuro de alguna varia$le o compuesto de varia$les $as!ndose en
sucesos pasados. 5a t#cnica m!s importante para )acer inferencias so$re el
futuro con $ase en lo ocurrido en el pasado, es el anlisis de series de
tiempo.

Son innumera$les las aplicaciones %ue se pueden citar, en distintas !reas del
conocimiento, tales como, en econom+a, f+sica, geof+sica, %u+mica, electricidad,
en demograf+a, en mar7eting, en telecomunicaciones, en transporte, etc.

Series De Tiempo Ejemplos


/. Series econmicas:
8 (recios de un art+culo
8 Tasas de desempleo
8 Tasa de inflacin
8 9ndice de precios, etc.


2. Series :+sicas:
8 4eteorolog+a
8 &antidad de agua ca+da
8 Temperatura m!xima diaria
8 ;elocidad del viento (energ+a
elica)
8 Energ+a solar, etc.
3. <eof+sica:

8 Series sismolog+as


=. Series demogr!ficas:
8 Tasas de crecimiento de la
po$lacin
8 Tasa de natalidad, mortalidad
8 >esultados de censos
po$lacionales
?. Series de mar7eting:

8 Series de demanda, gastos,
ofertas

@. Series de
telecomunicacin:

8 'n!lisis de seAales

B. Series de transporte:

8 Series de tr!fico


no de los pro$lemas %ue intenta resolver las series de tiempo es el de
prediccin. Esto es dado una serie Cx(t1),...,x(tn)D nuestros o$jetivos de inter#s
son descri$ir el comportamiento de la serie, investigar el mecanismo generador
de la serie temporal, $uscar posi$les patrones temporales %ue permitan
so$repasar la incertidum$re del futuro.

En adelante se estudiar! como construir un modelo para explicar la estructura "
prever la evolucin de una varia$le %ue o$servamos a lo largo del tiempo. 5a
varia$les de inter#s puede ser macroeconmica (+ndice de precios al consumo,
demanda de electricidad, series de exportaciones o importaciones, etc.),
microeconmica (ventas de una empresa, existencias en un almac#n, gastos
en pu$licidad de un sector), f+sica (velocidad del viento en una central elica,
temperatura en un proceso, caudal de un r+o, concentracin en la atmsfera de
un agente contaminante), o social (n,mero de nacimientos, matrimonios,
defunciones, o votos a un partido pol+tico).


1.% DE&INICI$N DE SE!IE DE TIE"PO

En muc)as !reas del conocimiento las o$servaciones de inter#s son o$tenidas
en instantes sucesivos del tiempo, por ejemplo, a cada )ora, durante 2= )oras,
mensuales, trimestrales, semestrales o $ien registradas por alg,n e%uipo en
forma continua.
5lamamos Serie de Tiempo a un conjunto de mediciones de cierto fenmeno o
experimento registradas secuencialmente en el tiempo o se dice %ue una Serie
Temporal es una sucesin de o$servaciones de una varia$le en distintos
momentos del tiempo. Estas o$servaciones ser!n denotadas por:
Cx(t
1
), x(t
2
), ..., x(t
n
)D E Cx(t) : t T >D
&on x(t
i
) el valor de la varia$le x en el instante t
i
.
Si T E F se dice %ue la serie de tiempo es discreta " si T E > se dice %ue la
serie de tiempo es continua.
&uando t
i+1
- t
i
E 7 para todo i E /,...,n8/, se dice %ue la serie es e%uiespaciada,
en caso contrario ser! no e%uiespaciada.

En adelante se tra$ajar! con series de tiempo discreta, e%uiespaciadas en
cu"o caso asumiremos " sin perdida de generalidad %ue:
Cx(t1), x(t2), ..., x(tn)DE Cx(1), x(2), ..., x(n)D.
1.'.CO"PONENTES DE #NA SE!IE DE TIE"PO
Se dice %ue una serie de tiempo puede descomponerse en cuatro
componentes %ue no son directamente o$serva$les, de los cuales ,nicamente
se pueden o$tener estimaciones.
Estos cuatro componentes son:
Tendencia (T) %ue representa los movimientos de larga duracin,
tam$i#n se le conoce como evolucin su$"acente de una serie. 5a
tendencia representa el comportamiento predominante de la serie. Esta
puede ser definida vagamente como el cam$io de la media a lo largo de
un periodo (ver figura /./).
:igura /./
Ciclo (C) caracterizado por oscilaciones alrededor de la tendencia con
una duracin aproximada de dos a oc)o aAos (ver figura /.2).
Ciclo
G
2G
=G
@G
HG
/GG
G 2 = @ H
Trimestre (t)
*
e
n
t
a
s

(
+
(
t
)
)
:igura /.2
Estacionalidad (E) es un movimiento peridico %ue se producen dentro
del aAo " %ue se repiten de un aAo a otro. Este componente est!
determinado por factores institucionales " clim!ticos. 5a duracin de la
unidad del periodo es generalmente menor %ue un aAo. (uede ser un
trimestre, un mes o un d+a, etc (ver figura /.3).
:igura /.3
4atem!ticamente, podemos decir %ue la serie representa variacin
estacional si existe un n,mero Is, tal %ue:
x(t) E x(t + ks).
5as principales fuerzas %ue causan una variacin estacional son las
condiciones del tiempo, como por ejemplo:
/) en invierno las ventas de )elado
2) en verano la venta de lana
3) exportacin de fruta en marzo.

Todos estos fenmenos presentan un comportamiento estacional (anual,
semanal, etc.)
Irre-ularidad o Error Aleatorio (A) son movimientos err!ticos %ue no
siguen un patrn espec+fico " %ue o$edecen a causas diversas. Este
componente es pr!cticamente impredeci$le (ver figura /.=).
:igura /.=

%. "ODE.OS C.SICOS DE SE!IES DE TIE"PO
%.1 "ODE.OS DE DESCO"POSICI$N

n modelo cl!sico para una serie de tiempo, supone %ue una serie x(1), ...,
x(n) puede ser expresada como suma o producto de tres componentes:
Tendencia, estacionalidad " un t#rmino de error aleatorio.

Existen tres modelos de series de tiempos, %ue generalmente se aceptan como
$uenas aproximaciones a las verdaderas relaciones, entre los componentes de
los datos o$servados. Estos son:

/. 'ditivo: X(t) = T(t) + E(t) + A(t)

2. 4ultiplicativo: X(t) = T(t) E(t) A(t)

3. 4ixto: X(t) = T(t) E(t) + A(t)

1onde:
X(t): serie o$servada en el instante t.
T(t): componente de tendencia.
E(t): componente estacional.
A(t): componente aleatoria (accidental).


na suposicin usual es %ue A(t) sea una componente aleatoria o ruido $lanco
con media cero " varianza constante.

n modelo aditivo (/), es adecuado, por ejemplo, cuando E(t) no depende de
otras componentes, como T(t), s+ por el contrario la estacionalidad var+a con la
tendencia, el modelo m!s adecuado es un modelo multiplicativo (2). Es claro
%ue el modelo 2 puede ser transformado en aditivo, tomando logaritmos. El
pro$lema %ue se presenta, es modelar adecuadamente las componentes de la
serie.

5a figura 2./ ilustra posi$les patrones %ue podr+an seguir series representadas
por los modelos (/), (2) " (3).

:igura 2./


%.% ESTI"ACI$N DE .A TENDENCIA

Supondremos a%u+ %ue la componente estacional E(t) no est! presente " %ue el
modelo aditivo es adecuado, esto es:

X(t) = T(t) + A(t),
1onde: A(t), es ruido $lanco.

6a" varios m#todos para estimar T(t). 5os m!s utilizados consisten en:

/) 'justar una funcin del tiempo, como un polinomio, una exponencial u
otra funcin suave de t.
2) Suavizar (o filtrar) los valores de la serie.
3) tilizar diferencias.


%.%.1 A/#STE DE #NA &#NCI$N

5os siguientes gr!ficos ilustran algunas de las formas de estas curvas.

/.T(t) E a J $t
(5ineal)
2.T(t) E a e
$t
(Exponencial)
3. T(t) E a J $ e
$t
(Exponencial modificada)
=.T(t) E
G
J
/t
,...,J
mt
m
((olinomial)
?.T(t) E exp(a J $(rt))
(<ompertz G K r K /)
@. T(t) E
1 0 ,
) (
1
< <
+
r
r b a
t
(5og+stica)

Nota:
i. la curva de tendencia de$e cu$rir un periodo relativamente largo para
ser una $uena representacin de la tendencia a largo plazo.
ii. 5a tendencia rectil+nea " exponencial son aplica$le a corto plazo,
puesto %ue una curva S a largo plazo puede parecer una recta en un per+odo
restringido de tiempo (por ejemplo).
:igura 2.2

En la figura 2.2 am$as curvas (recta " <ompertz) ajustan $ien pero las
pro"ecciones divergen enormemente a largo plazo.

Ejemplo 1: En la ta$la 2./ se presentan los datos trimestrales de unidades
)a$itacionales iniciadas en los Estados nidos desde el tercer trimestre de
/L@= )asta el segundo trimestre de /LB2 M/N. (Es necesario advertir %ue para el
an!lisis de tendencia el periodo %ue se considera de$er+a ser m!s largo. Sin
em$argo, "a %ue el propsito principal es el de ilustrar el m#todo de
descomposicin " las t#cnicas para inferir partiendo de los elementos as+
descompuestos, la insuficiencia de los datos no tiene por %u# interesar.)

Tabla 2.1: Ouevas unidades )a$itacionales comenzadas en los Estados nidos
del tercer trimestre de /L@= al segundo trimestre de /LB2 (en miles de
unidades).

Ao I II III IV Total
Anual
19! 3LH 3?2
19" 2H3 =?= 3L2 3=? /,=B=
19 2B= 3L2 2LG 2/G /,/@@
19# 2/H 3H2 3H2 3=G /,322
19$ 2LH =?2 =23 3B2 /,?=?
199 33@ =@H 3HB 3GL /,?GG
19#% 2@= 3LL =GH 3L@ /,=@B
19#1 3HL @G= ?BL ?/3 2,GH?
19#2 ?/G @@/
Fuente: .!. "e#art$ent o% &o$erse, !ur'e( o% &urrent )ussiness.

Sea t cada uno de los 32 trimestres %ue van de /L@= a /LB2, o sea %ue t E /
para el tercer trimestre de /L@=, t E 2 para el cuarto trimestre, " as+
sucesivamente. 's+ %ue el dominio de definicin de t es el conjunto de los
enteros de / a 32 inclusive. Sea T(t) las iniciaciones de viviendas
trimestralmente. 5os valores de t " T(t) se dan en la ta$la 2.2. (ara calcular
los valores de a " de * en la recta de tendencia

T(t) E a J $t

Se o$tienen las siguientes cifras a partir de los datos de la ta$la 2./.
Tabla 2.2: &!lculo de la tendencia de las viviendas comenzadas en los Estados
nidos del tercer trimestre de /L@= al segundo trimestre de /LB2

Ao
trimestre t T&t' Tenden(ia
/L@=: 3 / 3LH 2L/,B3
= 2 3?2 2LH,GB
/L@?: / 3 2H3 3G=,=/
2 = =?= 3/G,B?
3 ? 3L2 3/B,GL
= @ 3=? 323,=3
/L@@: / B 2B= 32L,BB
2 H 3L2 33@,//
3 L 2LG 3=2,=?
= /G 2/G 3=H,BL
/L@B: / // 2/H 3??,/3
2 /2 3H2 3@/,=B
3 /3 3H2 3@B,H/
= /= 3=G 3B=,/?
/L@H: / /? 2LH 3HG,=L
2 /@ =?2 3H@,H3
3 /B =23 3L3,/B
= /H 3B2 3LL,?/
/L@L: / /L 33@ =G?,H?
2 2G =@H =/2,/L
3 2/ 3HB =/H,?3
= 22 3GL =2=,HB
/LBG: / 23 2@= =3/,2/
2 2= 3LL =3B,??
3 2? =GH ==3,HL
= 2@ 3L@ =?G,23
/LB/: / 2B 3HL =?@,?B
2 2H @G= =@2,L/
3 2L ?BL =@L,2?
= 3G ?/3 =B?,?L
/LB2: / 3/ ?/G =H/,L3
2 32 @@/ =HH,2B

Entonces, la recta de tendencia es

T(t) E 2H?,3L J @,3=t

5a figura 2.3 muestra gr!ficamente la recta de tendencia ajustada a los datos
trimestrales de la ta$la 2.2. 5a recta de trazos despu#s de /LB2 representa
pro"ecciones (ver seccin 3 (redicciones).
:igura 2.3


%.%.% S#A*I0A"IENTO. &I.T!OS .INEA.ES

na forma de visualizar la tendencia, es mediante suavizamiento de la serie.
5a idea central es definir a partir de la serie o$servada un nueva serie %ue
suaviza los efectos ajenos a la tendencia (estacionalidad, efectos aleatorios),
de manera %ue podamos determinar la direccin de la tendencia (ver figura
2.=).

:igura 2.=

5o %ue )acemos es usar una expresin lineal %ue transforma la serie X(t) en
una serie sua'i+ada ,(t):
,(t) = F(X(t)), t E /,...,n

de tal modo %ue :(X(t)) E T(t). 5a funcin : se denomina :iltro 5ineal. El filtro
lineal m!s usado es el #ro$edio $-'il.


%.%.%.1 P!O"EDIOS "$*I.ES

El o$jetivo es eliminar de la serie las componentes estacionales " accidentales.
(ara una serie mensual con estacionalidad anual (s E /2), la serie suavizada
se o$tiene,

6 7 ,
12
) 6 ( ) 5 ( ) 5 ( ) 6 (
) (
2
1
2
1

+ + + + + +
= n k
k Z k Z k Z k Z
k Z

(/)

(ara una serie trimestral, con estacionalidad anual (s E =), la serie suavizada
est! dada por

2 3 ,
4
) 2 ( ) 1 ( ) ( ) 1 ( ) 2 (
) (
2
1
2
1

+ + + + + +
= n k
k Z k Z k Z k Z k Z
k Z
(2)

F X(t) ,(t)
' este procedimiento se les llama: %iltro si$.trico %inito.

Nota: se suaviza cuando existen muc)os cam$ios $ruscos, movimientos
irregulares.

Ejemplo 2: ' partir de los datos del ejemplo/, se calcula un promedio mvil
sumando los valores para un cierto n,mero de periodos sucesivos " dividiendo
luego la suma as+ o$tenida por el n,mero de per+odos a$arcados. En este
caso se trata de una serie trimestral " para ello se ocupa la frmula (2).

Tabla 2.): &!lculo del (romedio 4vil centrado de cuatro trimestres de las
iniciaciones de viviendas en los EE, tercer trimestre /L@= a segundo
trimestre de /LB2 (en miles de unidades)

Ao por
trimestre
Datos
*ri+inales
,
Total -./il en
(uatro
trimestres
0romedio -./il
de (uatro
trimestres
0romedio -./il
1entrado de
(uatro trimestres
(1) (%) (') (1) (2)
/L@=: 3 3LH
= 3?2
/L@?: / 2H3 /.=HB 3B2 3B/
2 =?= /.=H/ 3BG 3@L
3 3L2 /.=B= 3@L 3@B
= 3=? /.=@? 3@@ 3?L
/L@@: / 2B= /.=G3 3?/ 33H
2 3L2 /.3G/ 32? 3GH
3 2LG /./@@ 2L2 2H?
= 2/G /.//G 2BH 2B@
/L@B: / 2/H /./GG 2B? 2HB
2 3H2 /./L2 2LH 3/=
3 3H2 /.322 33/ 3=/
= 3=G /.=G2 3?/ 3?L
/L@H: / 2LH /.=B2 3@H 3B3
2 =?2 /.?/3 3BH 3H2
3 =23 /.?=? 3H@ 3L/
= 3B2 /.?H3 3L@ 3LH
/L@L: / 33@ /.?LL =GG 3L?
2 =@H /.?@3 3L/ 3H3
3 3HB /.?GG 3B? 3@@
= 3GL /.=2H 3?B 3=H
/LBG: / 2@= /.3?L 3=G 3=2
2 3LL /.3HG 3=? 3?@
3 =GH /.=@B 3@B 3H2
= 3L@ /.?L2 3LH =2=
/LB/: / 3HL /.BLB ==L =B/
2 @G= /.L@H =L2 ?GB
3 ?BL 2.GH? ?2/ ?3@
= ?/3 2.2G@ ??2 ??L
/LB2: / ?/G 2.2@3 ?@@
2 @@/

En la ta$la 2.3, por ejemplo, el promedio mvil de cuatro trimestres para el
primer trimestre de /L@? se o$tiene sumando los valores del tercer " cuarto
trimestres de /L@= " el primero " segundo trimestres de /L@? " dividiendo
luego la suma por =. El promedio para el segundo trimestre de /L@? se o$tiene
sumando los valores del cuarto trimestre de /L@= con los del primero, segundo
" tercer trimestres de /L@? " luego dividiendo la suma por =. 's+ pues, para
cada promedio sucesivo, se resta el trimestre %ue viene primero " se suma el
,ltimo siguiente.

5a columna = de la ta$la 2.3 muestra los promedios mviles de cuatro
trimestres o$tenidos, partiendo de los datos iniciaciones de viviendas para el
/L@= a /LB2. El promedio mvil no elimina las fluctuaciones mu" acentuadas
de la serie, pero reduce sustancialmente la amplitud de las variaciones de los
datos originales.

Si en el c!lculo de un promedio mvil entra un n,mero impar de per+odos, el
proceso ser! m!s sencillo puesto %ue el n,mero de per+odos antes " despu#s
del per+odo para el cual se calcula el promedio son iguales. Si el n,mero de
periodos es par, como en este ejemplo, no se puede utilizar el mismo n,mero
de per+odos antes " despu#s de un periodo especificado. (or tanto, el
promedio mvil )a de %uedar a mitad de camino entre los valores de dos
per+odos consecutivos " no se relaciona con ning,n per+odo. Este pro$lema se
puede resolver calculando un promedio mvil centrado en la serie, lo cual se
logra o$teniendo primero un promedio mvil centrado de dos trimestres de los
promedios mviles "a o$tenidos. El primer promedio mvil centrado es la
media de los dos primeros promedios mviles de cuatro trimestres, el segundo
promedio mvil centrado es la media de los promedios mviles de cuatro
trimestres segundo " tercero, etc. 1e esta manera, )a$r! un n,mero igual de
per+odos despu#s " antes del periodo especificado para el cual se est!
calculando el promedio mvil centrado. 5os promedios mviles centrados se
ven en la columna ? de la ta$la 2.3.

) 2 ( * 4
392 ) 454 283 352 ( * 2 398
) 3 (
2
) 3 (
4
392 454 283 352
4
454 283 352 398
+ + + +
=
+
=
+ + + + + +
Z
Z

Seg,n la frmula 2, el c!lculo ser+a el siguiente:

371
4
454 283 352
) 3 (
4
) 5 ( ) 4 ( ) 3 ( ) 2 ( ) 1 (
) 3 (
2
392
2
398
2
1
2
1
=
+ + + +
=
+ + + +
=
Z
Z Z Z Z Z
Z

Este valor corresponde al /ro$edio 0-'il &entrado %ue se muestra en la
columna ?.

5a figura 2.? muestra gr!ficamente el ajuste por a trav#s del promedio mvil,
seg,n ta$la 2.3, donde el segmento negro representa la serie original " el
segmento azul la serie suavizada.

:igura 2.?




%.' ESTI"ACI$N DE .A ESTACIONA.IDAD

5a estimacin de la estacionalidad no slo se realiza con el fin de incorporarla
al modelo para o$tener predicciones, sino tam$i#n con el fin de eliminarla de la
serie para visualizar otras componentes como tendencia " componente
irregular %ue se pueden confundir en las fluctuaciones estacionales.

1e acuerdo con los modelos de descomposicin (seccin 2./), se asume el
siguiente modelo para T(t),

a)
) ( ) ( ) ( ) ( t A t E t T t X + =
'ditivo

$)

accidental Estacional
t T
t A
t E
t T
t X
+
+ =
.
) (
) (
) (
) (
) (
4ixto

na vez removida la tendencia se o$tiene los siguientes gr!ficos, donde en la
figura 2.@ (a) aparece el modelo aditivo " en la ($) el modelo mixto.


(a)
($)
:igura 2.@


(ues si no )a" tendencia, se espera
1 ) ( ,
0 ) ( ,
=
=
t T t
t E t

&omo
= + = + = ) 24 ( ) 12 ( ) ( t E t E t E
para serie mensual, entonces $asta
estimar E(1), E(2), E(1), ... , E(12). (ara una serie trimestral, $astar+a conocer:
E(1), E(2), E(1) " E(2).

Suponga %ue se )a estimado la tendencia por alguno de los m#todos vistos en
la seccin previa. Sea
) (

t T
la estimacin de la tendencia "a sea mediante una
curva o filtros lineales. Entonces,

Si el modelo es aditi'o
n t t T t X t R ,..., 1 ), (

) ( ) ( = =
representa la serie con los
efectos de tendencia removidos.

'n!logamente, si el modelo es $ixto
) (

) (
) (
t T
t X
t W =
representa la serie, una vez
removidos los efectos de tendencia.

Estas series generadas a partir de la original por eliminacin de la tendencia se
denominan Iseries de residuosP " de$er!n contener predominantemente
fluctuaciones estacionales. (ara estimar la estacionalidad se re%uiere )a$er
decidido el modelo a utilizar (mixto o aditivo), lamenta$lemente esto no es
siempre claro, "a sea por%ue no contamos con informacin a priori para
suponerlo o por%ue el gr!fico no )a dejado evidencia suficientemente clara
como para decidirnos por alguno de ellos. En tal situacin se propone calcular
am$as series residuales " elegir a%uella cu"os valores correspondientes a una
estacin dada oscilen menos en torno a su promedio.

(ara fijar ideas, supongamos una serie con datos trimestrales " %ue la
informacin de las series residuales pueden ser resumidas como en las ta$las
2.= " 2.?.

Tabla 2.!. >esiduos modelo 4ixto
0er2odo 1 2 3 0romedi
o
STD 1.V.
Esta(i.n 4ila 4ila 4ila
/ 3(1) 3(4) 3(2k-1)
) 1 ( W
!
1
) 1 (
1
W
S
2 3(2) 3(5) 3(2k-2)
) 2 ( W
!
2
) 2 (
2
W
S
3 3(1) 3(6) 3(2k-1)
) 3 ( W
!
1
) 3 (
2
W
S
= 3(2) 3(7) 3(2k)
) 4 ( W
!
2
) 4 (
4
W
S

Tabla 2.". >esiduos modelo 'ditivo
0er2odo 1 2 3 0romedi
o
STD 1.V.
Esta(i.n 4ila 4ila 4ila
/ 8(1) 8(4) 8(2k-1)
) 1 ( R
!
1
) 1 (
1
R
S
2 8(2) 8(5) 8(2k-2)
) 2 ( R
!
2
) 2 (
2
R
S
3 8(1) 8(6) 8(2k-1)
) 3 ( R
!
1
) 3 (
2
R
S
= 8(2) 8(7) 8(2k)
) 4 ( R
!
2
) 4 (
4
R
S

na forma de seleccionar el modelo, es por inspeccin de los coeficientes de
variacin (&.;.). Suponemos, %ue en a%uellas filas donde la variacin sea
menor en torno a la media tendr! menor coeficiente de variacin en t#rminos
a$solutos. 5uego, comparando dic)os coeficientes parece razona$le
seleccionar el modelo cu"os coeficientes sean menores en t#rminos a$solutos.
Esto puede complementarse con gr!ficos para cada fila en am$os modelos.

:inalmente, una vez %ue se )a elegido el modelo a utilizar, se procede a
estimar la estacionalidad.

Si el modelo es 4ixto, entonces,

) 1 ( ) 1 ( ) 1 (

= W W E
) 1 ( ) 2 ( ) 2 (

= W W E
) 1 ( ) 3 ( ) 3 (

= W W E
) 1 ( ) 4 ( ) 4 (

= W W E

donde:

=
=
4
1
4
) (
h
h W
W


" si el modelo es 'ditivo, entonces,

R R E = ) 1 ( ) 1 (

R R E = ) 2 ( ) 2 (

R R E = ) 3 ( ) 3 (

R R E = ) 4 ( ) 4 (

donde

=
=
4
1
4
) (
h
h R
R

(ro$a$lemente, la primera idea para estimar la estacionalidad consistir+a de los
promedios por estacin en las series residuales. 5a correccin %ue aparece
arri$a para cada caso, apunta a garantizar %ue,

Aditivo Modelo n E
S
n

=
=
1
, 0 ) (

Mixto Modelo n E
S
n

=
=
1
, 1 ) (

como es de esperarse en el modelo terico.

Ejemplo ). &ontinuando con el ejemplo 2, tenemos lo siguiente:

Se supuso %ue el 0odelo es 0ixto
) (

) (
) (
t T
t X
t W =
" se o$tuvo la serie suavizada
F(t):
Trimestr
e
19" 19 19# 19$ 199 19#% 19#1
/ 3B/ 33H 2H@,? 3B3,/2? 3L?,2? 3=2,3B? =BG,@2?
2 3@L 3GH,3B? 3/=,2? 3H2,2? 3H2,HB? 3??,HB? ?G@,@2?
3 3@B 2H=,? 3=G,? 3L/ 3@@ 3H2,3B? ?3@,3B?
= 3?L 2B@,2? 3?L,2? 3LB,B? 3=H,3B? =23,@2? ??H,@2?


Sea
) (

t T
la estimacin de la tendencia (
2
* 594386 , 0 * 3984 , 11 63 , 379 ) (

t t t T + =
)

Trimestre 19" 19 19# 19$ 199 19#% 19#1
/ 3@H,H3 33B,?G 32?,/L 33/,LG 3?B,@3 =G2,3L =@@,/@
2 3?L,2/ 332,@= 32?,GL 33@,?? 3@B,G= =/@,?? =H?,GH
3 3?G,BH 32H,LB 32@,=H 3=2,3L 3BB,@3 =3/,LG ?G?,/H
= 3=3,?? 32@,=H 32H,== 3=L,=2 3HL,=2 ==H,== ?2@,=B


Entonces,
) (

) (
) (
t T
t X
t W =
, donde X(t) es la serie o$servada.
Trimestre 19" 19 19# 19$ 199 19#% 19#1
) (h W
/ G,BB G,H/ G,@B G,L G,L= G,@@ G,H3 G,HG
2 /,2@ /,/H /,/H /,3= /,2H G,L@ /,2? /,2/
3 /,/2 G,HH /,/B /,2= /,G2 G,L= /,/? /,GB
= / G,@= /,G= /,G@ G,BL G,HH G,LB G,L/

W
E
G,LLB?


) (h W
E promedio de 3(t) para el trimestre 9, 9 E /, 2, 3, =.

) (

) (
accidental parte la removido a !e
91 , 0 ) 4 (
07 , 1 ) 3 (
21 , 1 ) 2 (
8 , 0 ) 1 (
t T
t A
W
W
W
W

=
=
=
=
"
9975 , 0
4
) (
4
1
= =

= h
h W
W




&omo se o$serva en la siguiente figura, en el $odelo $ixto estos valores
var+an entorno al uno.
G
G,?
/
/,?
2
G ? /G /? 2G 2? 3G
t
3(t)


Si el modelo es 4ixto, entonces,

) 1 ( ) 1 ( ) 1 (

= W W E
E G,H Q (G,LLB? 8 /) E G,HG2?
) 1 ( ) 2 ( ) 2 (

= W W E
E /,2/ Q (G,LLB? Q /) E /,2/2?
) 1 ( ) 3 ( ) 3 (

= W W E
E /,GB Q (G,LLB? Q /) E /,GB2?
) 1 ( ) 4 ( ) 4 (

= W W E
E G,L/ Q (G,LLB? Q /) E G,L/2?

5a idea es %ue

=
=
4
1
1
4
) (

h
h E


En definitiva, la estimacin de la estacionalidad es,

9125 , 0 ) 4 (

0725 , 1 ) 3 (

2125 , 1 ) 2 (

8025 , 0 ) 1 (

=
=
=
=
E
E
E
E




'. P!EDICCIONES

(redecir, es estimar el futuro utilizando informacin del presente " del pasado.
El conocimiento del futuro nos capacita para planificar, prever o prevenir.

5a idea es estimar X(t) en un instante n + k posterior al ,ltimo dato o$servado
en t =n, k E /,2,3,=,... (trimestre, mes, etc.).

na vez estimada la tendencia " la estacionalidad las frmulas de prediccin
%uedar!n determinadas por:

) mod ) ((

) (

) (

) , (

s k n E k n T k n X k n X + + = + =
4odelo 4ixto
) mod ) ((

) (

) (

) , (

s k n E k n T k n X k n X + + + = + =
4odelo 'ditivo


3./ ERE4(5S I5ST>'TI;S

&on el o$jeto de ilustrar los m#todos revisados en este cap+tulo considere los
siguientes datos:

Tabla ).1. Serie Sriginal
SE-5A6* 1 2 ) ! "
/ /,B3B?B 2,=2/G@ =,=B=H/ =,BHL3L ?,/L2/G ?,/GBB?
2 2,G/H/? 2,HG32? =,H??@@ ?,/=GB@ ?,G@3HB ?,2=BHB

&on el fin de eliminar los efectos irregulares " estacionalidad se o$tiene la serie
suavizada ,(t) con un promedio mvil centrado de orden 2, como se muestra
en la ta$la 3.2.

Tabla ).2. Serie Suavizada (,(t))
SE-5A6* 1 2 ) ! "
/ 8 2,=/?HL =,/?2/= =,HL3H/ ?,/=B2/ ?,/2/H/
2 2,G=HB= 3,/2?@ =,B=3HL ?,G@?B@ ?,/G@L 8

na vez suavizada la serie, se o$tienen las series residuales con el o$jeto de
eliminar la estacionalidad dentro del modelo " sa$er por medio de un an!lisis
ta$ular de los residuos si el modelo es aditivo o mixto.








07I-E7 1AS*: 4odelo 4ixto. X(t) = T(t) E(t) + A(t)

&on el o$jeto de eliminar la estacionalidad de la serie, se genera la serie de
residuos:
) (
) (
) (
t Z
t X
t W =

5a siguiente ta$la contiene los residuos.

Tabla ).). Serie de >esiduos (T(t))
SemU'Ao 1 2 ) ! "
) (h W
S
8
1V
/ 8 /,GG2/= /,GBBB/ G,LBH@@ /,GGHB2 G,LL?3 /,G/2?/ G,G3H/3 G,G2B@@
2 G,LH?GB G,HL@HB /,G23?@ /,G/=H G,LL/?B 8 G,LH23B G,G?G3B G,G?/2B

5a estimacin de la estacionalidad para este caso %ueda dada por:

99744 , 0 = W
) 1 ( ) ( ) (

= W h W h E
) 1 ( ) 1 ( ) 1 (

= W W E
E /,G/2?/Q (G,LLB==8 /) E /,G/2?/ J G,GG2?@ E /,G/?GB
) 1 ( ) 2 ( ) 2 (

= W W E
E G,LH23B J G,GG2?@ E G,LH=L3



SE9:ND* 1AS*: 4odelo 'ditivo. X(t) = T(t) + E(t) + A(t)

&omo en el caso anterior " con el o$jeto de eliminar la estacionalidad se
constru"e la serie de residuos.

8(t) = X(t) - ,(t)

5os resultados se muestran en Ta$la 3.=.

Tabla ).!. Serie de >esiduos (>(t))
SemU'Ao 1 2 ) ! "
) (h R
S
7
1V
/ 8 G,GG?/B G,322@B 8
G,/G==2
G,G==HL 8
G,G2=G@
G,G=HH? G,/@2?@ 3,32BH
2 8
G,G3G?L
G,3223? G,///BB G,GB? 8
G,G=3G3
8 8
G,G=/H=
G,/BG3= 8
=,GB/2

5a estimacin de la estacionalidad para este caso %ueda dada por:

R R E = ) 1 ( ) 1 (

E G,G=HH? 8 G,G3?/ E G,G=?3=

R R E = ) 2 ( ) 2 (

E G,GG=/H= 8 G,GG3?/ E G,G=?3=

El c!lculo de las series residuales se realiz con el o$jeto de identificar a trav#s
de los coeficientes de variacin para cada fila de los modelosV a%uel modelo
%ue sus filas presenten una menor varia$ilidad relativa a su media, ser!
escogido como el %ue interpreta a la serie a analizar. En este caso el modelo
adoptado, es el modelo mixto.

' trav#s de este modelo se o$tendr!n las pro"ecciones deseadas para los
prximos dos semestres. (ara tal efecto resta entonces o$tener una
estimacin de la tendencia. &on tal fin, se ajustar! una curva a la serie
suavizada.

F(t) E a J $t

'l ajustar la recta por m+nimos cuadrados se o$tiene:

3611 , 0

" 836 , 1 = = b a
Wt E G,==2L@@ J G,L3HG2BXt 8 =,?@E8G2XtXX2

na vez o$tenidas estas estimaciones se utiliza la ecuacin

) mod ) ((

) (

) (

s k n E k n T k n X + + + = +

para pro"ectar.


(ro"ecciones
6 , 6 ) 13 (

01507 , 1 ) 13 * 3611 , 0 836 , 1 ( ) 13 (

=
+ =
X
X

8 , 6 ) 14 (

98493 , 0 ) 14 * 3611 , 0 836 , 1 ( ) 14 (

=
+ =
X
X




!esumen

Se llama Serie de Tiempo, a un conjunto de mediciones de cierto fenmeno o
experimento registradas secuencialmente en el tiempo, por ejemplo a cada
)ora, mensualmente, trimestralmente, semestralmente, etc.. En este apunte se
tra$aj con series de tiempo discreto, e%uiespaciadas en cu"o caso se asume
%ue: : Cx(t
1
), x(t
2
), ..., x(t
n
)DE Cx(1), x(2), ..., x(n)D. 1e$ido al car!cter introductorio
se restringi al caso de series de tiempo univariadas.

'l analizar una serie de tiempo, lo primero %ue se de$e )acer es graficar la
serie. Esto nos permite detectar las componentes esenciales de la serie. El
gr!fico de la serie permitir!: detectar Sutlier, detectar tendencias, variacin
estacional, variaciones irregulares (o componente aleatoria).

n modelo cl!sico para una serie de tiempo, puede ser expresada como suma
o producto de tres componentes: tendencia, estacional " un t#rmino de error
aleatorio. Existen tres modelos de series de tiempos. Estos son:

'ditivo: X(t) = T(t) + E(t) + A(t)
4ultiplicativo: X(t) = T(t) E(t) A(t)
4ixto: X(t) = T(t) E(t) + A(t)

&on el fin de o$tener un modelo, es necesario estimar la tendencia " la
estacionalidad. (ara estimar la tendencia, se supone %ue la componente
estacional no est! presente. 5a estimacin se logra al ajustar a una funcin de
tiempo a un polinomio o suavizamiento de la serie a trav#s de los promedios
mviles. (ara estimar la estacionalidad se re%uiere )a$er decidido el modelo a
utilizar (mixto o aditivo). na vez estimada la tendencia " la estacionalidad se
esta en condiciones de predecir.

5os m#todos revisados en este apunte son de naturaleza descriptiva, por lo
%ue el juicio " el conocimiento del fenmeno juegan un rol importante en la
seleccin del modelo.

5os m#todos cl!sicos tienen la desventaja %ue se adaptan a trav#s del tiempo,
lo %ue implica %ue el proceso de estimacin de$e volver a iniciarse frente al
conocimiento de un nuevo dato.




Bi3lio-ra45a

M/N &)ao, 5incoln 5. (/LB?) Estad5stica para ciencias sociales 6
administrati7as. 0ogota: 4c<raY86ill.
M2N Iglesias F. (ilar. (/LHH). Elementos de series de tiempo.
M3N 4a7rida7is, SV T)eelrig)t, S.&.V 4c<ee, ;.E. (/LH3). &orecastin-8
"et9ods and Applications. Tile", OeY Wor7.
M=N (eAa, 1aniel. (/LHL). Estad5stica: "odelos 6 ";todos %. "odelos
.ineales 6 Series Temporales. 'lianza niversidad, 4adrid.

Enlaces

Einsteinnet (2GG/). Anlisis Clsico De Series Temporales. Men l+neaN.
1isponi$le en:
)ttp:UUYYY.einsteinnet.comUeconometriaUseriestempUacseriestemp.)tm
&onectado el 2? de junio de 2GG/.
IOEI.(2GG/). Desestacionali<acin de series de tiempo econmicas. Men
l+neaN. 1isponi$le en: YYY.inei.go$.peUcpiU$ancopu$Uli$freeU5I0=GHU5I0=GH.)tm
&onectado el 2@ de junio de 2GG/.