Series Parte 1

Apuntes preparados por el profesor Sr.
Rosamel Sez Espinoza con fines de Docencia
Objetivos del mdulo:

Identificar los factores componentes que influyen en una serie de tiempo.
Explicar qu causa la tendencia en una serie de tiempo y desarrollar una ecuacin
para modelarla.
Calcular la componente cclica en una serie de tiempo e identificar lo que causa la
variacin.
Identificar la variacin estacional en una serie de tiempo y calcular los ndices
estacionales para describirlas.
Eliminar la estacionalidad en los datos.
Desarrollar la descomposicin de series para modelos de pronsticos a corto y
largo plazo.
Medir los errores generados por un procedimiento de pronsticos.
Usar tcnicas intuitivas de promedios mviles y suavizamiento exponencial para
crear un pronstico.
Calcular un coeficiente de autocorrelacin.
Construir un correlograma.
Identificar si los datos son aleatorios, no estacionarios o estacionales.
Detectar una correlacin serial en una serie de tiempo.
Utilizar modelos autorregresivos y de regresin para pronsticos.
Edited by Foxit Reader

Copyright(C) by Foxit Software Company,2005-2007
Apuntes preparados por el profesor Sr. Rosamel For
SezEvaluation
Espinoza con
fines de Docencia
Only.
Introduccin
La mayora de los procedimientos estadsticos est diseado para ser
aplicados a datos que se originan en una serie de experimentos aleatorios
independientes. Los datos resultantes x1,......., x n son representativos de una cierta
poblacin y el anlisis estadstico realiza inferencias sobre ciertos aspectos de la
poblacin a partir de la muestra x1,......., x n . Con este tipo de datos el orden en
que aparecen los datos es irrelevante. Sin embargo en muchos casos
necesitamos de los pronsticos o predicciones como herramienta esencial en
cualquier proceso de toma de decisiones. Pronosticar supone proyectar la
experiencia pasada hacia el futuro, desde la suposicin que las condiciones que
generaron los datos histricos no sern diferentes de las condiciones futuras. Se
debe tener presente que, la calidad de las predicciones que podemos efectuar
est estrechamente relacionada con la informacin que se puede extraer y utilizar
de los datos que se tengan.
El anlisis de series temporales es un mtodo cuantitativo ampliamente
usado como ayuda a tener una visin con incertidumbre acerca del futuro.
Una serie de tiempo o serie cronolgica es una sucesin de observaciones
y t (t= 1, 2,...,T) realizadas secuencialmente en el tiempo, por ejemplo cada mes.
En este caso el orden en que aparecen los datos es de suma importancia y los
procedimientos clsicos no son directamente aplicables. Las series de tiempo son
comunes en muchos campos. Algunos ejemplos son:
Economa
Meteorologa
Medicina
Fsica
Qumica
: Desempleo, precios, ventas, demanda, etc.

: Precipitaciones, velocidad del viento, etc.
: Electrocardiogramas, electroencefalogramas, etc.
: Sismologa, oceanografa, etc.
: Temperatura, viscosidad, concentracin, rendimiento, etc.
Algunas series pueden ser observadas continuamente en el tiempo (por

ejemplo, temperatura, electrocardiogramas). Se les denomina series de tiempo
continuas. En la mayora de las series, sin embargo, las observaciones se realizan
equiespaciadamente en el tiempo. Ellas se denominan series de tiempo discretas
y son las nicas que consideraremos en este mdulo.
1) DESCOMPOSICIN DE UNA SERIE DE TIEMPO
1.1 Descomposicin:
En la introduccin de este mdulo se defini una serie de tiempo como los
valores de datos que se recogen, registran u observan en incrementos sucesivos
de tiempo. Cuando se registra y observa una serie de tiempo variable, muchas
veces es difcil o imposible visualizar sus diferentes componentes. El propsito de
descomponer una serie de tiempo es observar cada uno de sus elementos
aislados. Al hacerlo, se puede tener una mejor idea de las causas de la
variabilidad de la serie.
Una segunda razn importante para aislar las
2

SezEvaluation
Espinoza con
fines de Docencia
Only.
componentes de una serie de tiempo es facilitar el proceso para determinar los

pronsticos. Si se entiende el movimiento de los elementos de una serie, el
pronstico resulta ms sencillo.
Para entender los elementos de una serie de tiempo, deben considerarse
las relaciones matemticas entre las componentes. Existen tres modelos de
descomposicin de una serie, que suelen usarse alternativamente en las
aplicaciones, segn se comporte la serie analizada. Estos tres modelos son el
aditivo,
Yt = Tt + Ct + Et + It
(1)
el multiplicativo
Yt = Tt x Ct x E tx It
(2)
y el mixto, que puede tomar, por ejemplo, la forma siguiente:
Yt = Tt(1+Ct)(1+Et)+It
(3)
Donde en cada caso:

es el valor observado de la variable de inters
es la componente llamada tendencia
es un trmino llamado componente cclica
es la llamada componente estacional
es la llamada componente irregular
Yt
Tt
Ct
Et
It
.
El modelo que ms se usa para la descomposicin de las series de tiempo es el
modelo multiplicativo, en el que Yt es el producto de cuatro elementos que actan
en combinacin para producir la serie. A fin de ilustrar la descomposicin de una
serie, consideremos el siguiente ejemplo:
Ejemplo 1.1.1: Los datos que se muestran a continuacin corresponden al
nmero de nuevas unidades habitacionales comenzadas en el pas desde el
tercer trimestre de 1984 al segundo trimestre de 1992.
Ao
1984
1985
1986
1987
1988
1989
1990
1991
1992
II
283
274
218
298
336
264
389
510
454
392
382
452
468
399
604
661
III
398
392
290
382
423
387
408
579
IV
352
345
210
340
372
309
396
513
Representar grficamente la serie qu puede comentar?

SezEvaluation
Espinoza con
fines de Docencia
Only.
Unidades Habitacionales Nuevas

700
600
500
400
300
200
100
0
III IV
1984
II
1985
III IV
II
1986
III IV
II
1987
III IV
II
1988
III IV
II
1989
III IV
1990
II
III IV
1991
II
III IV
II
1992
Descomponiendo la serie en sus trminos componentes usando el modelo

multiplicativo se tiene:
Ao
1984
1985
1986
1987
1988
1989
1990
1991
1992
Trim
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
Unidades
398
352
283
454
392
345
274
392
290
210
218
382
382
340
298
452
423
372
336
468
387
309
264
399
408
396
389
604
579
513
510
661
Yhat
291.65
298.00
304.34
310.69
317.03
323.38
329.72
336.07
342.41
348.76
355.10
361.45
367.79
374.14
380.48
386.83
393.17
399.52
405.86
412.21
418.55
424.90
431.24
437.59
443.93
450.28
456.62
462.97
469.31
475.66
482.00
488.35
Indice
Estacional
107.61
91.09
80.14
121.16
107.61
91.09
80.14
121.16
107.61
91.09
80.14
121.16
107.61
91.09
80.14
121.16
107.61
91.09
80.14
121.16
107.61
91.09
80.14
121.16
107.61
91.09
80.14
121.16
107.61
91.09
80.14
121.16
Tendencia
estacional
313.84
271.45
243.9
376.43
341.16
294.57
264.24
407.18
368.47
317.69
284.58
437.93
395.78
340.8
304.92
468.68
423.09
363.92
325.26
499.43
450.4
387.04
345.6
530.18
477.71
410.16
365.94
560.93
505.02
433.28
386.27
591.68
%Irregulares Total movil 3

y Ciclicos
trim.
% Ciclico
126.82
129.67
372.52
124.17
116.03
366.31
122.1
120.61
351.54
117.18
114.9
352.63
117.54
117.12
335.71
111.9
103.69
317.08
105.69
96.27
278.66
92.89
78.7
241.07
80.36
66.1
221.4
73.8
76.6
229.93
76.64
87.23
260.35
86.78
96.52
283.52
94.51
99.77
294.02
98.01
97.73
293.94
97.98
96.44
294.15
98.05
99.98
298.64
99.55
102.22
305.5
101.83
103.3
299.23
99.74
93.71
282.93
94.31
85.92
259.47
86.49
79.84
242.15
80.72
76.39
231.49
77.16
75.26
237.06
79.02
85.41
257.22
85.74
96.55
288.26
96.09
106.3
310.53
103.51
107.68
328.63
109.54
114.65
340.73
113.58
118.4
365.08
121.69
132.03
362.15
120.72
111.72
% Irregular
104.43
95.03
102.93
97.75
104.66
98.11
103.64
97.93
89.57
99.95
100.52
102.13
101.8
99.74
98.36
100.43
100.38
103.57
99.36
99.34
98.91
99
95.24
99.62
100.48
102.7
98.3
100.94
97.3
109.37
Apuntes preparados por el profesor Sr. Rosamel Sez Espinoza con fines de Docencia
En el ejemplo 1.1.1 observamos que si en el IV trimestre de 1984,

multiplicamos el valor 298 de la columna Yhat por el valor 91.09/100 de la columna
Indice estacional, resultado que multiplicamos por 124.17/100 de la columna %
cclico y por ltimo multiplicamos por 104.43/100 de la columna % Irregular
observamos que el valor resultante es 352, que corresponde al valor observado
de la serie para este periodo. Esto mismo lo puede repetir para las lneas
siguientes.
En este ejemplo se muestra claramente como la serie se descompone en
sus cuatro trminos componentes. Se debe tener presente que una serie de
tiempo debe tener al menos una de las cuatro componentes.
Con el fin de describir cada una de las componentes de una serie,
consideremos el siguiente ejemplo:
Autos
6.577
5.855
6.939
7.557
8.065
9.314
9.009
8.357
9.404
9.447
Ao
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
Autos
8.388
9.831
10.409
11.351
8.701
8.168
9.752
10.826
10.946
10.357
Ao
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1976
Ao
1960
1961
1962
1963
1964
1965
1966
1967
1968
1969
1972
Ejemplo 1.1.2: Los datos que se muestran a continuacin corresponden al registro

anual de automviles nuevos (en millones de unidades) en los Estados
Unidos entre 1960 y 1991.
Autos
8.761
8.444
7.754
8.924
10.118
10.889
11.14
10.183
10.398
9.853
Ao
1990
1991
Autos
9.103
8.234
Grficamente
12
11
10
9
8
7
6
1990
1988
1986
1984
1982
1980
1978
1974
1970
1968
1966
1964
1962
1960
Figura 1.1.1: Registro anual de automviles nuevos entre 1960 y 1961

SezEvaluation
Espinoza con
fines de Docencia
Only.
Observe el grfico qu puede comentar?

TENDENCIA
La tendencia de una serie de tiempo, tambin llamada tendencia secular,
es la componente que hace que el valor de la variable tienda a aumentar o
disminuir en un periodo muy largo. En la figura 1.1.1, se observa una tendencia
creciente.
Las fuerzas bsicas responsables de la tendencia de una serie son
poblacin, crecimiento, inflacin de precios, cambios tecnolgicos e incrementos
de la productividad.
COMPONENTE CCLICA
La componente cclica es una fluctuacin con apariencia de ondas
alrededor de la tendencia. Cualquier patrn no necesariamente regular de
observaciones arriba o abajo de la recta de la tendencia es atribuible a la
componente cclica de la serie de tiempo. La figura 1.1.1 ilustra un patrn tpico
de fluctuacin cclica por encima y por debajo de la lnea de tendencia. Note que
los movimientos cclicos no siguen ningn patrn regular, sino que se mueven de
una forma un tanto impredecible. Casi siempre, las fluctuaciones cclicas estn
influidas por las condiciones econmicas.
LA COMPONENTE ESTACIONAL
La componente estacional tambin llamada variacin temporal, se refiere al
patrn de cambio que se repite de un ao a otro. Para una serie mensual, la
componente estacional mide la variabilidad de las series cada enero, cada febrero,
etctera. Para una serie trimestral, existen cuatro medidas estacionales, una para
cada trimestre. La variacin estacional puede reflejar las condiciones del clima,
los das festivos o las longitudes variables de los meses del calendario.
COMPONENTE IRREGULAR
La componente irregular es una medida de la variabilidad restante de la
serie de tiempo despus de eliminar las otras componentes. Es la que describe la
variabilidad aleatoria en una serie de tiempo causada por factores no previsibles y
no recurrentes. La mayor parte de la componente irregular est formada por la
variabilidad aleatoria. Sin embargo, algunos eventos no previstos como huelgas,
cambios de clima (sequas, inundaciones o sismos), resultados de una eleccin,
conflictos armados o nuevas legislaciones causan irregularidades en una variable.

SezEvaluation
Espinoza con
fines de Docencia
Only.
1.2) ANLISIS DE TENDENCIA

Las tendencias se manifiestan en muchas series mediante un crecimiento
regular a largo plazo. Otras muestran un decrecimiento, en tanto que algunas
parecen constantes o estacionarias, y otras presentan ondas u oscilaciones de
periodo muy elevado.
Las tendencias suelen representarse mediante funciones del tiempo continuas y
diferenciables. Los modelos de regresin ms utilizados son:
i)
ii)
iii)
iv)
v)
Lineal.
Polinmico.
Exponencial
Modelo autorregresivo
Curva de Gompertz.
Disponiendo de observaciones muestrales, el procedimiento consiste en ajustar

la funcin ms adecuada a los datos aplicando el anlisis de regresin.
Hay dos tipos de problemas relacionados con el anlisis de tendencias: la
prediccin a largo plazo y la eliminacin de tendencias.
Porqu estudiar la tendencia?
Existen tres razones por la cual resulta til estudiar la tendencia:
i)
ii)
iii)
El estudio de la tendencia nos permite describir un patrn histrico.

El estudio de la tendencia nos permite proyectar patrones pasados, o
tendencias, hacia el futuro.
En muchas situaciones, el estudio de la tendencia de una serie de tiempo
nos permite eliminar la componente de tendencia de la serie. Esto facilita
el estudio de las otras tres componentes.
1.2.1 Ajuste de tendencia lineal

Si la grfica de la serie sugiere una tendencia lineal, se plantea el ajuste de la
funcin
Yt = 0 + 1t + t ; t= 1, 2, ...,T
(1.2.1)
donde los t son variables aleatorias que satisfacen los supuestos dados en el
modelo de regresin simple.
Observe que si retardamos t en un periodo en (1.2.1) y restamos de la ezpresin
original se tiene:
Yt Yt 1 = 1 + u t
(1.2.2)
con u t = t t 1 .
La expresin (1.2.2) muestra que en el modelo de tendencia lineal la variable
crece, aproximadamente, segn una progresin aritmtica de razn 1 .

SezEvaluation
Espinoza con
fines de Docencia
Only.
Observe adems que la serie Zt = Yt Yt-1 dada por (1.2.2) carece de tendencia,
por lo que este procedimiento de generar la serie Zt es un procedimiento habitual
para eliminar la tendencia.
El procedimiento que se usa para encontrar la recta que mejor se ajusta a los
datos observados de la serie de tiempo es el de mnimos cuadrados, el cual
corresponde al mismo procedimiento usado para minimizar SCE en el anlisis de
regresin.
El periodo puede venir expresado en das, semanas, meses, trimestres o
aos por lo que, lo ms practico para trabajar con el periodo en los modelos es
codificarlo de manera correlativa desde 1 a T.
Para el ejemplo 1.1.2, al ao 1960 le corresponde el valor 1, a 1961 el valor 2 y as
sucesivamente. Luego, para este ejemplo, ajustando un modelo lineal simple
usando excel se tiene:
Resumen
Estadsticas de la regresin
Coeficiente de correlacin mltiple
0.52237069
Coeficiente de determinacin R^2
0.27287113
R^2 ajustado
0.2486335
Error tpico
1.18495869
Observaciones
32
ANLISIS DE VARIANZA
Promedio de
los
Suma de
cuadrados
cuadrados
1 15.8078891 15.8078891
30 42.1238127 1.40412709
31 57.9317019
Grados de
libertad
Regresin
Residuos
Total
Intercepcin
Periodo
F
11.2581612
Valor crtico
de F
0.00216301
Coeficientes Error tpico Estadstico t Probabilidad Inferior 95%

7.90191129 0.42896223 18.4209957 6.6452E-18 7.02585446
0.0761228 0.02268721 3.35531835 0.00216301 0.02978939
Superior
95%
8.77796813
0.12245621
Observe que el coeficiente de determinacin es slo de un 27,3%, es decir, slo el

27.3% de la variabilidad de la variable registros de automviles nuevos es
explicada por la variable tiempo.
De los datos observamos que el modelo ajustado para la tendencia es:
Y = 7.901911 + 0.076123 X
Del modelo, se espera que el registro anual de automviles nuevos se incremente

cada ao en promedio 0.076123 millones de unidades o 76,123 automviles
nuevos.
Veamos ahora cul sera nuestra estimacin de registro de automviles nuevos
para 1992 (tiempo=33) haciendo uso slo de la tendencia.
Y = 7.901911 + 0.076123(33)

SezEvaluation
Espinoza con
fines de Docencia
Only.
= 10.4139 millones de autos
As, para el ao 1992 se esperan 10,413,900 automviles nuevos en los Estados

Unidos.
1.2.2 Ajuste de tendencia polinmica

La funcin polinomial de grado p,
f (t ) = 0 + 1t + 2 t 2 + ... + p t p
(1.2.3)
posee la atractiva propiedad de aproximar a cualquier funcin no lineal continua ,

de derivadas tambin continuas, con cualquier grado de exactitud dentro de un
intervalo dado, para lo cual hay que tomar p lo suficientemente grande. De hecho,
tomando p=T-1, es posible determinar exactamente 0 , 1 ,..., p de manera que el
polinomio reproduzca los T valores observados de Yt.

Si bien el polinomio as obtenido describira exactamente el pasado de la serie
temporal Yt, como instrumento predictivo sera poco confiable, pues nada
garantiza que la ecuacin haya recogido las pautas de comportamientos regulares
de la serie.
Si se toma p<T-1, los coeficientes del polinomio dejan de estar determinados, y su
eleccin es ya un problema estadstico, que puede resolverse por el mtodo de los
mnimos cuadrados.
Si lo que pretende es utilizar el polinomio estimado para predecir, hay que tener en
cuenta que las predicciones vendrn fuertemente influidas por los trminos en los
que t figura elevado a la mayor potencia.
Ajustemos una tendencia cuadrtica al ejemplo 1.1.2. De excel tenemos que:
0.70035924
0.49050307
R^2 ajustado
0.45536535
Error tpico
1.00885774
Observaciones
32
ANLISIS DE VARIANZA
Promedio de
los
Suma de
cuadrados
cuadrados
2 28.4156776 14.2078388
29 29.5160243 1.01779394
31 57.9317019
Grados de
libertad
Regresin
Residuos
Total
Intercepcin
t
t2
F
13.9594453
Valor crtico
de F
5.6696E-05
Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% Superior 95%

6.36026613 0.57030046 11.1524828 5.2542E-12 5.19387008 7.52666218
0.34817783 0.07967461 4.36999704 0.00014534 0.18522486
0.5111308
-0.00824409 0.00234236 -3.51956935 0.00144796 -0.01303475 -0.00345343

SezEvaluation
Espinoza con
fines de Docencia
Only.
El modelo de tendencia cuadrtica es

Yt = 6,3603 + 0,3482t 0,00824t2 con un R2 ajust= 0,455
1.2.2.1 Eliminacin de tendencias polinmicas.
De la expresin (1.2.2) vimos que si a una serie de tiempo con tendencia lineal se
le aplica la primera diferencia, desaparece la tendencia.
Siguiendo este procedimiento con una serie de tiempo que presente tendencia
polinmica de segundo grado, para eliminar la tendencia hay que realizar dos
operaciones consecutivas de obtencin de diferencias.
Sea Yt = 0 + 1t + 2 t 2 + t , entonces,
Z t = Yt Yt 1 = 1 2 + 2 2 t + t t 1
la cual es una expresin lineal en t. Obteniendo las segundas diferencias se tiene
que,
Z t Z t 1 = 2 2 + t 2 t 1 + t 2
expresin que ya no tiene tendencia. En general, para eliminar la tendencia
polinmica de grado p, se toman diferencias sucesivas de la serie hasta p veces.
1.2.3 Estimacin de tendencia exponencial.
Suponiendo que la tendencia de la serie de tiempo es dada por la expresin
Yt = ae rt e t
t=1, 2,...,T
(1.2.4)
el problema estadstico consiste en estimar a y r, a partir del conjunto de
observaciones Yt, t=1, 2, ...,T
r>0
r<0
Si tomamos logaritmo natural en la expresin (1.2.4) se tiene,

lnYt= lna + rt + t
(1.2.5)
10

SezEvaluation
Espinoza con
fines de Docencia
Only.
expresin lineal por lo que, para estimar r se puede usar el mtodo de mnimos
cuadrados, suponiendo para t que satisface los supuestos del modelo de
regresin.
Para eliminar tendencias exponenciales basta con tomar diferencias usando la
expresin (1.2.5). As
lnYt lnYt-1 = r + ut
Donde
u t = t t 1
1.2.4 Modelo Autorregresivo
En algunas ocasiones se usa la relacin

Yt = 0 + 1Yt 1 + t ,
1 >0
(1.2.6)
denominado modelo autorregresivo y sirve para representar tendencias.

Una aplicacin directa de este modelo es para representar tendencias que
presentan dos componentes aditivas, una lineal y otra exponencial.
1 = 1,5
1 = 1
1 = 0,6
Ejemplo 1.2.4.1: Los ndices de consumo de energa elctrica, registrados en una

determinada rea geogrfica en expansin fueron los siguientes :
Ao
Yt
1979 1980 1981 1982 1983 1984 1985 1986 1987

100 195 295 386 537 660 827 973 1318
1988
1425
Graficando la serie, tenemos
11

SezEvaluation
Espinoza con
fines de Docencia
Only.
2000
1800
1600
1400
1200
1000
800
600
400
200
0
1978
1980
1982
1984
1986
1988
1990
Del grfico vemos que existe la posibilidad de ajustar un modelo autorregresivo.

Si ajustamos una tendencia lineal, R2= 0,969. Ahora si ajustamos una tendencia
exponencial, R2 = 0,956, en cambio un ajuste de un modelo autorregresivo entrega
la siguiente salida excel.
0.98671069
0.97359799
R^2 ajustado
0.96982627
Error tpico
76.0379182
Observaciones
9
ANLISIS DE VARIANZA
Grados de
libertad
Regresin
Residuos
Total
Intercepcin
Variable Yt-1
Promedio de
los
Suma de
cuadrados
cuadrados
1 1492454.53 1492454.53
7
40472.355
5781.765
8 1532926.89
F
258.131303
Valor crtico
de F
8.7937E-07

96.6226997 47.1351354 2.04990818 0.07954117 -14.8341047 208.079504
1.08606987 0.06759856 16.0664652 8.7937E-07
0.9262248 1.24591495
De la salida, el modelo autorregresivo es ,

Yt= 96,623 + 1,086Yt-1
con un R2= 0,974
el cual es mas satisfactorio como modelo para predecir la tendencia.
12

SezEvaluation
Espinoza con
fines de Docencia
Only.
1.2.5. Curva de Gompertz. Tendencia
Para describir fenmenos de crecimiento con un punto de inflexin se puede

utilizar la curva Gompertz, que responde a la ecuacin:
T(t) = T* b
e rt
(1.2.7)
en donde r, b y T* son parmetros positivos. La representacin grfica de esta

curva es:
T*
La ordenada del punto de inflexin, F, es

TF = e-1T*
La mxima tasa de crecimiento tiene lugar en el punto de inflexin.
1.3) Estudio de la Componente Cclica
El procedimiento utilizado para identificar la componente cclica es el mtodo de

los residuos. Cuando observamos una serie temporal consistente en datos
anuales, solamente se toman en cuenta las componentes de tendencia secular,
cclica e irregular. La componente cclica se defini como la fluctuacin con forma
de onda alrededor de la tendencia. En la figura 1.1.1, las cumbres y valles arriba y
debajo de la recta de tendencia representan fluctuaciones cclicas en el nmero de
registros anuales de automviles nuevos. Estas fluctuaciones pueden estar
influidas por las condiciones cambiantes de la economa como: tasa de inters
demanda de los consumidores, niveles de inventarios, condiciones del mercado,
etc. Para determinar la componente cclica cuando la serie temporal est
compuesta por datos anuales, empleamos la ecuacin conocida como mtodo de
los residuos:
C=
Y
(100)
Y
(7)
13

SezEvaluation
Espinoza con
fines de Docencia
Only.
la cual es una medida de la variacin cclica como un porcentaje de la

tendencia, donde;
C : componente cclica
Y : Valor real de la variable de inters.
Y : Pronstico del valor de Y para el periodo seleccionado.
Otra medida de la variacin cclica es el residuo cclico relativo, cuya expresin
de clculo est dada por
YY
C rel = (
)100
(8)
Y
Aplicando este mtodo a nuestros datos de registros de automviles nuevos en
los Estados Unidos, obtenemos los siguientes resultados:.
Ao
1960
1961
1962
1963
1964
1965
1966
1967
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
Registro
Tiempo
Pronstico
6,577
5,855
6,939
7,557
8,065
9,314
9,009
8,357
9,404
9,447
8,388
9,831
10,409
11,351
8,701
8,168
9,752
10,826
10,946
10,357
8,761
8,444
7,754
8,924
10,118
10,889
11,140
10,183
10,398
9,853
9,103
8,234
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
7,978
8,054
8,130
8,206
8,283
8,359
8,435
8,511
8,587
8,663
8,739
8,815
8,892
8,968
9,044
9,120
9,196
9,272
9,348
9,424
9,500
9,577
9,653
9,729
9,805
9,881
9,957
10,033
10,109
10,186
10,262
10,338
Indice
Cclico
Residuo
Cclico Relativo
82,439
72,697
85,351
92,091
97,368
111,425
106,805
98,191
109,514
109,050
95,984
111,526
117,060
126,572
96,207
89,561
106,046
116,760
117,095
109,900
92,221
88,170
80,327
91,726
103,192
110,201
111,881
101,495
102,859
96,731
88,706
79,648
-17,561
-27,303
-14,649
-7,909
-2,632
11,425
6,805
-1,809
9,514
9,050
-4,016
11,526
17,060
26,572
-3,793
-10,439
6,046
16,760
17,095
9,900
-7,779
-11,830
-19,673
-8,274
3,192
10,201
11,881
1,495
2,859
-3,269
-11,294
-20,352
14

SezEvaluation
Espinoza con
fines de Docencia
Only.
La interpretacin de los valores obtenidos para el ndice cclico y para el

ndice cclico relativo es:
Para el ao 1960, el ndice cclico nos indica que el valor observado fue un
82,439% de los registros de autos nuevos esperados para ese ao. Para ese
mismo ao, el residuo cclico relativo indic que el registro de autos nuevos estaba
un 17,561% por debajo de los registros de autos nuevos esperados.
Una forma de ayudar a analizar la componente cclica, es realizar un grfico
en el que representamos el ndice cclico como porcentaje de la tendencia.
Observar como este proceso elimina la lnea de tendencia y asla la componente
cclica de la serie de tiempo (ver figura 1.3.1).
130
120
110
100
90
80
1990
1988
1986
1984
1982
1980
1978
1976
1974
1972
1970
1968
1966
1964
1962
60
1960
70
Figura 1.31: Grfico Componente cclica para los registros de automviles nuevos.
En este grfico se muestra a la tendencia como lnea base, representada
por el 100%. La importancia de este tipo de grficos se debe a que permite la
comparacin de la variable de inters con el patrn cclico de otras variables y/o
indicadores de negocio.
Del grfico vemos que la serie registr su valor ms bajo en 1961
(72,697%), despus hubo un crecimiento sostenido hasta alcanzar un valor de un
111,4% por sobre el valor esperado. Los buenos tiempos prevalecieron entre 1966
y 1979 con excepcin los aos 1967, 1970, 1974 y 1975. A partir de 1980 sigui
una disminucin en el registro durante cuatro aos.
1.4) Estudio de la Componente Estacional
La variacin temporal o estacional, se define como un movimiento repetitivo

y predecible alrededor de la lnea de tendencia que se da en un ao, o en menos.
Con el fin de detectar la componente estacional, los intervalos de tiempo necesitan
15

SezEvaluation
Espinoza con
fines de Docencia
Only.
ser medidos en unidades ms pequeas, como das, semanas, meses o

trimestres.
La descomposicin de una serie de tiempo mensual o trimestral puede
revelar las componentes estacional e irregular, adems de las componentes de
tendencia y cclica. Al examinar cada una de estas cuatro componentes por
separado se puede descubrir informacin interesante y til que permita al analista
combinar estos elementos para producir un buen pronstico. Los pronsticos que
usan series de tiempo mensuales o trimestrales se hacen por lo general para 1 a
12 meses, o para 1 a 4 trimestres futuros. El analista debe tener de 4 a 7 aos de
datos mensuales o trimestrales para realizar clculos necesarios para un anlisis
estacional.
La primera componente que debe aislarse en una serie de tiempo mensual
o trimestral es la componente estacional. Se requiere un ndice para cada 12
meses o cada 4 trimestres del ao; los programas de computacin de la serie de
tiempo se usan para calcular estos ndices. A continuacin se da una descripcin
del procedimiento que usan tales programas para datos mensuales.
La idea bsica al calcular un ndice estacional mensual es comparar los valores
reales de la variable (Y) con un promedio de 12 meses para esa variable. De esta
manera se puede determinar si el valor de Y es mayor o menor que el promedio
anual y por cunto. Si se analizan datos trimestrales, se calcula el promedio de
cuatro trimestres para la comparacin.
Al calcular el promedio anual para la comparacin mensual, se debe usar un
promedio centrado en el mes que se est examinando. Desafortunadamente,
cuando se promedian 12 meses, el centro del promedio no est en el centro del
mes sino en el punto en el que termina un mes y comienza otro. sta es la razn
por la que se usan los siguientes pasos para centrar un promedio de 12 meses
para Y en el mes que se examina. (Estos cuatro pasos suponen que los datos
comienzan en enero.)
Paso 1 Se calcula el total mvil de 12 meses, de enero a diciembre para los
datos del primer ao y se coloca opuesto a julio. Se calcula el siguiente total de
12 meses quitando enero del primer ao y agregando enero del segundo ao.
ste es el total mvil de 12 meses de febrero del primer ao a enero del segundo
ao; se coloca opuesto a agosto.
Paso 2 Se calcula un total mvil de dos aos sumando los totales mviles
opuestos a julio y a agosto. Los totales de dos aos incluyen datos de 24 meses
(enero del primer ao una vez, de febrero a diciembre dos veces y enero del
segundo ao una vez). Este total se centra en julio.
Paso 3 Se divide el total mvil de dos aos entre 24 para obtener el promedio
de 12 meses centrado corregido en julio.
Paso 4 Se calcula el ndice estacional para cada mes con la divisin del valor
real de cada mes entre el promedio centrado corregido de 12 meses y se
multiplica por 1 00 para convertir la razn en un nmero ndice. A continuacin se
indica cmo se realiza este clculo:
16

SezEvaluation
Espinoza con
fines de Docencia
Only.
ndice estacional
E=
donde
TECI
(100)
TCI
(9)
E = ndice estacional
TECI = valor real de Y
TCI = promedio centrado de 12 meses
Ejemplo 1.4.1La tabla que se muestra a continuacin contiene los datos

mensuales de 1985 a 1986 para los registros nuevos de automviles,
y los resultados de los clculos de los ndices estacionales
mensuales ilustrado anteriormente.
Tabla 4.1: Procedimiento para el clculo del ndice estacional mensual
Promedio
Mvil
Total Mvil Total Mvil Centrado de
ndice
Periodo
Registro
12 meses
De 2 aos
12 meses
Estacional
1985
Enero
781
Febrero
790
Marzo
927
Abril
936
Mayo
912
Junio
923
Julio
949
Agosto
926
Septiembre
1105
10899
(1)
(2) 21930
(3) 913.75
103.86 (4)
22094
920.58
100.59
22047
918.63
120.29
21938
914.08
106.45
21914
913.08
90.68
22009
917.04
92.58
22083
920.13
99.23
22036
918.17
89.53
11031
11063
10984
Octubre
973
10954
Noviembre
828
10960
Diciembre
849
11049
1986
Enero
913
11034
Febrero
822
11002
17
Marzo
848
22048
918.67
92.31
22067
919.46
98.54
21933
913.88
100.45
21877
911.54
111.02
11046
Abril
906
11021
Mayo
918
10912
Junio
1012
10965
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
934
894
1149
948
719
902
El paso siguiente es determinar un ndice estacional para cada mes. Como este
ejemplo contena pocos datos no determinaremos el ndice estacional. Para lograr
una mayor comprensin de este mtodo, veamos el siguiente ejemplo.
Ejemplo 1.4.2:Los datos que se muestran a continuacin, representan el nmero
de husped registrados en cada trimestre durante los ltimos cinco
aos:
TRIMESTRE
Ao
1988
1989
1990
1991
1992
I
1.861
1.921
1.834
1.837
2.073
II
2.203
2.343
2.154
2.025
2.414
III
2.415
2.514
2.098
2.304
2.339
IV
1.908
1.986
1.799
1.965
1.967
En la tabla que a continuacin se anexa, se muestra el desarrollo que conduce

a la obtencin del ndice estacional para cada trimestre.
Tabla 1.4.2.1: Procedimiento para el clculo del ndice estacional por trimestre
Ao
Trimestre
Nmero
Husped
1988
I
II
1.861
2.203
III
2.415
Total Mvil
4 trimestres
Total Mvil
de 2 aos
Promedio
Mvil
centrado 4
trimestres
ndice
Estacional
8.387
16.834
2.104,250
114,8
17.034
2.129,250
89,6
8.447
IV
1.908
18
8.587
1989
1.921
17.273
2.159,125
89,0
17.450
2.181,250
107,4
17.441
2.180,125
115,3
17.165
2.145,625
92,6
16.560
2.070,000
88,6
15.957
1.994,625
108,0
15.773
1.971,625
106,4
15.647
1.955,875
92,0
15.724
1.965,500
93,5
16.096
2.012,000
100,6
16.498
2.062,250
111,7
17.123
2.140,375
91,8
17.547
2.193,375
94,5
17.584
2.198,000
109,8
8.686
II
2.343
8.764
III
2.514
8.677
IV
1.986
8.488
1990
1.834
II
2.154
8.072
7.885
III
2.098
7.888
IV
1.799
7.759
1991
1.837
7.965
II
2.025
III
2.304
8.131
8.367
IV
1.965
8.756
1992
2.073
8.791
II
2.414
8.793
III
IV
2.339
1.967
Una vez obtenidos los ndices estacionales, estos se organizan por trimestres
segn se indica ms abajo
Tabla 1.4.2.2: Organizacin de los ndices estacionales obtenidos en tabla 1.4.2.1
TRIMESTRE
Ao
1988
1989
1990
1991
1992
II
89,0
88,6
93,5
94,5
107,4
108,0
100,6
109,8
III
114,8
115,3
106,4
111,7
IV
89,6
92,6
92,0
91,8
Observar que la tabla 1.4.2.2 muestra cuatro ndices estacionales para cada
trimestre. Para el trimestre I los valores son 89,0, 88,6, 93,5 y 94,5.
19

SezEvaluation
Espinoza con
fines de Docencia
Only.
El paso siguiente a esta organizacin de los ndices estacionales es

combinar estos valores en un solo ndice por trimestre, para ello calculamos un
promedio por trimestre.
Para que este promedio sea representativo del trimestre correspondiente,
es conveniente eliminar los valores extremos, para ello existen varios
procedimientos estadsticos que permiten la deteccin de estos valores, como por
ejemplo el grfico de caja y bigote. Tambin esta la comparacin de la media con
la mediana. Tambin se puede obtener el coeficiente de variacin.
Veamos estos resultados para el ejemplo anterior.
Tabla 1.4.2.3: Estadsticos descriptivos por trimestre
Trimestre
Ao
1988
1989
1990
1991
1992
Promedio
Mediana
Desv. Estand
Coef. Var.
II
89.0
88.6
93.5
94.5
91.4
91.25
3.03
3.32
107.4
108.0
100.6
109.8
106.45
107.7
4.03
3.79
III
114.8
115.3
106.4
111.7
IV
89.6
92.6
92.0
91.8
112.05
113.25
4.09
3.65
91.5
91.9
1.31
1.43
De los resultados obtenidos observamos que la media no es fuertemente diferente

de la mediana, por lo que ya el promedio es un buen representante del centro.
Adems, el coeficiente de variacin es bastante pequeo (<4%), lo que indica que
cada serie es bastante homognea. De esta forma podemos considerar al
promedio como ndice estacional de cada trimestre.
Los valores de los ndices estacionales obtenidos en la tabla 1.4.2.1,
todava contienen las componentes cclica e irregular de la variacin de la serie de
tiempo. Al eliminar los valores extremos de cada trimestre reducimos las
variaciones cclica e irregular extremas. Cuando promediamos los valores
restantes, suavizamos an ms estas componentes. Las variaciones cclicas e
irregular tienden a ser eliminadas mediante este proceso, de modo que la media
es un ndice de la componente estacional.
Al sumar los cuatro nuevos ndices de la tabla 1.4.2.3
(91,4+106,45+112,05+91,5) dan por resultado 401,4, sin embargo, la base de un
ndice siempre es 100. Por consiguiente, los cuatro ndices trimestrales deben dar
un total de 400 y su media debe ser de 100. Para corregir este error, multiplicamos
cada uno de los ndices trimestrales por una constante de ajuste. Este nmero se
encuentra dividiendo la suma deseada de los ndices (400) entre la suma real
(401,4), siendo en este caso la constante de ajuste igual a 0,99651.
A continuacin mostramos el clculo del ndice temporal por trimestre,
donde el ndice temporal = media modificada x constante de ajuste, as:
20

SezEvaluation
Espinoza con
fines de Docencia
Only.
Tabla 1.4.2.4: Procedimiento para el clculo del ndice temporal modificado.

Media
Trimestre
I
II
III
IV
91,4
106,45
112.05
91,5
X
X
X
X
Constante de
Ajuste
0,99651
0,99651
0,99651
0,99651
Total
Indice
Temporal
91.08
106.08
111.66
91,18
400,0
1.5 ) Usos del Indice Temporal.
El mtodo razn de promedios mvil que acabamos de estudiar, nos

permite identificar la variacin estacional de una serie de tiempo. Los ndices
temporales se utilizan para eliminar de una serie de tiempo los efectos por
estacionalidad,
proceso
que
se
denomina
desestacionalizacin
o
destemporalizacin de una serie de tiempo o temporal. Es conveniente antes de
que podamos identificar las componentes de tendencia o cclica de una serie de
tiempo, eliminar la variacin estacional calculando para ello el ndice temporal.
Para describir el procedimiento, procederemos a desestacionalizar cada valor
observado de la serie tiempo:
Tabla 1.5.1: Procedimiento de desestacionalizacin de datos.
Ao
1988
1989
1990
1991
1992
Nmero
Trimestre Husped
I
1,861
II
2,203
III
2,415
IV
1,908
I
1,921
II
2,343
III
2,514
IV
1,986
I
1,834
II
2,154
III
2,098
IV
1,799
I
1,837
II
2,025
III
2,304
IV
1,965
I
2,073
II
2,414
III
2,339
IV
1,967
Indice Temp.
100
0.9108
1.0608
1.1166
0.9118
0.9108
1.0608
1.1166
0.9118
0.9108
1.0608
1.1166
0.9118
0.9108
1.0608
1.1166
0.9118
0.9108
1.0608
1.1166
0.9118
Ocupacin
Desestacionalizada
2043
2077
2163
2093
2109
2209
2251
2178
2014
2031
1879
1973
2017
1909
2063
2155
2276
2276
2095
2157
21

SezEvaluation
Espinoza con
fines de Docencia
Only.
Ya que ha sido eliminado el efecto de las estaciones, los valores

desestacionalizados que quedan, solamente reflejan las componentes de
tendencia, cclica e irregular de la serie de tiempo.
Una vez que hemos eliminado la variacin temporal, podemos determinar la
tendencia desestacionalizada, que luego podemos proyectar hacia el futuro.
A continuacin mostraremos los grficos correspondiente a la serie observada
junto al promedio mvil (figura 1.5.1) y a la serie observada junto a los valores
desestacionalizados (figura 1.5.2)
Figura 1.5.1: Grfico promedio mvil para suavizar la serie de tiempo original
2,700
2,500
2,300
2,100
1,900
1,700
1,500
I
II
III IV
II
III IV
II
Serie1
III IV
II
III IV
II
III IV
Serie2
La lnea indicada como serie 1 en esta figura representa los valores observados,
en cambio la lnea punteada indicada como serie 2, representa los valores
obtenidos por el mtodo razn de promedios mvil para cada trimestre.
La figura 1.5.1, muestra cmo el promedio mvil ha suavizado las cimas y
valles de la serie de tiempo original.
22

SezEvaluation
Espinoza con
fines de Docencia
Only.
Figura 1.5.2: Grfico comparacin de la serie desestacionalizada junto a la serie

original.
2700
2500
2300
2100
1900
1700
1500
I
II
III IV
II
III IV
II
III IV
Serie1
II
III IV
II
III IV
Serie2
La lnea indicada como serie 1 en esta figura representa los valores observados,
en cambio la lnea punteada indicada como serie 2, representa los valores de la
serie ya desestacionalizados.
Procedamos ahora a estimar la lnea de tendencia desestacionalizada, para
ello aplicamos el mtodo de mnimos cuadrados. Recordar codificar la variable
tiempo, en este caso se codific de 1 a 20
El modelo a ajustar es:
= 0 + 1X
Y
donde
representa los valores ajustados de la serie desestacionalizada
Y
0 y 1 son los parmetros estimados del modelo.
X es el periodo
23

SezEvaluation
Espinoza con
fines de Docencia
Only.
0.08984655
0.0080724
R^2 ajustado
-0.04703469
Error tpico
114.693274
Observaciones
20
ANLISIS DE VARIANZA
Promedio de
los
Suma de
cuadrados
cuadrados
1 1926.95338 1926.95338
18 236781.847
13154.547
19
238708.8
Grados de
libertad
Regresin
Residuos
Total
Intercepcin
X
F
0.14648573
Valor crtico
de F
0.7063986

2080.52632 53.2786334 39.0499189 7.4643E-19 1968.59197 2192.46066
1.70225564 4.44761439 0.38273454
0.7063986 -7.64184268
11.046354
De esta salida excel vemos que el modelo de la tendencia desestacionalizada es:
Y = 2080.5263 + 1.7022 X
A partir de esta lnea de tendencia podemos hacer proyecciones hacia el futuro,
por ejemplo, realicemos un pronstico para el cuarto trimestre de 1993, el cual
corresponde a un tiempo de 24 de acuerdo a la variable codificada, as
Y = 2080.5263 + 1.7022( 24)
=2.121 personas
Conocida esta prediccin debemos tomar en consideracin el efecto de las
estaciones, para ello debemos multiplicar
la ocupacin
promedio
desestacionalizada predicha 2.121 por el ndice temporal correspondiente al
cuarto trimestre, expresado como fraccin de 100, para obtener de este modo una
estimacin estacionalizada, as
2.121 x 0.9118=1.934 personas.
Veamos ahora un ejemplo completo que nos permitir estudiar todas las
componentes.
Ejemplo: Suponga que deseamos predecir las ventas de una compaa que se
especializa en la produccin de equipos para recreacin.
En la tabla 1.5.2 mostramos las ventas pasadas o histricas de esta compaa:
24
Tabla 1.5.2: Ventas trimestrales de equipos para recreacin entre 1988 y 1992.
Ao
1988
1989
1990
1991
1992
I
16
15
17
17
18
Ventas x Trimestre (x$1.000.000)

II
III
IV
21
9
18
20
10
18
24
13
22
25
11
21
26
14
25
Como los datos de la tabla 1.5.2 estn por trimestres, como primer paso
debemos desestacionalizar la serie temporal. Primero calculamos los promedios
mviles por el mtodo razn de promedio mvil, para luego obtener el ndice
estacional., estos se muestran en la tabla siguiente:
Tabla 1.5.3: Procedimiento para la determinacin del ndice estacional:
Ao
1988
Trimestre
Ventas
I
II
16
21
III
Total Mvil
4 trimestres
Total Mvil
de 8 trim.
Promedio
Mvil (1)
ndice
Estacional
64
127
15.875
56.7
125
15.625
115.2
125
15.625
96.0
126
15.750
127.0
128
16.000
62.5
134
16.750
107.5
141
17.625
96.5
148
18.500
129.7
152
19.000
68.4
153
19.125
115.0
152
19.000
89.5
149
18.625
134.2
63
IV
18
62
1989
15
63
II
20
III
10
63
65
IV
18
17
69
1990
72
II
24
III
13
76
76
IV
22
17
77
1991
75
II
25
74
25
III
11
149
18.625
59.1
151
18.875
111.3
155
19.375
92.9
162
20.250
128.4
75
IV
21
76
1992
18
II
26
79
83
III
IV
14
25
El paso siguiente consiste en organizar los ndices obtenidos en la ltima columna

de la tabla 5.3 y calcular la media modificada, con la cual obtenemos el nuevo
ndice temporal .
Tabla 1.5.4 : Procedimiento para la obtencin de la media modificada.
Ao
1988
1989
1990
1991
1992
Promedio
Mediana
Desv. Estndar
Coef. Var.
II
96
96.5
89.5
92.9
93.725
94.45
3.236
3.452
127
129.7
134.2
128.4
129.825
129.05
3.118
2.402
III
56.7
62.5
68.4
59.1
IV
115.2
107.5
115
111.3
61.675
60.8
5.076
8.230
112.25
113.15
3.639
3.242
La suma de las medias modificadas es : 397,475, por lo que el factor de ajuste es

400
= 1,006352
397,475
Tabla 5.5: Procedimiento para el clculo del ndice temporal modificado.

Trimestre
I
II
III
IV
Media
Modificada
93,725
129,825
61.675
112.25
X
X
X
X
Constante de
Ajuste
1,006352
1,006352
1,006352
1,006352
Total
Indice
Temporal
94,32
130,65
62,07
112,96
400
26
Tabla 1.5.6: Procedimiento de desestacionalizacin de datos.

Ao
1988
1989
1990
1991
1992
Indice Temp.
100
0.9432
1.3065
0.6207
1.1296
0.9432
1.3065
0.6207
1.1296
0.9432
1.3065
0.6207
1.1296
0.9432
1.3065
0.6207
1.1296
0.9432
1.3065
0.6207
1.1296
Trimestre Ventas
I
16
II
21
III
9
IV
18
I
15
II
20
III
10
IV
18
I
17
II
24
III
13
IV
22
I
17
II
25
III
11
IV
21
I
18
II
26
III
14
IV
25
Ventas
Desestacionalizada
16.96
16.07
14.50
15.93
15.90
15.31
16.11
15.93
18.02
18.37
20.94
19.48
18.02
19.14
17.72
18.59
19.08
19.90
22.56
22.13
Con las ventas desestacionalizada estamos ahora en condiciones de obtener la

lnea de tendencia desestacionalizada, para ello emplearemos excel
0.83129099
0.6910447
R^2 ajustado
0.67388052
Error tpico
1.28463688
Observaciones
20
ANLISIS DE VARIANZA
Promedio de
los
Suma de
cuadrados
cuadrados
1 66.4421654 66.4421654
18 29.7052546 1.65029192
19
96.14742
Grados de
libertad
Regresin
Residuos
Total
Intercepcin
X
F
40.260856
Valor crtico
de F
5.6017E-06

14.7140526 0.59675424 24.6568044 2.5265E-15 13.4603175 15.9677877
0.31609023 0.04981608 6.34514429 5.6017E-06 0.21143044 0.42075001
27
De la salida excel vemos que nuestro modelo estimado es:

Y = 14,714 + 0,3161X
Supongamos ahora que deseamos realizar estimaciones de las ventas para

todos los trimestres de 1993 cules seran los pasos a seguir?
1.- Debemos determinar los valores desestacionalizados de las ventas para los
cuatro trimestres de 1993 mediante el uso de la ecuacin de tendencia
Y = 14,714 + 0,3161X . Esto requiere obviamente de la codificacin de los
cuatros trimestres de 1993.
Como los trimestres histricos fueron codificados correlativamente de 1 a 20,
entonces a los trimestres de 1993 le corresponden los cdigos 21, 22, 23 y 24
respectivamente. Sustituyendo estos valores en la ecuacin de la tendencia
tenemos que:
Y21 = 14,714 + 0.3161( 21) = 21,35
Y22 = 14,714 + 0.3161( 22) = 21,66
Y23 = 14,714 + 0.3161( 23) = 21.98
Y24 = 14,714 + 0.3161( 24) = 22,30
Cada uno de estos valores estimados de ventas para los cuatro trimestres del
ao 1993 se encuentran sobre la lnea de tendencia.
2.- Ahora debemos estacionalizar esta estimacin multiplicndola por el ndice
estacional correspondiente a cada trimestre, expresado como una fraccin de
100, as los nuevos valores son:
21,35 x 0,9432 =20.14
21,66 x 1,3065= 28.30
21.98 x 0,6207 = 13.64
22,30 x 1,1296 = 25.19
Sobre la base de este anlisis, la compaa estima que las ventas por
trimestre para 1993 sern de
$20.140.000, $28.300.000, $13.640.0000 y
$25.190.000 respectivamente. A continuacin en la figura 7 podemos apreciar la
serie original junto a su proyeccin para cada trimestre de 1993.
28
Figura 1.5.7: Serie original junto a la proyeccin de ventas para 1993.
30
25
20
15
10
5
0
I
1988
III
I
1989
III
I
1990
III
Ventas
I
1991
III
I
1992
III
I
1993
III
Estimacin
Para finalizar con esta primera parte, se dejar el siguiente ejercicio para su
anlisis.
Ejercicio: Los datos que a continuacin se muestran corresponden a registros
mensuales de automviles nuevos
ene
feb
mar
abr
may
jun
jul
ago
sep
oct
nov
dic
1985
1986
1987
1988
1989
1990
1991
781
790
927
936
912
923
949
926
1105
973
828
849
913
822
848
906
918
1012
934
894
1149
948
719
902
800
671
829
895
830
963
899
903
955
819
718
901
774
810
919
852
874
981
883
901
937
807
764
896
733
722
833
843
885
950
830
880
956
800
666
694
619
657
773
751
819
858
779
777
825
787
683
683
599
590
669
675
744
792
755
675
737
692
610
628
29

Series Parte 1

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Series Parte 1

Hochgeladen von

Copyright:

Verfügbare Formate

Apuntes preparados por el profesor Sr.

Rosamel Sez Espinoza con fines de Docencia

Objetivos del mdulo:

Edited by Foxit Reader

: Desempleo, precios, ventas, demanda, etc.

Algunas series pueden ser observadas continuamente en el tiempo (por

Edited by Foxit Reader

componentes de una serie de tiempo es facilitar el proceso para determinar los

Donde en cada caso:

Representar grficamente la serie qu puede comentar?

Edited by Foxit Reader

Unidades Habitacionales Nuevas

Descomponiendo la serie en sus trminos componentes usando el modelo

%Irregulares Total movil 3

En el ejemplo 1.1.1 observamos que si en el IV trimestre de 1984,

Ejemplo 1.1.2: Los datos que se muestran a continuacin corresponden al registro

Figura 1.1.1: Registro anual de automviles nuevos entre 1960 y 1961

Edited by Foxit Reader

Observe el grfico qu puede comentar?

Edited by Foxit Reader

1.2) ANLISIS DE TENDENCIA

Disponiendo de observaciones muestrales, el procedimiento consiste en ajustar

El estudio de la tendencia nos permite describir un patrn histrico.

1.2.1 Ajuste de tendencia lineal

Edited by Foxit Reader

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95%

Observe que el coeficiente de determinacin es slo de un 27,3%, es decir, slo el

Del modelo, se espera que el registro anual de automviles nuevos se incremente

Edited by Foxit Reader

= 10.4139 millones de autos

As, para el ao 1992 se esperan 10,413,900 automviles nuevos en los Estados

1.2.2 Ajuste de tendencia polinmica

posee la atractiva propiedad de aproximar a cualquier funcin no lineal continua ,

polinomio reproduzca los T valores observados de Yt.

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% Superior 95%

Edited by Foxit Reader

El modelo de tendencia cuadrtica es

Suponiendo que la tendencia de la serie de tiempo es dada por la expresin

Si tomamos logaritmo natural en la expresin (1.2.4) se tiene,

Edited by Foxit Reader

En algunas ocasiones se usa la relacin

denominado modelo autorregresivo y sirve para representar tendencias.

Ejemplo 1.2.4.1: Los ndices de consumo de energa elctrica, registrados en una

1979 1980 1981 1982 1983 1984 1985 1986 1987

Graficando la serie, tenemos

Edited by Foxit Reader

Del grfico vemos que existe la posibilidad de ajustar un modelo autorregresivo.

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% Superior 95%

De la salida, el modelo autorregresivo es ,

con un R2= 0,974

el cual es mas satisfactorio como modelo para predecir la tendencia.

Edited by Foxit Reader

1.2.5. Curva de Gompertz. Tendencia

Para describir fenmenos de crecimiento con un punto de inflexin se puede

en donde r, b y T* son parmetros positivos. La representacin grfica de esta

La ordenada del punto de inflexin, F, es

El procedimiento utilizado para identificar la componente cclica es el mtodo de

Edited by Foxit Reader

la cual es una medida de la variacin cclica como un porcentaje de la

Edited by Foxit Reader

La interpretacin de los valores obtenidos para el ndice cclico y para el

La variacin temporal o estacional, se define como un movimiento repetitivo

Edited by Foxit Reader

ser medidos en unidades ms pequeas, como das, semanas, meses o