Leccin

Estadstica
Introduccin al Anlisis Clsico de Series
de Tiempo
Citar como: Arellano, M. (2001): "Introduccin al Anlisis Clsico de Series de Tiempo", [en lnea] 5campus.com,
Estadstica <http://www.5campus.com/leccion/seriest> [y aadir fecha consulta]


1. Conceptos Basicos De Series De Tiempo
1.1 Introduccin
1.2 Definicin De Serie De Tiempo
1.3 Primer Paso Al Analizar Cualquier Serie De Tiempo
2. Modelos Clasicos De Series De Tiempo
2.1 Modelos De Descomposicin
2.2 Estimacin De La Tendencia
2.3 Estimacin De La Estacionalidad
3. Predicciones
3.1 Ejemplo Ilustrativo

1. CONCEPTOS BASICOS DE SERIES DE TI EMPO
1.1 I NTRODUCCI N

Toda institucin, ya sea la familia, la empresa o el gobierno, tiene que hacer planes para
el futuro si ha de sobrevivir y progresar. Hoy en da diversas instituciones requieren
conocer el comportamiento futuro de ciertos fenmenos con el fin de planificar, prever
o prevenir.

La planificacin racional exige prever los sucesos del futuro que probablemente vayan a
ocurrir. La previsin, a su vez, se suele basar en lo que ha ocurrido en el pasado. Se
tiene pues un nuevo tipo de inferencia estadstica que se hace acerca del futuro de
alguna variable o compuesto de variables basndose en sucesos pasados. La tcnica ms
importante para hacer inferencias sobre el futuro con base en lo ocurrido en el pasado,
es el anlisis de series de tiempo.

Son innumerables las aplicaciones que se pueden citar, en distintas reas del
conocimiento, tales como, en economa, fsica, geofsica, qumica, electricidad, en
demografa, en marketing, en telecomunicaciones, en transporte, etc.

Series De Tiempo Ejemplos


1. Series econmicas:
- Precios de un artculo
- Tasas de desempleo
- Tasa de inflacin
- ndice de precios, etc.


2. Series Fsicas:
- Meteorologa
- Cantidad de agua cada
- Temperatura mxima diaria
- Velocidad del viento (energa elica)
- Energa solar, etc.
3. Geofsica:

- Series sismologas


4. Series demogrficas:

- Tasas de crecimiento de la poblacin
- Tasa de natalidad, mortalidad
- Resultados de censos poblacionales
5. Series de marketing:

- Series de demanda, gastos, ofertas

6. Series de telecomunicacin:

- Anlisis de seales

7. Series de transporte:

- Series de trfico


Uno de los problemas que intenta resolver las series de tiempo es el de prediccin. Esto
es dado una serie {x(t1),...,x(tn)} nuestros objetivos de inters son describir el
comportamiento de la serie, investigar el mecanismo generador de la serie temporal,
buscar posibles patrones temporales que permitan sobrepasar la incertidumbre del
futuro.

En adelante se estudiar como construir un modelo para explicar la estructura y prever
la evolucin de una variable que observamos a lo largo del tiempo. La variables de
inters 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 almacn, gastos en publicidad de un sector), fsica
(velocidad del viento en una central elica, temperatura en un proceso, caudal de un ro,
concentracin en la atmsfera de un agente contaminante), o social (nmero de
nacimientos, matrimonios, defunciones, o votos a un partido poltico).


1.2 DEFI NI CI N DE SERI E DE TI EMPO

En muchas reas del conocimiento las observaciones de inters son obtenidas en
instantes sucesivos del tiempo, por ejemplo, a cada hora, durante 24 horas, mensuales,
trimestrales, semestrales o bien registradas por algn equipo en forma continua.

Llamamos Serie de Tiempo a un conjunto de mediciones de cierto fenmeno o
experimento registradas secuencialmente en el tiempo. Estas observaciones sern
denotadas por {x(t
1
), x(t
2
), ..., x(t
n
)} = {x(t) : t e T _ R} con x(t
i
) el valor de la variable
x en el instante t
i
. Si T = Z se dece que la serie de tiempo es discreta y si T = R se dice
que la serie de tiempo es continua. Cuando t
i+1
- t
i
= k para todo i = 1,...,n-1, se dice que
la serie es equiespaciada, en caso contrario ser no equiespaciada.

En adelante se trabajar con series de tiempo discreta, equiespaciadas en cuyo caso
asumiremos y sin perdida de generalidad que: {x(t1), x(t2), ..., x(tn)}= {x(1), x(2), ...,
x(n)}.


1.3 PRI MER PASO AL ANALI ZAR CUALQUIER SERI E DE TI EMPO

El primer paso en el anlisis de series de tiempo, consiste en graficar la serie. Esto nos
permite detectar las componentes esenciales de la serie.

El grfico de la serie permitir:

a) Detectar Outlier: se refiere a puntos de la serie que se escapan de lo normal. Un
outliers es una observacin de la serie que corresponde a un comportamiento anormal
del fenmeno (sin incidencias futuras) o a un error de medicin.

Se debe determinar desde fuera si un punto dado es outlier o no. Si se concluye que lo
es, se debe omitir o reemplazar por otro valor antes de analizar la serie.

Por ejemplo, en un estudio de la produccin diaria en una fabrica se present la
siguiente situacin ver figura 1.1:
Figura 1.1
Los dos puntos enmarcados en un crculo parecen corresponder a un comportamiento
anormal de la serie. Al investigar estos dos puntos se vio que correspondan a dos das
de paro, lo que naturalmente afect la produccin en esos das. El problema fue
solucionado eliminando las observaciones e interpolando.

b) Permite detectar tendencia: la tendencia representa el comportamiento predominante
de la serie. Esta puede ser definida vagamente como el cambio de la media a lo largo de
un periodo (ver figura 1.2).

Figura 1.2

c) Variacin estacional: la variacin estacional representa un movimiento peridico de
la serie de tiempo. La duracin de la unidad del periodo es generalmente menor que un
ao. Puede ser un trimestre, un mes o un da, etc (ver figura 1.3).

Matemticamente, podemos decir que la serie representa variacin estacional si existe
un nmero s tal que x(t) = x(t + ks).

Las principales fuerzas que causan una variacin estacional son las condiciones del
tiempo, como por ejemplo:
1) en invierno las ventas de helado
2) en verano la venta de lana
3) exportacin de fruta en marzo.

Todos estos fenmenos presentan un comportamiento estacional (anual, semanal, etc.)
Figura 1.3

d) Variaciones irregulares (componente aleatoria): los movimientos irregulares (al
azar) representan todos los tipos de movimientos de una serie de tiempo que no sea
tendencia, variaciones estacionales y fluctuaciones cclicas.

2. MODELOS CLASI COS DE SERIES DE TI EMPO
2.1 MODELOS DE DESCOMPOSI CI N

Un modelo clsico para una serie de tiempo, supone que una serie x(1), ..., x(n) puede
ser expresada como suma o producto de tres componentes: tendencia, estacionalidad y
un trmino de error aleatorio.

Existen tres modelos de series de tiempos, que generalmente se aceptan como buenas
aproximaciones a las verdaderas relaciones, entre los componentes de los datos
observados. Estos son:

1. Aditivo: X(t) = T(t) + E(t) + A(t)

2. Multiplicativo: X(t) = T(t) E(t) A(t)

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

Donde:
X(t) serie observada en instante t

T(t) componente de tendencia
E(t) componente estacional
A(t) componente aleatoria (accidental)


Una suposicin usual es que A(t) sea una componente aleatoria o ruido blanco con
media cero y varianza constante.

Un modelo aditivo (1), es adecuado, por ejemplo, cuando E(t) no depende de otras
componentes, como T(t), s por el contrario la estacionalidad vara con la tendencia, el
modelo ms adecuado es un modelo multiplicativo (2). Es claro que el modelo 2 puede
ser transformado en aditivo, tomando logaritmos. El problema que se presenta, es
modelar adecuadamente las componentes de la serie.

La figura 2.1 ilustra posibles patrones que podran seguir series representadas por los
modelos (1), (2) y (3).


Figura 2.1


2.2 ESTI MACI N DE LA TENDENCI A

Supondremos aqu que la componente estacional E(t) no est presente y que el modelo
aditivo es adecuado, esto es:

X(t) = T(t) + A(t), donde A(t) es ruido blanco.

Hay varios mtodos para estimar T(t). Los ms utilizados consisten en:

1) 1) Ajustar una funcin del tiempo, como un polinomio, una exponencial u otra
funcin suave de t.
2) 2) Suavizar (o filtrar) los valores de la serie.
3) 3) Utilizar diferencias.


2.2.1 AJ USTE DE UNA FUNCI N

Los siguientes grficos ilustran algunas de las formas de estas curvas.


1.T(t) = a + bt (Lineal)



2.T(t) = a e
bt
(Exponencial)


3. T(t) = a + b e
bt
(Exponencial modificada)



4.T(t) = |
0
+ |
1t
,...,+ |
mt
m
(Polinomial)


5.T(t) = exp(a + b(rt))
(Gompertz 0 < r < 1)


6. T(t) =
(Logstica)


Nota:
i. i. la curva de tendencia debe cubrir un periodo relativamente largo para ser una
buena representacin de la tendencia a largo plazo.
ii. ii. La tendencia rectilnea y exponencial son aplicable a corto plazo, puesto que una
curva S a largo plazo puede parecer una recta en un perodo restringido de tiempo
(por ejemplo).


1 0 ,
) (
1
< <
+
r
r b a
t
Figura 2.2

En la figura 2.2 ambas curvas (recta y Gompertz) ajustan bien pero las proyecciones
divergen enormemente a largo plazo.

Ejemplo 1: En la tabla 2.1 se presentan los datos trimestrales de unidades habitacionales
iniciadas en los Estados Unidos desde el tercer trimestre de 1964 hasta el segundo
trimestre de 1972 [1]. (Es necesario advertir que para el anlisis de tendencia el periodo
que se considera debera ser ms largo. Sin embargo, ya que el propsito principal es el
de ilustrar el mtodo de descomposicin y las tcnicas para inferir partiendo de los
elementos as descompuestos, la insuficiencia de los datos no tiene por qu interesar.)

Tabla 2.1: Nuevas unidades habitacionales comenzadas en los Estados Unidos del
tercer trimestre de 1964 al segundo trimestre de 1972 (en miles de unidades).

Ao I I I I I I I V Total Anual
1964 398 352
1965 283 454 392 345 1,474
1966 274 392 290 210 1,166
1967 218 382 382 340 1,322
1968 298 452 423 372 1,545
1969 336 468 387 309 1,500
1970 264 399 408 396 1,467
1971 389 604 579 513 2,085
1972 510 661
Fuente: U.S. Department of Comerse, Survey of Current Bussiness.

Sea t cada uno de los 32 trimestres que van de 1964 a 1972, o sea que t = 1 para el tercer
trimestre de 1964, t = 2 para el cuarto trimestre, y as sucesivamente. As que el dominio
de definicin de t es el conjunto de los enteros de 1 a 32 inclusive. Sea T(t) las
iniciaciones de viviendas trimestralmente. Los valores de t y T(t) se dan en la tabla 2.2.
Para calcular los valores de a y de b en la recta de tendencia

T(t) = a + bt

Se obtienen las siguientes cifras a partir de los datos de la tabla 2.1.
Tabla 2.2: Clculo de la tendencia de las viviendas comenzadas en los Estados Unidos
del tercer trimestre de 1964 al segundo trimestre de 1972

Ao trimestre t T(t) Tendencia
1964: 3 1 398 291,73
4 2 352 298,07
1965: 1 3 283 304,41
2 4 454 310,75
3 5 392 317,09
4 6 345 323,43
1966: 1 7 274 329,77
2 8 392 336,11
3 9 290 342,45
4 10 210 348,79
1967: 1 11 218 355,13
2 12 382 361,47
3 13 382 367,81
4 14 340 374,15
1968: 1 15 298 380,49
2 16 452 386,83
3 17 423 393,17
4 18 372 399,51
1969: 1 19 336 405,85
2 20 468 412,19
3 21 387 418,53
4 22 309 424,87
1970: 1 23 264 431,21
2 24 399 437,55
3 25 408 443,89
4 26 396 450,23
1971: 1 27 389 456,57
2 28 604 462,91
3 29 579 469,25
4 30 513 475,59
1972: 1 31 510 481,93
2 32 661 488,27

Entonces, la recta de tendencia es

T(t) = 285,39 + 6,34 t

La figura 2.3 muestra grficamente la recta de tendencia ajustada a los datos trimestrales
de la tabla 2.2. La recta de trazos despus de 1972 representa proyecciones (ver seccin
3 Predicciones).

Figura 2.3


2.2.2 SUAVI ZAMI ENTO. FI LTROS LI NEALES

Una forma de visualizar la tendencia, es mediante suavizamiento de la serie. La idea
central es definir a partir de la serie observada un nueva serie que suaviza los efectos
ajenos a la tendencia (estacionalidad, efectos aleatorios), de manera que podamos
determinar la direccin de la tendencia (ver figura 2.4).


Figura 2.4

Lo que hacemos es usar una expresin lineal que transforma la serie X(t) en una serie
suavizada Z(t): Z(t) = F(X(t)), t = 1,...,n


X(t) Z(t)

de tal modo que F(X(t)) = T(t). La funcin F se denomina Filtro Lineal. El filtro lineal
ms usado es el promedio mvil.


2.2.2.1 PROMEDI OS MVI LES

El objetivo es eliminar de la serie las componentes estacionales y accidentales. Para una
serie mensual con estacionalidad anual (s = 12), la serie suavizada se obtiene,

(1)

Para una serie trimestral, con estacionalidad anual (s = 4), la serie suavizada est dada
por

(2)

A este procedimiento se les llama: filtro simtrico finito.

Nota: se suaviza cuando existen muchos cambios bruscos, movimientos irregulares.

Ejemplo 2: A partir de los datos del ejemplo1, se calcula un promedio mvil sumando
los valores para un cierto nmero de periodos sucesivos y dividiendo luego la suma as
obtenida por el nmero de perodos abarcados. En este caso se trata de una serie
trimestral y para ello se ocupa la frmula (2).
6 7 ,
12
) 6 ( ) 5 ( ) 5 ( ) 6 (
) (
2
1
2
1
s s
+ + + + + +
= n k
k Z k Z k Z k Z
k Z

2 3 ,
4
) 2 ( ) 1 ( ) ( ) 1 ( ) 2 (
) (
2
1
2
1
s s
+ + + + + +
= n k
k Z k Z k Z k Z k Z
k Z
F

Tabla 2.3: Clculo del Promedio Mvil centrado de cuatro trimestres de las iniciaciones
de viviendas en los EEUU, tercer trimestre 1964 a segundo trimestre de 1972 (en miles
de unidades)
Ao trimestre t T(t) Tendencia
1964: 3 1 398 291,73
4 2 352 298,07
1965: 1 3 283 304,41
2 4 454 310,75
3 5 392 317,09
4 6 345 323,43
1966: 1 7 274 329,77
2 8 392 336,11
3 9 290 342,45
4 10 210 348,79
1967: 1 11 218 355,13
2 12 382 361,47
3 13 382 367,81
4 14 340 374,15
1968: 1 15 298 380,49
2 16 452 386,83
3 17 423 393,17
4 18 372 399,51
1969: 1 19 336 405,85
2 20 468 412,19
3 21 387 418,53
4 22 309 424,87
1970: 1 23 264 431,21
2 24 399 437,55
3 25 408 443,89
4 26 396 450,23
1971: 1 27 389 456,57
2 28 604 462,91
3 29 579 469,25
4 30 513 475,59
1972: 1 31 510 481,93
2 32 661 488,27

Ao por
trimestre
Datos
Originales Y
Total Mvil en
cuatro trimestres
Promedio Mvil de
cuatro trimestres
Promedio Mvil Centrado
de cuatro trimestres
(1) (2) (3) (4) (5)
1964: 3 398
4 352
1965: 1 283 1.487 372 371
2 454 1.481 370 369
3 392 1.474 369 367
4 345 1.465 366 359
1966: 1 274 1.403 351 338
2 392 1.301 325 308
3 290 1.166 292 285
4 210 1.110 278 276
1967: 1 218 1.100 275 287
2 382 1.192 298 314
3 382 1.322 331 341
4 340 1.402 351 359
1968: 1 298 1.472 368 373
2 452 1.513 378 382
3 423 1.545 386 391
4 372 1.583 396 398
1969: 1 336 1.599 400 395
2 468 1.563 391 383
3 387 1.500 375 366
4 309 1.428 357 348
1970: 1 264 1.359 340 342
2 399 1.380 345 356
3 408 1.467 367 382
4 396 1.592 398 424
1971: 1 389 1.797 449 471
2 604 1.968 492 507
3 579 2.085 521 536
4 513 2.206 552 559
1972: 1 510 2.263 566
2 661

En la tabla 2.3, por ejemplo, el promedio mvil de cuatro trimestres para el primer
trimestre de 1965 se obtiene sumando los valores del tercer y cuarto trimestres de 1964
y el primero y segundo trimestres de 1965 y dividiendo luego la suma por 4. El
promedio para el segundo trimestre de 1965 se obtiene sumando los valores del cuarto
trimestre de 1964 con los del primero, segundo y tercer trimestres de 1965 y luego
dividiendo la suma por 4. As pues, para cada promedio sucesivo, se resta el trimestre
que viene primero y se suma el ltimo siguiente.

La columna 4 de la tabla 2.3 muestra los promedios mviles de cuatro trimestres
obtenidos, partiendo de los datos iniciaciones de viviendas para el 1964 a 1972. El
promedio mvil no elimina las fluctuaciones muy acentuadas de la serie, pero reduce
sustancialmente la amplitud de las variaciones de los datos originales.

Si en el clculo de un promedio mvil entra un nmero impar de perodos, el proceso
ser ms sencillo puesto que el nmero de perodos antes y despus del perodo para el
cual se calcula el promedio son iguales. Si el nmero de periodos es par, como en este
ejemplo, no se puede utilizar el mismo nmero de perodos antes y despus de un
periodo especificado. Por tanto, el promedio mvil ha de quedar a mitad de camino
entre los valores de dos perodos consecutivos y no se relaciona con ningn perodo.
Este problema se puede resolver calculando un promedio mvil centrado en la serie, lo
cual se logra obteniendo primero un promedio mvil centrado de dos trimestres de los
promedios mviles ya obtenidos. 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 y tercero,
etc. De esta manera, habr un nmero igual de perodos despus y antes del periodo
especificado para el cual se est calculando el promedio mvil centrado. Los promedios
mviles centrados se ven en la columna 5 de la tabla 2.3.



Segn la frmula 2, el clculo sera el siguiente:



Este valor corresponde al Promedio Mvil Centrado que se muestra en la columna 5.

La figura 2.5 muestra grficamente el ajuste por a travs del promedio mvil, segn
tabla 2.3, donde el segmento negro representa la serie original y el segmento azul la
serie suavizada.


Figura 2.5




2.3 ESTI MACI N DE LA ESTACI ONALI DAD

La estimacin de la estacionalidad no slo se realiza con el fin de incorporarla al
modelo para obtener predicciones, sino tambin con el fin de eliminarla de la serie para
visualizar otras componentes como tendencia y componente irregular que se pueden
confundir en las fluctuaciones estacionales.

De acuerdo con los modelos de descomposicin (seccin 2.1), se asume el siguiente
modelo para T(t),
) 2 ( * 4
392 ) 454 283 352 ( * 2 398
) 3 (
2
) 3 (
4
392 454 283 352
4
454 283 352 398
+ + + +
=
+
=
+ + + + + +
Z
Z
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

a) Aditivo

b) Mixto

Una vez removida la tendencia se obtiene los siguientes grficos, donde en la figura 2.6
(a) aparece el modelo aditivo y en la (b) el modelo mixto.



(a)

(b)
Figura 2.6


Pues si no hay tendencia, se espera


Como para serie mensual, entonces basta estimar E(1),
E(2), E(3), ... , E(12). Para una serie trimestral, bastara conocer: E(1), E(2), E(3) y E(4).

Suponga que se ha estimado la tendencia por alguno de los mtodos vistos en la seccin
previa. Sea la estimacin de la tendencia ya sea mediante una curva o filtros
lineales. Entonces,

Si el modelo es aditivo representa la serie con los
efectos de tendencia removidos.

Anlogamente, si el modelo es mixto 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 series de residuos y debern contener predominantemente fluctuaciones
estacionales. Para estimar la estacionalidad se requiere haber decidido el modelo a
utilizar (mixto o aditivo), lamentablemente esto no es siempre claro, ya sea porque no
contamos con informacin a priori para suponerlo o porque el grfico no ha dejado
evidencia suficientemente clara como para decidirnos por alguno de ellos. En tal
) ( ) ( ) ( ) ( t A t E t T t X + =

accidental Estacional
t T
t A
t E
t T
t X
+
+ =
.
) (
) (
) (
) (
) (
1 ) ( ,
0 ) ( ,
=
=
t T t
t E t
= + = + = ) 24 ( ) 12 ( ) ( t E t E t E
) (

t T
n t t T t X t R ,..., 1 ), (

) ( ) ( = =
) (

) (
) (
t T
t X
t W =
situacin se propone calcular ambas series residuales y elegir aquella cuyos valores
correspondientes a una estacin dada oscilen menos en torno a su promedio.

Para fijar ideas, supongamos una serie con datos trimestrales y que la informacin de las
series residuales pueden ser resumidas como en las tablas 2.4 y 2.5.

Tabla 2.4. Residuos modelo Mixto
Perodo 1 2 K Promedio STD C.V.
Estacin Fila Fila Fila
1 W(1) W(5) W(4k-3)

S
1

2 W(2) W(6) W(4k-2)

S
2


3 W(3) W(7) W(4k-1)

S
3


4 W(4) W(8) W(4k)

S
4



Tabla 2.5. Residuos modelo Aditivo
Perodo 1 2 K Promedio STD C.V.
Estacin Fila Fila Fila
1 R(1) R(5) R(4k-3)

S
1

2 R(2) R(6) R(4k-2)

S
2


3 R(3) R(7) R(4k-1)

S
3


4 R(4) R(8) R(4k)

S
4



Una forma de seleccionar el modelo, es por inspeccin de los coeficientes de variacin
(C.V.). Suponemos, que en aquellas filas donde la variacin sea menor en torno a la
media tendr menor coeficiente de variacin en trminos absolutos. Luego, comparando
dichos coeficientes parece razonable seleccionar el modelo cuyos coeficientes sean
menores en trminos absolutos. Esto puede complementarse con grficos para cada fila
en ambos modelos.

Finalmente, una vez que se ha elegido el modelo a utilizar, se procede a estimar la
estacionalidad.

Si el modelo es Mixto, entonces,






donde:


) 1 ( W
) 1 (
1
W
S
) 2 ( W
) 2 (
2
W
S
) 3 ( W
) 3 (
2
W
S
) 4 ( W
) 4 (
4
W
S
) 1 ( R
) 1 (
1
R
S
) 2 ( R
) 2 (
2
R
S
) 3 ( R
) 3 (
2
R
S
) 4 ( R
) 4 (
4
R
S
) 1 ( ) 1 ( ) 1 (

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

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

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

= W W E

=
=
4
1
4
) (
h
h W
W
y si el modelo es Aditivo, entonces,






donde

Probablemente, la primera idea para estimar la estacionalidad consistira de los
promedios por estacin en las series residuales. La correccin que aparece arriba para
cada caso, apunta a garantizar que,




como es de esperarse en el modelo terico.








Ejemplo 3. Continuando con el ejemplo 2, tenemos lo siguiente:

Se supuso que el Modelo es Mixto y se obtuvo la serie suavizada
Z(t):
Trimestre 1965 1966 1967 1968 1969 1970 1971
1 371 338 286,5 373,125 395,25 342,375 470,625
2 369 308,375 314,25 382,25 382,875 355,875 506,625
3 367 284,5 340,5 391 366 382,375 536,375
4 359 276,25 359,25 397,75 348,375 423,625 558,625


Sea la estimacin de la tendencia ( )

Trimestre 1965 1966 1967 1968 1969 1970 1971
1 368,83 337,50 325,19 331,90 357,63 402,39 466,16
2 359,21 332,64 325,09 336,55 367,04 416,55 485,08
R R E = ) 1 ( ) 1 (

R R E = ) 2 ( ) 2 (

R R E = ) 3 ( ) 3 (

R R E = ) 4 ( ) 4 (

=
=
4
1
4
) (
h
h R
R
Aditivo Modelo n E
S
n

=
=
1
, 0 ) (

Mixto Modelo n E
S
n

=
=
1
, 1 ) (

) (

) (
) (
t T
t X
t W =
) (

t T
2
* 594386 , 0 * 3984 , 11 63 , 379 ) (

t t t T + =
3 350,78 328,97 326,48 342,39 377,63 431,90 505,18
4 343,55 326,48 328,44 349,42 389,42 448,44 526,47


Entonces, , donde X(t) es la serie observada.
Trimestre 1965 1966 1967 1968 1969 1970 1971

1 0,77 0,81 0,67 0,9 0,94 0,66 0,83 0,80
2 1,26 1,18 1,18 1,34 1,28 0,96 1,25 1,21
3 1,12 0,88 1,17 1,24 1,02 0,94 1,15 1,07
4 1 0,64 1,04 1,06 0,79 0,88 0,97 0,91

=
0,9975


= promedio de W(t) para el trimestre h, h = 1, 2, 3, 4.

y




Como se observa en la siguiente figura, en el modelo mixto estos valores varan entorno
al uno.



Si el modelo es Mixto, entonces,

= 0,8 (0,9975 - 1) = 0,8025
= 1,21 (0,9975 1) = 1,2125
) (

) (
) (
t T
t X
t W =
) (h W
W
) (h W
) (

) (
accidental parte la removido ha Se
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
0
0,5
1
1,5
2
0 5 10 15 20 25 30
t
W(t)
) 1 ( ) 1 ( ) 1 (

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

= W W E
= 1,07 (0,9975 1) = 1,0725
= 0,91 (0,9975 1) = 0,9125

La idea es que

En definitiva, la estimacin de la estacionalidad es,






) 1 ( ) 3 ( ) 3 (

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

= W W E

=
=
4
1
1
4
) (

h
h E
9125 , 0 ) 4 (

0725 , 1 ) 3 (

2125 , 1 ) 2 (

8025 , 0 ) 1 (

=
=
=
=
E
E
E
E
3. PREDI CCI ONES

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

La idea es estimar X(t) en un instante n + k posterior al ltimo dato observado en t =n, k
= 1,2,3,4,... (trimestre, mes, etc.).

Una vez estimada la tendencia y la estacionalidad las frmulas de prediccin quedarn
determinadas por:

Modelo Mixto
Modelo Aditivo


3.1 EJ EMPLO I LUSTRATI VO

Con el objeto de ilustrar los mtodos revisados en este captulo considere los siguientes
datos:

Tabla 3.1. Serie Original
SEM/AO 1 2 3 4 5 6
1 1,73757 2,42106 4,47481 4,78939 5,19210 5,10775
2 2,01815 2,80325 4,85566 5,14076 5,06387 5,24787

Con el fin de eliminar los efectos irregulares y estacionalidad se obtiene la serie
suavizada Z(t) con un promedio mvil centrado de orden 2, como se muestra en la tabla
3.2.

Tabla 3.2. Serie Suavizada (Z(t))
SEM/AO 1 2 3 4 5 6
1 - 2,41589 4,15214 4,89381 5,14721 5,12181
2 2,04874 3,1256 4,74389 5,06576 5,1069 -

Una vez suavizada la serie, se obtienen las series residuales con el objeto de eliminar la
estacionalidad dentro del modelo y saber por medio de un anlisis tabular de los
residuos si el modelo es aditivo o mixto.








PRI MER CASO: Modelo Mixto. X(t) = T(t) E(t) + A(t)

Con el objeto de eliminar la estacionalidad de la serie, se genera la serie de residuos:
) mod ) ((

) (

) (

) , (

s k n E k n T k n X k n X + + = + =
) mod ) ((

) (

) (

) , (

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


La siguiente tabla contiene los residuos.

Tabla 3.3. Serie de Residuos (W(t))
Sem/Ao 1 2 3 4 5 6

S
W
CV
1 - 1,00214 1,07771 0,97866 1,00872 0,9953 1,01251 0,03813 0,02766
2 0,98507 0,89687 1,02356 1,0148 0,99157 - 0,98237 0,05037 0,05127

La estimacin de la estacionalidad para este caso queda dada por:



= 1,01251 (0,99744- 1) = 1,01251 + 0,00256 = 1,01507
= 0,98237 + 0,00256 = 0,98493



SEGUNDO CASO: Modelo Aditivo. X(t) = T(t) + E(t) + A(t)

Como en el caso anterior y con el objeto de eliminar la estacionalidad se construye la
serie de residuos.

R(t) = X(t) - Z(t)

Los resultados se muestran en Tabla 3.4.

Tabla 3.4. Serie de Residuos (R(t))
Sem/Ao 1 2 3 4 5 6

S
R
CV
1
- 0,00517 0,32267 -0,10442 0,04489 -0,02406 0,04885 0,16256 3,3278
2
-0,03059 0,32235 0,11177 0,075 -0,04303 - -0,04184 0,17034 -4,0712

La estimacin de la estacionalidad para este caso queda dada por:

= 0,04885 - 0,0351 = 0,04534
= 0,004184 - 0,00351 = 0,04534

El clculo de las series residuales se realiz con el objeto de identificar a travs de los
coeficientes de variacin para cada fila de los modelos; aquel modelo que sus filas
presenten una menor variabilidad relativa a su media, ser escogido como el que
interpreta a la serie a analizar. En este caso el modelo adoptado, es el modelo mixto.

A travs de este modelo se obtendrn las proyecciones deseadas para los prximos dos
semestres. Para tal efecto resta entonces obtener una estimacin de la tendencia. Con tal
fin, se ajustar una curva a la serie suavizada.
) (
) (
) (
t Z
t X
t W =
) (h W
99744 , 0 = W
) 1 ( ) ( ) (

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

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

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

R R E = ) 2 ( ) 2 (

Z(t) = a + bt

Al ajustar la recta por mnimos cuadrados se obtiene:


Yt = 0,442966 + 0,938027*t - 4,56E-02*t**2

Una vez obtenidas estas estimaciones se utiliza la ecuacin


para proyectar.


Proyecciones







3611 , 0

y 836 , 1 = = b a
) mod ) ((

) (

) (

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

Se llama Serie de Tiempo, a un conjunto de mediciones de cierto fenmeno o
experimento registradas secuencialmente en el tiempo, por ejemplo a cada hora,
mensualmente, trimestralmente, semestralmente, etc.. En este apunte se trabaj con
series de tiempo discreto, equiespaciadas en cuyo caso se asume que: : {x(t
1
), x(t
2
), ...,
x(t
n
)}= {x(1), x(2), ..., x(n)}. Debido al carcter introductorio se restringi al caso de
series de tiempo univariadas.

Al analizar una serie de tiempo, lo primero que se debe hacer es graficar la serie. Esto
nos permite detectar las componentes esenciales de la serie. El grfico de la serie
permitir: detectar Outlier, detectar tendencias, variacin estacional, variaciones
irregulares (o componente aleatoria).

Un modelo clsico para una serie de tiempo, puede ser expresada como suma o
producto de tres componentes: tendencia, estacional y un trmino de error aleatorio.
Existen tres modelos de series de tiempos. Estos son:

1. Aditivo: X(t) = T(t) + E(t) + A(t)
2. Multiplicativo: X(t) = T(t) E(t) A(t)
3. Mixto: X(t) = T(t) E(t) + A(t)

Con el fin de obtener un modelo, es necesario estimar la tendencia y la estacionalidad.
Para estimar la tendencia, se supone que la componente estacional no est presente. La
estimacin se logra al ajustar a una funcin de tiempo a un polinomio o suavizamiento
de la serie a travs de los promedios mviles. Para estimar la estacionalidad se requiere
haber decidido el modelo a utilizar (mixto o aditivo). Una vez estimada la tendencia y la
estacionalidad se esta en condiciones de predecir.

Los mtodos revisados en este apunte son de naturaleza descriptiva, por lo que el juicio
y el conocimiento del fenmeno juegan un rol importante en la seleccin del modelo.

Los mtodos clsicos tienen la desventaja que se adaptan a travs del tiempo, lo que
implica que el proceso de estimacin debe volver a iniciarse frente al conocimiento de
un nuevo dato.




Bibliografa

[1] [1] Chao, Lincoln L. (1975) Estadstica para ciencias sociales y
administrativas. Bogota: McGraw-Hill.
[2] [2] Iglesias Z. Pilar. (1988). Elementos de series de tiempo.
[3] [3] Makridakis, S; Wheelright, S.C.; McGee, V.E. (1983). Forecasting:
Methods and Applications. Wiley, New York.
[4] [4] Pea, Daniel. (1989). Estadstica, Modelos y Mtodos 2. Modelos Lineales
y Series Temporales. Alianza Universidad, Madrid.

Enlaces

Einsteinnet (2001). Anlisis Clsico De Series Temporales. [en lnea].
Disponible en:
http://www.einsteinnet.com/econometria/seriestemp/acseriestemp.htm
Conectado el 25 de junio de 2001.
INEI.(2001). Desestacionalizacin de series de tiempo econmicas. [en lnea].
Disponible en: www.inei.gob.pe/cpi/bancopub/libfree/LIB408/LIB408.htm
Conectado el 26 de junio de 2001.