Series de Tiempo

SERIES DE TIEMPO
Introducción
• Una de las motivaciones para el estudio del tema surge

desde tiempos remotos donde una de las principales
inquietudes del hombre ha sido estimar el futuro utilizando
información del presente y del pasado.
• Esto se llama predecir.
• Es evidente que las diversas instituciones requieren conocer

el comportamiento futuro de ciertos fenómenos con el fin de
planificar, preveer o prevenir.
Introducción
• La Estadística ha desarrollado teoría y métodos que

apuntan a resolver el problema de predicción.
• Sin embargo, este no puede ser resuelto por argumentos

puramente matemáticos, debe ser el resultado de una
combinación matemático-especialista.
• La predicción es una Ciencia y es un Arte, y la mayor

dificultad es la mala comunicación entre los analistas de
información y de predicción y los usuarios de éstas.
DEFINICION BÁSICA DE SERIE DE TIEMPO
Una serie de tiempo es una colección o conjunto de

mediciones de cierto fenómeno o experimento registrados
secuencialmente en el tiempo, en forma equiespaciada (a
intervalos de tiempo iguales).
Por serie de tiempo nos referimos a datos estadísticos que se

recopilan, observan o registran en intervalos de tiempo
regulares (diario, semanal, semestral, anual, entre otros).
El término serie de tiempo se aplica por ejemplo a datos

registrados en forma periódica que muestran, por ejemplo, las
ventas anuales totales de almacenes, el valor trimestral total
de contratos de construcción otorgados, el valor trimestral del
PBI.
Para llevar a cabo un análisis de este tipo, primero se

deben identificar los componentes de la serie de tiempo,
después aplicar las técnicas estadísticas para su análisis y,
finalmente, hacer las proyecciones o pronósticos de eventos
futuros.
De esta forma, el análisis de series de tiempo es el
procedimiento por el cual se identifican y aíslan los factores
relacionados con el tiempo que influyen en los valores
observados en las series de tiempo para que una vez
identificados, estos factores puedan contribuir a la
interpretación de valores históricos de series de tiempo y
hasta entonces pronosticar valores futuros de series de
tiempo.
Las observaciones de una serie de tiempo serán denotadas

por
Y(t1), Y(t2) ,... , Y(tn)
donde Y(ti) es el valor tomado por el proceso en el instante ti.

Ejemplos de series de tiempo
1. Economía: Precios de un articulo, tasas de desempleo, tasa

de inflación, índice de precios, precio del dólar, precio del
cobre, precios de acciones, ingreso nacional bruto, etc.
2. Meteorología: Cantidad de agua caída, temperatura máxima

diaria, Velocidad del viento (energía eólica), energía solar, etc.
3. Geofísica: Series sismológicas.

4. Química: Viscosidad de un proceso, temperatura de un

proceso.
5. Demografía: Tasas de natalidad, tasas de mortalidad.
6. Medicina: Electrocardiograma, electroencéfalograma.
7. Marketing: Series de demanda, gastos, utilidades, ventas,

ofertas.
8. Telecomunicaciones: Análisis de señales.
9. Transporte: Series de tráfico.
...y muchos otros.

ANALISIS GRAFICO DE UNA SERIE
DE TIEMPO
Por muy simple que parezca, el paso más importante en el

análisis de series de tiempo consiste en graficar la serie.
ANALISIS GRAFICO DE UNA SERIE
DE TIEMPO
Esto debe hacerse siempre, independiente de cuán simples o

complejos sean los procedimientos que se emplean
posteriormente.
Componentes de una serie de tiempo
El gráfico de la serie permitirá detectar los siguientes

elementos:
a) Outliers:
Se refiere a puntos de la serie que se escapan de lo normal.
Si se sospecha que una observación es un outliers, se debe

reunir información adicional sobre posibles factores que
afectaron el proceso.
Por ejemplo, en un estudio de la producción diaria de cobre se

presentó la siguiente situación:
Outliers
b) Tendencias
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 extenso período de tiempo.
Tendencia
c) Variaciones ciclicas o estacionales
La variación estacional representa un movimiento periódico de

la serie de tiempo.
La duración del período puede ser un año, un trimestre, un

mes, un día, etc.
Variaciones cíclicas o estacionales
Se suele hacer una distinción entre componentes cíclicas y
estacionarias.
Estas últimas ocurren con períodos identificables, como la

estacionalidad del empleo, o de la venta de ciertos productos,
cuyo período es un año.
El término variación cíclica se suele referir a ciclos grandes,

cuyo período no es atribuible a alguna causa.
Por ejemplo, fenómenos climáticos, que tienen ciclos que

duran varios años.
Las tendencias y estacionalidades pueden darse
simultáneamente.
d) Variaciones irregulares o aleatorias.
Los movimientos irregulares (al azar) representan todos los

tipos de movimientos de una serie de tiempo que no sea
tendencia, variaciones estacionales y fluctuaciones cíclicas.
Modelos Clásicos
Un modelo clásico de series de tiempo, supone que la serie

Y(1), ..., Y(n) puede ser expresada como suma o producto
de tres componentes:
tendencia,
componente estacional,
término de error aleatorio.

1. Y(t) = T(t)+E(t)+A(t) Modelo aditivo
2. Y(t) = T(t) E(t) A(t) Modelo multiplicativo
donde:
T: Tendencia de la serie.
E: Variación Estacional.
A: Variaciones aleatorias.
El gráfico siguiente muestra la serie y sus componentes,

para el caso aditivo.
El problema que se presenta es modelar adecuadamente las
componentes de la serie.
Estudio de la tendencia
La tendencia es la dirección que en general sigue

la serie cronológica, que se puede visualizar con
facilidad a partir de la gráfica de la poligonal de la
serie. Hay series cuyos valores crecen con cierta
frecuencia, entonces se trata de una serie de
“tendencia ascendente o creciente”; en tanto hay
otros valores que en su mayoría decrecen, se trata
de una serie con “tendencias descendentes”; por
último existen series que no es fácil advertir su
tendencia.
El estudio de la tendencia es de suma

importancia para determinar el probable
comportamiento de los datos en el futuro.
Las proyecciones de la tendencia,
concretamente la proyección de la serie
cronológica, constituye el aspecto más
importante de la planificación social,
económica, educacional de mediano y largo
plazo.
Un empresario que programa la instalación
de una fabrica necesita saber cual será la
demanda de su producto dentro de cinco,
diez o más años. El planificador de la
educación, para programar la expansión de
la atención educativa y las metas de
formación de maestros, tiene que conocer
cuál será la población en “edad escolar” en
los diez siguiente años.
Expresada la tendencia por una función
matemática, es relativamente fácil proyectar
la serie y obtener valores estimados para Y,
evidentemente que los futuros valores tiene
un error o sesgo, cuya dimensión depende
de la validez y significación de los datos de
la serie, período elegido y del método
utilizado para analizar la tendencia.
El método estadístico elegido, dependerá de una parte, del
comportamiento de la variable en el tiempo, que se deduce
de la forma del poligonal y, de otra parte, del objetivo de la
estimación.
La tendencia de una serie se puede determinar y estimar
por dos métodos generales, uno gráfico y otro analítico, el
segundo es más utilizado. Así se tiene:
a) Método de los Promedios Móviles (Método gráfico)
b) Método del Ajuste de una Línea o función (Método
analítico)
Método de promedio móviles
Es un método de apreciación gráfica, cuyo objetivo es

simplemente suavizar la línea poligonal que represente la
serie cronológica. Este método requiere de cálculos muy
simples y no está forzado a adaptarse a ninguna función
matemática; aquí la poligonal original se transforma en otro
poligonal más suave, y por tanto debe ayudar a definir la
tendencia de la serie.
El método de los promedios móviles sólo sirve para
conocer aproximadamente la tendencia de la serie, y no
permite realizar proyecciones y estimación de valores de
Yi.
SUAVIZAMIENTO DE SERIES DE TIEMPO
Una forma de visualizar la tendencia, es mediante

suavizamiento de la serie.
La idea central es definir a partir de la serie observada una

nueva serie que filtra o suaviza los efectos ajenos a la
tendencia (estacionalidad, efectos aleatorios), de manera que
podamos visualizar la tendencia.
Serie original Serie suavizada
Promedio Móvil
Este método de suavizamiento es uno de los más usados para

describir la tendencia.
Consiste en fijar un número k, preferentemente impar, como 3,

5, 7, etc., y calcular los promedios de todos los grupos de k
términos consecutivos de la serie.
Se obtiene una nueva serie suavizada por promedios móviles

de orden k.
De este modo se tienden a anular las variaciones aleatorias.

Por ejemplo, consideremos una serie de seis observaciones y fijemos
el orden k=3.
Entonces los términos de la serie suavizada son

t Y t  Z (t ) media móvil de orden k  3
______________________________________
1 Y (1) 
Y (1)  Y (2)  Y (3)
2 Y (2) Z(2) 
3
Y (2)  Y (3)  Y (4)
3 Y (3) Z(3) 
3
Y (3)  Y (4)  Y (5)
4 Y ( 4) Z( 4) 
3
Y (4)  Y (5)  Y (6)
5 Y (5) Z(5) 
3
6 Y ( 6) 
Nótese que Z(1) y Z(6) no se pueden calcular.
En general, se pierden k/2 términos en cada extremo.

EJEMPLO 1
Precio del dólar observado, días miércoles, enero a junio

año 2003.
Fuente: Banco Central de Perusalen.
En las columnas 3 a 6, se entregan los promedios

móviles de orden 3, 5, 7 y 9, respectivamente.
mes precio k=3 k=5 k=7 k=9
Ene 713.4
712.6 717.5
726.6 725.4 725.7
737.1 734.2 731.6 730.3
Feb 738.9 739.7 737.2 736.2 735.5
743.1 740.7 742.9 742.0 740.1
740.2 746.2 746.0 746.0 742.8
755.3 749.4 749.2 745.9 743.0
Mar 752.8 754.3 747.9 744.4 742.2
754.8 748.0 745.5 742.5 740.1
736.5 739.9 740.4 739.6 737.4
728.3 731.5 733.9 734.4 734.7
Abr 729.8 726.0 726.6 729.2 729.2
720.0 722.8 722.6 722.1 723.4
718.7 718.4 718.0 717.1 716.7 Precio de
Med
716.5 713.5 712.3 712.2 714.2
May 705.3 707.7 707.2 709.9 712.4
760
701.2 700.2 706.2 708.8 710.5
740
694.2 703.1 705.3 708.0 710.2
precio $
720
713.7 706.7 706.9 708.2 708.8
700
Jun 712.2 713.0 710.1 708.2 707.3
680
713.0 714.2 712.5 708.5 660
717.4 712.1 710.3
b
ne
706.0 708.8
Fe
M
E
Jul 703.1
La serie original aparece graficada a continuación.
Precio del dolar observado 2003
760.0
740.0
precio $
720.0
700.0
680.0
660.0
e
l
ar
br
n
ay
Ju
En
Fe
Ju
M
sem anaM
Los gráficos siguientes corresponden a las medias móviles. Se
observa cómo a medida que aumenta el orden, el efecto del
suavizado es mayor. Pero también se pierden más datos en los
extremos.
Precio del dolar observado 2003 Precio del dolar observado 2003
Media móvil orden 3 Media móvil orden 5
760 760
740 740
precio $
precio $
720
720
700
680 700
660 680
e
b
r
l
n
n
y
y
Ju
Ju
Ma
Ab
Ma
Ab
En
Fe
En
Fe
Ma
Ma
Ju
Ju
semana semana
Precio del dolar observado 2003 Precio del dolar observado 2003
Media móvil orden 7 Media móvil orden 9
760
740 760
precio $
precio $
740
720
720
700 700
680 680
e
l
n
y
l
r
n
Ju
y
Ma
Ab
Ju
Ma
Ab
En
Fe
Ma
Ju
En
Fe
Ma
Ju
semana semana
El suavizamiento de media móvil es muy fácil de aplicar,
permite visualizar la tendencia de la serie. Pero tiene dos
inconvenientes:
No es posible obtener estimaciones de la tendencia en

extremos y no entrega un medio para hacer predicciones.
Si la serie presenta un efecto estacional de período k, es

conveniente aplicar un suavizamiento de media móvil de
orden k.
En tal caso se elimina el efecto estacional, junto con la

variación aleatoria, observándose solamente la tendencia.
Ejemplo
Considerar la serie correspondiente a la
Exportación de Café Peruano. Período
1975-1997, del Cuadro N° 1.
a) Calcular los promedio móviles cuando el
subconjunto es de orden 3.
b) Calcular los promedio móviles cuando el
subconjunto es de orden 5.
c) Graficar los promedio móviles.
Cuadro N° 1
Exportación de café peruano, 1975-1999
(Miles de T.M.)
Años (t) Exportación (Y)
1975 42.2
1976 46.9
1977 44.5
1978 53.5
1979 44.2
1980 45.3
1981 43.3
1982 55.4
1983 52.0
1984 60.0
1985 75.0
1986 70.0
1987 50.0
1988 84.0
1989 64.0
1990 72.0
1991 72.0
1992 63.0
1993 49.0
1994 68.0
1995 105.0
1996 100.0
1997 98.0
1998 114.9
1999 145.9
SUAVIZAMIENTO EXPONENCIAL
Este modelo se basa en que una observación suavizada, en

tiempo t, es un promedio ponderado entre el valor actual de la
serie original y el valor de la serie suavizada, en el tiempo
inmediatamente anterior.
Si Y(t) representa la serie de tiempo original, y Z(t) la serie de

tiempo suavizada, entonces lo anterior se puede escribir
Z(t)  a  Y(t)  (1- a)  Z(t -1)

en que a es un número entre 0 y 1.
Si a es cercano a 1, la serie suavizada pondera más
fuertemente el valor original, luego ambas se parecen, y en
consecuencia, el suavizamiento es poco.
Si a se acerca a 1/2, se ponderan moderadamente la serie

original y la suavizada, por lo que el suavizamiento es
moderado.
Si a es cercano a cero, (1-a) es cercano a 1, y la serie

suavizada pondera más fuertemente el valor suavizado
inmediatamente anterior, por lo que el suavizado es
importante.
Consecuencia de la fórmula anterior es que la serie suavizada
se puede expresar como
Z(t )  a  Y(t )  a  (1- a)  Y(t 1)  a  (1- a) 2  Y (t  2)  a  (1- a) 3  Y (t  3)     
Es decir, cada término suavizado es un promedio ponderado

de todos los términos históricos de la serie original, con
ponderaciones
a, a  (1  a), a  (1  a) 2 , a  (1  a) 3 , a  (1  a) 4 ,
etc.
Como a está entre 0 y 1, estos números se van achicando a
medida que avanzan.
Eso significa que a medida que nos alejamos hacia el pasado,

los término van influyendo cada vez menos en el término
presente.
La rapidez con que disminuye la influencia es mayor mientras

más grande (cercano a 1) es a.
Los gráficos siguientes muestran las ponderaciones de los

términos hacia el pasado, cuando a = 0.3 y cuando a = 0.7
Criterio para elegir a:
Si la serie varía lentamente, se eligen valores de a cercanos

a 0. (valor típico a = 0.3).
En cambio, si varía bruscamente, se eligen valores de a

cercanos a 1 (valor típico a = 0.7).
El método de suavizamiento exponencial sirve para hacer
predicciones, pero sólo de un valor, siguiente al último
valor observado.
Si se tienen observaciones Y(t), Y(t-1), Y(t-2), ... Y(t-k).
Si tratáramos de obtener el término Z(n+1) con la fórmula

para el suavizamiento exponencial, nos daría
Si tratáramos de obtener el término Z(n+1) con la fórmula
para el suavizamiento exponencial, nos daría
Z(n  1)  a  Y(n  1)  (1- a)  Z(n)
pero como no tenemos una observación Y(n+1), la

aproximamos por Y(n).
Por lo tanto podemos hacer una predicción para Y(n+1) con la

fórmula del suavizamiento exponencial modificada de la
siguiente forma:
pero como no tenemos una observación Y(n+1), la
aproximamos por Y(n).
Por lo tanto podemos hacer una predicción para Y(n+1) con la

fórmula del suavizamiento exponencial modificada de la
siguiente forma:
Z(n  1)  a  Y(n)  (1 - a)  Z (n)
Si se intentara hacer más de una predicción, daría el mismo

valor, por eso que sólo se usa para predecir un valor a la vez.
Sin embargo, en la práctica, cada vez que aparece una
nueva observación real, se actualiza la fórmula anterior,
pera predecir la siguiente.
Así, cada vez que el tiempo avanza en una unidad, se

predice un nuevo valor a futuro.
El valor de a se que sirve mejor se suele buscar por un

sistema de prueba y error, hasta encontrar el que permite
predecir mejor.
EJEMPLO 2
En la página siguiente se muestra el Producto Interno Bruto

trimestral de Perusalen, desde el primer trimestre de 1996
hasta el primer trimestre de 2003, en millones de pesos.
Fuente: Banco Central de Perusalén.

Suavizamiento exponencial
Año Trim. PIB a = 0.3 a = 0.5 a = 0.7
1996 I 7804934 7804934 7804934 7804934
II 8038772 7875085 7921853 7968620
III 7604665 7793959 7763259 7713852
IV 7788918 7792447 7776088 7766398
1997 I 8141434 7897143 7958761 8028923
II 8431424 8057427 8195093 8310674
III 8238641 8111791 8216867 8260251
IV 8489194 8225012 8353030 8420511
1998 I 8658075 8354931 8505553 8586806
II 8910964 8521741 8708258 8813716
III 8468861 8505877 8588559 8572317
IV 8338698 8455723 8463629 8408784
1999 I 8572437 8490737 8518033 8523341
II 8571428 8514945 8544730 8557002
III 8334807 8460903 8439769 8401465
IV 8636370 8513543 8538069 8565899
2000 I 8887713 8625794 8712891 8791169
II 8972978 8729949 8842935 8918435
III 8704303 8722255 8773619 8768543
IV 8971751 8797104 8872685 8910788
2001 I 9175377 8910586 9024031 9096000
II 9342846 9040264 9183438 9268792
III 8960882 9016449 9072160 9053255
IV 9146981 9055609 9109571 9118863
2002 I 9292810 9126769 9201190 9240626
II 9503990 9239935 9352590 9424981
III 9179436 9221786 9266013 9253099
IV 9435570 9285921 9350792 9380829
2003 I 9621810 9386688 9486301 9549516
Junto a los datos se muestran tres suavizamientos
exponenciales con a=0.3, a=0.5 y a=0.7.
Como no hay datos indefinidamente hacia el pasado, los

primeros términos de la serie suavizada salen algo
distorsionados, pues no consideran suficientes términos
hacia atrás.
La forma de calcular es la siguiente, partiendo del primer
trimestre 1996, que llamaremos t=1 :
Z(1) = X(1)
Z(2) = a Y(2)+(1-a) Z(1)
Z(3) = a Y(3)+(1-a) Z(2)
etc.
Como se ve, Z(1) no contiene toda la historia hacia atrás,
Z(2) sólo un termino hacia el pasado, Z(3) sólo 2, etc.
Los gráficos de la serie y los tres suavizamientos se

muestran a continuación.
Producto Interno Bruto Producto Interno Bruto

Suavizam iento exponencial a = 0.3
11.000.000
11000000
PIB
PIB
7.000.000 7000000
96 997 998 999 000 001 002 003 96 997 998 999 000 001 002 003
19 1 1 1 2 2 2 2 19 1 1 1 2 2 2 2
trim estre-año trim estre-año
Producto Interno Bruto Producto Interno Bruto

Suavizam iento exponencial a = 0.5 Suavizam iento exponencial a = 0.7
11000000 11000000
PIB
PIB
7000000
7000000
96
97
98
99
00
01
02
03
19
19
19
19
20
20
20
20
96
97
98
99
00
01
02
03
trim estre-año
19
19
19
19
20
20
20
20
trim estre-año
En los gráficos se puede apreciar que cuando la constante a
es pequeña, cercana a cero, el suavizamiento es
significativo.
A medida que aumenta a acercándose a 1, el suavizamiento

es menos y la serie suavizada se parece más a la serie
original.
Se dispone de 29 datos. Es posible hacer una predicción del
término de orden 30, que corresponde al segundo trimestre de
2003, mediante la fórmula
Y(30) = a Y(29) + (1-a) Z(29)
En el caso de a=0.3, se tiene
Y(30) = 0.3 * 9621810 + 0.7 * 9386688 = 9457224 millones de

pesos.
En el caso a=0.5, la predicción da 9554055 millones de pesos. Y en

el caso a=0.7, se obtiene el valor 9600122 millones. Observando el
gráfico, ¿cuál de las tres predicciones parece ser mejor?
Ajuste de una función de tendencia
Consiste en elegir una función matemática que

mejor represente la tendencia de la serie. Se trata
de sustituir la línea poligonal por una función
matemática conocida y que facilite analizar la
tendencia y perspectiva de la serie cronológica;
esta función proporcionará una idea del
comportamiento histórico de las variables y lo más
importantes es que permite estimar los valores
futuros de la variable.
Ajuste de una función de tendencia
Para definir la función de ajuste es recomendable:

• Graficar la línea poligonal de la serie;
• Analizar gráficamente la tendencia y forma de la
poligonal;
• Definir la función de ajuste, calcular los parámetros y la
ecuación respectiva.
La funciones de tendencia más conocidas son: la línea
recta, la parábola, la curva exponencial y la función
logística.
Las series cronológicas tienen dos variables (t,Y),
entonces son funciones de la forma Y=f(tiempo) o Y=f(t)
donde X representaría al tiempo.
ESTIMACIÓN DE LA TENDENCIA
Hay varios métodos para estimar la tendencia T(t), uno de

ellos es utilizar un modelo de regresión lineal.
Se pueden utilizar otros tipos de regresiones, como regresión

cuadrática, logística, exponencial, entre otros.
Tendencia lineal: Ajuste de una línea recta
La ecuación más sencilla de una línea recta es Y = a + bX;

función de primer grado en X cuyos parámetros son “a” y
“b”. Con esta ecuación hallar la línea de tendencia, que
permite estimar Y (producción, consumo, población, etc) en
función del tiempo.
El método de los mínimos cuadrados (MMC) es el más
utilizado para ajustar o determinar líneas de tendencias;
por su precisión, las desviaciones o sesgos de los valores
originales de la serie respecto a la línea ajustada son
mínimos.
Tendencia lineal: Ajuste de una línea recta
El procedimiento para determinar la línea recta de

tendencia es similar al seguido en el caso de las
líneas de regresión, aquí la variable X
representará el tiempo. Se tiene que obtener los
parámetros “a” y “b” se requiere de las ecuaciones
normales:
∑Y = an + b∑X
∑XY = a∑X + b∑X2
Donde las sumatorias se obtiene de los datos de
la serie cronológica.
Ejemplo
Considerando la Serie Cronológica de la Deuda
Externa Total del Perú para el período 1983-1999
(Cuadro N° 2).
Determinar:
a) La gráfica de la serie;
b) La línea recta de tendencia;
c) Graficar la recta de tendencia
d) La deuda estimada para los años 2001 y 2002.
Cuadro N° 2
Deuda externa del Perú, periodo 1983-1999
(Millones de Dólares)
Años (t) Deuda Externa (Y)

1983 11849
1984 12877
1985 14904
1986 17634
1987 17964
1988 20337
1989 21453
1990 22856
1991 25444
1992 26612
1993 27447
1994 30191
1995 33378
1996 33805
1997 28642
1998 29477
1999 27970
EJEMPLO 3: La tabla presenta parte de los datos de una serie
de energía eléctrica. Son 24 datos mensuales referentes a
los años 1977 a 1978.
Consumo de Energía Eléctrica
t Y(t) t Y(t)
1 84,6 13 110,3
2 89,9 14 118,1
3 81,9 15 116,5
4 95,4 16 134,2
5 91,2 17 134,7
6 89,8 18 144,8
7 89,7 19 144,4
8 97,9 20 159,2
9 103,4 21 168,2
10 107,6 22 175,2
11 120,4 23 174,5
12 109,6 24 173,7
Gráfico de la serie:
Consum o electrico
200
consumo
150
100
50
0
11
13
15
17
19
21
23
1
m es
El modelo de tendencia propuesto es un modelo de regresión
lineal:
Y(t) = 0 + 1 t + A(t)
Recurriendo al método de mínimos cuadrados se estiman

los parámetros y se obtiene
T(t)  68.45  4.24* t

La serie sin tendencia es de la siguiente manera:
Consum o electrico
20,00
10,00
consumo
0,00
11
13
15
17
19
21
23
1
-10,00 9
-20,00
m es
Se observa un ciclo que dura casi todo el período observado,

de 24 meses.
ESTIMACION DE LA COMPONENTE ESTACIONAL
Para estimarla, se debe conocer el período, y se deben tener

datos de varios períodos consecutivos.
Por ejemplo, datos mensuales, estacionalidad de un año.
El ejemplo siguiente ilustra la forma de obtener la

componente estacional.
EJEMPLO 4.
Indicador Mensual de Actividad Económica (IMACEC). Base

del índice : 1996=100
Corresponde al nuevo Indicador Mensual de Actividad

Económica (Imacec), estructurado a base de la matriz
insumo-producto de 1996. La cobertura de este indicador
comprende casi la totalidad de las actividades económicas
incluidas en el PIB.
Las cifras de 2000 y 2001 son provisionales.

Las cifras de 2002 y 2003 son preliminares.
1996 1997 1998 1999 2000 2001 2002 2003
Enero 99.6 105.0 110.8 109.2 112.6 116.4 119.7 122.6
Febrero 94.9 98.6 104.3 103.7 107.6 111.8 113.0 118.3
Marzo 105.4 109.1 117.5 116.4 121.2 124.3 124.4 128.8
Abril 103.4 108.1 116.1 108.0 113.8 118.0 122.0 125.3
Mayo 104.2 109.2 114.4 111.2 117.9 121.7 123.0 126.1
Junio 101.3 106.5 111.9 110.0 113.1 119.1 120.1
Julio 98.7 107.1 110.9 106.4 112.3 116.0 118.9
Agosto 98.7 105.6 109.0 108.1 113.4 116.9 119.1
Septiembre 94.8 103.8 105.4 105.7 108.6 111.4 114.6
Octubre 102.0 110.9 107.7 109.2 115.4 118.4 121.7
Noviembre 98.0 106.8 106.1 110.7 114.9 117.3 119.9
Diciembre 99.2 108.4 106.5 111.9 114.4 115.7 120.9
Indicador Mensual Actividad Económica
140.0
120.0
100.0
IMACEC
80.0
60.0
40.0
20.0
0.0
96
97
98
99
00
01
02
03
19
19
19
19
20
20
20
20
m es-año
Se estima la tendencia por el método de mínimos
cuadrados, de regresión lineal
Y (t )  a  bt  A(t )
dando el siguiente resultado:
Intercepto a = 100.3 . Corresponde al valor de
partida.
Pendiente b = 0.253 . Corresponde al aumento medio
mensual.
Coeficiente de determinación R2 = 0.74, que indica un
ajuste moderadamente bueno.
El error estándar de los errores se estimó en 3.98.
La recta de regresión correspondiente a la tendencia se
muestra en el siguiente gráfico:
Tendencia Indicador Mensual Actividad

Económica
140
120
100
IMACEC
80
60
40
20
0
96
97
98
99
00
01
02
03
19
19
19
19
20
20
20
20
m es-año
Asumiremos un modelo clásico aditivo.
Entonces para obtener una estimación de la estacionalidad,

restamos los valores ajustados de la tendencia a los datos,
obteniendo una serie sin tendencia.
Luego promediamos todos los valores de enero, los de

febrero, los de marzo, etc., obteniendo doce valores
mensuales promedio:
Mes Prom.
Compone nte Cíclica Indicador M e nsual
Enero 0.8 Activ idad Económica
Febrero -4.9
Marzo 6.7 20
Abril 2.4 15
Mayo 3.8 10
IMACEC
Junio 0.8 5
Julio -1.2 0
Agosto -1.3 -5
Septiembre -5.4 -10
Octubre 0.2
96
97
98
99
00
01
02
Noviembre
19
19
19
19
20
20
20
-1.7
m es-año
Diciembre -1.5
Se observan valores altos a partir de marzo, y bajos en
torno a septiembre.
Si recomponemos la serie con tendencia y componente

cíclica, sin la componente aleatoria, tenemos la situación
que se ilustra en el gráfico siguiente:
Te nde ncia más Compone nte Cíclica Indicador
M e nsual Activ idad Económica
140
120
100
IMACEC
80
60
40
20
0
96
97
98
99
00
01
02
19
19
19
19
20
20
20
m es-año
Con esto se pueden hacer predicciones futuras, extrapolando
la recta de regresión y sumándole la componente cíclica del
mes correspondiente.
Dentro de un rango limitado, estas predicciones pueden ser

acertadas.
A continuación se muestra el gráfico de la componente

aleatoria sola.
Compone nte Ale atoria Indicador M e nsual
Activ idad Económica
20
15
10
IMACEC
-5
-10
96
97
98
99
00
01
02
19
19
19
19
20
20
20
m es-año
Si se usa el modelo multiplicativo, el procedimiento es

parecido.
Nota: Junto con las series de datos como esta, el Banco Central también
entrega series sin tendencia y desestacionalizadas.
La tendencia parabólica
Algunas veces, de acuerdo a la forma de la gráfica de la serie o
de la naturaleza de los datos, no es significativo describir la
tendencia de una serie cronológica mediante una recta;
conviene utilizar funciones no lineales para ajustar la tendencia;
tales como la parábola, la función exponencial, etc.
La tendencia parabólica, significa utilizar la ecuación de la
parábola de la forma:
Y = a + bX + cx2
Que tiene 3 parámetros: a, b, c. De acuerdo al Método de los
Mínimos Cuadrados, las ecuaciones normales para obtener
(a,b,c) son ahora:
La tendencia parabólica
∑Y = an + b∑X + c∑X2
∑XY = a∑X + b ∑X2 + c ∑X3
∑X2Y = a∑X2 + b ∑X3 + c∑X4
Si se elige para X una escala, de modo que ∑X = 0 también resulta que ∑X3 =
0, luego las tres ecuaciones normales son ahora:
(1) ∑Y = an + c∑X2
(2) ∑XY = b ∑X2
(3) ∑X2Y = a∑X2 + c∑X4
Ejemplo
Determinar la ecuación parabólica de la
serie cronológica de la evolución del número
de ingresantes anuales a las universidades
del Perú, en el Periodo 1989-2000. (Cuadro
N° 3)
Cuadro N° 3
Número de ingresantes a la universidad peruana, 1989-2000
(Miles de Personas)
Años (t) Ingresantes (Y)
1989 74.8
1990 73.2
1991 80.5
1992 81.7
1993 83.7
1994 83.2
1995 89.5
1996 91.3
1997 92.8
1998 94.3
1999 95.9
2000 96.0
Tendencia exponencial
Existen muchas series cronológicas que tienden a variar
(ascender o descender) en forma geométrica, cuya
tendencia se puede expresar mediante una curva
exponencial. Ejemplo: el crecimiento de la población
demográfica, la evolución del ingreso nacional, los
depósitos de ahorro, etc.
La tendencia exponencial de una serie, se describe por la
forma exponencial de la forma:
Y* = a·bX
Dónde a, b son los parámetros y la variable X
(tiempo) está como exponente.
Conviene expresar esta función en su forma
logarítmica, a saber:
Log Y* = log a + X log b
Con ecuaciones normales:
∑ log Y = n log a + log b ∑ X
∑ X log Y = log a ∑ X + log b ∑ X2
De donde se obtiene el valor de los parámetros
log a, log b; de los cuales tomando los antilog, se
obtiene a, b.
En la ecuación Y* = a·bX
Se tiene que b = 1 + i donde “i” es la tasa de
crecimiento, ahora la ecuación será:
Y* = a·(1+i)X
Que corresponde a la fórmula del interés
compuesto.
Ejemplo:
Determinar la tendencia exponencial de la
evolución del Ingreso de Divisas del Sector
Turismo del Perú, observado en el periodo
1984-1999. El monto de Ingresos de Divisas
en millones de dólares se presenta en el
siguiente cuadro:
Ingreso de divisas del sector turismo del Perú. Periodo 1989-1999
(Millones de Dólares)
Años (t) Divisas (Y)
1989 248
1990 217
1991 225
1992 156
1993 215
1994 331
1995 428
1996 670
1997 816
1998 845
1999 890
Variaciones estacionales
Las variaciones estacionales de una serie cronológica son las
oscilaciones que se repiten casi sistemáticamente en los
subperíodos de tiempo (trimestre, meses, semanas, etc.). Por
ejemplo, si analizamos para varios años las ventas
mensuales en las librerías encontraremos que los meses de
marzo y abril presentan mayores ventas, en tanto que en el
mes de agosto son menores; por su parte, los supermercados
experimentan las mayores ventas en la ultima semana de
cada mes; el mayor consumo de energía domestica ocurre en
los meses de invierno; posiblemente el mayor número de
horas-hombres perdidas por paralizaciones laborales se
presenta en el primer trimestre de cada año. Las siembras y
las cosechas son de tipo estacional.
El análisis de las variaciones estacionales suele
facilitar la explicación e interpretación de algunos
acontecimientos económicos, sociales y políticos.
Tener una idea de las variaciones estacionales,
ayuda a tomar algunas decisiones y programar
actividades; por ejemplo, si un empresario advierte
que frecuentemente en el mes de agosto ocurre
una reducción de sus ventas, es posible que para
ese mes no comprometa fuertes pagos o
inversiones.
Existen diversos métodos para medir y explicar las
variaciones estacionales de una serie. El objetivo
fundamental de la mayoría de los métodos es
obtener ÍNDICES ESTACIONALES.
Una serie cronológica puede o no tener variación
estacional; por lo tanto, antes de decidir el cálculo
de los índices estacionales debe examinarse
cuidadosamente las variaciones con el auxilio de
la gráfica de la serie.
Ejemplo:
Cuadro N° 4
Venta trimestral de zapatos de una red de zapaterías en los años,
2007, 2008 y 2009.
Trimestre 2007 2008 2009
I 5443 5881 6253
II 7142 7906 8424
III 6781 7423 7928
IV 7658 8110 8907
Total Anual 27024 29320 31512
Fuente: Estadísticas de ventas de Zapaterías Don Pie.
Elaboración: Estudios y Ediciones R.A.
Analizar los datos con ayuda de gráficos.

Entre los diversos métodos para obtener
índices estacionales, los más sencillos son:
a) Método del porcentaje promedio.
b) Método de las medias simples.
Método del porcentaje promedio
Es uno de los métodos más simples y rápidos para determinar
los “índice estacionales”. El método plantea lo siguiente:
• Sumar los datos de cada año y obtener el valor promedio de
cada subperíodo (meses, trimestres, etc.).
• Expresar los datos originales (Y) de cada año en términos
porcentuales respecto al promedio anual.
• Hallar el promedio de los porcentajes de cada mes o trimestre
de los distintos años, este valor constituye el Índice
Estacional.
Nota.- Para analizar las variaciones estacionales, es
recomendable tener información por lo menos para tres años
dividido en subperíodos (meses, trimestres, etc.).
Ejemplo:
Considerando el número mensual de
accidentes de trabajo en una fábrica durante
5 años (2001 al 2005), indicados en el
Cuadro N° 5, realice el procedimiento del
Método del Porcentaje Promedio.
Cuadro N° 5
Número mensual de accidentes de trabajo en una fabrica textil. Años:
2001-2005
Meses Años
2001 2002 2003 2004 2005
Enero 12 18 20 22 24
Febrero 18 24 28 26 26
Marzo 18 18 24 23 24
Abril 19 24 30 36 36
Mayo 18 29 30 35 40
Junio 12 25 28 31 37
Julio 3 6 9 12 15
Agosto 6 9 11 17 18
Setiembre 4 7 13 15 18
Octubre 12 16 18 22 23
Noviembre 14 18 20 24 26
Diciembre 15 24 28 30 30
Total Anual 151 218 259 293 317
Fuente: Departamento de Seguridad Industrial.
Elaboración: Estudios y Ediciones S.A.
Método de las medias simples
Llamado frecuentemente el Método de los Promedios
Simples ajustados por la tendencia. Este método elimina
los efectos de los movimientos cíclicos (C) e irregulares (I)
que se presentan en algunas series, considerando la
media o promedio de los datos para cada mes (trimestre u
otra unidad del tiempo). A diferencia del método del
porcentaje promedio, aquí se tiene en cuenta el efecto de
la tendencia en el Índice Estacional. Se supone que los
efectos de las distintas componentes de una serie, están
basados en un modelo aditivo: Y = T+E+C+I. Cuando se
elimina las variaciones cíclicas (C) y las irregulares (I)
mediante el cálculo de promedios, el modelo se reduce a:
Ȳi = Ti + Ei es decir Ei = Ȳi - Ti
Dónde:
Ȳi = promedio simple de los valores de Y para el mes i (i=1,
2,…,12) o trimestre (i=1,2,3,4)
Ti = desviaciones promedios correspondientes para cada
mes o trimestre, debido a la tendencia. Este valor
constituye un término de corrección, que puede ser
positivo o negativo.
El resultado Ei = Ȳi – Ti es un estacional típico o un
promedio ajustado por la tendencia. Finalmente los valores
se usan para calcular el Índice Estacional.
La desviación promedio se calcula de una

ecuación de tendencia. En nuestro caso, con el
propósito de simplificar, sólo utilizaremos la
ecuación de tendencia lineal mínimo cuadrado;
esto significa que la desviación promedio para
cada mes o trimestre se calculará a partir del valor
de “b” en la ecuación de la recta:
Y* = a + bX
Entonces, la desviación promedio mensual será
b/12. Si se trabaja con trimestre será b/4.
El procedimiento de cálculo de los Índice Estacionales (S) es como
sigue:
1) Encontrar la media aritmética para cada mes. Con el cálculo de las
medias (Ȳi) se elimina el efecto de las variaciones cíclicas y de las
irregularidades. Estos promedios viene a formar el patrón estacional
antes de corregir el efecto de la tendencia.
2) Hallar el promedio mensual en cada uno de los años. Estas ventas
mensuales definen la tendencia de la serie, que se estima mediante
una línea recta.
3) Eliminar el efecto de la tendencia en el promedio. En este caso
calcular Yi – Ti para obtener Ei que es la “media corregida” o el
patrón de variación estacional después de eliminado el efecto de
las variaciones cíclicas y de las variaciones irregulares.
4) Determinar los índices Estacionales (Si) para lo cual se divide cada
promedio corregido (Ei) entre Ē. De esta manera se obtiene los
Índices Estacionales.
Ejemplo
Cuadro N°6
Ventas mensuales del supermercado A.B.C. 2001-2005
(Miles de dólares)
Meses Años
2001 2002 2003 2004 2005
Enero 34 35 37 39 42
Febrero 33 32 35 36 40
Marzo 41 45 49 52 54
Abril 46 42 46 49 52
Mayo 45 44 51 52 57
Junio 46 47 49 55 57
Julio 48 49 52 56 60
Agosto 44 47 48 52 53
Setiembre 41 44 44 46 50
Octubre 37 40 43 44 47
Noviembre 40 43 48 51 53
Diciembre 54 56 62 67 68
Total Anual 509 524 564 599 633
Fuente: Departamento de Seguridad Industrial.
Elaboración: Estudios y Ediciones S.A.
Calcule los Índices Estacionales (S) con el método de las medias simples. Haciendo
un análisis.
Variaciones Cíclicas
La medición de la tendencia se refiere al
comportamiento a mediano plazo de una serie
de tiempo y es, cuando menos, de un año. Por
su parte, las variaciones estacionales son las
que se manifiestan en periodos inferiores a un
año.
Las variaciones cíclicas son las que se refieren
a variaciones en plazos de varios años, que se
repiten con aproximada regularidad.
Existe el importante ciclo de negocios, o
ciclo económico, que se compone de
periodos sucesivos de prosperidad,
recesión, depresión y recuperación y que es
el resultado de variables que no tienen que
ver con el clima, las costumbres sociales y
las otras variables que dan cuenta de las
variaciones estacionales.
El análisis del componente cíclico de una serie de
tiempo se debe hacer con series de tiempo con
periodicidad cuando menos anual, ya que
periodos menores a un año incluyen las
variaciones estacionales e irregulares. Por esto,
los valores anuales de una serie de tiempo
representan solamente los componentes cíclico y
de tendencia de la serie, con lo que el modelo se
reduce a:
Y=T*C
Aquí el efecto de la variación cíclica se mide
por las razones de Y (datos originales) con
respecto a T (valores de tendencia Y*), la
tendencia se puede obtener por diversos
métodos y funciones, sin embargo, aquí
usaremos la recta mínimo cuadrada.
Nota.- Los valores porcentuales obtenidos sólo se
limitan a describir los movimientos cíclicos pasados de
la serie cronológica, da una idea de lo que ocurrió, por
tanto se puede explicar. Este comportamiento
observado no son hechos determinantes para
anticipar el comportamiento futuro de la serie, es decir,
no se puede utilizar con éxito para proyectar
variaciones cíclicas.
Sin embargo, aún cuando existen estas limitaciones,
los valores constituyen elementos referenciales en la
futura programación.
Ejercicio
En la tabla siguiente se presenta la serie
cronológica de la exportación de plomo
durante el periodo 1987-2007.
a) Elabore el gráfico adecuado y observe si
existen variaciones cíclicas.
b) Ajuste los datos de esta serie por la
tendencia.
c) Estime las variaciones cíclicas.
PERUSALEN: EXPORTACIÓN DE PLOMO. 1987-2007
(Miles de T.M.)
Años (t) Exportación (Y)

1987 166
1988 165
1989 156
1990 152
1991 146
1992 177
1993 191
1994 181
1995 174
1996 136
1997 149
1998 108
1999 169
2000 157
2001 198
2002 170
2003 196
2004 180
2005 197
2006 201
2007 211
Ejercicios
El análisis gráfico de los datos se acostumbra a resumir en
una tabla como la siguiente:
Tabla de familiarización
Estacionalidad Tendencia Aleatoria
Alta
Media
Baja
Ejercicios:
1) Para cada una de las series graficadas a continuación
realizar al análisis gráfico completando la tabla de
familiarización.
Serie A Serie B
2) Construya la grafica y la tabla de familiarización para la
siguiente serie:
Planificación de un casino
Objetivos: Planificación de compra de alimentos y

necesidades de servicio para satisfacer la demanda de
almuerzo en un gran casino.
Serie: Número de almuerzos servidos por mes en el casino
II de la Universidad de Campinas-Brasil para el período de
enero 1997 a marzo de 2000, de acuerdo a la
administración general del restaurante.
t Y(t) t Y(t) t Y(t)

1 20636 14 28183 27 63167
2 18708 15 56632 28 42520
3 62944 16 56641 29 50572
4 50272 17 56555 30 53875
5 69375 18 57185 31 27233
6 50056 19 33906 32 57942
7 20604 20 67261 33 47610
8 54947 21 52232 34 61738
9 50576 22 58232 35 51168
10 50425 23 45726 36 26370
11 44202 24 24550 37 42964
12 27604 25 30954 38 42748
13 28791 26 34295 39 62390

Series de Tiempo - Unmsm

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Series de Tiempo - Unmsm

Uploaded by

Copyright:

Available Formats

• Una de las motivaciones para el estudio del tema surge

• Esto se llama predecir.

• Es evidente que las diversas instituciones requieren conocer

• La Estadística ha desarrollado teoría y métodos que

• Sin embargo, este no puede ser resuelto por argumentos

• La predicción es una Ciencia y es un Arte, y la mayor

Una serie de tiempo es una colección o conjunto de

Por serie de tiempo nos referimos a datos estadísticos que se

El término serie de tiempo se aplica por ejemplo a datos

Para llevar a cabo un análisis de este tipo, primero se

Las observaciones de una serie de tiempo serán denotadas

Y(t1), Y(t2) ,... , Y(tn)

donde Y(ti) es el valor tomado por el proceso en el instante ti.

1. Economía: Precios de un articulo, tasas de desempleo, tasa

2. Meteorología: Cantidad de agua caída, temperatura máxima

3. Geofísica: Series sismológicas.

4. Química: Viscosidad de un proceso, temperatura de un

5. Demografía: Tasas de natalidad, tasas de mortalidad.

6. Medicina: Electrocardiograma, electroencéfalograma.

7. Marketing: Series de demanda, gastos, utilidades, ventas,

8. Telecomunicaciones: Análisis de señales.

9. Transporte: Series de tráfico.

...y muchos otros.

Por muy simple que parezca, el paso más importante en el

Esto debe hacerse siempre, independiente de cuán simples o

El gráfico de la serie permitirá detectar los siguientes

Se refiere a puntos de la serie que se escapan de lo normal.

Si se sospecha que una observación es un outliers, se debe

Por ejemplo, en un estudio de la producción diaria de cobre se

La tendencia representa el comportamiento predominante de

Esta puede ser definida vagamente como el cambio de la

La variación estacional representa un movimiento periódico de

La duración del período puede ser un año, un trimestre, un

Estas últimas ocurren con períodos identificables, como la

El término variación cíclica se suele referir a ciclos grandes,

Por ejemplo, fenómenos climáticos, que tienen ciclos que

Los movimientos irregulares (al azar) representan todos los

Un modelo clásico de series de tiempo, supone que la serie

término de error aleatorio.

2. Y(t) = T(t) E(t) A(t) Modelo multiplicativo

El gráfico siguiente muestra la serie y sus componentes,

La tendencia es la dirección que en general sigue

El estudio de la tendencia es de suma

Es un método de apreciación gráfica, cuyo objetivo es

Una forma de visualizar la tendencia, es mediante

La idea central es definir a partir de la serie observada una

Este método de suavizamiento es uno de los más usados para

Consiste en fijar un número k, preferentemente impar, como 3,

Se obtiene una nueva serie suavizada por promedios móviles

De este modo se tienden a anular las variaciones aleatorias.

Entonces los términos de la serie suavizada son

Nótese que Z(1) y Z(6) no se pueden calcular.

En general, se pierden k/2 términos en cada extremo.

Precio del dólar observado, días miércoles, enero a junio

Fuente: Banco Central de Perusalen.

En las columnas 3 a 6, se entregan los promedios

Precio del dolar observado 2003

No es posible obtener estimaciones de la tendencia en

Si la serie presenta un efecto estacional de período k, es

En tal caso se elimina el efecto estacional, junto con la

Este modelo se basa en que una observación suavizada, en

Si Y(t) representa la serie de tiempo original, y Z(t) la serie de

Z(t)  a  Y(t)  (1- a)  Z(t -1)