SERIES DE TIEMPO

En un modelo de Series de Tiempo, como en cualquier anlisis de datos,

lo que se procura es obtener un modelo estadstico que describa el
fenmeno de manera parsimoniosa (econmica en trmino de los
parmetros).
ENFOQUE DE DESCOMPOSICIN: Es tambin considerado enfoque
tradicional. Utiliza los modelos de error y de descomposicin.
Los modelos de error representan el comportamiento de las series de
tiempo en base a una parte sistemtica y una parte
aleatoria(denominada error). En la prctica, se trata de estimar los
parmetros de un polinomio (de grado k) o de una curva de crecimiento
o crecimiento limitado(exponencial, gompertz, logstica). Para
pronosticar se evala la funcin que representa la parte sistemtica en
t+k, donde k es el paso adelante en el tiempo.
Una mejora de los modelos de error, son los modelos de suavizacin
exponencial, con los cuales tambin se basan en la forma polinmica de
la serie pero con parmetros no fijos, sino que se van actualizando en el
tiempo. Los modelos de descomposicin propiamente, suponen que en
general una serie de tiempo est constituida por cuatro componentes
que son: Tendencia (Tt), Ciclos(Ct), Estacionalidad( Et) y Aleatoriedad(At).
ENFOQUE DE DOMINIO DE TIEMPO: Se basa en la asociacin de
cada valor de la serie con su propio pasado limitado ms una variable
puramente aleatoria denominada ruido blanco. Son los llamados
modelos de ARIMA o modelos Box & Jenkins.

ARIMA.temporales,

En estadstica y econometra,
un modelo

autorregresivo

en

particular

integrado

en series
de

media

mvil o ARIMA (acrnimo del ingls autoregressive integrated moving

average) es un modelo estadstico que utiliza variaciones y regresiones
de datos estadsticos con el fin de encontrar patrones para una
prediccin hacia el futuro. Se trata de un modelo dinmico de series
temporales, es decir, las estimaciones futuras vienen explicadas por los
datos del pasado y no por variables independientes.
Fue desarrollado a finales de los sesenta del siglo XX. Box y Jenkins
(1976) lo sistematizaron.
AUTOCORRELACIN.-

se

define

como

la correlacin

cruzada de

la seal consigo misma. La funcin de autocorrelacin resulta de gran

utilidad para encontrar patrones repetitivos dentro de una seal, como
por ejemplo, la periodicidad de una seal enmascarada bajo el ruido o
para identificar la frecuencia fundamental de una seal que no contiene
dicha componente, pero aparecen numerosas frecuencias armnicas de
esta.
AUTOCOVARIANZA.- La funcin de autocovarianza vendr definida por
los distintos valores que tomara dicha covarianza cuando cambiamos el
lapso temporal entre las observaciones de la serie que manejamos.
Analticamente.
AUTOREGRESIVO.- Definimos un modelo como Autoregresivo si la
variable endgena de un perodo t es explicada por las observaciones de
ella misma correspondientes a perodos anteriores aadindose, como
en los modelos estructurales, un trmino de error. En el caso de
procesos estacionarios con distribucin normal, la teora estadstica de
los procesos estocsticos dice que, bajo determinadas condiciones
previas, toda Yt puede expresarse como una combinacin lineal de sus

valores pasados (parte sistemtica) ms un trmino de error

(innovacin).

CAJAS SIMPLES: Es muy aplicado para identificar de tendencia de la

serie. Se construye agrupando los datos por ao y ordenndose en

N
uevosSolesporK
ilogram
o

,7
8
0
,6
0
,5
0
,4
0
,01
9
6
1
9
7
1
9
8
1
9
2
0
2
0
1
2
0
2
0
2
0
2
0
2
0
6
2
0
7
2
0
8
2
0
9
2
0
1
2
0
1
2
0
1
2
Y
E
A
R
,3n
o
t4p
e
ri5
o
d
c

forma ascendente, dentro de cada agrupacin anual. Cada caja resume

el comportamiento de un ao.

CICLOS(Ct): Son movimientos repetitivos a largo plazo, cuya periocidad

es mayor a un ao.

COMPONENTES DE UNA SERIE DE TIEMPO: Segn el enfoque

tradicional, una serie de tiempo est constituida por cuatro
componentes: Tendencia, Ciclos, Estacionalidad y Aleatoriedad. Toda
serie forma parte de un proceso, la no observacin de una de las
componentes no debe ser considerada como que no existe,
simplemente debe asumirse que en forma determinstica no es
observada, pero que probabilsticamente puede estar presente.
CORRELACIN: En probabilidad y estadstica, la correlacin indica la
fuerza y la direccin de una relacin lineal y proporcionalidad entre
dos variables estadsticas. Se considera que dos variables cuantitativas
estn correlacionadas cuando los valores de una de ellas varan

sistemticamente con respecto a los valores homnimos de la otra: si

tenemos dos variables (A y B) existe correlacin si al aumentar los
valores de A lo hacen tambin los de B y viceversa. La correlacin entre
dos variables no implica, por s misma, ninguna relacin de causalidad.
ENFOQUE DE DESCOMPOSICIN: Es considerado el enfoque
tradicional. Utiliza los modelos de error y de descomposicin.
ESTACIONALIDAD: Es el movimiento repetitivo a corto plazo, cuya
periocidad(o patrn de repeticin) es menor o igual a un ao.
ESTACIONARIEDAD EN SENTIDO DBIL: La esperanza y la varianza
del proceso se mantienen constantes con relacin al tiempo.
ESTACIONARIEDAD EN SENTIDO FUERTE: La esperanza y la varianza
son invariantes (no cambia al aplicarle un conjunto de
transformaciones).
ESTACIONARIO.- Se dice que un sistema fsico est en estado
estacionario cuando las caractersticas del mismo no varan con el
tiempo. En este fundamento se basan las teoras de la electrosttica y
la magnetosttica, entre otras. Suele ser la situacin a considerar en
gran parte de los supuestos de la termodinmica. El estado estacionario
tambin se conoce como el estado en el que est la naturaleza (estado
en el que se encuentra).
ESTIMADORES.- El valor de un estimador proporciona lo que se
denomina en estadstica una estimacin puntual del valor del parmetro
en estudio. En general, se suele preferir realizar una estimacin
mediante un intervalo, esto es, obtener un intervalo [a,b] dentro del cual
se espera est el valor real del parmetro con un cierto nivel de

confianza. Utilizar un intervalo resulta ms informativo, al proporcionar

informacin sobre el posible error de estimacin, asociado con la
amplitud de dicho intervalo. El nivel de confianza es la probabilidad de
que a priori el verdadero valor del parmetro quede contenido en el
intervalo.
CORRELOGRAMA.- En el anlisis de los datos, un correlograma es una
imagen de la correlacin de estadsticas. Por ejemplo, en el anlisis
de series temporales, el correlograma, tambin conocido como un
grfico de autocorrelacin, es una representacin grfica de las
autocorrelaciones de la muestra
Si

la Correlacin

cruzada se

versus
utiliza,

el

(El tiempo).
resultado

se

llama

una

correlograma cruzado. El correlograma es una herramienta comnmente

usada para el control de aleatoriedad en un conjunto de datos. Esta
aleatoriedad se determina calculando autocorrelaciones para los valores
de datos en diferentes lapsos de tiempo. Si es al azar, tales
autocorrelaciones deben estar cerca de cero para todos y todas las
separaciones de rezago de tiempo. Si no es aleatoria, una o ms de las
autocorrelaciones seguidas sern significativamente diferentes de cero.
Adems, los correlogramas se utilizan en la etapa de identificacin de
la metodologa de Box-Jenkins en modelos autorregresivos de media
mvil de series temporales. La s autocorrelaciones deben estar al azar y
cerca de cero, si el analista no comprueba la aleatoriedad, la validez de
muchas de las conclusiones estadsticas se vuelven sospechosas. La
autocorrelacin es una excelente manera de comprobar tal aleatoriedad.
Grfico de correlograma: El grfico de las autocorrelaciones se
denomina correlograma y se espera que una serie de tiempo sea
estacionaria presente un patrn decreciente de las autocorrelaciones,
siendo siempre las primeras mayores que las siguientes.

ACF

N
u
e
v
o
s
S
o
l
e
s
p
o
r
K
i
l
o
g
r
a
m
o
C
o
e
f
i
c
e
n
t
,0
1
0
L

m
t
d
c
n
a
z
s
u
p
e
r
i
o
o
f
i
i
n
f
,0
5
,

--0
,1
5
,01
2
3
4
5
6
7
8
1
0
1
2
1
3
4
1
5
6
N

m
.d
e
r9ta
rd
o
s

HOMOCEDASTICIDAD RESIDUAL.- cuando la varianza del error de la

variable endgena se mantiene a lo largo de las observaciones. En otras
palabras, la varianza de los errores es constante.
Un modelo estadstico relaciona el valor de una variable a predecir con
el de otras. Si el modelo es insesgado, el valor predicho es la media de
la variable a predecir. En cualquier caso, el modelo da una idea del valor
que tomar la variable a predecir.
MEDIA MVIL.- aquellos casos particulares del proceso lineal general
en los que nicamente los q primeros coeficientes son no nulos, estos
procesos siempre sern estacionarios.
MODELIZACIN: Es un constructo mediante el cual es posible
reproducir el comportamiento de un proceso y estudiar sus
manifestaciones.
NO MARKOVIANO: Existencia de asociacin entre el momento actual y
el pasado inmediato.
PARSIMONIA-. Aquel modelo que tiene menor grado y es el que explica
mejor a la serie

PERIODOGRAMA.- En la prctica, el periodograma a menudo se calcula

a

partir

de

una

secuencia

digital

de

longitud

finita

usando

la transformada rpida de Fourier (FFT). El periodograma prima no es

una buena estimacin espectral debido a sesgo espectral y el hecho de
que la varianza en una determinada frecuencia no disminuye como el
nmero de muestras utilizadas en el clculo se incrementa.
PROCESO ESTOCSTICO.- Es un concepto matemtico que sirve para
caracterizar una sucesin de variables aleatorias (estocsticas) que
evolucionan en funcin de otra variable, generalmente el tiempo. Cada
una de las variables aleatorias del proceso tiene su propia funcin
de distribucin

de

probabilidad y,

entre

ellas,

pueden

estar

correlacionadas o no.
PROMEDIOS MVILES: Es un mtodo utilizado con la finalidad de
eliminar de la serie la estacionalidad y la aleatoriedad.
RUIDO BLANCO.- El ruido blanco es una seal no correlativa, es decir,
en el eje del tiempo la seal toma valores sin ninguna relacin unos con
otros. Cuando se dice que tiene una densidad espectral de potencia
plana, con un ancho de banda tericamente infinito, es que en un
grfica espectral de frecuencia tras haber realizado una descomposicin
espectral de Fourier, en el dominio de la frecuencia veramos todas los
componentes con la misma amplitud, haciendo el efecto de una lnea
continua paralela al eje horizontal.

SARIMA.- (Estacional Autoregresivo Integrado de Media mvil) suele

denotarse como

SARIMA ( p , d , q)( P , D , Q)

12

12 D

12

( B ) ( B ) (1B ) ( 1B ) Z t= (B) ( B ) e t

Donde

Zt

es el valor observado de la serie en el tiempo t, B es el

operador de retardos,

(B )

q respectivamente;

( B12 )

(B)

son polinomios en B de grados p y

( B12 )

son polinomios en

cuales modelan el comportamiento estacional

B 12

los

e t RB(0, 2e ) .

SERIE DE TIEMPO: Es una realizacin de un proceso, forma secuencial

y en intervalos regulares en el tiempo, que tiene un inicio (t o) y un fin
(tn).
Una serie

temporal o cronolgica es

una

secuencia

de datos,

observaciones o valores, medidos en determinados momentos y

ordenados cronolgicamente. Los datos pueden estar espaciados a
intervalos

iguales

(como

la

temperatura

en

un

observatorio

meteorolgico en das sucesivos al medioda) o desiguales (como el peso

de una persona en sucesivas mediciones en el consultorio mdico, la
farmacia, etc.)
SUAVIZACIN EXPONENCIAL BIPARMETRICO DE HOLT : De
acuerdo con el comportamiento de la serie, SEB trabaja con un
parmetro para el nivel y otro para la tendencia . Se usan adems dos
ponderaciones o constantes de suavizacin.
SUAVIZACIN EXPONENCIAL SIMPLE: Este mtodo consiste en
construir una serie suavizada sobre la base de ponderaciones que
multiplican los datos originales y la serie suavizada, un momento atrs
en el tiempo.
TENDENCIA (TT) : Es la componente a largo plazo de la serie Yt que

representa el cambio de la media a lo largo del periodo de observacin.

TIPO DE MODELO DE UNA SERIE: Los modelos pueden ser :
Aditivo : Zt= Tt +Ct +Et +At
Multiplicativo : Zt= Tt *Ct *Et *At
Mixto : Zt= Tt *Ct *Et +At

BIBLIOGRAFIA
Carlos, G. D. (2006). SERIES TEMPORALES, ANALISIS, PREDICCION.
Valencia: Universitat Politecnica de Valencia.
Fatima, M. M. (2011). ANALISI DE SERIES CRONOLOGICAS, APLICADAS A
SERIES ECONOMICAS. Lima.
MORETIN, P. A., & DE CASTRO TOLOI, C. M. (1987). PREVISAO DE SERIES
TEMPORAIS. SAO PAULO: ATUAL.