Cpitulo 1

ANALISIS CLASICO DE LAS SERIES DE

TIEMPO
1.1.

Concepto de una serie de tiempo

En los anlisis estadsticos, usualmente se dispone de dos series de datos: la serie de

datos de corte transversal o la serie de datos de corte longitudinal o serie de tiempo.
Una serie estadstica de datos de corte transversal, es el conjunto de datos de una
variable que fueron observados en un momento de tiempo para un conjunto de
individuos o unidades de anlisis, as por ejemplo, las edades de 9 pacientes
atendidos en un consultorio el da 10/04/2015, es una serie de corte transversal.
Edad

Fecha
10/04/2015

Una serie de tiempo, es el conjunto de datos para una variable de inters observados
en periodos de tiempo diferentes, generalmente secuenciales y a intervalos
equidistantes que reflejan los cambios que ocurrieron en un mismo acontecimiento o
para un determinado caso. Tambin pueden ser los datos para una misma unidad de
estudio en tiempos secuenciales. Por tanto, una serie puede ser mensual, bimestral,
trimestral o para otro perodo de tiempo. Los datos mensuales para el nmero de
casos IRA producidos en los aos de 2007 al 2011 es una serie de tiempo.
En el anlisis de una serie de tiempo para una variable, el comportamiento de los
datos pasados permitirn proyectar el comportamiento de los datos futuros, por esta
razn, se dice que los datos pasados son la memoria para realizar el anlisis de una
serie de tiempo.

C. A .Llun V.

Anlisis clsico de las Series de Tiempo

Variable
Serie pronosticada

Serie de Tiempo

Periodo de tiempo histrico

Periodo de tiempo
de pronstico

t = tn

t = t0

t = t nm

Tiempo

Los datos para una serie de tiempo son registrados de la manera que se muestra a
continuacin,

{ y (t1 ), y (t 2 ),..., y(tn )} { y (tn ) : ti T , T Z }

si

T Z se dice que la serie ser discreta en caso contrario ser continua.

donde

t1

es el tiempo para el primer dato de la serie,

t2

es el tiempo para el segundo dato de la serie

tn

es el tiempo para el ltimo dato de la serie

Si ti ti 1 la serie es equispaciada o a intervalos iguales.

En adelante se tratarn series de tiempo discretas y en ese caso los tiempos y la
series sern representadas como,

t1 1, t2 2, ... ,

C. A. Llun V.

tn n

Anlisis clsico de las Series de Tiempo

{ y (1), y (2),..., y (n)} o y1, y2 ,..., yn

y de manera compacta como,

yt

t 1, 2,..., n donde n es el tamao de la serie.

En el eje X la serie de tiempo puede ser graficada como sigue,

1.2.

y1

y2

...

yn 1

yn

n 1

Disposicin de una serie de tiempo en tablas

Los datos de una serie de tiempo son presentados en tablas, de forma cruzada para
presentacin o para comparacin entre aos y de forma vertical para el ploteo o para
el anlisis.
En la tabla No 01 se da una serie dispuesta en forma cruzada.
Tabla No 01
Nmero mensual de servicios de limpieza ( yt ) realizados por la empresa de
limpieza CLEAR Perodo 2006-2011
Mes \ Ao
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Setiembre
Octubre
Noviembre
Diciembre

2006
13
41
11
18
10
65
41
46
18
33
63
52

2007
27
68
25
51
19
18
49
29
26
36
43
48

2008
15
28
17
63
25
47
24
38
18
67
32
66

2009
45
34
32
31
63
12
60
57
26
40
30
37

2010
65
45
47
33
35
51
41
54
27
15
55
54

2011
44
65
27
60
68
35
63
28
54
39
65
43

Los datos de la tabla No 01 dispuestos en forma de tabla vertical se dan en la tabla

No 02.

C. Llun V.

Anlisis clsico de las Series de Tiempo

Tabla No 02
Nmero mensual de servicios de limpieza ( yt ) realizados por la empresa de
limpieza CLEAR Perodo 2006-2011
Mes \Ao

yt

Mes \Ao

yt

Mes \Ao

yt

Enero_2006
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Setiembre
Octubre
Noviembre
Diciembre
Enero_2007
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Setiembre
Octubre
Noviembre
Diciembre

13
41
11
18
10
65
41
46
18
33
63
52
27
68
25
51
19
18
49
29
26
36
43
48

Enero_2008
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Setiembre
Octubre
Noviembre
Diciembre
Enero_2009
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Setiembre
Octubre
Noviembre
Diciembre

27
68
25
51
19
18
49
29
26
36
43
66
27
68
25
51
19
18
49
29
26
36
43
37

Enero_2008
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Setiembre
Octubre
Noviembre
Diciembre
Enero_2009
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Setiembre
Octubre
Noviembre
Diciembre

44
65
27
60
68
35
63
28
54
39
65
54
44
65
27
60
68
35
63
28
54
39
65
43

C. A. Llun V.

Anlisis clsico de las Series de Tiempo

1.3.

Ploteo de una serie de tiempo

Previo al anlisis de una serie de tiempo ( yt ) hay que graficarla ya que as se podr
determinar los movimientos o patrones que est siguiendo: la estacionariedad de la
serie, los datos outliers, los cambios bruscos de direccin, etc. El grfico para los
datos de la serie de la tabla No 03 se da abajo de esta:
Tabla No 03
Nmero de artculos vendidos trimestralmente durante 3 aos.
Ao
Trimestre
2009
2010
2011
I
50
90
120
II
160
220
290
III
110
90
230
IV
87
130
180

1.4.

Movimientos o patrones de una serie de tiempo

Una serie de tiempo ( yt ) est regida por cuatro patrones o movimientos que rigen
su evolucin futura, ellos son: el movimiento tendencial, el movimiento estacional,
el movimiento cclico y el movimiento irregular.
El movimiento tendencial, muestra el comportamiento de la serie cuando la variable
por la influencia de ciertos factores tiende a crecer o decrecer lineal o no linealmente
C. Llun V.

Anlisis clsico de las Series de Tiempo

en el tiempo. Por ejemplo, el nmero de ventas de cajas de cerveza que realiza una
distribuidora tendr una tendencia que estar sujeta a como funcione la estrategia del
marketing que para la distribuidora se realice.
El grfico No 01 muestra una tendencia lineal creciente para una serie trimestral.

El movimiento estacional, es un patrn que manifiesta en la serie en el mismo mes,

trimestre, etc. un dato con alto valor para todos los aos de la serie en estudio que
puede ser debido a la estacin climtica, a alguna festividad u otra causa. El valor de
un dato estacional sobresale en magnitud muy por encima de los restantes valores de
la serie en el mismo ao de observacin. En algunos casos presenta
aproximadamente la misma magnitud y en otros conforme se avanza en los perodos
de observacin su valor puede ser creciente o decreciente. Por ejemplo, en la
festividad de la navidad de todos los aos hay muchas variables que alcanzan sus
datos ms altos para todos los aos de estudio, tales como por ejemplo, la venta de
televisores, la venta de ropa, la venta de dulces, etc.
El grfico No 02 corresponde a una serie con puntos estacionales.

C. A. Llun V.

Anlisis clsico de las Series de Tiempo

Utilizando el grfico de lnea con marcadores de Excel se podr determinar si la

serie presenta puntos estacionales. Aprecie en el grfico No 03 que los datos
estacionales siempre deben presentar valores ms altos respecto de los datos no
estacionales para el ao que se est observando.

El movimiento cclico, es un movimiento que presenta en la serie datos que se

repiten aproximadamente despus de transcurrir un ciclo, por ejemplo, la serie de
datos de los volmenes de lluvia.

El movimiento irregular, se manifiesta para periodos cortos menores al perodo de

tiempo con el cual se est analizando la serie. La irregularidad es producida por
factores que suceden inesperadamente tales como cambios climticos inesperados,
cambios en el costo de la materia prima, etc. Los valores de esta irregularidad son
conocidos como los errores aleatorios de la serie.

1.5.

Modelo clsico de una serie de tiempo

C. Llun V.

Anlisis clsico de las Series de Tiempo

Como se mostr en 1.2, en una serie de tiempo, los cambios en los datos pueden
estar afectados por factores que hacen que la serie resultante pueda tener por lo
menos uno de los cuatro patrones o movimientos subyacentes siguientes: El
movimiento tendencial (Tt ) , el movimiento estacional ( Et ) , el movimiento cclico

(Ct ) o el movimiento irregular ( I t ) .

En forma matemtica, si cada dato de la serie est afectado por los cuatro patrones,
el modelo que le corresponda podr ser alguno de las dos formas siguientes segn si
la serie tenga o no una fuerte volatilidad en la varianza.
Modelo aditivo: Si la varianza anual es estable para todos los aos de
observacin.

yt Tt Et Ct I t
Modelo Multiplicativo: Si la varianza anual no es estable (voltil o creciente)
para todos los aos de observacin.

yt Tt * Et * Ct * I t
Otros modelos que se pueden derivar para los datos son:
Si la serie est afectada solo por la tendencia y la irregularidad.

yt Tt I t
Si la serie est afectada por la estacionalidad, la tendencia y la irregularidad.

yt Tt Et I t
Si la serie est afectada de forma multiplicativa por la estacionalidad y la
tendencia y de forma aditiva por la irregularidad.

yt Tt * Et I t
A fin de estabilizar la varianza en el modelo multiplicativo este puede ser
transformado a la forma de modelo logartmico.

ln yt ln Tt ln Et ln Ct ln I t
donde:

Tt : Componente tendencial
C. A. Llun V.

Anlisis clsico de las Series de Tiempo

Et : Componente estacional
Ct : Componente cclica
I t : Componente irregular

1.6.

UNA SERIE DE TIEMPO NO AFECTADA POR LOS

MOVIMIENTOS

Una serie de datos supuesta que no est afectada por los movimientos a travs del
tiempo tendr la forma del grfico siguiente:

En una serie de este tipo, los datos a travs del tiempo son constantes y no estn
afectos a ningn factor. La variabilidad en la variable ser cero. As por ejemplo, si
la variable en observacin es el nmero de casos IRA producidos en los aos de
2006 al 2011, esto implicar que, durante los aos dados, el nmero de casos fue el
mismo en todos los meses de todos los aos observados.

1.7.

SERIE ESTACIONARIA EN MEDIA PERO NO EN

VARIANZA

Una serie ser estacionaria en media pero no en varianza, cuando las medias anuales
son estadsticamente iguales y las varianzas anuales muestran variabilidad creciente
o decreciente (estabilidad no constante). La serie siguiente muestra este
comportamiento.
Tabla No 04
Ganancia promedio diaria obtenida por un comerciante ambulante
Mes/Ao
2008
2009
2010
2011
1
52.79
50.10
39.95
34.95
2
49.84
46.70
63.42
30.73
3
40.99
37.36
29.21
18.86
C. Llun V.

10

Anlisis clsico de las Series de Tiempo

4
5
6
7
8
9
10
11
12
Promedio
Varianza

1.8.

61.19
38.47
53.59
60.40
47.36
72.21
50.82
50.82
38.01
51.37
99.18

65.69
54.99
56.90
50.76
50.12
62.69
44.35
50.10
33.60
50.28
86.46

63.46
51.13
40.67
55.38
32.93
51.46
48.47
48.28
61.04
48.78
128.61

37.45
33.23
48.31
45.34
66.95
42.23
56.66
40.85
40.14
41.31
154.34

ESTABILIDAD DE LA VARIANZA

La inestabilidad de la varianza en una serie de tiempo puede ser corregida mediante

la transformacin logaritmo. La tabla de datos y el grfico para esta transformacin
se dan a continuacin:
Tabla No 05
Logaritmo de la ganancia promedio diaria obtenida por un comerciante
ambulante
Mes/Ao
2008
2009
2010
2011
1
3.97
3.91
3.69
3.55
2
3.91
3.84
4.15
3.43
3
3.71
3.62
3.37
2.94
4
4.11
4.18
4.15
3.62
5
3.65
4.01
3.93
3.50
6
3.98
4.04
3.71
3.88
7
4.10
3.93
4.01
3.81
C. A. Llun V.

Anlisis clsico de las Series de Tiempo

8
9
10
11
12
Promedio
Varianza

3.86
4.28
3.93
3.93
3.64
3.92
0.0368

11

3.91
4.14
3.79
3.91
3.51
3.90
0.0375

3.49
3.94
3.88
3.88
4.11
3.86
0.0628

4.20
3.74
4.04
3.71
3.69
3.68
0.1029

Tabla No 06
Media y varianza para el ln yt de la ganancia promedio
diaria obtenida por un comerciante ambulante
Ao
Promedio
Varianza
2008
3.92
0.0368
2009
3.90
0.0375
2010
3.86
0.0628
2011
3.68
0.1029

1.9.

DESCOMPOSICIN DE UNA SERIE DE TIEMPO

El efecto de los patrones de tendencia, estacionalidad, ciclicidad e irregularidad en

los datos de una serie de tiempo pueden ser retirados mediante el proceso de
descomposicin de la serie basndose para ello en el modelo clsico de una serie de
tiempo.
Por ejemplo, dada una serie de tiempo cuyo modelo es el modelo multiplicativo,

yt Et * Tt * I t

C. Llun V.

12

Anlisis clsico de las Series de Tiempo

los valores de los efectos de estacionalidad, tendencia e irregularidad de la serie

pueden ser retirados realizando primero el proceso de desestacionalizacin y luego
el proceso de destendenciado. A continuacin se explican ambos procesos.

Desestacionalizacin de una serie de tiempo

Para retirar el efecto de la estacionalidad deben hallarse los ndices estacionales
mensuales y luego cada dato de la serie debe ser dividido respecto de estos ndices
estacionales. Los datos que resulten de esta operacin formaran la serie de datos
desestacionalizados. La expresin siguiente explica este proceso.

wt

yt
Tt * I t los Et son los ndices estacionales
Et
Indice Estacional, es un valor relativo que se calcula dividiendo el ndice
para un determinado mes y ao de observacin respecto del promedio de
los ndices para dicho mes durante todos los aos de observacin. Se usa
como un indicador del cambio relativo o variacin mensual a travs de los
aos de observacin.

Uno de los varios procedimientos que existen se explica a continuacin para una
serie mensual.
Tabla No 07
Nmero de comerciantes ambulantes en las calles en una ciudad
Mes/Ao
2005 2006 2007 2008 2009 2010 2011
Enero
36
73
106 103 129 186
165
Febrero
60
62
87
130 184 143
173
Marzo
23
69
131 105 155 199
213
Abril
56
61
87
113 133 159
209
Mayo
90
150 160 190 230 255
270
Junio
37
106 112 130 189 194
212
Julio
34
96
118 164 192 180
185
Agosto
45
89
116 160 177 162
205
Septiembre
61
100 151 106 164 169
246
Octubre
80
121 135 164 180 179
237
Noviembre
71
95
120 121 188 158
217
Diciembre
74
114 148 126 167 208
245

C. A. Llun V.

Anlisis clsico de las Series de Tiempo

13

Segn el grfico No 10 de medias y varianzas anuales se puede determinar que la

serie sigue el modelo multiplicativo yt Et * Tt * I t ya que tanto la media y la
varianza crecen en el tiempo.

El proceso de desestacionalizacin se explica a continuacin:

1) Se hallan los promedios anuales para la serie. Para el ao 2005 es,

y2005

36 60 23 56 90 37 34+45 61 80 71 74
55.58
12

los promedios restantes pueden calcularse de la misma manera.

2) Para cada uno de los aos del perodo considerado, se calculan los ndices
mensuales los cuales deben ser divididos respecto de su respectivo promedio
anual. As tenemos, para el ao 2005 los ndices mensuales son,
C. Llun V.

14

Anlisis clsico de las Series de Tiempo

y1
36
y
60
y
74

0.65 , 2
1.08 ,, 12
1.33
55.8 55.58
55.8 55.58
55.58 55.58
Observe que para este ao se ha tomado como denominador el promedio anual
que es de 55.58 el cual represent al 100% del comportamiento promedio para
el ao 2005. Las variaciones mensuales respecto del promedio anual fueron,
para Enero del 35% menos, para Febrero del 23% menos y as sucesivamente.
El 35% representar un equivalente de 55.58-36=19.5820 comerciantes
menos. que el promedio anual.
Para los aos siguientes se razona de la misma manera.
3) Se calculan los ndices estacionales, los cuales son, el promedio de los ndices
mensuales para el nmero de aos considerado en el perodo de estudio de la
serie.

I ENERO

0.65 0.77 0.86 0.77 0.74 1.02 0.77

0.80
7

I FEBRERO

1.08 0.65 0.71 0.97 1.06 0.78 0.81

0.87
7

I DICIEMBRE

1.33 1.20 1.21 0.94 0.96 1.14 1.14

1.13
7
Tabla No 08

Indices estacionales para el nmero de comerciantes ambulantes en las calles

en una ciudad
Indices
Mes/Ao
2005 2006 2007 2008 2009 2010 2011
Estacionales
Enero
0.65 0.77 0.86 0.77 0.74 1.02 0.77
0.80
Febrero
1.08 0.65 0.71 0.97 1.06 0.78 0.81
0.87
Marzo
0.41 0.73 1.07 0.78 0.89 1.09 0.99
0.85
Abril
1.01 0.64 0.71 0.84 0.76 0.87 0.97
0.83
Mayo
1.62 1.58 1.31 1.41 1.32 1.40 1.26
1.41
Junio
0.67 1.12 0.91 0.97 1.09 1.06 0.99
0.97
Julio
0.61 1.01 0.96 1.22 1.10 0.99 0.86
0.97
Agosto
0.81 0.94 0.95 1.19 1.02 0.89 0.95
0.96
Setiembre 1.10 1.06 1.23 0.79 0.94 0.93 1.15
1.03
Octubre
1.44 1.28 1.10 1.22 1.03 0.98 1.10
1.17
Noviembre 1.28 1.00 0.98 0.90 1.08 0.86 1.01
1.02
Diciembre 1.33 1.20 1.21 0.94 0.96 1.14 1.14
1.13
C. A. Llun V.

Anlisis clsico de las Series de Tiempo

Promedio

15

12.00 12.00 12.00 12.00 12.00 12.00 12.00

12.00

Los ndices estacionales se utilizarn para comparar la variacin mensual

tomando como referencia todos los aos de observacin de la serie. As, desde
el ao 2005 al 2011 la variacin para Enero fue un 20% menos que el
comportamiento promedio en dicho perodo.
4) Finalmente, cada uno de los datos de la serie es dividido sobre el ndice mensual
correspondiente. La serie obtenida de esta operacin ser la serie
desestacionalizada que tendr los patrones de tendencia e irregularidad. Es decir
se obtendr la serie,

wt

yt
Tt * I t
Et

t 1, 2,..., n

Tabla No 09
Nmero de comerciantes ambulantes en las calles en una ciudad sin el efecto de
la estacionalidad.
Mes/Ao
2005
2006
2007
2008
2009
2010
2011
Enero
45.18 91.61 133.02 129.25 161.88 233.41 207.05
Febrero
69.33 71.64 100.53 150.22 212.62 165.24 199.91
Marzo
26.99 80.97 153.73 123.22 181.89 233.53 249.96
Abril
67.46 73.48 104.80 136.13 160.22 191.54 251.77
Mayo
63.65 106.08 113.15 134.36 162.65 180.33 190.94
Junio
38.08 109.08 115.26 133.78 194.49 199.64 218.16
Julio
35.21 99.41 122.20 169.83 198.83 186.40 191.58
Agosto
46.70 92.35 120.37 166.03 183.67 168.10 212.72
Septiembre
59.41 97.39 147.05 103.23 159.71 164.58 239.57
Octubre
68.65 103.83 115.84 140.73 154.46 153.60 203.37
Noviembre
69.84 93.45 118.04 119.02 184.92 155.41 213.45
Diciembre
65.40 100.76 130.81 111.36 147.60 183.83 216.54
Mediante los datos de la serie desestacionalizada y los datos originales de la serie se
podr estimar la cantidad del efecto estacional. Los dos casos siguientes explican
este caso:
y1 w1 36 45.18 9.18
Enero:
Febrero:

y2 w2 60 45.18 14.82

C. Llun V.

16

Anlisis clsico de las Series de Tiempo

En el mes de Enero el factor estacional hizo que en las calles de la ciudad

disminuyeran en aproximadamente 9 comerciantes y en el mes de Febrero este
efecto hizo que aumentara en aproximadamente 15 comerciantes.
En el grfico No 11 se aprecian la serie original y la serie desestacionalizada.

Destendenciado de una serie de tiempo

Dada una serie que est afectada por la tendencia cuyo modelo podra ser,

wt Tt * I t
se puede retirar el efecto de la tendencia procediendo como sigue:
1) En primer lugar, se debe ajustar a la serie un modelo de regresin en funcin al
tiempo, escogiendo el modelo segn el patrn que muestre la nube de
dispersin.
Uno de los modelos utilizados para estos casos es el modelo polinomial cuya
frmula es la siguiente:

Tt 0 1 t 2 t 2 1 t 3 ... p t p et

t 1, 2,..., n

Tres de grficos derivados de esta funcin se dan a continuacin:

C. A. Llun V.

Anlisis clsico de las Series de Tiempo

17

Grfico No 12. Modelo polinomial para k=1,2,3 ajustados a una serie de tiempo

2)

A continuacin se determinan los valores ajustados.

3) Por ltimo, cada uno de los datos de la serie deben ser divididos sobre los
valores ajustados a fin de quitar el efecto de la tendencia, tal como sigue,

zt

wt
It
Tt

donde zt ser una serie que ya no tendr el efecto de la tendencia pero si el de

la irregularidad, es decir, zt ser una serie con movimiento irregular.
Se utilizarn los datos de la tabla No 09 que fueron desestacionalizados pero que
conservan el efecto de la tendencia y de la irregularidad. En el grfico No 13 se
aprecia que un modelo de ajuste adecuado, es el modelo polinomial de grado k=6
con un R 2 0.853405 de ajuste donde los coeficientes del modelo fueron
determinados mediante el programa estadstico Statgraphics Centurion Versin 15.
El modelo es:

Tt 51.4119 2.6583* t 0.631148* t 2 0.0293622* t 3

0.000632267 * t 4 0.00000642622* t 5 0.0000000248917 * t 6

C. Llun V.

18

realizando el clculo zt

Anlisis clsico de las Series de Tiempo

wt
I t t 1, 2,...,84
Tt

se obtuvo la nueva serie de

datos destendenciados los cuales se dan en la tabla No 10.

Tabla No 10
Serie destendenciada para el nmero de comerciantes ambulantes en las calles en
una ciudad
Mes/Ao
2005
2006
2007
2008
2009
2010
2011
Enero
0.9153 1.2247 1.1990 0.9716 1.0358 1.2808 1.0427
Febrero
1.4326 0.9144 0.8885 1.1149 1.3415 0.8977 1.0012
Marzo
0.5580 0.9891 1.3338 0.9028 1.1316 1.2568 1.2444
Abril
1.3725 0.8615 0.8937 0.9846 0.9830 1.0218 1.2453
Mayo
1.2577 1.1966 0.9493 0.9593 0.9843 0.9541 0.9374
Junio
0.7237 1.1871 0.9522 0.9426 1.1612 1.0482 1.0618
Julio
0.6393 1.0464 0.9948 1.1808 1.1714 0.9718 0.9230
Agosto
0.8066 0.9424 0.9662 1.1388 1.0682 0.8706 1.0126
Setiembre 0.9741 0.9656 1.1644 0.6984 0.9173 0.8472 1.1242
Octubre
1.0678 1.0025 0.9052 0.9391 0.8764 0.7861 0.9383
Noviembre 1.0312 0.8803 0.9104 0.7832 1.0371 0.7911 0.9653
Diciembre 0.9180 0.9277 0.9959 0.7226 0.8186 0.9307 0.9566
El grfico sin tendencia para los datos de la tabla No 10 es,

C. A. Llun V.

Anlisis clsico de las Series de Tiempo

19

Se puede determinar el valor del efecto de la tendencia como se muestra a

continuacin,

w1 z1 45.18 0.9153 44.2603 44

w2 z2 69.33 1.4326 67.8974 68
En el mes de Enero el efecto de la tendencia hizo que en las calles de la ciudad
aumentaran en aproximadamente 44 comerciantes y en el mes de Febrero este efecto
hizo que aumentara en aproximadamente 68 comerciantes.

Ejercicios
1) Para la serie que se da en la siguiente tabla:
Trimestre/Ao
I
II
III
IV
a)
b)
c)
d)

2005
45.04
37.44
53.68
30.17

2006
46.94
39.42
57.16
32.38

2007
50.94
43.13
63.14
35.94

2008
57.06
48.57
71.62
40.84

2009
65.28
55.73
82.59
47.08

2010
75.62
64.62
96.06
54.67

2011
88.08
75.24
112.02
63.60

Determinar qu patrones o movimientos estn afectando a la serie.

Escriba el modelo clsico que corresponde y descomponga la serie.
Calcule los valores de los efectos de los patrones para cada trimestre.
Interprete por lo menos dos valores para los efectos de cada patrn.

2) La serie de la siguiente tabla tiene el movimiento de tendencia. Realice la

descomposicin de este movimiento y determine los valores para el efecto
mensual del movimiento de tendencia.
Mes/Ao
Enero

2007 2008 2009 2010

32.82 47.73 40.86 74.55

2011
86.06
C. Llun V.

20

Anlisis clsico de las Series de Tiempo

Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Setiembre
Octubre
Noviembre
Diciembre

48.95
39.35
52.61
34.42
38.05
40.24
41.91
33.35
39.71
37.41
33.33

57.48
45.97
27.23
37.09
25.54
46.91
54.17
41.97
61.39
24.05
58.37

49.38
37.64
64.23
75.17
56.63
62.35
49.91
55.17
57.92
72.03
75.39

81.16
72.83
63.40
77.27
76.50
75.32
91.74
73.54
107.55
89.15
82.30

120.15
102.31
103.94
99.17
105.01
101.00
128.69
124.99
115.44
118.49
109.87

3) Para la serie de la siguiente tabla determine mediante el modelo clsico aditivo

la descomposicin en sus patrones.
Mes/Ao
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Setiembre
Octubre
Noviembre
Diciembre

2007
33.79
50.07
40.29
53.49
35.67
39.41
41.39
42.58
34.28
40.50
38.39
34.29

2008
48.70
58.60
46.91
28.11
38.34
26.90
48.06
54.84
42.90
62.18
25.03
59.33

2009
41.83
50.50
38.58
65.11
76.42
57.99
63.50
50.58
56.10
58.71
73.01
76.35

2010
75.52
82.28
73.77
64.28
78.52
77.86
76.47
92.41
74.47
108.34
90.13
83.26

2011
87.03
121.27
103.25
104.82
100.42
106.37
102.15
129.36
125.92
116.23
119.47
110.83

4) Para la serie de la siguiente tabla determine mediante el modelo clsico

multiplicativo la descomposicin en sus patrones.
Mes/Ao
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Setiembre
Octubre
Noviembre
C. A. Llun V.

2007
31.83
54.82
36.99
46.29
43.02
51.75
46.28
28.08
31.02
31.37
36.66

2008
46.29
64.38
43.21
23.97
46.36
34.74
53.95
36.29
39.03
48.49
23.57

2009
39.64
55.31
35.38
56.53
93.96
77.01
71.71
33.44
51.31
45.75
70.59

2010
72.32
90.90
68.46
55.79
96.58
104.04
86.62
61.46
68.40
84.97
87.36

2011
83.48
134.57
96.17
91.46
123.96
142.81
116.15
86.22
116.24
91.20
116.13

Anlisis clsico de las Series de Tiempo

21

Diciembre 32.00 56.03 72.38 79.00 105.47

5) Establezca la o las diferencias del porqu la serie del ejercicio 3) sigue el
modelo clsico aditivo y la serie de 4) sigue el modelo clsico multiplicativo.
6) La serie de la siguiente tabla sigue el patrn estacional.
Mes/Ao
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Setiembre
Octubre
Noviembre
Diciembre

2007
51.00
58.42
51.60
48.30
68.23
46.77
37.93
48.87
44.52
54.26
49.50
60.55

2008
47.56
26.19
49.83
44.26
67.14
52.68
47.03
34.00
50.98
41.60
42.17
45.68

2009
41.46
51.36
33.67
48.41
64.53
48.93
47.79
35.04
55.00
34.26
57.03
51.34

2010
55.19
45.94
39.56
35.53
71.03
58.41
47.52
50.97
34.06
57.79
42.18
42.60

2011
33.95
48.25
43.23
52.64
69.36
45.73
43.54
53.04
37.12
63.04
44.37
56.50

a) Determine los ndices estacionales e interprtelos.

b) Calcule los efectos estacionales para cada mes.

C. Llun V.