UNIVERSIDAD NACIONAL FEDERICO VILLARREAL

FACULTAD DE CIENCIAS NATURALES Y MATEMATICA

ESCUELA PROFESIONAL DE MATEMATICA Y ESTADISTICA
ESPECIALIDAD: ESTADISTICA

ANÁLISIS DE SERIES
DE TIEMPO
Por Pedro M. Castro Ynfantes

El Agustino, Abril de 2017

 “Estudia el pasado si quieres
pronosticar el futuro”
Confucio

“Si buscas una buena solución y no la encuentras, consulta al

tiempo, puesto que el tiempo es la máxima sabiduría”
Tales
S
E
S
I
O
N

1
 • En el siglo XXI, el mundo ha entrado en un
nuevo escenario, en el que las economías
S nacionales y los negocios están íntimamente
E ligados y son interdependientes.
S • La producción, las ventas y transacciones, se
I gestionan mediante flujos de información que se
O mueven a velocidades de la luz por internet y la
N telefonía móvil.
• El nuevo escenario aporta excelentes beneficios
* al bajar los costes y acelerar la producción y
distribución de bienes y servicios.
1 • En todo ello, existe un lado oscuro, que
básicamente eleva el riesgo y la incertidumbre
al que han de hacer frente productores y
consumidores, volcando todo un sistema hacia
resultados inesperados.
 • Las decisiones que toman las organizaciones
están obligadas a ser más prudentes, basadas
S en la dosis de información cuantitativa generada
E de datos inherentes a su gestión y del entorno
S competitivo que enfrenta.
I • Este riesgo se suele describir como la
O incertidumbre que es posible valorar y para la
cual se puede adquirir un seguro. Sin embargo,
N
siempre hay riesgos que son imposibles de
asegurar, incertidumbres reales a las que no
* pueden hacer frente quienes toman decisiones
en las organizaciones.
1 • En lugar de intentar maximizar los beneficios
ante una gran incertidumbre, estas
organizaciones deberían tomar decisiones que
minimizaran el riesgo, de modo que si ocurriera
lo peor pudieran sobrevivir.
 • La globalización, el efecto demográfico, la
aparición de nuevos poderes, el deterioro de
S instituciones internacionales, el cambio
E climático y la geopolítica de la energía,
S actuarían para generar desafíos y
I oportunidades para los decisores en el futuro y
para los líderes del mundo de los negocios.
O
N • Todo ello, nos indica que las ocurrencias no
previstas a lo largo del tiempo tendrán un efecto
violento que afectarán directa e indirectamente
* al ámbito de los negocios de todo el planeta y

1 creará un entorno que los líderes económicos

deberán encarar si quieren que las empresas
sean viables a largo plazo.
 • Vivimos tiempos inciertos, que significa un
mayor riesgo para cualquier tipo de negocio u
S organización del mundo.
E • Las organizaciones, necesitan nuevas
S estrategias para protegerse y sacar provecho de
I las oportunidades que le brinden toda la
O información registrada en el tiempo.
N • La preocupación por el futuro no es solo
curiosidad, sino que al tener un conocimiento
* sobre el futuro, es posible adaptar nuestras
acciones presentes para obtener de éste los
1 mayores réditos posibles o para evitar
resultados o impactos que podrían ser adversos
o con consecuencias no deseables para las
organizaciones.
 • Según la concepción lineal del tiempo que
tienen la mayoría de las civilizaciones
S humanas, el futuro es la porción de la línea
E temporal que todavía no ha sucedido; en
S otras palabras, es una conjetura que bien
I puede ser anticipada, predicha, especulada,
postulada, teorizada o calculada a partir de
O
datos en un instante de tiempo concreto.
N
• Los estudios del futuro o la futurología, es la
ciencia, arte y práctica de postular futuros
* posibles. Los modernos practicantes

1 subrayan la importancia de los futuros

alternativos, en vez del futuro monolítico o
único, y los límites de la predicción y la
probabilidad frente a la creación de futuros
posibles o preferibles.
 • Para el futuro, la identificación de variables
claves y el empleo de grandes bases de
S datos, generados y registrados de los
E diversos procesos en la gestión de las
S organizaciones y de su entorno, constituyen
I uno de los insumos más importantes para
tomar decisiones inteligentes.
O
N • Los datos pasados y presentes en este
escenario, nos ayudarán a proceder con
mayor precaución y adoptar una forma de
* pensar orientada hacia el riesgo, esto es,

1 prever cualquier cambio turbulento o no que

pudiera intentar actuar nocivamente en las
organizaciones.
 • Sin embargo, los datos sin importar su
procedencia y período de observación no
S explican por sí solos comportamientos
E futuros.
S • Los datos deben ser procesados a partir de
I algún tratamiento racional y metodológico
O que brinde como resultado información
N confiable, eficaz y eficiente para la toma de
decisiones en las organizaciones.

* • La ciencia Estadística, a través de diversos

enfoques del Análisis de Series de Tiempo,
1 nos brinda la oportunidad de acceder a
metodologías que recogen la caracterización
de los datos en el tiempo para construir un
modelo adecuado que nos permita realizar
pronósticos a corto y mediano plazo.
S
E
S
I
O
N

1
 1. HISTORIA DE LOS PRONOSTICOS

 Siglo XIX : Técnicas de Análisis de Regresión

S
 1960 : Advenimiento de las computadoras
E
 1970 : Técnicas de Box & Jenkins
S  1974 : Proliferación de las PC’s y Software’s
I Estadísticos.
O  1979 : Granger and Newbold
N  1980 : Nuevas Técnicas para casos especiales
de pronósticos.
*  1983 : Abraham and Ledolter
 1990 : Montgomery and Engel
1 

1992 : Dangerfield and Morris
1995 : Chatfield
 1998 : Franses and Makridakis
 2001 : Armstrong
 2. NECESIDAD DE PRONOSTICAR

 Todas las organizaciones operan en una

S
atmósfera de incertidumbre.
E
 Para los Gerentes de las organizaciones las
S conjeturas académicos son más valiosas que las
I NO académicas.
O  El pronóstico intuitivo no es malo, al contrario,
N con frecuencia proporcionan el mejor pronóstico
disponible.

*  Las técnicas de pronósticos complementan el

sentido común y la capacidad administrativa de
1 los tomadores de decisión.
 Las computadoras sumadas a las técnicas
cuantitativas se han vuelto esenciales en las
organizaciones modernas.
 3. ESTIMACION, ESTIMADOR Y ESTIMADO

S 3.1 ESTIMACION

E Es un proceso mediante el cual se emplean los valores de datos

S muestrales y se obtiene un valor aproximado del parámetro que describe
una característica específica de la población.
I
O 3.2 ESTIMADOR
N
Es una función construida a partir de datos muestrales que permite
realizar una estimación con propiedades definidas.
*

1 3.3 ESTIMADO

Es el valor numérico que toma un estimador que se obtiene como

resultado de un proceso de estimación y corresponde al valor
aproximado que toma un parámetro.
 4. PROYECCION, MODELO DE PRONOSTICO Y PRONOSTICOS

4.1 PROYECCION
S
E Es un proceso mediante el cual se emplean observaciones pasadas y
presente de una o más variables, para obtener aproximaciones de los
S valores futuros que tomarán tales variables.
I
O
4.2 MODELO DE PRONOSTICO
N
Es la construcción de un modelo estadístico a partir de la
caracterización de las observaciones pasadas y presente de una o
* más variables, con el objetivo de realizar proyecciones.

1 4.3 PRONOSTICOS

Es el conjunto de valores numéricos con cierta probabilidad de

ocurrencia futura de una o más variables, obtenido como resultado de
un proceso de proyección, donde tales valores son generados a partir
de un modelo de pronóstico.
 Datos observados
S Datos seleccionados
secuencialmente en el
E de una muestra.
tiempo.
S
I ESTIMACION PROYECCION
O
N
ESTIMADOR MODELO DE PRONOSTICO
*

1
ESTIMADO PRONOSTICOS
 5. PROCESO ESTOCÁSTICO

Un Proceso Estocástico es una familia F , tal que, para cada t  T , Yt

S es una variable aleatoria, siendo T un conjunto arbitrario. Donde,
E  
F  Yt , t  T . Asimismo, el conjunto de los valores Yt ,t T es
S denominado Espacio de Estados del Proceso y los valores yt son
I llamados Estados.
En el Proceso Estocástico, se supone que las variables
O fYt ( y ) aleatorias están definidas en una mismo espacio de
N probabilidad , A, P  .
Yt (  )
*

1  
E Yt3
 
E Yt1
 
E Yt2

t1 t2 t3 t
 6. ESPEFICACION DE UN PROCESO ESTOCASTICO

S Una familia F  Yt , t  T   de variables aleatorias constituye un

proceso estocástico si:
E
S a) Las variables aleatorias Yt1 ,Yt 2 ,...,Yt n están bien definidas, esto
es, si conocemos las distribuciones finito-dimensionales, para todo n  1 .
I
O 
F y1 , ... , yn ; t1, ... ,tn   P Yt1  y1 , ... ,Ytn  yn  , t1, ... ,tn T
N
b) Las funciones de distribución satisfacen las condiciones de:
b.1) Simetría: Para cualquier permutación de j1, j2 ,..., jn , de los
*
índices 1,2, ... , n , tiene el mismo valor, esto es,

1 
F y j1 , y j2 ... , y jn ; t j1 ,t j2 ... ,t jn   Fy1, y2 ... , yn ; t1, ... ,tn , t1 , ... ,tn T

b.2) Consistencia:
lim F y1 , y2 ... , yn ; t1 , ... ,tn   F y1 , y2 ... , yn 1 ; t1 , ... , tn 1 
y n 
 7. PROCESO ESTOCÁSTICO ESTACIONARIO

Es una clase especial de proceso, que se basa en el supuesto que el

S proceso está en un estado particular de equilibrio estadístico.
E a) Un Proceso Estocástico es estrictamente estacionario o fuertemente
S estacionario, si todas las distribuciones n-dimensionales permanecen
invariantes a traslaciones con respecto al tiempo, esto es,
I
O F y1 , ... , yn ; t1 , ... ,tn   F y1 , ... , yn ; t1   , ... ,t n    ,  t1 , ... ,tn ,  T
N
Esto implica que, en particular, todas las distribuciones unidimensionales
son invariantes sobre traslaciones en el tiempo, luego la media y varianza
* son constantes, esto es,

1  Y   Y   Y   , pues, t 2  t 1  
t t1 t2

 2  2 2  2
Yt Yt Yt
1 2
 b) Un Proceso Estocástico es estacionario de 2do. Orden o débilmente
estacionario, si tiene media es constante, varianza finita y la covarianza
para dos instantes distintos del tiempo esta únicamente en función de la
S diferencia entre éstas, esto es,
E
S b.1) E Yt   E Y    , t T
I
O b.2) VarYt   Var Y    Y2   , t T
N

*
   
b.3) Cov Yti ,Yt j   ti ,t j , es sólo una función de t j  ti ,  i  j 
1  
Dado que b.3) depende sólo de t j  ti , podemos re-expresarlo haciendo
t j  ti  k , de este modo:


Cov Yti ,Yt j   
 Cov Yti ,Yti  k   ti ,ti  k    k    k
 8. CARACTERIZACION DE UN PROCESO ESTOCÁSTICO
ESTACIONARIO
S
E a) Media del Proceso:

S
I
  E Yt  
 y f ( y ) dy

Y

O
Define el nivel del proceso, en torno al cual fluctúa el proceso.
N

* b) Varianza del Proceso:


1    y   
 2  VarYt   E  yt   2  t
2
fY ( y ) dy


mide la dispersión del proceso, en torno al nivel dado.

 c) Función de Autocovarianza (f.a.cv.) del Proceso:

S 

E  k  CovYt , Yt  k   E  yt    yt  k    
 y   y

t 
t  k   fY ( y ) dy

S
I Mide el grado de dependencia o relación entre Yt , y, Yt  k , la cual
O tiene las siguientes propiedades:
N
c.1)  0  VarYt   0

*
c.2)  k    k
1
c.3)  k   0

(*) el grado de dependencia es absoluto en el proceso.

 d) Función de Autocorrelación (f.a.c.) del Proceso:

S k CovYt , Yt  k 
k  
E 0 VarYt 
S
I Mide el grado de dependencia o relación entre Yt , y, Yt  k , la cual
O tiene las siguientes propiedades:
N
c.1)  0  1

*
c.2)  k   k
1
c.3)  k  1

(*) el grado de dependencia es relativo y puede expresarse en %.

 9. SERIE DE TIEMPO

S 
Una serie de tiempo es un conjunto de observaciones Yt , t  T 
E de una variable aleatoria, donde T un conjunto de índices (tiempo,
espacio, etc.). Es una realización particular de un proceso estocástico.
S
I Las series de tiempo, pueden ser de tipo:
O
a) Discreta: Si, T = N, siendo, N=1,2,3, …
N
b) Continua: Si T = { t / 0< t < T* }.
*
c) Multivariada: Si Y1t ,...,Ykt  ; t T .
1 d) Multidimensional: Si Yt ; t T , donde, t es un vector.
 Dado que una Serie de Tiempo es una realización particular de un
Proceso Estocástico, podemos establecer la siguiente analogía:
S
E
S
I PROCESO
O POBLACION
ESTOCASTICO
N

1 MUESTRA
SERIE DE
TIEMPO
 Asimismo:
S
El tipo más común, objeto de nuestro análisis, es la Serie de Tiempo
E Univariada Discreta, esto es, k=1 y T=N.
S
I
Una Serie de Tiempo es un conjunto valores de datos registrados
O secuencialmente en el tiempo con respecto a un variable bajo estudio.
N Puede obtenerse mediante:

a) La observación o medición efectuada sobre un fenómeno, cada cierto

* período de tiempo.

1 b) La formulación de algún indicador (promedio, total, tasa, etc.) obtenido

con respecto a un fenómeno registrado durante un periodo de tiempo dado.
 10. PRESENTACION GRAFICA DE SERIE DE TIEMPO

Una Serie de Tiempo (univariada discreta) se representa usualmente

S mediante un gráfico lineal de yt vs. t, esto es:
E
S
(yt)

I
O
N

1 (t)

En algunos casos se recomienda indicar la fecha (mm/yy) en el eje del

tiempo, y trazar líneas verticales y horizontales punteadas para mejor
visualización de la evolución de la serie.
11. CARACTERIZACION DE UNA SERIE DE TIEMPO

Cuando un proceso estocástico es estacionario, se pueden estimar sus

parámetros a partir de una sola realización, es decir, a partir de una
serie de tiempo, lo cual permite obtener:

a) Media de la Serie:
n
y
1
n  y  ̂
t 1
t

Define el nivel en torno al cual fluctúa la serie de tiempo.

b) Varianza de la Serie:
n
Var( y ) 
1
n  y  y 
t 1
t
2
 ̂ 2

mide la dispersión de la serie de tiempo, en torno al nivel dado.

c) Función de Autocovarianza (f.a.cv.) de la Serie:

nk
ck 
1
n  yt  y yt k  y   ˆ k
t 1
, k  1, 2, ... , K , K 
n
4

Mide el grado de dependencia absoluta o relación entre yt , y, yt  k , la

cual tiene las siguientes propiedades:

c.1) c  Vary  ˆ  ˆ 2  0 , que es la varianza de la serie.

0 0

c.2) c k  c k

c.3) c k  c 0
d) Función de Autocorrelación (f.a.c.) de la Serie:
nk

ck
 y  y y
t t k  y 
n
rk   t 1  ˆ k , k  1, 2, ... , K , K 
c0 n 4
 y  y 
t 1
t
2

Mide el grado de dependencia relativa o relación entre Yt , y, Yt  k , la

cual tiene las siguientes propiedades:

d.1) r0  1 d.3) rk  r0

d.2) rk  rk d.4) Si el proceso es estacionario gaussiano y

 k  0 ,  k  v , entonces, Bartlett aprox.:

 v 1 
 
1
Var rk  1  2
n 

r j2   k  v ,v  1,v  2,...
j 1 


 Asimismo, la f.a.c. de la serie:
i. Mide la correlación existente entre una variable y sus valores
S desfasados uno ó más períodos en el tiempo.
E ii. El gráfico de las f.a.c. se denomina correlograma estimado:
S
I
O Correlograma
N

1
iii. Para la evaluación del correlograma de la serie, será suficiente
graficar rk , k  1, 2, 3, ... , n / 4 .
 iv. La serie de tiempo es aleatoria si,

S  1.96 1.96  n
rk    ,  ,  k  1, 2, 3, .... ,
E  n n  4
S
I v. La serie de tiempo tiene tendencia si los primeros, rk , k  1, 2, 3, ... ,
son significativamente diferentes de cero, para caer gradualmente
O hacia cero luego “q” períodos.
N

1
 12. COMPONENTES DE UNA SERIE DE TIEMPO
Son fuentes de variación de la serie, cuyo presencia y efecto determinan
S su comportamiento conforme evoluciona el tiempo. Las componentes
básicas corresponden a la tendencia a largo plazo, un efecto cíclico, un
E comportamiento estacional y una parte aleatoria.
S
a) Componente Tendencia:
I
Indica la dirección de la serie de valores de datos observados.
O
Es el cambio a largo plazo que se produce en relación al nivel medio, o
N el cambio a largo plazo de la media.
Se identifica con un movimiento suave de la serie a largo plazo.
*  Puede ser representada o modelada a partir de los valores de la serie.

1 220

200
Serie con Tendencia
Observación

180

160

140

120

100
0 12 24 36 48 60 72 84
Pe ríodo
 b) Componente Cíclica:
 Se presenta como ondas grandes alrededor de la tendencia.
S  Es una componente de la serie que recoge oscilaciones periódicas de
E amplitud superior a un año.
S  Estas oscilaciones periódicas no son regulares y se presentan
I usualmente en los fenómenos económicos, cuando se dan de forma
O alternativa etapas de prosperidad o de depresión

N
Serie con Efecto Cíclico

270

* 250

230
ONDAS
210
ONDAS

1
Observación

190

170

150

130

110

90 Ciclo Ciclo
0 12 24 36 48 60 72 84
Pe ríodo
 c) Componente Estacional:
 Comprende ondas pequeñas que se producen en períodos iguales o
S inferiores a un año.
E  Tales oscilaciones se presentan en forma repetitiva con cierta
S periodicidad dentro de un año.
I  Su periodo de duración se denomina estación (s), y para datos
O mensuales tiene una longitud de 12, bimestrales de 6, trimestrales de 4 y
así sucesivamente.
N
Su presencia hace que la f.a.c. (rk) sea significativamente distinta de
cero para k = 12, 24, 36, si los datos son mensuales, por ejemplo.
* Serie con Efecto Estacional

1 270

250
Observación

230

210

190

170

150
0 12 24 36 48 60 72 84
Pe ríodo
 d) Componente Irregular o Aleatoria:
 Es una componente que se presenta como manifestaciones
S esporádicas en la serie.
E  Recoge movimientos provocados por factores imprevisibles (un pedido
S inesperado a nuestra empresa, una huelga, una ola de calor, etc.).
I  También reciben el nombre de variaciones irregulares, residuales o
O erráticas.

N  Permite estudiar el tipo de comportamiento aleatorio que presentan los

residuos.

* Componente Aleatoria

1
8
6
4
Observación

2
0
-2
-4
-6
-8
0 12 24 36 48 60 72 84
Pe ríodo
 13. ANALISIS DE SERIES DE TIEMPO

S • El objetivo del análisis de una serie de tiempo, de la que se

E dispone de datos en períodos regulares de tiempo, es el
conocimiento de su patrón de comportamiento para prever la
S
evolución futura, siempre bajo el supuesto de que las
I condiciones no cambiarán respecto a las actuales y pasadas.
O
• Si al conocer la evolución de la serie en el pasado se pudiese
N predecir su comportamiento futuro sin ningún tipo de error,
estaríamos frente a un fenómeno determinista cuyo estudio no
* tendría ningún interés especial.

2 • En general, las series de interés llevan asociados fenómenos

aleatorios, de forma que el estudio de su comportamiento
pasado sólo permite acercarse a la estructura o modelo
probabilístico para la predicción del futuro.
 • Es la rama de la estadística que estudia observaciones
recogidas secuencialmente en el tiempo, usualmente (pero no
S necesariamente) en períodos equiespaciados.
E • Se desea emplear las posibles relaciones o estructuras de
S dependencia entre las observaciones para prever la evolución
I futura de la serie.
O • El análisis de series de tiempo tiene aplicaciones en diversas
N áreas: economía, ingeniería, estudios ambientales, medicina,
etc.
*

1
 14. PROCESO DE PRONOSTICO A PARTIR DE UNA S. T.

S RECOPILACION
Consiste en la Recopilación
de Datos de las Fuentes
E
S
I REDUCCION
Consiste en la Reducir Datos
mediante Valores Resúmenes
O
N
Consiste en la Construcción
MODELACION
* del Modelo de Pronóstico

1 Consiste en el Pronóstico en sí,

EXTRAPOLACION a partir del Modelo de Pronóstico
 15. MODELOS CUANTITATIVOS DE PRONOSTICOS

S MODELOS CUANTITATIVOS
DE PRONOSTICOS
E
S
I ANALISIS ANALISIS
O UNIVARIANTE MULTIVARIANTE
N

* MODELOS DE DESCOMPOSICION

1 MODELOS DE PROMEDIO MOVIL

–SUAVIZACION EXPONENCIAL

MODELOS ARIMA Y SARIMA

MODELOS ARCH
 16. MEDICION DEL ERROR EN EL PRONÓSTICO

S
E at  yt  ŷt Mide el error de pronóstico generado por una técnica de
pronóstico en un período dado.
S
I
O
N 1 n

y
Mide el promedio de los errores absolutos de
DAM  t  ŷt pronóstico, en las mismas unidades que la serie

* n t 1 de tiempo original.

1
n

 y  ŷt 
1 Mide el promedio de los errores cuadráticos de
EMC 
2
t pronóstico, penalizando los errores altos.
n t 1
S
1 n yt  ŷt
PEMA  
Mide el promedio porcentual de los errores
E absolutos de pronóstico, precisando lo grande
S n t 1 yt que son comparados con la serie original o
con otra técnica dada.
I
O
N

1 n  yt  ŷt 
PEM  
Mide el promedio porcentual de los errores de
* pronóstico, precisando si el pronóstico es
n t 1 yt
1 sesgado (alejado de cero) o NO sesgado (muy
próximo a cero).