INDICE

INTRODUCCIN .................................................................................................... 4 CAPITULO I ............................................................................................................ 5 RESEA HISTRICA .......................................................................................... 5 1.2 OBJETIVO DE LAS SERIES.......................................................................... 8 1.3 APLICACIONES MS IMPORTANTES DE LAS SERIES CRONOLGICAS 8 1.4 CONCEPTO DE SERIE CRONOLOGICA ..................................................... 8 1.5 IDEA CENTRAL ............................................................................................. 9 1.6 VENTAJAS Y DESVENTAJAS (comparacin con el mtodo de regresin) 10 1.7 LIMITACIONES ............................................................................................ 10 1.8 ANALISIS DE SERIES CRONOLGICAS ................................................... 10 1.9 ANLISIS PRELIMINAR DE UNA SERIE .................................................... 11 CAPITULO II ......................................................................................................... 14 2.1COMPONENTES DE UNA SERIE TEMPORAL ........................................... 14 2.1 OBTENCION DE LA TENDENDENCIA ....................................................... 16 2.2 ANALISIS GRAFICO .................................................................................... 17 2.4 MEDIAS MOVILES ...................................................................................... 17 2.5 MTODO ANALTICO ................................................................................. 18 2.6 POLINOMIAL ............................................................................................... 19 2.7 EXPONENCIAL............................................................................................ 19 2.8 COMPONENTE ESTACIONAL ................................................................... 20 2.9 VARIACIONES CICLICAS Y ESTACIONARIAS .......................................... 20 2.10 MEDICION DE LA VARIACIN DE UNA SERIE ....................................... 21 2.11 VARIACIONES ESTACIONALES .............................................................. 23 2.12 VARIACIONES IRREGULARES, FORTUITAS O ACCIDENTALES.......... 24
0

2.13 CICLO U OSCILACIN ............................................................................. 24 2.14FACTORES QUE AFECTAN A LA TENDENCIA ........................................ 25 2.16 ANLISIS GRFICO .................................................................................. 26 2.17 MEDIAS MVILES .................................................................................... 27 CAPITULO III ........................................................................................................ 34 METODOS ......................................................................................................... 34 3.1 MTODO DE LOS MINIMOS CUADRADOS ............................................... 34 3.2 MTODO A MANO ..................................................................................... 34 3.3 MTODO DEL PROMEDIO MOVIL ............................................................. 34 3.4 MTODO DE LOS SEMIPROMEDIOS ........................................................ 35 3.5 ESTIMACION DE LAS VARIACIONES ESTACIONALES INDICE ESTACIONAL .................................................................................................... 35 3.6 MTODO DEL PORCENTAJE PROMEDIO ................................................ 36 3.7 MTODO DEL PORCENTAJE DE LA TENENCIA O DE LA RAZN DE LA TENDENCIA ...................................................................................................... 36 3.8 MTODO DEL PORCENTAJE DEL PROMEDIO MOVIL O DE LA RAZON DEL PROMEDIO MOVIL ................................................................................... 37 3.9 ESTIMACION DE LAS VARIACIONES CICLICAS ...................................... 37 3.10 ESTIMACION DE LAS VARIACIONES IRREGULARES ........................... 38 3.11 MTODOS CLSICOS .............................................................................. 41 3.11.1 Mtodos de descomposicin estacional y ajuste de tendencia ............... 43 3.12 MODELOS ARIMA ..................................................................................... 46 3.13 MODELOS DE MEDIAS MVILES (MA) ................................................... 50 3.14 MODELOS AUTORREGRESIVOS (AR) .................................................... 51 3.15 MODELOS AUTORREGRESIVO (AR) ...................................................... 53 3.16 MODELOS AUTORREGRESIVOS DE MEDIAS MVILES ARMA ........... 54
1

3.17 MODELOS NO ESTACIONARIOS (ARIMA) .............................................. 55 CAPITULO IV ........................................................................................................ 57 EJERCICIOS DE SERIES CRONOLGICAS ................................................... 57 CONCLUSIONES.................................................................................................. 66 RECOMENDACIONES ......................................................................................... 67 REFERENCIAS BIBLIOGRAFICAS ...................................................................... 67

INTRODUCCIN El anlisis de series temporales, desde el punto de vista de su comportamiento, tanto pasado como futuro, requiere el uso de nuevas tcnicas, pues las presentadas hasta el momento, aunque le son aplicables, no cubren las necesidades que surgen en el tratamiento de este tipo de datos.

Desde el momento que los valores de una serie temporal van ligados a instantes del tiempo, entonces, podemos decir que el anlisis de una serie implica el manejo conjunto de dos variables, siendo una de ellas nuestra serie temporal y la otra los intervalos o instantes del tiempo sobre los cuales se han realizado las observaciones.

Hay que sealar que esa observacin sincronizada de la variable en el tiempo implica que los valores de la misma han de estar perfectamente ordenados, de igual modo que los intervalos del tiempo lo estn. Esas observaciones de una variable cuantitativa pueden estar referidas, como ya se ha sealado, a un instante del tiempo o a un intervalo del mismo, dando lugar a dos tipos de magnitudes. En el primer caso hablaremos de magnitudes stocks o niveles.

Lo que se pretende con una serie es describir y predecir el comportamiento de un fenmeno que cambia en el tiempo. Esas variaciones que experimenta una serie temporal pueden ser de naturaleza doble. Por un lado las variaciones pueden ser evolutivas o estacionarias. Diremos que las variaciones son evolutivas cuando el valor medio de la serie cambia, no permanece fijo a lo largo del tiempo, mientras que las variaciones estacionarias son aquellas en las su valor medio no cambia, aunque sufra oscilaciones en torno a ese valor medio fijo o constante.

Esta clasificacin de las variaciones de una serie permite hablar de series evolutivas y estacionarias.

CAPITULO I RESEA HISTRICA Esta idea de componentes no observables en el anlisis econmico puede remontarse a 1825-1875, pero es todava anterior en estudios de astronoma y meteorologa, en 1823 el matemtico Laplace analizo el efecto de las fases de la luna sobre las mareas y los movimientos de aire en la tierra.

En 1911 se cre en Francia un comite para proponer mtodos para separar cada componente, con el fin de pronosticar cada uno por separado. Con posterioridad en Estados Unidos se propuso hacer lo mismo. Ya en 1919 Persons plantea que las series cronolgicas estn constituidas por cuatro elementos o componentes:

a. Una tendencia de largo plazo (que constituye el elemento de crecimiento de la serie). b. Un movimiento cclico en forma de onda, super impuesto en la tendencia. c. Un movimiento estacional dentro del ao. d. Una variacin residual, causada por situaciones que afectan a las series de manera individual.

Nerlove, Grether y Carvalho (1979) se adscriben a la visin que las series cronolgicas pueden visualizarse como constituidas por varias componentes no observables: tendencia, ciclo, estacionalidad y movimiento irregular.

Como vemos la extraccin de componentes no observables de una serie temporal es una idea antigua, pero no es sino hasta la mitad del siglo XX que se dispuso de instrumentos de clculo potentes y de esquemas tericos que permitieran el desarrollo de metodologas ms adecuadas, por ello inicialmente se plantearon esquemas deterministas.

A esta altura importa sealar las consideraciones respecto a las seales de inters que se plantean en Espasa y Cancelo (1993). Estos autores consideran que la
5

seal relevante, la que recoge la evolucin subyacente de la serie se obtiene una vez que a los datos originales se les ha extrado aquellas oscilaciones que dificultan el seguimiento del fenmeno de inters. A pesar de que est muy extendido el estudio de la evolucin de la serie, una vez desagregado el componente estacional, esa serie contiene el componente irregular en su interior, lo que introduce ruido a la seal. Esto ltimo hace que sea preferible asociar la evolucin subyacente de la variable a una seal como la tendencia, en lugar de trabajar con la serie desestacionalizada, la tendencia es una seal ms pura.

Inicialmente el mtodo que ms se ha utilizado para descomponer series fue el de Promedio Mvil. Lo que lo haca especialmente atractivo es la sencillez computacional. La introduccin de la computadora dio paso a mtodos de desestacionalizacion masivos (Shiskin 1954), lo que resulto en el primer mtodo de la Oficina del Censo de los EE.UU. (Census Method I) que no era ms que un pequeo refinamiento del mtodo de Razn o Promedio Mvil.

Luego apareci el Census Method II, que se estudi empricamente entre los aos 1955- 1965, dando lugar a las variantes experimentales X1 a X11. Este mtodo era utilizado por la mayora de los pases industrializados en la dcada de los 60. Como vimos cada uno de los componentes de las series cronolgicas recoge fenmenos o seales distintas. En lo que respecta al componente estacional, Granger (1978) explicita cuatro posibles causas de las fluctuaciones estacionales:

a. El calendario propiamente dicho (feriados fijos, diferente nmero de das de cada mes, etc.).

b. Razones Institucionales. Se fijan determinados momentos del ao para realizar ciertas actividades. c. El clima, que determina por ejemplo las cosechas.

d. Expectativas de variaciones estacionales (aumento o disminucin de la produccin previa a determinadas fechas, por ejemplo).

Estas causas pueden considerarse como factores exgenos, de naturaleza no econmica, que influyen sobre la variable que se estudia y que oscurecen las caractersticas de la serie relacionadas con factores netamente econmicos. Dagum (1978) resume lo que considera las tres caracteristicas ms importantes de los fenmenos estacionales son:

a. Se repite cada ano con cierta regularidad, aunque puede evolucionar.

b. Se puede medirse y separarse de las otras fuerzas que influencian el movimiento de la serie. c. Es causado principalmente por fuerzas no econmicas, exgenas al sistema econmico, y que no pueden controlarse o modificarse por los tomadores de decisiones en el corto plazo.

La componente tendencia representa los movimientos de largo plazo de la serie, que se puede considerar, junto con las oscilaciones estacionales y la componente irregular, como generador de los valores observados. Una caracterstica esencial de la tendencia es que se mueve en forma suave con relacin a la unidad de tiempo para la cual existe un registro de observaciones.

El ciclo es una oscilacin peridica, caracterizada por periodos alternantes de expansin y contraccin. La componente irregular est compuesta por movimientos imprevisibles relacionados con eventos de toda clase, tienen apariencia aleatoria estable, y pueden distinguirse de otras irregularidades, como los valores aberrantes.

1.2 OBJETIVO DE LAS SERIES EL principal objetivo de las series es conocer, el comportamiento de una variable cuantitativa en el pasado para estimar su comportamiento en el futuro, es decir pronosticar las incertidumbres que puedan darse en los estados financieros por actividades futuras.

La importancia de estas series de tiempo, se basa en mantener datos acerca del pasado que muestren la informacin acerca de los cambios futuros. La toma de decisiones econmicas y comerciales, necesitan que se hagan proyecciones de las condiciones externas e internas, que les afecta. Por lo general las predicciones del futuro mejoraran a medida que se va haciendo ms precisa la informacin del pasado.

1.3 APLICACIONES MS IMPORTANTES DE LAS SERIES CRONOLGICAS Debe advertirse que en las proyecciones no son valores determinantes que tienen que ocurrir necesariamente en el futuro , son valores estimados o aproximados y estos resultados pueden variar dependiendo de diversos factores que en forma directa e indirecta participan en los resultados de las series cronolgicas por ejemplo , analizar el Comportamiento de los indicadores de la Economa Nacional se usar Series Cronolgicas que ayudan a proyectar y a estimar para los prximos anos el nivel de la Inflacin , Produccin , Desocupacin , Tasa de Crecimiento de las formaciones , Tasa de Productividad de los obreros y empleados.

Estos resultados ayudan a elaborar los planes de Crecimiento y Desarrollo de Mediano y Largo plazo.

1.4 CONCEPTO DE SERIE CRONOLOGICA Se llama serie cronolgica o temporal a aquella sucesin de observaciones en la que alguno de sus caracteres se mide en unidades de tiempo. El tiempo como sabemos es una caracterstica cuantitativa y el resto de los caracteres de la serie pueden ser cualitativos o cuantitativos.
8

Una serie de tiempo o cronolgica, trata una cantidad variable dependiente y como Funcin del tiempo t. Esto se escribe: y= F(t)

Es decir, estudia el comportamiento de una variable y a lo largo del tiempo t. Las unidades de tiempo ms usadas son por lo general de un ano, un trimestre, un mes.

Se elegirn las ms adecuadas para el estudio que trate de llevarse a cabo. Dentro de estas unidades de tiempo, algunas tienen duracin constante (horas, das, etc.), pero otras son variables (meses, anos, etc.). Este carcter variable puede influir en los resultados de algunos estudios, y debe tenerse en cuenta al elegir las unidades de tiempo.

La grafica de una serie cronolgica es una grfica de lnea, la cual se construye sobre un sistema de ejes coordenadas. En el eje horizontal se ubica la variable independiente tiempo (anos, meses, das, etc.), en el eje vertical los valores de la variable dependiente y (ventas, produccin, etc.).

1.5 IDEA CENTRAL Si el objetivo es explicar el valor que toma, en un momento determinado del tiempo, un fenmeno econmico que muestra dependencia temporal, un procedimiento factible consiste en recoger informacin sobre su evolucin a lo largo del tiempo, y explotar el patrn de regularidad que muestran los datos.

Para construir un modelo de series de tiempo, lo nico que se necesita es la informacin muestral de la variable a analizar. Si se desea explicar el comportamiento de una variable temporal Yt, un modelo de series temporales puede plantearse como:

1.6 VENTAJAS Y DESVENTAJAS (comparacin con el mtodo de regresin) Ventajas de los modelos de series temporales: i) a menudo no se dispone de los datos de las variables exgenas (por ejemplo, expectativas, gap de producto); ii) dificultades en el marco del mtodo de regresin para la estimacin con variables retardadas (especialmente con la variable endgena

retardada); prediccin: cmo predecir los valores de las variables exgenas? iii) iv) son ms sencillos de estimar; con niveles de desagregacin temporal elevados (datos mensuales, semanales, diarios) es mucho ms fcil construir un modelo de series temporales;

1.7 LIMITACIONES v) un modelo economtrico, estimado adecuadamente, ser ms eficiente, y por lo tanto ms til que un modelo de series temporales; vi) los modelos economtricos permiten conocer la forma en que la variable de inters se relaciona con las variables exgenas; ste puede ser el objetivo principal del anlisis (por ejemplo, estimacin de una elasticidad)..

1.8 ANALISIS DE SERIES CRONOLGICAS Una serie cronolgica no es sino una variable dada en sucesivos intentes de tiempo y se le conoce tambin con el nombre de serie de tiempo, serie histrica, serie cronolgica.

10

Una serie cronolgica llamada tambin serie de tiempo o serie histrica de un conjunto de datos recopilados, observados y registrados sistemticamente en un tiempo determinado.

Las principales aplicaciones de las series cronolgicas son las proyecciones (determinacin de las tendencias); debe advertirse que las proyecciones no son valores determinantes que tienen que ocurrir necesariamente en el futuro, son valores estimados o esperados y estos resultados pueden variar dependiendo de varios factores que de forma directa e indirecta participen en los resultados de una serie cronolgica.

Las empresas industriales y comerciales deben de realizar un examen sobre la forma como la produccin y venta de sus artculos han sido afectados en el pasado por diferentes factores con el objeto de hacer una estimacin, diagnostico o previsin para el futuro a fin de estar en condiciones de trazar planes de desarrollo de la empresa.

Grficamente las series cronolgicas se representan haciendo uso de los ejes Cartesianos, colocando la variable tiempo (ti) en el semi-eje positivo de las Abscisas y la variable (Yi) en el semi-eje positivo de las coordenadas.

1.9 ANLISIS PRELIMINAR DE UNA SERIE El anlisis preliminar de una serie constituye el primer paso a seguir a la hora de estudiar una serie temporal. Esta fase nos permite detectar las caractersticas ms importantes de una serie, tales como su tendencia (creciente o decreciente), la existencia de ciclos, presencia de valores atpicos. La forma ms sencilla de comenzar el anlisis de una serie temporal es mediante su representacin grfica. El grfico que se emplea para representar las series temporales es el grfico de secuencia. Los grficos de secuencia son diagramas

11

de lneas en los cuales el tiempo se representa en el eje de abscisas (x), y la variable cuya evolucin en el tiempo estudiamos en el eje de ordenadas (y). Para obtener el grfico de secuencia de una serie temporal empleando el programa SPSS debemos seleccionar el men Grficos secuencia En la casilla Variables del cuadro de dilogo debemos introducir la variable a estudiar y en la correspondiente a Etiquetas del eje del tiempo la variable que nos indica la fecha a la que corresponde cada observacin. En el caso de que en el archivo de SPSS tengamos la variable de inters pero no la correspondiente al tiempo, debemos generarla. Para ello basta con ir al men Datos Definir fechas y seleccionar la adecuada. Veamos un ejemplo de grfico de secuencia obtenido con los datos de la serie temporal Airline, serie que representa el volumen de pasajeros de un compa-ma area estadounidense.

Para realizar el anlisis preliminar de una serie debemos estudiar las siguientes cuestiones:

12

Tendencia y nivel de la serie El nivel de una serie es una medida local de tendencia central, como por ejemplo la media, de cada periodo de tiempo que consideremos. Cuando trabajamos con un calendario (tiempo representado en das, meses o aos), no es recomendable establecer periodos de tiempo antinaturales para estudiar esta caracterstica.

Una vez calculado el nivel de la serie debemos observar su estabilidad, debemos ver si la medida de tendencia central elegida tiene valores similares en los periodos de tiempo en los que dividimos el calendario. Tambin tendremos que observar su tendencia, es decir, si presenta una direccin constante de cambio de nivel.

Estudiemos el nivel de la serie de nuestro ejemplo, la serie Airline. Las observaciones del nmero de pasajeros son mensuales, luego consideraremos periodos de tiempo de un ao.

13

CAPITULO II 2.1COMPONENTES DE UNA SERIE TEMPORAL La forma ms sencilla de iniciar el anlisis de una serie temporal, al igual que se ha venido haciendo con datos de corte transversal, es mediante su representacin grfica. Para ello se har uso de un sistema cartesiano en el que los valores o periodos de tiempo se llevan al eje de abscisas y los valores de la serie, yt, se llevan al eje de ordenadas. El resultado es un diagrama de dispersin, con la particularidad de que el eje de abscisas se reserva siempre a la misma variable: el tiempo.

Mediante este tipo de representacin se pueden detectar las caractersticas ms sobresalientes de una serie, tales como el movimiento a largo plazo, la amplitud de las oscilaciones, la posible existencia de ciclos, los puntos de ruptura, la presencia de valores atpicos o anmalos, etc.

El objetivo del anlisis de series temporales es doble. Por un lado se busca explicar las variaciones observadas en la serie en el pasado, tratando de determinar si responden a un determinado patrn de comportamiento. Y por otro, si se consigue definir ese patrn o modelo, se intentar predecir el comportamiento futuro de la misma.

Para alcanzar este doble objetivo se utiliza una metodologa bastante consolidada, segn la cual se admite que la serie temporal es una funcin del tiempo: yt = f(t). Bajo este esquema, la serie sera una variable dependiente y el tiempo una independiente o explicativa. Sin embargo, es necesario dejar bien claro que el tiempo, en s, no es una variable explicativa, es simplemente el soporte o escenario en el que se realiza o tiene lugar la serie temporal. El tiempo no sirve para explicar el comportamiento de la serie. A esta forma de abordar el estudio de una serie temporal se le conoce como enfoque clsico, frente al causal, segn el cual, cualquier serie, como variable que es, puede ser explicada por otra u otras series.
14

Desde este punto de vista, cualquier serie temporal se supone que es el resultado de cuatro componentes: tendencia, variaciones estacionales, variaciones cclicas y variaciones residuales o accidentales. Pero esta descomposicin de la serie no deja de ser un procedimiento diseado para que el estudio de la misma resulte ms fcil, pues esas componentes no siempre existen. As cuando se trabaja con datos anuales la serie no puede presentar estacionalidad. A su vez las variaciones cclicas son una componente ligada especialmente a las variables de tipo econmico, pero que en variables de otra naturaleza puede que no est presente.

Estas componentes se definen en la forma siguiente:

1 Tendencia (T). De forma amplia podemos definir la tendencia como aquella componente que recoge el comportamiento de la serie a largo plazo. Para poder detectarla es necesario que la serie conste de un nmero de observaciones elevado, a lo largo de muchos aos, para que se pueda determinar si la serie muestra un movimiento a largo plazo que responda a una determinada ley de crecimiento, decrecimiento o estabilidad. Ese comportamiento tendencial puede responder a distintos perfiles: lineal, exponencial, parablico, logstico, etc.

2 Variaciones estacionales (VE). Son movimientos de la serie que se repiten de forma peridica. La razn de estas variaciones se basa en causas de tipo climatolgico (produccin, turismo, etc.) o de ordenacin del tiempo (los das de la semana condicionan el comportamiento de ciertas series). La periodicidad generalmente es el ao, aunque puede ser el mes, la semana o incluso el da. En

3 Variaciones cclicas (C ) Esta componente tiene un marcado carcter econmico, pues suele ser el resultado de la sucesin de las fases expansivas y recesivas de la economa. Son movimientos a plazo medio, periodos superiores al ao, que se repiten de forma casi peridica, aunque no son tan regulares como las
15

variaciones estacionales. Esta componente resulta difcil de aislar, pues ocurre, con frecuencia, que se pueden superponer ciclos de distintos periodos o amplitudes. La amplitud es el nmero de aos que dura un ciclo completo.

4 Variaciones accidentales ( R ). Esta componente no responde a ningn patrn de comportamiento, sino que es el resultado de factores fortuitos o aleatorios que inciden de forma aislada y no permanente en una serie. Estos factores pueden ser de ndole muy diversa tales, como inundaciones, huelgas y otras similares.

La interaccin de estas cuatro componentes genera la serie temporal. La forma en que se combinen puede ser muy variada, pero tradicionalmente se ha optado por dos modelos distintos. El aditivo y el multiplicativo, aunque en algunas ocasiones se mezclan ambos. Segn el modelo que se adopte, la serie temporal ser:

Y1 = T +VE + C + R

en el caso del modelo aditivo, y Y1 = (T1) (VE1) (C1) (R1)

Si se admite un esquema multiplicativo.

Frente a este tratamiento clsico de las series temporales, tambin se puede optar por otro enfoque de tipo causal, donde las variaciones de una serie podran explicarse mediante las de otro conjunto de series temporales.

2.1 OBTENCION DE LA TENDENDENCIA Para aislar esta primera componente de una serie se pueden utilizar distintos mtodos alternativos. Pero con independencia del que se utilice, debe quedar bien claro que, tal y como se ha definido la misma, el periodo de informacin necesario

16

debe ser lo suficientemente largo para evitar identificar como tendencia otros movimientos distintos de la serie.

2.2 ANALISIS GRAFICO Se trata del mtodo ms simple para la obtencin de la tendencia. Pero en su sencillez est su debilidad, pues al no hacer uso de ningn procedimiento analtico que garantice, tanto la objetividad del resultado como la posibilidad de que dos analistas distintos lleguen al mismo resultado, este procedimiento es impreciso y no garantiza fiabilidad alguna. Todo depende del conocimiento que de esa serie tenga el investigador que la est trabajando. A grandes rasgos, este mtodo pasa por la representacin grfica de la serie para posteriormente, bien a mano alzada o por cualquier otro procedimiento de caractersticas similares, obtener la tendencia. Lo que si es cierto es que, mediante esta va sencilla, se podr tener una idea preliminar de cul es la tendencia. Adems la representacin grfica de la serie es un paso previo aconsejable en el anlisis de la misma.

2.4 MEDIAS MOVILES Con este mtodo lo que se hace es suavizar la serie promediando los valores de la misma para periodos de tiempo fijos pero que se desplazan a lo largo de todo el horizonte de la serie. El resultado de este proceso mecnico es la eliminacin de los movimientos a corto y medio plazo as como las irregularidades debidas a factores no controlables ni predecibles. Es decir, a la serie se le quitan tres de sus componentes y se le deja solo la cuarta, la tendencia. La idea que subyace detrs de este mtodo es que la media de cualquier conjunto de valores sirve para eliminar la dispersin o variabilidad de la serie motivada por factores coyunturales o espordicos.

Este mtodo de suavizado consiste, como se ha indicado, en promediar la serie. Estos promedios sern las medias aritmticas de un conjunto k de valores consecutivos, con el requisito de que k sea inferior al total de observaciones. El procedimiento especfico sera el siguiente. Supngase que k es un entero impar.
17

Otra cuestin importante a la hora de calcular las medias mviles es determinar cuntas observaciones deben tomarse en cada caso. Si k es muy grande entonces el proceso de suavizado puede llegar a ser tan fuerte que se pierda ms informacin de la deseada. Piense en la situacin extrema de que k fuera igual al total de observaciones. En ese caso solo habra una media, por lo que el suavizamiento de la serie sera mximo, tanto que no habra ni tendencia ni componente alguna. Por esta razn k no debe ser demasiado grande, pues se podra incurrir en un suavizado excesivo. En general, cuanto mayor es k, menor ser el nmero de trminos de la serie suavizada resultante (se pierden observaciones al principio y al final de la serie).

2.5 MTODO ANALTICO Con este procedimiento de obtencin de la tendencia, lo que se pretende es seleccionar una funcin matemtica que modelice de forma adecuada el comportamiento a largo plazo de la serie temporal objeto de estudio. Se trata, por tanto, de ajustar los datos observados a esa funcin, donde la variable a explicar o dependiente es la propia serie temporal y la independiente o explicativa es, ahora, el tiempo. Ni que decir tiene que el tiempo, como ya se ha indicado, no explica nada, sino que es un mero soporte en el que se mueve la serie. El procedimiento de ajuste que puede utilizarse no es nico, aunque el ms utilizado es el de los mnimos cuadrados. En consecuencia, se trata de seleccionar aquella funcin del tiempo que minimice la suma de los cuadros de los errores. Pero aunque este es el criterio ltimo, como paso previo para seleccionar esa funcin se puede recurrir a su representacin grfica, la cual nos informar de manera aproximada sobre la funcin que se debe ajustar.

Otra alternativa es hacer uso del posible conocimiento de la naturaleza de esa serie o de lo que la teora establezca. Las funciones ms utilizadas para modelizar series econmicas son las siguientes:

LINEAL
18

Se trata de un modelo en el que la serie temporal se hace depender linealmente del tiempo y que responde a aquellas magnitudes que presentan unas variaciones constantes en periodos sucesivos. La forma general del mismo es:

bt

Dnde: yt, la serie original, se descompone en la tendencia yt* y, (bajo un supuesto aditivo), las otras componentes que aparecen de forma residual y conjunta bajo et, En este modelo b es la variacin media entre periodos y t el tiempo cronolgico.

2.6 POLINOMIAL La funcin Polinomial es en realidad una familia de funciones que se diferencian unas de otras en el grado del polinomio con el que se trabaje. La ms comn de todas es la parablica. En este caso las variaciones de la serie no son constantes, ni en trminos absolutos ni relativos. Para este modelo la serie temporal se expresa como:

bt

ct

2.7 EXPONENCIAL Esta funcin surge cuando la serie cambia a razn de una tasa constante. Para este tipo de series, su tendencia viene dada por:

Y*t

AB1

y0 ebt

ea

donde b es la tasa de variacin instantnea de la serie temporal que es constante, y0* es el valor de la tendencia en punto t = 0, t es, de nuevo, el Tiempo cronolgico y he es la base de los logaritmos naturales.

19

El ajuste por mnimos cuadrados de cualquiera de estos modelos no plantea ningn problema especial, pues los mismos son lineales o fcilmente linealizables y, en estos casos, la aplicacin del mtodo de ajuste de los mnimos cuadrados es inmediato.

2.8 COMPONENTE ESTACIONAL Previamente ya se ha definido la componente estacional como aquellos movimientos de la serie que se repiten de forma peridica, siendo la periodicidad inferior al ao.

Estos movimientos de la serie, que se repiten de forma sistemtica, dificultan la posibilidad de hacer comparaciones entre los valores sucesivos de una serie, pues el nivel medio de la misma se ve alterado por la estacionalidad.

En los distintos mtodos elementales que pueden utilizarse para obtener la componente estacional, siempre hay un paso previo que consiste en eliminar la tendencia, obtenida mediante alguno de los procedimientos sealados con anterioridad, medias mviles o regresin, principalmente.

Se centrar la atencin en el que hace uso de la tendencia obtenida por media mviles. A este procedimiento se le conoce como razn a las medias mviles. La exposicin de este procedimiento se realizar con el apoyo de un ejemplo. En concreto se usaran los datos de la Tabla 1, es decir, la serie de paro registrado. El primer paso a dar es suavizar la serie para de esa forma obtener la tendencia o, ms bien, la componente tendencia-ciclo.

2.9 VARIACIONES CICLICAS Y ESTACIONARIAS La obtencin de la tercera componente sistemtica de una serie temporal es, sin lugar a dudas, la que entraa ms problemas. Esto es as por tres razones como mnimo. En primer lugar no siempre existe. En segundo lugar hace falta mucha informacin, series muy largas, para que pueda detectarse la presencia de esta
20

componente. En tercer lugar, es la menos sistemtica de las tres, pues los ciclos, cuando existen, no siempre tienen la misma longitud y, adems, se puede dar el caso de que se superpongan ms de un ciclo de distintas longitudes de onda. Todo ello hace que sea muy frecuente el tratamiento de las series en el que se prescinde del estudio separado de los ciclos y, en su lugar, se trabaja con la componente mixta ciclo-tendencia, a la que tambin se le conoce como extraestacional.

Pero para no dejar olvidada esta componente vamos a seguir con el enfoque multiplicativo usado hasta el momento e indicar los pasos a seguir para su obtencin. Algunos de esos pasos ya se han dado en los apartados anteriores, por lo que ahora solo se har alusin a los mismos.

2.10 MEDICION DE LA VARIACIN DE UNA SERIE En los apartados anteriores se ha descrito un esquema metodolgico que permite analizar una serie temporal a partir del estudio de un conjunto de componentes definidas previamente. Qu duda cabe que esta es una forma de abordar el problema. Pero desde luego que no es la nica. Otra posible forma de estudiar el comportamiento de una serie es apoyndose en otras, es decir, tratando de explicar sus variaciones como consecuencia de las variaciones de otra u otras series. En este sentido, y siguiendo con el ejemplo del paro registrado que se ha utilizado en el apartado anterior, se podra haber planteado que el paro es el resultado de la produccin, de los salarios y de la oferta de mano de obra medida por la poblacin activa. Este tipo de planteamiento nos llevara a buscar una funcin que ligue esas variables para despus cuantificarla mediante el anlisis de la regresin. Estaramos frente a una forma distinta de abordar el estudio de las variaciones de una serie. Pero tampoco es procedimiento agota todas las posibilidades de anlisis

21

En este epgrafe se presentar otra forma de analizar el comportamiento de las variaciones de una serie temporal. Ahora lo que se buscar ser simplemente cuantificar los cambios que experimenta la serie al pasar de un periodo de tiempo a otro. Esos periodos pueden ser consecutivos (mes e a mes, trimestre a trimestre, ao a ao) o puede que estn separados entre s (un determinado mesTrimestre de un ao con respecto a ese mismo mes-trimestre del ao anterior). Si la serie temporal la seguimos representando por yt, entonces la forma ms simple de cuantificar la variacin de la misma es:

Esta relacin lo que nos dice, mediante el signo de la misma, es si la serie, para ese periodo considerado, est creciendo o decreciendo, segn que aquel sea positivo o negativo, respectivamente. Pero aparte de esa informacin poco ms nos dice, pues esa diferencia o variacin observada en la serie viene expresada en las mismas unidades de medida que la propia serie, por lo que bastara con realizar un cambio de escala para que podamos modificar la magnitud de esa variacin de manera arbitraria.

Pero las limitaciones de esta forma de medir las variaciones de una serie no se limitan a la ya mencionada. Puede darse tambin el caso de cambios de igual magnitud para dos variables distintas pero que no sean comparables si los niveles de esas series son muy distintos o si las mismas vienen expresadas en unidades medida distintas.

Antes de pasar a estudiar las posibles maneras de solucionar las limitaciones que presenta esta forma tan simple de medir las variaciones de una serie, puede resultar de inters detenerse un momento e indagar un poco en el significado de esa diferencia. La misma, por si sola, es otra serie que para el caso de datos anuales y tendencia lineal recogera las componentes cclica y residual. Se tratara de una serie filtrada de tendencia. Pero si la periodicidad fuera inferior a la anual, por ejemplo mensual, entonces, y como ya se ha sealado, las diferencias podra tomarse respecto al mes anterior o al mismo mes del ao anterior. En el segundo
22

caso el resultado es otra serie filtrada de estacionalidad y tendencia y que recoge, de nuevo, las componentes cclica y residual. Esto es lo que se ha hecho con la serie del paro registrado. Esta serie resultante muestra que desde medidos de 1999 empez a tener lugar no un cambio de tendencia, como se ha indicado antes, sino ms bien una fase distinta del ciclo, en la que el decrecimiento de la misma es cada vez menor. Ese decrecimiento se fue anulando de manera que para octubre de 2001 las variaciones interanuales eran ya positivas. Vemos como esta forma de tratar la serie puede complementar el instrumental analtico presentado en los epgrafes anteriores.

Pero la cuantificacin de las variaciones de una serie en trminos absolutos ya hemos visto que presenta ciertas limitaciones que es conveniente corregir. La forma ms simple de eliminar esos problemas asociados a las unidades de medida de la serie es trabajar en trminos relativos, es decir, medir las variaciones de forma adimensional. Esto se consigue cuando se trabaja con tasas de Variacin.

2.11 VARIACIONES ESTACIONALES Son las oscilaciones que se repiten a intervalos regulares durante un periodo de tiempo o pueden ser fluctuaciones peridicas que se presentan en forma mensual, Semestral, anual, etc. Ejemplo: La temperatura que aumenta en verano y baja en invierno Las ventas que aumentan en el fin de mes Las fiestas patronales Las disposiciones legales que entran en vigor en fechas determinadas.

23

2.12 VARIACIONES IRREGULARES, FORTUITAS O ACCIDENTALES Son aquellas que no estn sujetas a un ritmo determinado, la causa es un acontecimiento fortuito como guerras, inundaciones, terremotos, huelgas, lecciones, modificaciones de disposiciones fiscales, un crack financiero. Ejemplo: - La prosperidad que viven los pueblos de Alemania y Japn.

2.13 CICLO U OSCILACIN Cuando se ampla la duracin de los periodos sobre los cuales se ha medido la tendencia puede observarse un cambio en la medida de la tendencia, que constituye parte de otro movimiento ms general que en el ciclo u oscilacin. Ejemplo: - Con qu movimiento caracterstico de una serie de tiempo se asociara Principalmente c/u de los siguientes tpicos:

Ejemplos para el mejor reconocimiento de las variaciones: a) Incendio en una fbrica retrasa la produccin por 3 semanas Variacin irregular b) Una etapa de prosperidad. Variacin cclica c) La venta de un departamento despus de Pascua. Variacin estacional d) La necesidad de incrementar la produccin de trigo, debido a un aumento de la poblacin. Variacin irregular e) Numero de pulgadas de lluvia, en un lapso de 5 aos. Variacin estacional f) Una etapa de pocas ventas de juguetes en el mes de febrero. Variacin estacional

24

2.14FACTORES QUE AFECTAN A LA TENDENCIA El crecimiento de una industria como un todo estima que es influenciada bsicamente por los siguientes factores: 1. Incremento de la poblacin 2. Incremento de la energa no humana 3. Capital acumulado 4. Progreso Tecnolgico

Cuando nos referimos a una industria o compaa en particular se debe considerar un quinto factor: La demanda por un artculo con relacin con otras mercaderas

2.15 OBTENCION DE LA TENDENCIA Para aislar esta primera componente de una serie se pueden utilizar distintos mtodos alternativos. Pero con independencia del que se utilice, debe quedar bien claro que, tal y como se ha definido la misma, el periodo de informacin necesario debe ser lo suficientemente largo para evitar identificar como tendencia otros movimientos distintos de la serie.

25

Para entender esta idea se puede hacer uso en la figura anterior. En la misma se ha representado una serie ficticia que muestra un perfil creciente, por lo que se puede concluir que la tendencia de la misma, como movimiento a largo plazo, no es decreciente, sino ms bien lo contrario. Sin embargo, si nos hubiramos limitado al periodo de tiempo que va de los puntos A al B, la conclusin sera justo la contraria de la indicada antes. Adems, como dentro de ese periodo de tiempo no se ha observado ninguna perturbacin de la tendencia, salvo que se tuviera informacin extra, no habra motivos para dudar de una tendencia lineal decreciente. Al mismo resultado se habra llegado si el periodo de observacin hubiera sido desde A hasta C, solo que ahora se dira que ha habido un ciclo por medio. Pero, tanto en un caso como en otro, las conclusiones seran poco afortunadas, pues se habra detectado de forma correcta la tendencia pero circunscrita a un periodo de tiempo muy corto, lo que entra en contradiccin con la definicin misma de tendencia, que se asocia con periodos de tiempo largos.

El problema es que el concepto de largo plazo va ntimamente ligado a la naturaleza de la variable, por lo que la longitud de esos periodos no siempre es comparable. A continuacin vamos a comentar algunos de los mtodos ms

habituales en la determinacin de la tendencia.

2.16 ANLISIS GRFICO Se trata del mtodo ms simple para la obtencin de la tendencia. Pero en su sencillez est su debilidad, pues al no hacer uso de ningn procedimiento analtico que garantice, tanto la objetividad del resultado como la posibilidad de que dos analistas distintos lleguen al mismo resultado, este procedimiento es impreciso y no garantiza fiabilidad alguna. Todo depende del conocimiento que de esa serie tenga el investigador que la est trabajando. A grandes rasgos, este mtodo pasa por la representacin grfica de la serie para posteriormente, bien a mano alzada o por cualquier otro procedimiento de caractersticas similares, obtener la tendencia. Lo que si es cierto es que, mediante esta va sencilla, se podr tener
26

una idea preliminar de cul es la tendencia. Adems la representacin grfica de la serie es un paso previo aconsejable en el anlisis de la misma.

2.17 MEDIAS MVILES Con este mtodo lo que se hace es suavizar la serie promediando los valores de la misma para periodos de tiempo fijos pero que se desplazan a lo largo de todo el horizonte de la serie. El resultado de este proceso mecnico es la eliminacin de los movimientos a corto y medio plazo as como las irregularidades debidas a factores no controlables ni predecibles. Es decir, a la serie se le quitan tres de sus componentes y se le deja solo la cuarta, la tendencia. La idea que subyace detrs de este mtodo es que la media de cualquier conjunto de valores sirve para eliminar la dispersin o variabilidad de la serie motivada por factores coyunturales o espordicos.

Este mtodo de suavizado consiste, como se ha indicado, en promediar la serie. Estos promedios sern las medias aritmticas de un conjunto k de valores consecutivos, con el requisito de que k sea inferior al total de observaciones. El procedimiento especfico sera el siguiente. Supngase que k es un entero impar. Entonces las sucesivas medias se obtendran de forma siguiente:

A la media *t y se le llama centrada porque al ser impar el nmero de sumandos con el que se ha obtenido, la media resultante se le hace corresponder con la
27

observacin del momento t, que es el valor central de la suma. Segn esta expresin de clculo, la primera media que se puede calcular es la correspondiente al grupo de valores cuya observacin central se corresponde al instante 2 = k 1 t , siendo en este caso la primera observacin y0, Una vez obtenida esa media, la siguiente se calcula para los k valores que tienen por observacin central la del periodo t+1, y as sucesivamente.

Esta forma de obtener medias eliminando la primera observacin del grupo y aadiendo la siguiente es lo que el da el adjetivo de mvil a las mismas. Para fijar un poco las ideas supongamos que k=5. En tal caso, las sucesivas medias mviles vendran dadas por:

Ahora bien, si k fuera par, entonces la media de esos k valores no se correspondera con ninguno de los observados de la serie original, sino con el punto medio de los centrales. Pero ese instante no es observable (2 = k -1 t no sera un entero), por lo que las medias calculadas de esta forma habra que promediarlas de dos en dos y de forma sucesiva para que el resultado si fuera una serie de valores (medias) centrados, es decir, que se correspondan con valores para periodos o instantes de tiempo observados.

Esta serie no centrada se obtendra mediante la expresin:

28

Otra cuestin importante a la hora de calcular las medias mviles es determinar cuntas observaciones deben tomarse en cada caso. Si k es muy grande entonces el proceso de suavizado puede llegar a ser tan fuerte que se pierda ms informacin de la deseada. Piense en la situacin extrema de que k fuera igual al total de observaciones. En ese caso solo habra una media, por lo que el suavizamiento de la serie sera mximo, tanto que no habra ni tendencia ni componente alguna. Por esta razn k no debe ser demasiado grande, pues se podra incurrir en un suavizado excesivo. En general, cuanto mayor es k, menor ser el nmero de trminos de la serie suavizada resultante (se pierden observaciones al principio y al final de la serie).

En conclusin, si se toma un grupo de observaciones muy alto se incurre en el peligro de perder informacin por dos vas: a) la serie se suaviza ms de lo necesario, ocultando ciertos movimientos tendenciales; b) el nmero de trminos de la nueva serie se reduce considerablemente, y perder datos nunca es bueno.

Por el contrario, si k es muy pequeo entonces no se conseguirn eliminar todas las perturbaciones ajenas a la tendencia. De forma similar a como se razon antes, si k=1, entonces la serie original y la suavizada coinciden, con lo cual no se ha conseguido nada.

En algunos casos, ese valor de k es fcil de determinar. As ocurre cuando la serie muestra un patrn de comportamiento que se repite de manera sistemtica cada k periodos de tiempo. Tal sera el caso de la estacionalidad. Si se trabaja con datos mensuales y la serie est sometida a un esquema de estacionalidad que se repite todos los aos, entonces la forma de suavizar esa serie y eliminar la componente estacional sera tomar una media mvil de doce meses ( k = 12). A la serie resultante se le habran eliminado dos componentes: la estacionalidad y las variaciones accidentales. Pero al ser k par, la serie resultante no estara centrada, por lo que habra que volver a tomar medias mviles con k = 2.
29

Una vez que de la serie original se han eliminado esas dos componentes cabra preguntarse cmo proceder con las variaciones cclicas. En este caso la eleccin de k es ms difcil, pues los ciclos no son movimientos de la serie que se repitan con una periodicidad fija, como ocurre con la estacionalidad. En estos casos, si esa periodicidad no puede determinarse de forma clara y sin que perjudique notoriamente a los resultados, la mejor forma de proceder es trabajar con lo que ha dado en denominarse componente ciclo-tendencia.

En el esquema presentado hasta el momento, para la obtencin de la tendencia mediante medias mviles, se ha trabajado con el supuesto de que los datos tenan una periodicidad inferior al ao (semestres, cuatrimestres, trimestres, meses, etc.) lo que implicaba aceptar la posibilidad de que esa serie presentara estacionalidad. Ahora bien, si los datos fueran anuales entonces la estacionalidad quedara descartada, pues las nicas componentes de la serie seran la tendencia, los ciclos y las variaciones accidentales. Esta nueva situacin nos lleva a que sea poco verosmil que la serie presente un esquema repetitivo a lo largo del tiempo tan estable como presentaban las variaciones estacionales.

Ante estas circunstancias se hace difcil saber cul debiera ser el nmero adecuado de observaciones que debieran tomarse para calcular las medias mviles. La forma de salir de esta situacin incmoda es obtener medias mviles de tres o cinco datos (nmero impar y pequeo) para de esa forma eliminar la componente accidental. Una vez que se ha procedido de esta forma, la serie suavizada resultante contiene una mezcla de ciclo-tendencia. Si la componente cclica fuera regular con periodos definidos y fijos, entonces la tendencia se obtendra aplicando una media mvil con un k igual a la longitud del ciclo. Pero es poco probable que los ciclos tengan ese comportamiento tan sistemtico, por lo que quizs la mejor solucin sea, como se indic en el prrafo anterior, no manipular ms los datos y trabajar con esa mixtura de componentes ciclotendencia.
30

Este mtodo de obtencin de la tendencia presenta, frente a su sencillez, algunos inconvenientes que deben ser sealados. Al igual que en el mtodo grfico, tambin aqu se introduce un cierto grado de subjetividad, pues la eleccin del nmero de observaciones a promediar queda a la eleccin del analista y, salvo que sea muy claro cul debe ser ese nmero (caso de la estacionalidad), esa decisin no siempre es la acertada, por lo que los valores de la componente tendencia variaran segn quin los calcule. Por otro lado, esta forma de obtener la tendencia no permite alcanzar el objetivo de la prediccin en el anlisis de las series temporales, pues la tendencia obtenida mediante medias mviles no permite que se proyecte hacia el futuro.

Ejemplo 1. Obtngase la tendencia de la serie de la Tabla 1 mediante medias mviles.

En este caso, dado que los datos son mensuales y la serie muestra una clara componente estacional que se repite todos los aos, el periodo de la media mvil debe ser de doce datos (doce meses). Pero al ser par el valor de k se debe tomar medias mviles en dos ocasiones. Primero con k=12 y despus con k = 2, para de esta forma obtener una serie centrada, que ser la tendencia, pues, como puede observarse.

La forma en la que se han obtenido esos datos es la siguiente:

31

32

Una vez que se ha obtenido la componente ciclo-tendencia y si se admite un esquema multiplicativo de generacin de la serie, entonces el cociente entre estas dos componentes nos dara la estacionalidad y las variaciones accidentales.

33

CAPITULO III METODOS Una tendencia puede estimarse de diferentes maneras:

3.1 MTODO DE LOS MINIMOS CUADRADOS Este mtodo, pude usarse para calcular la ecuacin de una recta o curva de tendencia apropiada. Con esta ecuacin se suelen calcular los valores de tendencia T.

3.2 MTODO A MANO Este mtodo, que consiste en trazar una recta o curva de tendencia simplemente mirando la grfica, puede usarse para estimar Y. Sin embargo, tiene la obvia desventaja de depender demasiado del juicio individual.

3.3 MTODO DEL PROMEDIO MOVIL A menudo, se considera que una tendencia secular es un indicio del recorrido general de la generacin d una serie de tiempo. Si se tiene incertidumbre de que la tendencia sea lineal o de que se podra describir mejor por medio de alguna otra clase de curva, si no estamos seguros de tener en realidad una tendencia o parte de un ciclo y si no estamos realmente interesados en obtener una ecuacin matemtica, podemos describir muy adecuadamente el comportamiento general de una serie de tiempo mediante una serie artificial conocida como promedio mvil.

Un promedio mvil se construye sustituyendo cada valor de una serie por la media del mismo y algunos de los valores inmediatamente anteriores y posteriores. Por ejemplo, en un promedio mvil de tres aos, calculado en relacin con datos anuales, cada cifra anual es reemplazada por la media de ella misma y las cifras anuales de los dos aos adyacentes; en un promedio mvil de cinco aos cada cifra anual se sustituye por la media de dicha cifra y las de los dos aos anteriores

34

y las de los dos aos siguientes. Di la ponderacin se realiza en un numero par de periodos, por ejemplo, 4 aos o 12 meses, el promedio mvil quedara inicialmente entre anos o meses sucesivos. En estos casos, se suelen reordenar (o centrar) los valores tomando el promedio mvil de los dos aos (o dos meses) adyacentes. Utilizaremos este procedimiento ms adelantes para medir la variacin estacional. El problema bsico en la elaboracin de un promedio mvil es la eleccin de un periodo apropiado para el promedio. Esta eleccin depende considerablemente de la naturaleza de los datos y del propsito para el cual se elabora el ndice.

Ordinariamente, el objeto de ajustar un promedio mvil es el de eliminar, hasta donde sea posible, las fluctuaciones indeseables o perturbadoras de los datos.

3.4 MTODO DE LOS SEMIPROMEDIOS Este consiste en separar los datos en dos partes (de preferencia iguales) y calcular el promedio de los datos en cada parte, con lo que se obtienen dos puntos en la grfica de series de tiempo. Despus se traza una recta de tendencia entre estos dos puntos. Los valores de tendencia a partir de la recta de tendencia, pero tambin pueden determinarse de manera directa, sin grafica A pesar de que este mtodo es sencillo de aplicar, suele conducir resultados pobres cuando se utiliza en forma indiscriminada. Adems, solo es aplicable cuando la tendencia es lineal o aproximadamente lineal, aunque llega a extenderse a casos en donde los datos pueden separarse en varias partes, en cada una de las cuales la tendencia sea lineal.

3.5 ESTIMACION DE LAS VARIACIONES ESTACIONALES INDICE ESTACIONAL Para determinar el factor estacional S en la ecuacin (l), se debe estimar como varan los datos en las series de tiempo de un mes a otro, considerando un ao tpico. Un conjunto de nmeros que muestra los valores relativos de una variable
35

durante los meses del ao se llama ndice estacional de la variable. Por ejemplo, si se conoce que las ventas durante enero, febrero, marzo, etc., son de 50, 120, 90, . Por ciento del promedio de las venta mensuales para todo el ano, entonces los nmeros 50, 120, 90, . Proporcionan el ndice estacional del ao, estos nmeros suelen llamarse nmeros ndice estacionales. El promedio (media) del ndice estacional para todo el ao debe ser 100, es decir, la suma de los nmeros ndice de los 12 meses tiene que ser 1200% Diversos mtodos est disponible para calcular el ndice estacional.

3.6 MTODO DEL PORCENTAJE PROMEDIO En este mtodo, los datos de cada se me expresan como porcentajes del promedio del ao. Entonces, se promedian los porcentajes de los meses correspondientes de diferentes anos, usando una media o una mediana; si se usa La media, es mejor evitar cualquier valor extremo que pueda presentarse. Los 12 porcentajes resultantes dan el ndice estacional. Si su media no es 100% (es decir, si la suma no es 1200%), entonces deben ajustarse, lo que se logra multiplicndolos por un factor adecuado.

3.7 MTODO DEL PORCENTAJE DE LA TENENCIA O DE LA RAZN DE LA TENDENCIA En este mtodo, los datos de cada mes se expresan como porcentajes de valores de la tendencia mensual. Un promedio adecuado de los porcentajes para los meses correspondientes proporcionan, entonces, el ndice requerido. Igual que en el mtodo 1, estos se ajustan si no promedian 100% Obsrvese que dividir cada valor mensual Y entre el valor de tendencia T correspondiente, proporciona Y/T = CSI, de la ecuacin (l), y que el siguiente promedio de Y/T produce los ndices estacionales. Mientras estos ndices incluyan variaciones ciclis e irregulares, estas puede ser una desventaja importante del mtodo, especialmente si las variaciones son grandes.

36

3.8 MTODO DEL PORCENTAJE DEL PROMEDIO MOVIL O DE LA RAZON DEL PROMEDIO MOVIL En este mtodo se calcula un promedio mvil de 12 meses. Dado que los resultados as obtenidos caen entre meses sucesivos, en lugar de en la mitad del mes (que es donde caen los datos originales), se busca un promedio mvil de 2 meses, de este promedio mvil de 12 meses. El resultado suele llamarse promedio mvil centrado de 12 meses.

Despus de esto, se expresan los datos originales de cada mes como un porcentaje del promedio mvil centrado de 12 meses correspondiente a los datos originales. Luego se promedian los porcentajes de los meses correspondientes, con lo que se obtiene el ndice requerido. Como antes, si estos no promedian 100% se hace un ajuste.

Obsrvese que el razonamiento lgico de este mtodo parte de la ecuacin (l). Un promedio mvil centrado de 12 meses de Y sirve para eliminar los movimientos estacionales e irregulares S e I; por lo tanto, es equivalente a los valores dados por TC. Entonces, al dividir los datos originales entre TC, se obtiene SI. Los promedios siguientes para los meses correspondientes sirven para eliminar la irregularidad I y producen en consecuencia, un ndice adecuado.

3.9 ESTIMACION DE LAS VARIACIONES CICLICAS Una vez que los datos han sido ajustados a las variaciones estacionales, tambin suelen ajustarse a la tendencia dividindolos, sencillamente, entre los valores de tendencia correspondientes. De acuerdo con la ecuacin (l), el proceso de ajuste a la variacin estacional y a la tendencia es equivalente a dividir Y entre ST, que resulta en Cl (las variaciones cclicas e irregulares).

Un promedio mvil adecuado de pocos meses de duracin (como 3, 5 o 7 meses, de modo que en consecuencia no se necesita centrado) sirve, entonces, para suavizar las variaciones irregular l y para dejar nicamente las variaciones cclicas

37

C. Una vez que se han aislado estas variaciones cclicas, es posible estudiarlas en detalle. Si se presenta una periodicidad o periodicidad aproximada de ciclos, se pueden construir ndices cclicos de la misma manera que los ndices estacionales.

3.10 ESTIMACION DE LAS VARIACIONES IRREGULARES Las variaciones irregulares (o aleatorias) pueden estimarse ajustando los datos a las variaciones de tendencia, estacionales y cclicas. Esto equivale a dividir los datos originales y entre T, S y C, lo que [por ecuacin (1) da I. En la prctica se encuentra que los movimientos irregular se inclinan a tener una pequea magnitud y suelen seguir el patrn de una distribucin normal; es decir, las pequeas desviaciones ocurren con gran frecuencia la desviaciones grandes suceden con poca frecuencia]. A menudo, se considera que una tendencia secular es un indicio del recorrido general de la generacin d una serie de tiempo. Si se tiene incertidumbre de que la tendencia sea lineal o de que se podra describir mejor por medio de alguna otra clase de curva, si no estamos seguros de tener en realidad una tendencia o parte de un ciclo y si no estamos realmente interesados en obtener una ecuacin matemtica, podemos describir muy adecuadamente el comportamiento general de una serie de tiempo mediante una serie artificial conocida como promedio mvil.

Un promedio mvil se construye sustituyendo cada valor de una serie por la media del mismo y algunos de los valores inmediatamente anteriores y posteriores. Por ejemplo, en un promedio mvil de tres aos, calculado en relacin con datos anuales, cada cifra anual es reemplazada por la media de ella misma y las cifras anuales de los dos aos adyacentes; en un promedio mvil de cinco aos cada cifra anual se sustituye por la media de dicha cifra y las de los dos aos anteriores Y las de los dos aos siguientes. Di la ponderacin se realiza en un numero par de Periodos, por ejemplo, 4 aos o 12 meses, el promedio mvil quedara inicialmente
38

Entre aos o meses sucesivos. En estos casos, se suelen reordenar (o centrar) los valores tomando el promedio mvil de los dos aos (o dos meses) adyacentes. Utilizaremos este procedimiento ms adelantes para medir la variacin estacional. El problema bsico en la elaboracin de un promedio mvil es la eleccin de un periodo apropiado para el promedio. Esta eleccin depende considerablemente de la naturaleza de los datos y del propsito para el cual se elabora el ndice.

Ordinariamente, el objeto de ajustar un promedio mvil es el de eliminar, hasta donde sea posible, las fluctuaciones indeseables o perturbadoras de los datos. El primer paso del procedimiento consiste en determinar los totales mviles de los 12 meses que aparecen en la columna 2. El primer dato de esta columna 211.5, es la suma de los envos de los 12 meses de 2001 y se anota a la mitad del periodo, entre junio y julio del 2001

El segundo dato de la columna, 215.0, se obtiene al restarle 211.5 la cifra de enero del 2001 y sumarle la cifra de enero del 2002; en otras palabras, 211.5 es la suma de os 12 envos mensuales de febrero del 2001 al 2002, y se anota a la mitad de este periodo. El tercer dato y los dems de esa columna se obtienen con este mismo proceso de sustraccin y adicin de los valores mensuales. A fin de obtener un promedio mvil de 12 meses centrado en los datos originales, calculamos a continuacin los totales mviles de dos meses, con las anotaciones en la columna 2. Estos datos se muestran en la columna 3, donde el primer nmero es la suma de los dos primeros valores de la columna 2, el segundo es la suma del segundo y tercer valor de la columna 2, etc. Estos datos de la columna 3 se anotan entre los de la columna 2 y, por consiguiente, estn alineados (o centrados) con los datos originales.

Como cada anotacin en la columna 2 es la suma de 12 cifras mensuales y cada registro de la columna 3 es la suma de dos datos de la columna 2, o en total, la
39

suma de 24 cifras mensuales, obtenemos por ltimo el promedio mvil centrado, de 12 meses, que se muestra en la columna 4, luego de dividir cada registro de la columna 3 entre 24. Estos valores de los promedios mviles son las estimaciones de la tendencia del ciclo y, ahora, las empleamos para eliminar las componentes T.C de la serie original. Esto se logra dividiendo los datos T.S.C.I originales, mes por mes, entre las estimaciones T.C correspondientes (es decir, entre los valores correspondientes del promedio mvil).

Ejemplo 1: Dados los nmeros 2, 6, 1, 5, 3, 7 y 2 un promedio mvil de orden 3 est dado por La secuencia.

Se acostumbra localizar cada nmero del promedio mvil en su posicin apropiada, relacionada con los datos originales. En este ejemplo se escribira.

Datos originales 2, 6, 1, 5, 3, 7, 2

Promedio mvil de orden 3 3, 4, 3, 5, 4

Donde cada nmero del promedio mvil es la media de los tres nmeros inmediatamente por encima de l. Si los datos se dan anual o mensualmente, un promedio mvil de orden N se denomina, en ese orden, promedio mvil de N aos o promedio mvil de N meses.

As, se habla de promedios mviles de 5 aos, 12 meses, etc. Por obcecad, tambin puede usarse cualquiera otra unidad de tiempo. Los promedios mviles

40

tienen la propiedad de tender a reducir la cantidad de variacin presente en un conjunto de datos. Para las series de tiempo, esta propiedad suele usarse para eliminar fluctuaciones no deseadas y el proceso se llama suavizacin de las series de tiempo.

Si se utilizan medias aritmticas ponderadas en la secuencia (3), con pesos especificados de antemano, entonces la secuencia resultante se conoce como promedio mvil ponderado de orden N.

Ejemplo 2:

Este mtodo consiste en elegir la recta de modo tal que la suma de los cuadrados De los desvos entre los puntos representados y la recta, sea la menor posible. La ecuacin de la recta es: Queda determinada cuando se conocen los valores numricos de a y b, estos valores son la solucin de un sistema de dos ecuaciones con dos incgnitas: Conocidos tambin como ecuaciones normales del mtodo de los mnimos cuadrados. Donde n nos indica el nmero de clases utilizadas.

3.11 MTODOS CLSICOS Desde una perspectiva terica el enfoque clsico de anlisis de series temporales considera que el comportamiento de una variable en el tiempo es el resultado de la integracin de cuatro componentes fundamentales (aunque no siempre aparecen todos): tendencia (T), ciclo (C ), componente estacional (S ) y
t t

componente irregular o ruido (E ). De esta forma con los mtodos clsicos una
t

serie temporal X es una funcin de estos cuatro componentes.

t

41

Se considera tendencia (T ) al movimiento suave y regular de la serie a largo

t

plazo. Refleja la direccin del movimiento de una determinada variable; creciente, decreciente o estable.

El componente cclico (C ) consiste en variaciones superiores al ao que no son

t

estrictamente peridicas. Se trata de un factor de tipo oscilante caracterizado por movimientos recurrentes en torno a la tendencia, y suele aparecer

fundamentalmente en series de tipo econmico.

En muchas series temporales podemos observar un patrn sistemtico que se repite todos los aos, es decir, todos los aos aparece un cambio de valor en un determinado mes. La estacionalidad (S ) de una serie son los movimientos
t

regulares de la misma que tienen una periodicidad inferior al ao. Recoge las oscilaciones que ao a ao se repiten en una serie de forma peridica.

El componente irregular o ruido (E ) incluye las variaciones de la serie cuyas leyes

t

nos

resultan

desconocidas.

Se

caracteriza

porque

no

responde

un

comportamiento sistemtico o regular y, en consecuencia, no es posible su prediccin. El enfoque clsico atribuye esta irregularidad al azar. De esta forma el ruido lo compone todo lo que no queda explicado por la tendencia, el ciclo y la estacionalidad.

Los mtodos clsicos de anlisis de series temporales tienen la ventaja de no ser excesivamente complejos, aunque como contrapartida responden a preguntas menos ambiciosas. Se pueden emplear para realizar predicciones a corto plazo,

42

pero no a medio o largo plazo. Por ejemplo, en series mensuales se utilizan para predecir uno o dos meses, no un ao completo.

3.11.1 Mtodos de descomposicin estacional y ajuste de tendencia Los mtodos de descomposicin estacional son eminentemente descriptivos. Tratan de separar la serie en subseries correspondientes a la tendencia-ciclo, la estacionalidad y el ruido (componente aleatorio).

En ocasiones nos interesa desestacionalizar una serie, eliminar la influencia estacional. Supongamos que tratamos de analizar si, a lo largo del ao, los niveles de ozono aumentan, se mantienen o disminuyen. El nivel de ozono sube en verano, pero lo que tratamos de determinar es si existe una subida ms all del incremento propio del verano. De esta forma lo que nos interesa es estudiar la tendencia de la serie independientemente de la subida que se produce cada esto.
43

Otro ejemplo en el que nos puede interesar eliminar la influencia estacional de una serie es el caso en el que necesitamos decidir la capacidad que debe tener un almacn. Para ello analizamos los datos correspondientes al volumen de producto a almacenar cada mes. Trataremos de tomar la decisin abstrayndonos de los picos de la estacionalidad. No nos interesa montar una nueva planta de almacn que solo se va a ocupar en un pico como, por ejemplo, navidad. En ocasiones tendencia y estacionalidad se enmascaran, a veces una tendencia marcada puede no dejarnos ver la estacionalidad, y viceversa. Los mtodos de descomposicin estacional separan tendencia, estacionalidad y ruido, pero no predicen. Para predecir es necesario combinarlos con mtodos de ajuste de tendencia. A la hora de predecir consideramos la estacionalidad constante periodo a pe-riodo y el ruido cero. El ruido es aleatorio, impredecible, y tiene media cero, de manera que la mejor previsin que podemos hacer de l es cero.

Para pronosticar realizamos un ajuste de tendencia con el fin de obtener un modelo extrapolable, y le aadimos la estacionalidad.

44

El primer paso a seguir a la hora de descomponer una serie es determinar cmo se combinan sus componentes. Las combinaciones aditiva y multiplicativa son las ms habituales. Tal y como hemos visto en una serie temporal X es una funcin
t

que depende de cuatro componentes.

Si dichos componentes se combinan de forma aditiva entonces:

Y si lo hacen de forma multiplicativa:

Desarrollemos el proceso para el caso aditivo. El ruido y estacionalidad. El ruido se elimina sus En primer lugar eliminamos el ruido y la estacionalidad sustituyendo cada observacin por una media de lo ocurrido anteriormente (media mvil anterior) y la estacionalidad realizando un proceso de media mvil centrada. Este ltimo procedimiento suaviza cada observacin tomando la media de igual nmero de valores anteriores y posteriores a la misma.

El orden de la media mvil centrada, es decir, el nmero total de observaciones que generar cada media mvil centrada, habitualmente es igual al periodo de la serie. En cualquier caso debe ser tal que no incluya ms observaciones de una unidad de periodo que de las dems. Es decir, si la serie tiene periodicidad semanal, en la media mvil centrada no deben estar incluidos los valores correspondientes a dos lunes si no se incluyen tambin dos veces los del resto de los das de la semana.

45

En el caso de que el periodo de la serie sea par, por ejemplo los trimestres delao, la media mvil centrada se calcula tomando la media de las dos posibles medias mviles a considerar.

3.12 MODELOS ARIMA Al estudiar los mtodos clsicos de anlisis de series temporales no hemos tenido en cuenta de dnde salen los datos de las mismas, cul es el mecanismo que las genera. A la hora de estudiar una serie temporal empleando los modelos ARIMA suponemos que la serie puede estar generada por un proceso estocstico. Un proceso estocstico se define como una familia de variables aleatorias que corresponden a momentos sucesivos en el tiempo. De esta forma una serie temporal con n observaciones estara generada por X , , X variables aleatorias,
1 n

y sus valores concretos x ,,x seran una realizacin del proceso estocstico.
1 n

46

Un proceso estocstico queda determinado si conocemos la funcin de distribucin de las variables aleatorias que lo componen y todas las posibles funciones de distribucin conjuntas de dichas variables.

La determinacin de las caractersticas de un proceso estocstico a partir de las funciones de distribucin es, en general, un procedimiento complicado, por lo que se acostumbra a caracterizarlos a partir de los momentos de primer y segundo orden (media y covarianza).

Media o momento de primer orden:

Covarianzas o momentos de segundo orden:

Con el nmero de datos obtenidos en una sola realizacin del proceso estocstico se debe estimar un nmero superior de parmetros. De esta forma, si se dispone de n datos, con ellos se deberan estimar n medias, n varianzas y todas las covarianzas. En otras palabras, el problema no tiene ninguna solucin. Para poder, a partir de una sola realizacin, efectuar inferencias sobre los parmetros de un proceso estocstico, es preciso imponer restricciones a este ltimo. Las restricciones que se imponen habitualmente son que sea estacionario y ergdico. Un proceso estocstico es estacionario en sentido estricto si se mantienen estables todas las posibles relaciones entre las variables aleatorias que lo componen, de manera que solo dependen de la distancia que las separa:
47

Restringirnos a los procesos estacionarios estrictos es excesivo, de manera que se opta por una solucin intermedia, con los llamados procesos estocsticos estacionarios en sentido dbil o, simplemente, procesos estacionarios.

Un proceso es estacionario en sentido dbil cuando su media y su varianza permanecen constantes a lo largo del tiempo y las relaciones lineales entre las variables solo dependen de la distancia que las separa:

Antes de introducir la definicin de proceso estocstico ergdico necesitamos definir la funcin de auto correlacin. Se denomina auto correlacin de orden k, k, a la correlacin de cualesquiera dos variables aleatorias del proceso estocstico, distanciadas k instantes de tiempo:

Propiedades de la autocorrelacin

48

La funcin de autocorrelacin simple es la representacin de k frente a k. Como la funcin de autocorrelacin simple es una simtrica debido la primera de sus propiedades, nicamente se suele representar la parte positiva.

Se denomina autocorrelacin parcial de orden k, kk, a la correlacin entre dos variables aleatorias del proceso estocstico distanciadas k instantes de tiempo, pero sin considerar la existencia de las variables aleatorias intermedias. Es decir, para calcular la autocorrelacin parcial entre X y X
t t+k

eliminamos la influencia que

sobre ambas tienen X , X ,..X

t+1 t+2

t+k-1

La funcin de autocorrelacin parcial es la representacin de kk frente a k. Las funciones de autocorrelacin simple y parcial, tal y como veremos ms adelante, constituyen uno de los instrumentos clave para ajustar el modelo que genera una serie temporal.

Un proceso es ergdico cuando conforme k se hace ms grande la autocorrelacin, k, se hace ms pequea. Es decir, que lo que ocurre hoy, conforme va pasando el tiempo va teniendo menos importancia.

Cuando valores de la serie temporal alejados en el tiempo estn muy correlacionados, es decir, cuando k se mantiene en unas cotas elevadas para un k grande, sucede que al aumentar el tamao de la muestra se aade poca informacin nueva. La consecuencia de este hecho en el plano estadstico es que los estimadores obtenidos no son consistentes, ya que el aumento del tamao de la muestra no tendr una especial utilidad, puesto que se deber calcular un mayor nmero de covarianzas para caracterizar el proceso.

49

De esta forma, cuando estamos ante un proceso estacionario y ergdico, todo el problema de inferencia se simplifica de forma considerable.

Nuestro objetivo al analizar una serie temporal es estimar el proceso estocstico que la genera y para ello, segn hemos visto hasta ahora, debemos partir del supuesto de que dicho proceso estocstico es estacionario y ergdico.

3.13 MODELOS DE MEDIAS MVILES (MA)

Un proceso de medias mviles de orden q es un proceso en el que la variable X

i

se obtiene como un promedio de variables de ruido blanco (a ), siendo los i sus coeficientes de ponderacin.

Todos los procesos de medias mviles son procesos estacionarios. Existen 2 procesos de medias mviles de orden q que poseen la misma funcin de autocorrelacin, pero solo uno de ellos es invertible. De esta manera si solo consideramos procesos invertibles la funcin de autocorrelacin determina unvocamente un proceso.

- La funcin de autocorrelacin simple de un modelo de medias mviles se corta (se hace cero) en el orden del modelo (q) y caracteriza los procesos de medias mviles. - La funcin de autocorrelacin parcial de un modelo de medias mviles no se corta, tiende a cero rpidamente, exponencialmente.

50

Veamos un ejemplo de funciones de autocorrelacin de un modelo de medias mviles de orden dos:

Hay que tener en cuenta que los coeficientes de correlacin de ambas funciones pueden tomar valores positivos o negativos.

3.14 MODELOS AUTORREGRESIVOS (AR)

51

Un proceso autorregresivo de orden p es un proceso en el que la variable X se

t

obtiene efectuando una regresin sobre valores pasados de la misma.

Todos los procesos autorregresivos son procesos invertibles. - La funcin de autocorrelacin simple de un modelo autorregresivo no se corta, tiende a cero rpidamente, exponencialmente. - La funcin de autocorrelacin parcial de un modelo autorregresivo se corta (se hace cero) en el orden del modelo (p).

Veamos un ejemplo de funciones de autocorrelacin de un modelo autorregresivo de orden dos:

52

Hay que tener en cuenta que los coeficientes de correlacin de ambas funciones pueden tomar valores positivos o negativos.

3.15 MODELOS AUTORREGRESIVO (AR)

Un proceso autorregresivo de orden p es un proceso en el que la variable X se

t

obtiene efectuando una regresin sobre valores pasados de la misma. Todos los procesos autorregresivos son procesos invertibles. - La funcin de autocorrelacin simple de un modelo autorregresivo no se corta, tiende a cero rpidamente, exponencialmente. - La funcin de autocorrelacin parcial de un modelo autorregresivo se corta (se hace cero) en el orden del modelo (p).

53

Veamos un ejemplo de funciones de autocorrelacin de un modelo autorregresivo de orden dos:

Hay que tener en cuenta que los coeficientes de correlacin de ambas funciones pueden tomar valores positivos o negativos.

3.16 MODELOS AUTORREGRESIVOS DE MEDIAS MVILES ARMA

54

Los modelos autorregresivos de medias mviles, ARMA(p,q), son la suma de un proceso autorregresivo de orden p y uno de medias mviles de orden q. Las funciones de autocorrelacin simple y parcial de un proceso ARMA tambin son la suma de las correspondientes a un proceso MA y a otro AR. De esta forma ninguna de las dos se corta. - La funcin de autocorrelacin simple de un proceso ARMA en cuanto supera el orden de la parte MA, q, se comporta como si solo hubiera parte AR. - La funcin de autocorrelacin parcial se comporta como si solo hubiera parte MA en cuanto superamos el orden de la parte AR, p.

Estas caractersticas de las funciones de autocorrelacin dificultan la identificacin del proceso a travs de las mismas, de manera que no es posible identificar p y q al mismo tiempo. En un primer paso debemos identificar un proceso AR (o un MA) y, tras ajustar la serie, identificar en los residuos un MA (o un AR).

3.17 MODELOS NO ESTACIONARIOS (ARIMA) Existe gran cantidad de series temporales que no son estacionarias, de manera que no podemos analizarlas ajustando los modelos vistos hasta ahora, puesto que exigen estacionalidad (nivel de la serie y variabilidad constantes a lo largo del tiempo). Sin embargo es posible transformar las series no estacionarias para que verifiquen los supuestos que necesitamos. En primer lugar debemos analizar la dependencia entre variabilidad y nivel. Si existe dependencia de este tipo la serie no es estacionaria en varianza, de manera que debemos transformarla. En estos casos, cuando la variabilidad depende del nivel, se realizan transformaciones de la familia de box-cox. Cuando estamos ante una serie no estacionaria en nivel (serie con tendencia) se consigue que la serie sea estacionaria diferencindola. Diferenciar

55

una serie X (integrarla) consiste en aplicarle el operador diferencia simple ( ) que

t

hace lo siguiente:

Es posible que, tras diferenciar una serie, esta siga siendo no estacionaria, en cuyo caso es posible que necesite una nueva diferencia. De esta manera la notacin que se emplea con estos modelos es ARIMA(p,d,q), donde d es el nmero de diferencias que se efectan sobre la serie original antes de ajustar un ARMA.

56

CAPITULO IV EJERCICIOS DE SERIES CRONOLGICAS En la tabla adjunta se reflejan las ventas trimestrales de una empresa en millones de euros. Desestacionalizar la serie por el mtodo de las medias mviles.

PRIMER PASO.- Para calcular la tendencia secular de la serie por el mtodo de las medias mviles, se obtienen primero las medias mviles de tamao 4 (perodo de las variaciones estacionales), que al ser un nmero par, sern descentradas y correspondern a los perodos intermedios entre cada dos trimestres

consecutivos. Clculo de las medias mviles:

57

Para centrar la serie hay que calcular la media aritmtica de cada dos observaciones sucesivas, de este modo, las medias que irn apareciendo, respectivamente, sern:

La lnea que se obtiene al representar grficamente la serie de la tabla (t , yit) ser la lnea de tendencia, que comienza en el tercer trimestre de 2006 y finaliza en el segundo trimestre de 2010.

58

Al aplicar el mtodo de las medias mviles, en el esquema multiplicativo Yit

Tit

.Eit .Cit .Ait , lo que realmente se obtiene en la serie cronolgica es una aproximacin de Tit .Cit , quedando sin analizar las componentes estacional (Eit ) y accidental (Ait ).

SEGUNDO PASO.- La tendencia y la componente cclica se eliminarn dividiendo cada dato de la serie original por la correspondiente media mvil:

TERCER PASO.- Se elimina la componente accidental Ait con el clculo de las medias aritmticas trimestrales, es decir, la media aritmtica de cada fila de la tabla anterior (donde solo apareca el producto de Eit .Ait ):

59

CUARTO PASO.- Se calculan los ndices de Variacin Estacional (IVE), expresando para ello cada uno de los valores anteriores en forma de porcentaje sobre la media anual, obteniendo:

Advirtase que los ndices de variacin estacional (IVE) suman 4.100

400

Sobre un nivel medio de ventas, la influencia de la variacin estacional produce: 1 Trimestre: (79,01 - 100 = - 20,99), un descenso de ventas del 20,99% 2 Trimestre: (104,10 - 100 = 4,10), un aumento de ventas del 4,10% 3 Trimestre: (127,87 - 100 = 27,87), un aumento de ventas del 27,87% 4 Trimestre: (89,11 - 100 = - 10,89), un descenso de ventas del 10,89%

DESESTACIONALIZACIN (aplicando el mtodo a la razn a la media mvil).- El proceso consiste en dividir cada valor de la serie original por cada ndice de Variacin Estacional correspondiente, esto es:

60

La serie desestacionalizada, aplicando el mtodo a la razn a la media mvil:

MTODO ANALTICO DE LA TENDENCIA (MNIMOS CUADRADOS) PRIMER PASO.- Se calculan las medias anuales y t (medias para cada ao de k = 4 subperodos)

SEGUNDO PASO.- La tendencia media anual T t se obtiene ajustando una recta de regresin a los aos ) t , , t , t ( n 2 1 donde , y n 2 1 t : t . b a y T t y a las medias anuales ) t , , t , t ( t t

61

TERCER PASO.- A partir de la tendencia media anual T t se obtiene el valor de la tendencia para los distintos subperodos, segn la expresin general:

donde,

t i k b

Ao (2006, 2007, ..., 2010) Subperodo donde se calcula la tendencia (trimestral i = 1, 2, 3, 4) Nmero total de subperodos ( datos trimestrales k = 4) Pendiente de la recta de regresin = 1

62

Representacin grfica de la serie con los datos originales y la serie suavizada de tendencia

CUARTO PASO.- Para eliminar la tendencia y la componente cclica se divide cada trmino de la serie original entre el correspondiente trmino de la serie terica de tendencia.

Sealar que, en el esquema multiplicativo, al aplicar el mtodo de los mnimos cuadrados, lo que se obtiene es una aproximacin de, ya que en el perodo que se considera (un ao) es suficientemente pequeo, pudiendo suponer que la componente cclica est incluida en la tendencia secular, puesto que en un
63

perodo tan corto no da lugar a que se manifiestes plenamente las variaciones cclicas.

QUINTO PASO.- Para eliminar la componente accidental, se calculan para cada trimestre la media aritmtica de los valores obtenidos por trimestres (filas) en la serie anterior con las componentes estacional y accidental.

SEXTO PASO.- Se calculan los ndices de Variacin Estacional, expresando para ello cada uno de las valores obtenidos (medias aritmticas por trimestres) en forma de porcentaje sobre la media anual, obteniendo:

64

En definitiva, sobre un nivel medio de ventas, la influencia de la variacin estacional produce: 1 Trimestre: ( 64,59 - 100 = -35,41) 2 Trimestre: (96,48 - 100 = -3,52) 3 Trimestre: (138,13 - 100 = 38,13) 4 Trimestre: (101,01 - 100 = 1,01) un descenso de ventas del 35,41% un descenso de ventas del 3,42% un aumento de ventas del 38,13% un aumento de ventas del 1,01%

DESESTACIONALIZACIN (aplicando el mtodo a la razn a la tendencia).El proceso consiste en dividir cada valor de la serie original por cada ndice de Variacin Estacional correspondiente:

65

CONCLUSIONES El entendimiento de las series cronolgicas estadisticas y otros derivados, es de vital importancia para la formacin del contador pblico y auditor, ya que con ese conocimiento se puede predecir los valores futuros de las variables estudiadas, que permitan descubrir las proyecciones especificas, asi como el ambiente laboral en que se desempea el Auditor.

El estudio y anlisis cercano a de la metodologa de las series cronolgica como procedimiento de comprobacin para proyecciones de fenmenos repetitivos no uniformes y para dar un anlisis de una serie de tiempo es necesario, saber si los datos se efectuaron en condiciones normales en cada perodo, porque podra ser que en algn perodo se haya dado una situacin que haya variado, en este caso deber omitirse esto para medir cuantitativamente el crecimiento y poder pronosticar de una manera mejor.

La diferencia que tienen los dos mtodos de las series cronolgicas los cuales son el mtodo largo que tiene origen siempre en el ao inicial y el mtodo corto en el ao central, en el primero se cuentan el tiempo en aos en tanto que en el segundo por semestres.

Se analiza una serie temporal, de la que se dispone de datos en perodos regulares de tiempo, para conocer su patrn de comportamiento, para prever la evolucin futura, siempre bajo el supuesto de que las condiciones no cambiarn respecto a las actuales y pasadas.

66

RECOMENDACIONES El conocimiento de las series cronolgicas es de vital importancia para la formacin del contador pblico y auditor, puesto que el propsito perseguido con el anlisis de series, consiste en predecir los valores futuros de las variables estudiadas, que permitan descubrir las proyecciones especificas, considerando que su mbito de aplicacin no est limitado a la esfera estrictamente econmica.

Las series cronolgica como mtodo estadistico deben ser una herramienta esencial dentro de las labores del Contador Pblico y Auditor para realizar un anlisis de una serie de tiempo, asi como constatar que los datos se efectuaron en condiciones normales en cada perodo.

Se recomienda tomar en cuenta la diferencia que tienen los dos mtodos de las series cronolgicas los cuales son el mtodo largo que tiene origen siempre en el ao inicial y el mtodo corto en el ao central, en el primero se cuentan el tiempo en aos en tanto que en el segundo por semestres.

Al trabajar con periodos de tiempo, conocer su patrn de comportamiento, para prever la evolucin futura, siempre bajo el supuesto de que las condiciones no cambiarn respecto a las actuales y pasadas y con ello buscar mtodo adecuado para obtener la respuesta correcta del problema

67

REFERENCIAS BIBLIOGRAFICAS

MARTIN PLIEGO LPEZ, F.J. (2004), Introducin a la Estadstica Econmica Y Empresarial. Ed. Prentice Hall. pp. 449509.

Rodriguez Morilla, Carmen. (2000), Anlisis de series temporales, La muralla

Sanchez Fernandez, Jess, (2007) Introduccin a la estadstica, Cap. 4 series temporales.

68