SERIES DE TIEMPO

DEFINICION: Una serie de tiempo o serie cronolgica es un conjunto de observaciones

hechas en momentos determinados, generalmente a intervalos iguales. El conjunto de
observaciones se simbolizan: y(t
1
), y(t
2
), .....y(t
n
)
donde: t
1
, t
2
, t
3
....., t
n
son sucesivos instantes o tiempos determinados (meses, das,
trimestres, etc.)
"Y" es la variable cuyo comportamiento a travs del tiempo se desea estudiar o sea que
la serie de tiempo es una serie estadstica (informacin cuantitativa) cuyos valores han
sido observados en el tiempo.
Matemticamente la serie puede simbolizarse como una funcin y = f(t
i
); donde t
i
es la
variable independiente: tiempo.
Las variables que intervienen pueden ser : aos, meses, das, horas, quinquenios, etc (t).
Trabajando generalmente con intervalos iguales e " y": totales, promedios ndices, etc.

APLICACIN: La teora y anlisis de las series de tiempo pueden ser aplicados a mltiples
campos, pudiendo afirmarse que todo hecho representable cuantitativamente y que
sucede a lo largo de un perodo de tiempo puede estudiarse como una serie de tiempo:
podemos mencionar como ejemplo:
Temperatura ambiente- temperatura de los enfermos- electrocardiogramas-Movimiento
demogrfico- Accidentes de trabajo- cantidad de pasajeros transportados- Series
Meteorolgicas- Monto de Ventas - Precios minoristas - Mayoristas- Montos de
produccin agrcola, ganadero o industrial - volumen de exportaciones e importaciones -
Crecimiento - Poblacin, etc.

REPRESENTACION GRAFICA: La representacin grfica en s, de una serie de tiempo no
ofrece mayores problemas, en el eje de las abcisas se indica el tiempo y en el de las
ordenadas se miden los valores de las variables en estudio. La dificultad principal radica
en la eleccin delas escalas adecuadas del tiempo y particularmente de la variable. En
efecto, una modificacin en la escala vertical produce una deformacin de la grfica
respectiva. Lo que en un grfico puede representarse como una variacin importante,
puede verse reducida en otro a una variacin insignificante debido a un cambio de
escala. Debe existir una relacin lgica entre el campo de variacin de la variable y la
unidad de la escala.

En muchos casos, cuando el rango de la variable es muy amplio o cuando se desea
comparar, grficamente dos o ms series de distinta magnitud, conviene utilizar escalas
logartmicas para el eje de las ordenadas.





Debe tenerse en cuenta que una correcta representacin grfica es un paso previo de un
anlisis ms profundo.

IMPORTANCIA DE SU ESTUDIO: Las series de tiempo hacen referencia, la mayor parte de
las veces, a fenmenos econmicos, dando esto una primera idea de la importancia de
su estudio.
Una de las principales tareas que afronta un empresario, funcionario o un investigador
es el planeamiento futuro. Esta tarea es sumamente difcil pues se trabaja en un
terreno donde se corren muchos riesgos. Sin embargo, si se desea progresar social,
econmica, comercial y an cientficamente es necesario que alguien tome la
responsabilidad de adelantarse al futuro y hacer predicciones con respecto a la actividad
futura.
Si pensamos en estas predicciones futuras vemos que las mismas deben basarse en el
pasado, o sea que conviene siempre analizar la experiencia del pasado y lo que ocurre
en el presente, para hacer un esfuerzo y predecir lo que puede suceder en un futuro
incierto.

Un empresario, socilogo, demgrafo, o economista, entonces debe evaluar el pasado,
analizar la informacin estadstica del mismo para lograr un conocimiento del fenmeno
que luego le permita proyectarse hacia el futuro. Ahora bien, toda esa informacin
estadstica se va recogiendo en sucesivos instantes de tiempo o sea que su estudio no es
ms que el estudio de una serie de tiempo.

En este caso slo veremos los fundamentos del anlisis clsico desde el punto de vista
descriptivo; en los ltimos aos se han hecho progresos importantes en la aplicacin de
teoras ms avanzadas a los problemas de diagnstico y previsin.

En resumen el propsito del anlisis de una serie de tiempo es efectuar en base a datos
empricos o histricos, una prediccin, cuando ms no sea aproximada acerca del
desarrollo futuro del problema considerado. Esta operacin llamada " prediccin
estadstica" se ha convertido en los ltimos tiempos en la base de la planificacin.

Las series adquieren an ms importancia, si pensamos en la coyuntura de un sistema
econmico, pues para su estudio es necesario analizar un conjunto de series y estudiar
la relacin existente entre las mismas.

Anlisis clsico - Movimientos caractersticos.
En una serie de tiempo cada uno de los valores que toma la variable " y" considerada es
el resultado de la interaccin de un conjunto de " factores" o " fuerzas" cambiantes y
naturales (sociales, econmicas, climatolgicas, etc. ) que actan sobre el fenmeno en
estudio. Surgen luego dos preguntas: Cules son los factores que determinan los
movimientos de las series? y en que forma actan?. La investigacin de estas fuerzas
suelen facilitarse si se descomponen los movimientos de la serie de tiempo de la
siguiente forma:
a) Tendencia secular: T
b) Variacin estacional: E
c) Fluctuacin Cclicas: C
d) Movimientos irregulares o residual: I

Interpretaremos, previo al estudio de un mtodo de anlisis, estos cuatro elementos de
variacin:

a) Tendencia Secular : Indica la direccin predominante de la serie observada en un
largo perodo de tiempo. Es el comportamiento promedio, por decirlo as, de la serie de
tiempo.
Grficamente suele representarse por una lnea recta o curva suave, pudiendo darse
como ejemplos los siguientes casos.




b) Variacin Estacional: Es un movimiento peridico, con un perodo fijo, donde la
unidad del periodo es un ao o menos (trimestre, mes, da). Las principales fuerzas que
causan variaciones estacionales son los factores climticos. Numerosas variables son
influidas por las estaciones del ao, fiestas, disposiciones legales que entran a regir en
determinadas pocas del ao, etc. En economa las causas climticas determinan los
ciclos vegetativos los que a su vez influyen en la produccin, ocupacin. De manera que
estas variaciones se repiten ao a ao.
La variacin estacional se expresa usualmente con nmeros ndices haciendo que el
promedio de los mismos sea 100%.

Ao I Ao II Ao Ao IV


c) Fluctuaciones Cclicas: Estas fluctuaciones no se repiten peridicamente, como las
variaciones estacionales. Ni tampoco se comportan fortuitamente como lo hacen los
movimientos irregulares. Los ciclos de una serie especfica generalmente muestran un
patrn amplio que indica repeticin, pero siempre contienen algunas diferencias en
duracin e intensidad. Cuando a lo largo de la serie aparecen ciclos que abarcan un
perodo de tiempo mayor que el ao, se est en presencia de las llamadas fluctuaciones
cclicas.

Sealan las expansiones (ascensos) y las contracciones (descensos) de los movimientos
de una serie alrededor del valor nominal. en cada ciclo tenemos las cspides (valores
ms altos) y una sima (valor ms bajo). La duracin del ciclo se mide por el nmero de
unidades de periodo que transcurren de una cspide previa a la siguiente. Las fuerzas
que son responsables de las fluctuaciones cclicas son numerosas y complejas, pero son
fundamentalmente factores econmicos: por ejemplo: niveles de inversin, produccin,
consumo y gastos del sector pblico, que originan los intervalos de prosperidad,
retroceso, depresin y recuperacin de la economa.

Ao I Ao II Ao Ao IV


d) Movimientos Irregulares: Son los movimientos de las series que no definimos como
de tendencia, estacionales o cclicas, por eso tambin se los suele llamar residuales. Las
fuerzas que provocan estos movimientos lo hacen con carcter aleatorio o accidental.
Algunas de estas fuerzas son muy dbiles para ser notadas, en consecuencia, los
movimientos irregulares no pueden ser aislados en el anlisis y se combinan con las
fluctuaciones cclicas.

Sin embargo otras fuerzas, tambin ocasionales, provocan grandes movimientos
irregulares (huelgas, guerras, inundaciones, terremotos, etc.) entonces pueden ser
separados del movimiento cclicos e investigarse su efecto en particular.

Estos cuatros componentes o movimientos, por consiguiente, son las que en forma
conjunta dan lugar a que el fenmeno observado se presente con una mayor o menor
intensidad en cada instante de tiempo.
Ahora bien, lo que no puede saberse con certeza es cmo se combinan o de qu forma
unen sus fuerzas cada una de las componentes con las otras para dar como resultado un
determinado valor de la variable (Y
i
) en el instante observado (t
i
).

Mtodos de anlisis de una serie de tiempo
Para poder analizar una serie de tiempo, el paso inicial que se debe llevar a cabo es el
aislamiento de las componentes que la conforman.. Para descomponer una serie,
debemos suponer que existe cierta relacin entre sus cuatro componentes, es as que
tenemos una serie que se puede expresar a travs de un modelo aditivo; que se
expresa :Y=T+E+C+I; o de la forma Y=TECI que es el modelo multiplicativo ; donde: Y
valores observados reales T, E, C e I los movimientos tratados.

El modelo aditivo supone que los cuatro componentes son independientes unos de
otros. Esto significa que los componentes individuales son los resultados de cuatro
fuentes independientes de causas. As por ejemplo, por alto o por bajo que sea el valor
de la tendencia no afectar a la variacin estacional o a la fluctuacin cclica.

El modelo multiplicativo supone que las cuatro componentes se deben a diferentes
causas, pero tambin que se relacionan entre s.
Si bien, es posible que una u otra forma de la funcin podran aplicarse con mayor
fundamento en uno u otro campo, podemos utilizar para series econmicas y
demogrficas la hiptesis que las diversas componentes contribuyen en forma aditiva en
la composicin de los valores (Y
i
) de la serie.
Luego el tratamiento de una serie consistir en este curso, en poner de manifiesto
aislando o eliminando cada movimiento, comenzando con la T y E.
Debido a la dificultad que presenta el tratamiento de los ciclos anuales, es corriente que
primero se determina T y se la elimina de los valores observados Y - T = E + C +I, luego se
procede igual con E: Y - T - E = C + I tratando al resultado como movimiento cclico e
irregular conjuntamente.

Grficamente las distintas situaciones en una serie ideal seran:
Serie Original
y = T + E + C + I
Tendencia:
T = a + b.t


Serie Original eliminada la tendencia
y - T = E + C + I
Componente Estacional
E
F M A M J
J A S
O N
D


Determinacin de la Tendencia
La determinacin de la tendencia tiene gran importancia en el estudio del
comportamiento de la serie, y ms an en la previsin del movimiento futuro del
fenmeno ya que resulta lgico suponer que si no ocurren movimientos imprevisibles
intensos, la tendencia continuar actuando como una ley permanente del fenmeno,
permitiendo, mediante una extrapolacin, tener un valioso elemento de previsin del
desarrollo futuro del fenmeno. Mencionamos dos mtodos de determinacin de la
Tendencia.

A) Mtodo de los Promedios Mviles:
Consiste en sustituir los valores de la serie original por otra serie-ficticia del promedio o
medias mviles que tendr menos oscilaciones que la serie original.
Este mtodo trata de hallar la tendencia secular diluyendo la importancia individual de
cada observacin, promedindola mediante una media aritmtica con un grupo de
observaciones inmediatamente anteriores y posteriores. Cada valor de Y, por lo tanto,
vendr sustituido por un valor promedio cuyos trminos irn variando mecnicamente,
eliminndose para cada grupo la primera observacin del grupo anterior y agregando la
observacin siguiente.

La cantidad de valores que intervienen en el clculo de este promedio se llama orden del
promedio mvil.
La necesidad de seleccin de un orden para el clculo de los promedios mviles es que
segn como estn dados los datos en forma bimestral, trimestral, anual, se requiere de
una anualizacin del movimiento, es as que se distinguen dos casos:

A-1: el orden es impar, el procedimiento es el siguiente:
ORDEN = 3.
t : t t t t t t t t
y y y y y y y y y
y : y y y y y y
i 1 2 3 4 5 6 7 8
i 1 2 3 4 5 6 7 8
i 1 2 3 4 5 6
:


Siendo:
y
y y y
3
y
y y y
3
1
1 2 3
2
2 3 4
=
+ +
=
+ +

y as sucesivamente se calculan las medias mviles de orden 3.
Se observa que siempre quedarn sin determinar algunos valores de la media mvil al
principio y al final de la serie. Si el orden es m , el mtodo no puede ser aplicado para
los m/2 primeros datos ni a los ltimos m/2 datos cuando m es par. Si m es impar, el
mtodo no es aplicable a los (m - 1)/2 primeros datos ni a los ltimos (m - 1)/2 datos.

En este caso, cuando m = 3, no se obtienen estimaciones sobre (3 - 1)/2 datos al
principio y al final de la serie, sea, se pierden una estimacin al principio y otra al final:
no se asocia la media mvil al primero y al ltimo dato.

A-2: el Orden es Par: En este caso es necesario calcular otra nueva serie de medias
mviles de tamao dos, sobre la primeramente hallada, con el objeto de centrar los
datos en los momentos originales, ya que al calcularse la primera serie, dichos
momentos quedan desplazados. Es decir para m=4 tendremos:

t : t t t t t t
y y y y y y y y
y : y y y y
y : y y y
i 1 2 3 4 5 6
i 1 2 3 4 5 6 7
i 1 2 3 4
i 1 2 3
:




donde:
y
y y y y
y
y y
y
y y y y
y
y y
y
y y y y
y
y y
y
y y y y
1
1 2 3 4
1
1 2
2
2 3 4 5
2
2
3
3
3 4 5 6
3
3
4
3
4 5 6 7
4 2
4 2
4 2
4
=
+ + +
=
+
=
+ + +
=
+
=
+ + +
=
+
=
+ + +

Como m = 4, se pierden los dos primeros y los dos ltimos valores.
La representacin grfica de la serie de los promedios mviles resulta, en general,
suavizada respecto de la original. A menudo conviene calcular promedios mviles de
distintos rdenes m, para determinar el que produce mejor suavizacin.

El mtodo es interesante cuando se desea investigar la existencia de ciclos puesto que si
se toma m igual al perodo del ciclo, se obtiene el mximo suavizado. Esto como
veremos ms adelante, constituye tambin la base de uno de los mtodos para obtener
las variaciones estacionales, cuando los datos son mensuales y m = 12.

El mtodo de las medias mviles es de aplicacin muy simple, aunque tericamente
presenta inconvenientes que hacen preferir un mtodo analtico cuando se desea
obtener una determinacin ms precisa de la tendencia secular, principalmente cuando
se persiguen propsitos de prediccin estadstica. En efecto, este mtodo presenta dos
inconvenientes en primer lugar, quedan al principio y al final de la serie, valores sin
determinar; en segundo lugar no se obtiene una expresin analtica, y por lo tanto, no se
puede extrapolar.

B- El Mtodo de Mnimos cuadrados.
Existen muchos mtodos para ajustar tendencias a datos una serie de tiempo. En
general, cuando ajustamos una lnea a un conjunto de datos, deseamos que el ajuste sea
estrecho, esto significa que las desviaciones de las observaciones con relacin a la lnea
sern pequeas. El mejor procedimiento para determinar la Tendencia es proceder a un
ajuste analtico, o sea determinar la ecuacin de una lnea que pase por las
proximidades (en promedio) de los valores observados de la serie. Podemos aplicar el
mtodo visto en Regresin que fue el de "Mnimos Cuadrados".

y a bx
i i
= + esto para una regresin lineal
por lo tanto para una serie de tiempo ser:
T a bt
a
y
n
b
t
n
y bt b =
yt - nyt
t nt
i i
i i
2 2
= +
= =

Pero si el nmero de aos es impar al ao del medio le damos el valor cero de la
siguiente manera:
Aos: 1967 1968 1969 1970 1971 1972 1973
t
i
: -3 -2 -1 0 1 2 3
n=7
en consecuencia t 0 y t 0
i
= =

Si el nmero de aos es par procedemos de la siguiente manera:
ao 1968 1969 1970 1971
t
i
: -3 -2 -1 0 1 2 3
n=4
Vemos que siempre se puede lograr: t 0 y t 0
i
= =

Luego para la recta tendremos:
a y
b
yt
t
2
=
=

Los puntos por los cuales pasar la recta de tendencia, son los que surgen de aplicar a la
frmula los valores de la variable de clculo obtenindose as los valores que
representan una forma de variacin ms uniforme.

Anlisis de Variaciones Estacionales
Se aplicar el procedimiento visto de los promedios mviles cuyos distintos pasos se
seguirn a travs del siguiente ejemplo:
La tabla N1 muestra las ventas (en miles de pesos ) de una empresa durante el perodo
1977 - 1982.

Tabla 1 - Ventas en miles de pesos durante 1977 - 1982.-
Mes 1977 1978 1979 1980 1981 1982
Enero 14.5 17.0 17.5 19.5 18.5 21.0
Febrero 12.5 15.5 15.0 12.5 14.5 14.0
Marzo 15.5 16.0 12.5 17.5 13.5 14.5
Abril 15.0 17.5 15.5 15.5 16.5 16.0
Mayo 11.5 14.5 13.5 13.5 13.0 12.0
Junio 11.0 12.5 10.5 11.5 12.0 11.0
Julio 11.5 12.0 13.0 11.5 12.5 12.5
Agosto 10.0 9.5 11.0 10.5 12.0 10.0
Septiembre 11.0 10.5 11.0 10.0 12.0 11.5
Octubre 12.5 13.5 15.0 12.5 14.5 15.5
Noviembre 17.5 19.5 21.0 15.5 19.5 18.5
Diciembre 18.5 18.5 22.5 19.5 23.5 23.0

1) Representacin Grfica.-
5
7
9
11
13
15
17
19
21
23
25
76 77 78 79 80 81 82 83

2) Determinacin de la tendencia por series de promedios mviles.
Se trata de reemplazar los valores mensuales de esta serie por otra serie constituida por
los promedios mviles de orden 12 de nuestra serie, se escriben los valores observados
en forma sucesiva y se construye la correspondiente tabla de clculo (tabla 2) segn la
prctica expuesta anteriormente.

Tabla 2 - Clculo promedios mviles de orden 12.
(1) (2) (3) (4) (5) (6)
Aos Meses Ventas
1977 E 14.5
F 12.5
M 15.5
A 15
M 11.5
J 11
160.5 161.75
J 11.5 13.47
163 164.5
A 10 13.71
166 166.25
S 11 13.85
166.5 167.25
O 12.5 13.98
169 170.5
N 17.5 14.21
172 172.75
D 18.5 14.39
173.75 173.75
1978 E 17 14.48
174 174
F 15.5 14.5
174 173.75
M 16 14.48
173.5 174
A 17.5 14.5
174.5 175.5
M 14.5 14.62
176.5 176
J 12.5 14.67
177.5 177.75
J 12 14.81
178 177.75
A 9.5 14.81
177.5 175.75
S 10.5 14.64
174 173
O 13.5 14.42

En forma similar se completa la tabla hasta llegar al ao 1982.

Las columnas de esta Tabla 2 se obtienen del modo siguiente:

La (4) recoge la suma de 12 datos de la (3); por ejemplo, la primera cifra de
160,5 es la suma de los datos de enero a diciembre, ambos inclusive, de la columna (3).
La cifra siguiente de la columna (4); 163,0 es la suma de los datos de febrero de 1977 a
enero de 1978, ambos inclusive, y as sucesivamente de la misma columna, basta
aadirle la cifra siguiente de la columna (3) y restarle la primera de las 12 utilizadas
anteriormente.

As 163, 0 = 160, 5 + 17, 0 - 14,5
166, 0 = 163, 0 + 15, 5 - 12,5 ...etc.
En la columna (5) se escriben los promedios de cada dos valores sucesivos de la columna
(4). As

16175
1605 163 0
2
164 5
163 0 166 0
2
,
, ,
; ,
, ,
=
+
=
+
;etc...
Operacin sta que tiene por objeto centrar la suma de los sucesivos perodos de 12
meses.
Por ltimo la columna (6) da los promedios mviles, como resultados de dividir los datos
de la (5) por 12 por ejemplo: 161,75/12 = 13,47.
Los datos de la columna (5) constituyen la tendencia de la serie cronolgica determinada
por el mtodo de promedios mviles que tiene la ventaja sobre la serie dada de haber
eliminado la influencia de la componente estacional tal como puede observarse en la
Fig. 3 donde se ha representado la misma.

Tabla 3 - Serie de promedios mviles

Mes 1977 1978 1979 1980 1981 1982
Enero 14,48 14,08 15,23 14,04 15,25
Febrero 14,50 14,23 15,14 14,14 15,17
Marzo 14,48 14,31 15,03 14,29 15,06
Abril 14,50 14,39 14,94 14,46 15,27
Mayo 14,62 14,52 14,60 14,71 15,06
Junio 14,67 14,71 14,27 15,02 15,02
Julio 13,47 14,81 14,92 14,12 15,29
Agosto 13,71 14,81 14,89 14,17 15,39
Septiembre 13,85 14,64 15,00 14,08 15,42
Octubre 13,98 14,42 15,21 13,96 15,44
Noviembre 14,21 14,29 15,21 13,98 15,37
Diciembre 14,39 14,17 15,25 13,98 15,29

5
7
9
11
13
15
17
19
21
23
25
76 77 78 79 80 81 82 83


Variacin estacional: determinacin, eliminacin y estudio.
El anlisis de las variaciones estacionales tiene por objeto determinar oscilaciones de
perodo corto, inferior o igual al ao por lo general, que son de mximo inters para el
economista o empresario, para la mejor organizacin de sus actividades operativas. En
una segunda fase se trata de eliminar tales variaciones de los datos observados que
permitan apreciar de cierto modo la influencia de causas importantes de variacin en las
series cronolgicas.

La dificultad principal del anlisis de la componente estacional radica en el hecho de que
en la prctica tal variacin no es idntica en el transcurso de los aos, bien sea porque
se desplaza de un mes a otro, o porque vara de intensidad. Muchos y variados son los
mtodos preconizados por la estadstica para determinar la variacin estacional,
basados unos en la hiptesis aditiva y otros en la multiplicativa. Todos ellos tratan de
aislar la variacin estacional eliminando las otros componentes, por resta algebraica o
por cociente, segn sea la hiptesis inicial de combinacin.

Deben, pues, ser eliminada la tendencia secular y las variaciones accidentales. Cuando el
perodo de estudio es corto, la variacin cclica puede suponerse incluida en la
tendencia, por lo cual, al eliminarse sta, queda tambin eliminada aquella.
De todos los mtodos usuales se expondr slo uno, basado en la hiptesis aditiva,
denominado "Mtodo de las medias mensuales".
El problema que nos proponemos resolver, es el de encontrar una curva tal que en el eje
de las abcisas, estn representados los meses del ao, por ejemplo ( t= 1, 2, 3, ....12) y
en las ordenadas, la variacin promedio correspondiente a cada uno de los meses del
ao, prescindiendo por cierto de otro tipo de variaciones, ya sean tendenciales, cclicas
(no anuales) o accidentales (aleatorias).

Determinada la tendencia, bien sea mediante un ajuste analtico, bien mediante el
mtodo de promedios mviles, la variacin estacional puede determinarse a travs de
los siguientes pasos:

1) Se determinan las desviaciones de los datos de la serie respecto a la tendencia o sea,
la diferencia entre los datos y el valor correspondiente a la tendencia. De esta manera se
elimina la tendencia.
y T E C I
i i
= + +
2) Se calculan las medias aritmticas de las desviaciones correspondientes a todos los
eneros, todos los febreros, etc. Este paso tiende a eliminar la componente cclica e
irregular quedando nicamente la componente estacional.

3) Se redondean estas medias y los resultados son la estimacin de la variacin
estacional para cada mes.
El mtodo de clculo se desarrolla mediante el proceso que se expone a continuacin
reflejados en la tabla 4, en la que se ha prescindido del ao inicial 1977, por no disponer
de datos para la tendencia de sus primeros - seis meses y del ltimo ao 1982 por
ocurrir lo mismo para el ltimo semestre de dicho ao. Se puede usar suma cuando los
eneros tienen valores muy grandes.

Tabla 4 - Clculo de las variaciones estacionales.
E Y T
i i
=
Medias Variacin
Mes 1978 1979 1980 1981 Totales mensuales Estacional
Enero 2.52 3.42 4.27 4.46 14.67 3.668 3.615
Febrero 1 0.77 -2.64 0.36 -0.51 -0.128 -0.180
Marzo 1.52 -1.81 2.47 -0.79 1.39 0.348 0.295
Abril 3 1.11 0.56 2.04 6.71 1.678 1.625
Mayo -0.12 -1.02 -1.1 -1.71 -3.95 -0.988 -1.040
Junio -2.17 -4.21 -2.77 -3.02 -12.17 -3.043 -3.095
Julio -2.81 -1.92 -2.62 -2.79 -10.14 -2.535 -2.588
Agosto -5.31 -3.89 -3.67 -3.39 -16.26 -4.065 -4.118
Septiembre -4.14 -4 -4.08 -3.42 -15.64 -3.910 -3.963
Octubre -0.92 -0.21 -1.46 -0.94 -3.53 -0.883 -0.935
Noviembre 5.21 5.79 1.52 4.13 16.65 4.163 4.110
Diciembre 4.33 7.25 5.52 8.21 25.31 6.328 6.275
0.632 0.000

Las cuatro primeras columnas han sido obtenidas restando de los datos iniciales (Tabla
1) los valores de la tendencia (tabla 3) diferencias que resultan positivas y negativas.
As para Enero de 1977 tenemos 17 - 14,48 = 2,52
Febrero de 1977 tenemos 15,5 - 14,5 = 1,00

La columna de totales es la suma algebraica de todos los eneros de todos los febreros,
etc.
La columna de medias mensuales se obtiene dividiendo los valores de los totales por 4,
que es el nmero de aos utilizado.

Por ltimo, la columna " variacin estacional" es la misma que la de medias despus de
someter los valores de sta a un redondeo que hace que las sumas de las variaciones
estacionales sea cero, que se efecta de la forma siguiente:

Se suma la columna de medias y se divide esta suma por 12.
Si el resultado es positivo se resta de cada una de las medias mensuales y si es negativo
se suma.

En nuestro caso el total de medias vale 0,1150 y por lo tanto
0,1150/12 = 0,0095.

Este valor se resta algebraicamente a la columna de medias y el resultado se redondea a
dos cifras decimales, que es la aproximacin con que venan dados los datos iniciales,
conservando la segunda cifra decimal o forzndola en una unidad, segn que las dos
ltimas formen un nmero menor o mayor que 50 respectivamente.

As pues: 3,6675 - 0,0095 = 3,6580 = 3,66
- 0,1275 - 0,0095 = 0,1370 = -0,14
6,7025 - 0,0095 = 6,6930 = 6,69

Se puede representar ahora la variacin estacional en un grfico, en el que como abscisa
se toman los distintos meses y en ordenadas los valores obtenidos. Resulta as la figura
4.
Componente Estacional
E F M A M J J A S
O N
D

Observando la figura 4 es posible tener una idea de la variacin estacional, pues se ve
que acusa un incremento fuerte de las ventas en enero, ligera depresin en febrero y
muy acusado descenso en junio y agosto con una ligera recuperacin de marzo y julio y
un fuerte aumento en abril, octubre, noviembre y diciembre.

Este mtodo tiene adems la ventaja de dar una medida numrica de la intensidad de la
variacin estacional, por encima o por debajo de la lnea de dependencia general, ya que
como se recordar el mtodo implica el clculo de promedios mensuales de
desviaciones respecto a la tendencia.

Los resultados obtenidos con el anlisis numrico de la serie cronolgica podran
haberse establecido intuitivamente de conocerse cul es la evolucin de las ventas. Pero
no siempre la variacin de los datos de una serie obedecen a causas conocida en cuyo
caso la determinacin de la tendencia y la aparicin de las variaciones estacionales,
sern causas para inducirnos a investigar las razones de tal tendencia y de tales
variaciones, por lo que el anlisis de la serie cronolgica es un primer paso en tal
investigacin y para poner en ejecucin los medios que contrarresten el aspecto
desfavorable de la misma, tal como lanzar una campaa publicitaria oportunamente
para detener o atenuar la depresin estacional en el caso de ventas o ampliar la
capacidad de produccin para satisfacer una demanda creciente de consumo etc.

Adems debe reflexionarse en el hecho de que el proceso estadstico nos da una
medicin de la intensidad de la variacin del fenmeno, lo cual ya justifica por s solo el
estudio numrico efectuado. Finalmente, los mtodos de anlisis estudiados (que no
son los nicos) constituyen una base previa de otro mtodo estadstico de investigacin
que es la comparacin entre varias series cronolgicas de fenmenos distintos con el
objeto de indagar si las variaciones de una incluyen en la otra y si son simultneas en el
tiempo o en una precede a la otra en un cierto tiempo. Problemas todos ellos para los
cuales la Estadstica ha dado mtodos de resolucin cuya importancia en el quehacer
diario de los economistas, empresarios, etc., es necesario destacar.

Conclusin:
La determinacin de la tendencia y la componente estacional puede servir, como lo
hemos destacado con los ejemplos, para describir la marcha de un fenmeno a travs
del tiempo, pero en la mayor parte de las ocasiones, es solo una fase previa de un
estudio ms profundo.
De todas maneras, esta fase previa es necesaria para cualquier descripcin que se
encare.


VARIACIONES CCLICAS:
El problema de las variaciones cclicas, es decir la determinacin de la curva que
represente en promedio la o las componentes de naturaleza peridica que estn
contenidas en la funcin correspondiente a la serie en estudio, es una de las cuestiones
ms complejas de la Estadstica.

El tratamiento elemental de este tema se reduce a construir la curva que resulta de
eliminar la tendencia y la componente estacional, por cierto que la curva resultante
contendr tambin a la componente aleatoria, por lo cual no siempre es posible
identificar los ciclos. Hay sin embargo, casos en que la simple observacin del grfico
pone de manifiesto la existencia de una tendencia a la periodicidad. Queda an la
cuestin de ciclos de distinta longitud de onda, los cuales daran una curva que no es
necesariamente peridica, esta es la dificultad mayor.

Ahora bien, si hay una onda de amplitud e intensidad suficiente para destacarse
sobre las otras, el modelo matemtico del ciclo perfecto, que adoptaramos, es el
armnico, que tiene la expresin:

y a sen
t
T
=
2t o ( )


1. donde a, y T son constantes, " a" es la amplitud, o sea la ordenada del mximo y " -a"
ser la ordenada del mnimo, que los alcanza, respectivamente cuando se tiene: t -
1/4 T + y t=3/4 T + , T es el perodo es decir el intervalo de t correspondiente
a una onda completa, es la fase, o sea la distancia del origen al punto inicial del ciclo.
Componente Cclica
o
T +o
T/4+o
3T/4+o
T/2+o

En economa, un ciclo es grficamente una onda compuesta por cuatro partes que se
repiten en el mismo orden: 1) Prosperidad, constituida por una rama ascendente de la
curva, que va desde la lnea tendencial hasta llegar a un punto mximo: el ptimo del
proceso; 2) Sigue al mximo un perodo de Descenso de la curva, tendiente a volver a los
valores normales, la crisis es el punto final del descenso e inicial de la depresin. 3)
Depresin, el proceso de descenso no se detiene y contina por debajo de los valores
tendenciales hasta alcanzar un mnimo. 4) A partir de este mnimo se produce la
Recuperacin, que es un movimiento ascendente hacia los valores normales. El proceso
contina en forma anloga.

Los ciclos econmicos han sido clasificados por su perodo, en ciclos medianos largos y
cortos, los largos son de duracin prxima al medio siglo y parecen tener repercusin
mundial, los ciclos medianos oscilan alrededor de la dcada, y los cortos duran pocos
aos. Para la determinacin de los ciclos, en primer lugar habr que definir el periodo o
longitud de onda, que es el problema que ms dificultad presenta. Luego queda como
segunda cuestin el clculo de la ecuacin de la curva que representa la onda cclica.
Para encarar estos problemas hay varios procedimientos que constituyen el anlisis
armnico; que no ser objeto de estudio en este curso.


Prediccin Estadstica:
El objetivo de toda teora cientfica es la prediccin, es decir, poder formular
racionalmente inferencia respecto al comportamiento futuro de los hechos que son
materia de estudio. Por cierto que la palabra prediccin no es usada en el sentido que se
da vulgarmente de adivinar, sino de inferir el ms probable comportamiento de los
hechos en base al conocimiento de la estructura e interdependencia en el desarrollo
cronolgico de los mismos, constatado en el pasado y en el presente.

Los fenmenos que son motivo de estudio de las disciplinas cientficas generalmente se
nos presentan como formados por dos componentes: una sistemtica, sujeta a leyes
precisas y la otra aleatoria o que aparenta serlo frente a nuestro conocimiento. El
progreso cientfico puede, en muchos casos, reducir o hacer desaparecer la parte
aleatoria, obteniendo as las leyes cientficas. En la fsica clsica, por ejemplo, la
componente aleatoria es muy pequea respecto a la sistemtica; de all que los
resultados de sus predicciones sean sumamente precisos. En otros sectores del
conocimiento por ejemplo, en algunos fenmenos econmicos y en gran parte de la
Fsica atmica, la componente aleatoria juega un papel importante, siendo imposible
prescindir de ella. Las leyes de tipo sistemtico aparecen veladas por la influencia de la
parte aleatoria, y se hace difcil aislarlas de sta. La prediccin, en los casos
mencionados, se compondr de dos pasos 1) Determinacin de la componente
sistemtica. 2) Determinacin de la distribucin de la componente aleatoria. Las
caractersticas de esta distribucin, en especial la dispersin, permiten apreciar el valor
de la prediccin. La determinacin de la componente sistemtica de la prediccin
consiste en general, en una extrapolacin para el futuro, de la relacin entre variables
expresadas por funciones, curvas o ecuaciones.

Mtodos de Prediccin Estadstica:
La prediccin estadstica cuenta con los recursos fundamentales siguientes:
a) Prediccin mediante series de frecuencia y
correlacin.
b) Prediccin usando series de tiempo.
c) Prediccin mediante modelos dinmicos y procesos
estocsticos.

a) La prediccin mediante las series de frecuencias, suele realizarse cuando se
conocen las caractersticas de la distribucin correspondiente a una poblacin y se
quiere determinar el futuro comportamiento de esa poblacin. La prediccin se hace
suponiendo la permanencia de la distribucin y, por lo tanto, de sus caractersticas,
resultando un pronstico del comportamiento promedio de la poblacin. Por ejemplo,
cuando un comerciante hace la eleccin de modelos y medidas al formar su stock de
mercaderas, necesita realizar una prediccin respecto a la distribucin de las
preferencias del pblico.

Tambin la teora de la correlacin nos permite realizar interesantes estudios de
prediccin, particularmente la correlacin de series temporales que es uno de los
mtodos ms eficaces. En particular resulta interesante para la prediccin la correlacin
conocida con el nombre de "correlacin de fase", en la cual una de las series se
considera desplazada en el tiempo, un cierto intervalo llamado fase. Es claro que si
conocemos la correlacin existente y el comportamiento de la primera de las series
podemos conocer el comportamiento de la segunda.
Son de inters los estudios conocidos con el nombre de barmetros econmicos y ms
an los estudios coyunturales. Ambos mtodos tratan de encontrar relaciones
dinmicas entre fenmenos econmicos de tal manera que conocido el comportamiento
de los fenmenos que podran considerarse como antecedentes se puede predecir el
comportamiento del que se considera como consecuencia de aquellos.

b) La prediccin por extrapolacin de la tendencia, es una de las formas ms usadas
en la prediccin y nos da el comportamiento probable de la tendencia, es una de las
formas ms usadas en la prediccin y nos da el comportamiento probable de la
tendencia, alrededor del cual oscilarn los valores reales. Componiendo la curva
resultante de agregar a la tendencia las variaciones estacionales y cclicas, tenemos el
cuadro completo de la prediccin de las series temporales. En lo que se refiere a
variaciones estacionales, su uso en prediccin ha sido muy eficaz en los fenmenos
tpicamente estacionales. Respecto de los ciclos, puede decirse que son el punto de
mayor inters en la prediccin econmica, ya que estn ligados al problema de la
determinacin de las probables crisis y dems alternativas de las oscilaciones de la
situacin econmica. Es de lamentar que sea el punto ms difcil de la labor predictiva,
ya que el estudio de los ciclos no siempre conduce a resultados categricos.

c) La teora de los modelos econmicos dinmicos y la ampliacin de los procesos
estocsticos han recibido en los ltimos aos un gran impulso, y parecen ser los caminos
ms seguros para llegar a conocimiento estructural de los fenmenos econmicos y de
otros campos de aplicacin de la estadstica; constituyen, asimismo, los mtodos ms
potentes en la realizacin de la prediccin estadstica. Ambos mtodos son, desde hace
pocos aos motivo de importantes estudios, lo que permite esperar resultados que han
de contribuir a ampliar las posibilidades de la prediccin estadstica.

Caractersticas de la prediccin Estadstica:
En general, la prediccin estadstica tiene las siguientes caractersticas:
a) Las predicciones tienen valor en promedio, por lo que se dice que la prediccin
consiste en determinar el ms probable comportamiento promedio de los hechos en un
nmero grande de ellos.

b) La prediccin es condicional ya que su validez depende de la constancia de las
condiciones que se suponen en la prediccin.

c) Uno de los progresos tericos ms importantes, ha sido la determinacin de la
dispersin en funcin de la distancia del perodo para el cual se quiere hacer la
prediccin al presente.
Se ha establecido que, en los procesos semideterminsticos, que son los que nos
interesan, la dispersin es creciente con el alejamiento del perodo de prediccin
respecto al presente.

d) La prediccin pierde su valor cuando la componente aleatoria aumenta, es decir,
cuando circunstancias imprevistas actan fuertemente.















Conclusin
Las series temporales pueden servir para predecir acontecimientos futuros en base a
ciertoscomportamientos de determinadas variables.

Si tenemos ms observaciones que se puedan promediar, que es el orden de la media mvil,se
obtienen tendencias ms suaves.

Este hecho no debe hacernos olvidar que aunque hemosmejorado la tendencia con el suavizado, por el
contrario perdemos informacin sobre los valores iniciales y finales de la tendencia estimada.

Con el procedimiento de medias mviles siempre es posible elegir el nmero de observaciones que se
deben tomar para el promedio, esto no siempre es fcil. Si se determina la funcin matemtica de
la tendencia lineal, esta nos permitir conocer los valores perdidos tanto al inicio como al final del
proceso de bsqueda de la lnea de tendencia.
El anlisis de series de tiempo segn la tendencia es vlido si es que no se dan otros factores que
puedan influenciar de manera significativa la tendencia de ocurrencia de los datos.

Se llama Serie de Tiempo, a un conjunto de mediciones de cierto fenmeno oexperimento registradas

secuencialmente en el tiempo, por ejemplo a cada hora,mensualmente, trimestralmente,
semestralmente, etc...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 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.
Existentres 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)