UNIVERSIDAD NACIONAL DE HUANCAVELICA

ESCUELA PROFESIONAL DE
ECONOMIA
ENSAYO SOBRE MODELOS DE SERIES TEMPORALES
E.P. Economa
PARI TAIPE, Wilfredo
INTRODUCCION

Segn (Harvey, 1989:10). Las serie temporal es un conjunto de observaciones ordenadas en

el tiempo, como tambin es conocido como la evolucin de un fenmeno o variable a lo
largo del tiempo, si una serie temporal se puede descomponer como suma de tendencia,
estacionalidad y un componente irregular, su comportamiento se podra recoger mediante la
formulacin de un modelo de regresin cuyas variables explicativas son una tendencia
determinstica y un conjunto de variables cualitativas estacionales. Si estos componentes no
son estables, dicha formulacin sera inadecuada y sera preciso que los coeficientes de
regresin cambiaran en el tiempo. Esta flexibilidad es la que pretenden recoger los modelos
estructurales que, en tal sentido, no son ms que modelos de regresin en los que las
variables explicativas son funciones del tiempo y los parmetros varan en el tiempo

Entonces Qu entendemos por proceso estocstico?, qu es estacionariedad? Qu son los

modelos autorregresivos? Qu son los modelos de medias mviles? Qu entendemos por
el modelo ARMA (p, q)? Qu entendemos por modelos ARIMA (p, d, q) y para qu sirve?

Puntos crticos
1
Los procesos estocsticos son sucesiones de variables aleatorias que pueden tomar valores
desde el menos infinito hasta el ms infinito, los ruidos blancos es la sucesin de variables
aleatorias y con esperanza cero que es interdependiente en el tiempo, denotamos ruido
blanco {t} entonces partimos diciendo que un paseo aleatorio es un proceso estocstico
{Yt}, cuyas diferencias forman un ruido blanco.

Es proceso estocstico es estacionario en sentido estricto por que las variables aleatorias que
componen un proceso estocstico estacionario estn idnticamente distribuidas, pero
debemos tener en cuenta que la varianza y esperanza de la variable YT son totalmente
independientes en el tiempo. Generalmente nos conformamos con los conceptos de
estacionalidad en sentido dbil o de segundo orden, estos conceptos se producen cuando el
primer y segundo orden son invariantes en el tiempo.

1
Series temporales: modelo arima. Facultad de ciencias econmicas y empresariales.profe. Santiago de la fuente fernandez
 UNIVERSIDAD NACIONAL DE HUANCAVELICA
ESCUELA PROFESIONAL DE
ECONOMIA
Un proceso autorregresivo tambin denotado por AR (1) describe el proceso de las
observaciones en un momento dado son predecibles a partir de las observaciones previas del
proceso ms un trmino de error, el AR (1) o de primer orden cuya expresin matemtica
es:

El proceso autorregresivo de orden p, representado por ARIMA (p, 0,0) o simplemente por

AR (p), un proceso autorregresivo siempre es invertible

Un modelo de medias mviles MA describe una serie temporal estacionaria, en este modelo
el valor actual puede predecir a partir de la componente aleatoria de este momento. El
modelo ARIMA (0, 0, 1) tambin denotado por MA (1), viene dado por la siguiente
expresin.

El proceso de medias mviles de orden q representado por ARIMA (0, 0, 1) o tambin por
MA (q), que es expresado de la siguiente forma.

Un proceso de medias mviles siempre ser estacionario.

2
El modelo ARMA es un tipo de modelos que incluye tanto los trminos autorregresivos y
de las medias mviles y se definen como ARIMA (p, 0, q) y se presenta por la siguiente
ecuacin.

El proceso ARMA (p, q) es estacionario si lo es su componente autorregresiva y es invertible

si lo es su componente de medias mviles, un modelo ARMA (p, q) es estacionario si las
races del polinomio definido por

2AZNAR, A. Y TRIVEZ, F.J.(1993): Mtodos de Prediccin en Economa II. Anlisis de series temporales Editorial Ariel Economa,
Barcelona 1993.
 UNIVERSIDAD NACIONAL DE HUANCAVELICA
ESCUELA PROFESIONAL DE
ECONOMIA
Un modelo ARMA (p, q) es invertible si las races del polinomio en B definido mediante la
siguiente ecuacin caen fuera del crculo unidad. Esta condicin es equivalente a las races de
la ecuacin

3
Un modelo ARIMA (0, d, q) es una serie temporal que se convierte en ruido blando (proceso
puramente aleatorio) despus de ser diferenciada de d veces. El modelo (0, d, 0) se expresa
de la siguiente forma

El modelo general ARIMA (p, d, q) denominado proceso autorregresivo integrado de medias

mviles de orden p, d, q, toma la siguiente expresin

Un modelo ARIMA (p, d, q) permite describir una serie de observaciones despus de que
hayan sido diferenciadas d veces, a fin de extraer las posibilidades fuentes de no
estacionariedad. Esta frmula se puede aplicar a cualquier modelo. Si hay alguna componente
de p, d, q, igual acero, se elimina el termino correspondiente de la formula general.

Los series con tendencias secular y variacin cclica puede representarse mediante los
modelos ARIMA (p, d, q) lo cual se refiere a la tendencia secular o parte regular de la serie y
mientras que el modelo ARIMA (P, D, Q) se refiere a las variaciones o parte cclica de la
serie temporal.

Conclusin

Una serie temporal es una variable estadstica cuyas observaciones estn ordenadas
temporalmente El estudio de las series temporales es diferente al del resto de las variables
estadsticas porque el inters reside habitualmente en la evaluacin de sus cambios a lo largo

3
Prof. Rafael de Arce Prof. Ramn Maha Dpto. Economa Aplicada U.D.I. Econometra e Informtica
 UNIVERSIDAD NACIONAL DE HUANCAVELICA
ESCUELA PROFESIONAL DE
ECONOMIA
del tiempo, Desde el punto de vista probabilstico una serie temporal es una sucesin de
variables aleatorias indexadas segn parmetro creciente con el tiempo. Cuando la esperanza
matemtica de dichas variables aleatorias es constante o vara de manera cclica, se dice que
la serie es estacionaria y no tiene tendencia secular.

Referencias bibliogrficas

Alfonso novales cinca: econometra, segunda edicin. Catedrtico del departamento de economa cuantitativa facultad
de economa universidad complutense de Madrid