UNIDAD 3 ANLISIS DE SERIE DE TIEMPO

3.1 Componentes de una serie de tiempo.

Tendencia, es la componente de largo plazo que constituye la base del crecimiento o
declinacin de una serie histrica, como se presenta en la figura 1.1. Los fuerzas bsicas
que producen o afectan la tendencia de una serie son: cambios en la poblacin, inflacin,
cambio tecnolgico e incremento en la productividad. Figura 1.1 Grfica de una serie de
datos con tendencia

Ciclicidad, es un conjunto de fluctuaciones en forma de onda o ciclos, de ms de un ao de

duracin, producidos por cambios en las condiciones econmicas, como se presenta en la
figura 1.2. Representan la diferencia entre los valores esperados de una variable (tendencia)
y los valores reales (la variacin residual que flucta alrededor de la tendencia). Figura 1.2
Grfica de una serie de datos con ciclicidad.

Estacionalidad, las fluctuaciones estacionales se encuentran tpicamente en los datos

clasificados por trimestres, mes o semana. La variacin estacional se refiere a un patrn de
cambio, regularmente recurrente a travs del tiempo. El movimiento se completa dentro de
la duracin de un ao y se repite a s mismo ao tras ao, como se presenta en la figura 1.3.

Figura 1.3 Grfica de una serie de datos con estacionalidad.

Aleatoriedad, este comportamiento irregular est compuesto por fluctuaciones causadas por
sucesos impredecibles o no peridicos, como el clima poco usual, huelgas, guerras,
rumores, elecciones y cambio de leyes, como se presenta en la figura 1.4. Figura 1. 4
Grfica de una serie de datos con aleatoriedad.

Estacionaria, es aquella serie de datos cuyas propiedades estadsticas bsica, como media y
la varianza, permanecen constantes en el tiempo, se dice que una serie que no presenta
crecimiento o declinacin es estacionaria, como se presenta en la figura 1.5. Figura 1. 5
Grfica de una serie de datos estacionaria.

3.2 Mtodo de mnimos cuadrados.

Mnimos cuadrados es una tcnica de optimizacin matemtica que, dada una serie de
mediciones, intenta encontrar una funcin que se aproxime a los datos (un "mejor ajuste").
Intenta minimizar la suma de cuadrados de las diferencias ordenadas (llamadas residuos)
entre los puntos generados por la funcin y los correspondientes en los datos.
Especficamente, se llama mnimos cuadrados promedio (LMS) cuando el nmero de datos
medidos es 1 y se usa el mtodo de descenso por gradiente para minimizar el residuo
cuadrado. Se sabe que LMS minimiza el residuo cuadrado esperado, con el mnimo de
operaciones (por iteracin). Pero requiere un gran nmero de iteraciones para converger.
Un requisito implcito para que funcione el mtodo de mnimos cuadrados es que los
errores de cada medida estn distribuidos de forma aleatoria. El teorema de Gauss-Markov
prueba que los estimadores mnimos cuadrticos carecen de sesgo y que el muestreo de
datos no tiene que ajustarse, por ejemplo, a una distribucin normal. Tambin es importante
que los datos recogidos estn bien escogidos, para que permitan visibilidad en las variables
que han de ser resueltas (para dar ms peso a un dato en particular, vase mnimos
cuadrados ponderados). La tcnica de mnimos cuadrados se usa comnmente en el ajuste
de curvas. Muchos otros problemas de optimizacin pueden expresarse tambin en forma
de mnimos cuadrados, minimizando la energa o maximizando la entropa Dada una serie
de datos la recta de mejor ajuste a esos datos est dada por y = mx =b, donde la pendiente
es y la ordenada en el origen es En el caso frecuente en el que la recta deba pasar por el
origen, su ecuacin ser y la pendiente es La bondad del ajuste por mnimos cuadrados se
puede estimar calculando el coeficiente de correlacin
5. Un coeficiente de correlacin prximo a la unidad indica un buen ajuste. Debe tenerse en
cuenta que los datos experimentales estarn afectados por sus incertidumbres y por tanto
los valores de m y b tendrn tambin incertidumbre. Para determinarla de forma sencilla, se
supone que los datos en x no tienen incertidumbre y que los datos en y tienen todos la
misma uy. Entonces la incertidumbre en la pendiente est dada por donde U es el valor
mayor entre uy y oe. La incertidumbre en la ordenada en el origen es: donde U es el valor
mayor entre uy y oe. En el caso de una recta que pasa por el origen, la incertidumbre en la
pendiente es donde U es el valor mayor entre uy y oe.
6. 3.3 Mtodos de promedios mviles.
La utilizacin de esta tcnica supone que la serie de tiempo es estable, esto es, que los
datos que la componen se generan sin variaciones importantes entre un dato y otro (error
aleatorio=0)2, esto es, que el comportamiento de los datos aunque muestren un crecimiento
o un decrecimiento lo hagan con una tendencia constante. Cuando se usa el mtodo de
promedios mviles se est suponiendo que todas las observaciones de la serie de tiempo
son igualmente importantes para la estimacin del parmetro a pronosticar (en este caso los
ingresos). De esta manera, se utiliza como pronstico para el siguiente periodo el promedio
de los n valores de los datos ms recientes de la serie de tiempo. Utilizando una expresin
matemtica, tenemos: El trmino mvil indica que conforme se tienen una nueva
observacin de la serie de tiempo, se reemplaza la observacin ms antigua de la ecuacin
y se calcula un nuevo promedio. El resultado es que el promedio se mover, esto es,
conforme se tengan nuevos datos y se vayan sustituyendo en la frmula, el valor del

promedio ir modificndose. No existe una regla especfica que nos indique cmo
seleccionar la base del promedio mvil n. Si la variable que se va a pronosticar no presenta
variaciones considerables, esto es, si su comportamiento es relativamente estable en el
tiempo, se recomienda que el valor de n sea grande. Por el contrario, es aconsejable un
valor de n pequeo si la variable muestra patrones cambiantes. En la prctica, los valores de
n oscilan entre 2 y 10. El mtodo de promedios mviles es muy til cuando se tiene
informacin no desagregada y cuando no se conoce otro mtodo ms sofisticado y que
permita predecir con mayor confianza.
7. 3.4 Mtodos de suavizacin exponencial.
Otro mtodo para realizar un pronstcico es el mtodo de suavizacin exponencial. A
diferencia de los promedios mviles, este mtodo pronostica otorgando una ponderacin a
los datos dependiendo del peso que tengan dentro del clculo del pronstico. Esta
ponderacin se lleva a cabo a travs de otorgarle un valor a la constante de suavizacin, ,
que puede ser mayor que cero y menor que uno. Para nuestro ejemplo, utilizamos un valor
de = 0.8, por ser ste el que mejor ajusta al pronstico a los datos reales. El mtodo de
suavizacin exponencial supone que el proceso es constante, al igual que el mtodo de
promedios mviles. Esta tcnica est diseada para atenuar una desventaja del mtodo de
promedios mviles, en donde los datos para calcular el promedio tienen la misma
ponderacin. De manera particular, esta tcnica considera que las observaciones recientes
tienen ms valor, por lo que le otorga mayor peso dentro del promedio. La suavizacin
exponencial utiliza un promedio mvil ponderado de los datos histricos de la serie de
tiempo como pronstico; es un caso especial de promedio mvil en donde se selecciona un
solo valor de ponderacin 3. El modelo bsico de suavizacin exponencial se presenta a
continuacin: Ft+1 = Yt + (1 - )Ft (2) Donde: Ft+1 = Pronstico de la serie de tiempo
para el periodo de t + 1. Yt = Valor real del periodo anterior al ao a pronosticar. Ft = Valor
real del periodo anteanterior al ao a pronosticar. = Constante de suavizacin (0 1).
La utilizacin de esta ecuacin implica algunas especificaciones. El clculo de Ft+1 est
ligado con los 2 periodos anteriores. En otras palabras, el pronstico de suavizacin
exponencial en determinado periodo es (Ft+1) = al valor real de la serie de tiempo en el
periodo anterior (Yt) X la constante de suavizacin (), + 1 - la constante de suavizacin
() X el periodo anteanterior (Ft). Ft+1 = Yt + (1 - )Ft (2) A pesar de que la
suavizacin exponencial nos da un pronstico que es un promedio ponderado de todas las
operaciones pasadas, no es necesario guardar todos los datos del pasado a fin de calcular el
pronstico para el periodo siguiente. De hecho, una vez seleccionada la constante de
suavizacin , slo se requiere de dos elementos de informacin para calcular el pronstico.
La ecuacin (2) muestra que con un dado, podemos calcular el pronstico para el periodo
t + 1 simplemente conociendo los valores reales y pronosticados de la serie de tiempo el
periodo t, es decir, Yt y Ft. La eleccin de la constante de suavizacin es crucial en la
estimacin de pronsticos futuros. Si la serie de tiempo contiene una variabilidad aleatoria
sustancial, se preferir un valor pequeo como constante de suavizacin. La razn
8. de esta aseveracin es que gran parte del error del pronstico es provocado por la
variabilidad aleatoria, por lo que un valor pequeo de permite un pronstico mejor. Por el

contrario, para una serie de tiempo con una variabilidad aleatoria relativamente pequea,
valores ms elevados de la constante de suavizacin tienen la ventaja de ajustar con rapidez
los pronsticos cuando ocurren errores de pronstico y permitiendo, por lo tanto, que el
pronstico reaccione con mayor rapidez a las condiciones cambiantes. En la prctica, el
valor de est entre .01 y .90. Utilizando la ecuacin 2, sustituimos los valores
correpondientes para hacer el pronstico para el ao 1992. Sutituyendo valores nos
quedara: Fingresos 1992 = 0.8 (201986) + (1 0.8)(163305) Fegresos 1992 = 0.8 (189498)
+ (1 0.8)(162370) El mismo procedimiento se realiza para el resto de los aos y
obtenemos los resultados que aparecen en el cuadro 2. Una vez que se calculan los
Diplomado en Gestin Estratgica de las Finanzas Pblicas D.R. Instituto Tecnolgico y de
Estudios Superiores de Monterrey, Mxico, 2006 pronsticos de ingresos y egresos, la
diferencia entre stos nos da el ahorro, que aparece en la ltima columna del mismo cuadro.
Podemos observar que el pronstico se ajusta ms a los datos reales que en el caso de los
promedios mviles. Este mtodo nos permite realizar un pronstico ms confiable que el
caso anterior. Claramente se observa que el pronstico tiene mejor ajuste y la diferencia
entre los valores reales y los pronosticados es mnima.
9. 3.5 Tendencias no lineales.
En el caso de tendencias no lineales, los dos tipos de curvas de tendencia de uso mas
frecuente son la curva de tendencia exponencial y la curva de tendencia parablica. Una
curva de tendencia exponencial comn refleja una tasa constante de crecimiento durante un
periodo de aos. La curva exponencial debe su nombre al hecho de que la variable
independiente X es el exponente de b1 en la ecuacin general: Formula n3 b = valor de Y
en el ao 0 b1= tasa de crecimiento. De la obtencin del logaritmo de ambos lados resulta
la ecuacin de tendencia lineal logartmica: Formula n4La ventaja de la transformacin a
logaritmos es que la ecuacin lineal para el anlisis de tendencias puede aplicarse a los
logaritmos de los valores cuando la serie de tiempo sigue una curva exponencial. Los
valores logartmicos pronosticados de Y pueden reconvertirse despus a las unidades de
medida originales mediante la obtencin del antilogaritmo de los valores. Una lnea de
tendencia logartmica es una lnea curva que se ajusta perfectamente y que es muy til
cuando el ndice de cambios de los datos aumenta o disminuye rpidamente y despus se
estabiliza. Esta lnea de tendencia logartmica puede utilizar valores positivos o negativos.
En el siguiente ejemplo se utiliza una lnea de tendencia logartmica para mostrar el
crecimiento previsto de la poblacin animal en un rea determinada, donde la poblacin se
estabiliz al reducirse el espacio para los animales. Observe que el valor R cuadrado es
0,9407, que es un ajuste relativamente bueno de la lnea respecto a los datos.
10. 3.6 Variacin estacional.
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 Ii 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
11. 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 Ti 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.
12. 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

http://es.slideshare.net/f2721/unidad3analisisdeseriesdetiempo