El anlisis de series de tiempo tiene como objetivo descubrir, estudiar y utilizar para tomar medidas de
poltica econmica y para prediccin, el mecanismo de generacin de las series de tiempo o proceso
estocstico.
Datos de Series de Tiempo
Es una secuencia de datos empricos ordenados en funcin del tiempo.
Datos de S . de T .
Para qu?
Analizar el comportamiento de la Serie de Tiempo.
Determinar sus propiedades estadsticas y probabilsticas.
Para adivinar el movimiento futuro de la serie a partir de su propio pasado.
Muestra
Aleatoria
Ensamblaje
Serie de
Tiempo
(Realizacin)
D.G.P.
D.G.P.: Proceso Generador de Datos (proceso estocstico)
1 "MEASURING BUSINESS CYCLES" Burns, A. F., y W. C. Mitchell. National bureau of Economic Research.
1946
Las series macroeconmicas pueden verse como la suma de dos componentes: la componente
permanente (tendencia), caracterizada por factores de oferta de la economa (cambios tecnolgicos, los
cambios demogrficos, la productividad de los factores, el entorno institucional), y la componente cclica,
caracterizada principalmente por factores de demanda.
El ciclo y la tendencia no deben separarse artificialmente porque forman parte de un proceso integrado,
que obedece a las leyes generales que rigen las economas de mercado.
c. Estacionalidad
Es un movimiento similar de la serie de tiempo en la misma poca o periodo (menor a un ao). P. ej. Las
ventas que se elevan todos los diciembres, los precios de los alimentos que en el periodo de cosecha.
El efecto estacional es causado por las variaciones climticas (temporada de lluvias, sequia, heladas),
normas tributarias (cierres contables, pago de impuestos) o costumbres sociales (calendario escolar,
vacaciones).
d. Ruido
Si en una serie las observaciones pasadas no proveen ninguna informacin sobre el movimiento de la
serie en el futuro, dicha serie ser imposible de predecir utilizando informacin de su propio pasado y se
denomina ruido.
Estacionariedad
Un proceso estocstico es estacionario si sus propiedades estadsticas y probabilsticas no cambian con el
tiempo. Es decir, si su funcin de distribucin acumulativa (que resume todas sus propiedades
estadsticas y probabilsticas) no cambia con el tiempo.
n+
2+ , x
1+ , x
x
F ( x 1 , x 2 , x n )=F
t +
x
E [ xt ]=E
t+
x
V [ x t ] =V
t+
xt , x
t +n+
x t+ n , x
Cov
Si una serie de tiempo es generada por un proceso estacionario, su futuro va a ser similar a su pasado; en
otras palabras, podemos utilizar informacin pasada de una serie de tiempo para proyectar o predecir su
futuro.
a. Un proceso estacionario dbil es tambin estrictamente estacionario
b. La apariencia visual de una serie generada por un proceso estacionario es ms o menos la misma a
lo largo del tiempo.
c. Una serie de este tipo tender a regresar a la media (reversin media)
x t= +t+ t
x t=x t 1 + t
x t= + x t1 + t
t iid ( 0, 2 )
k
k
^x t+1 =S t=
1
x
k i=1 ti
1
x
k i=1 ti
1.
St =
2.
1
D t = St i
k i=1
3.
at =St + ( S t Dt )
4.
bt =
5.
t+ =a t +bt
^x
2
( S Dt )
k1 t
^x t+1 = x t + ( 1 ) x t1 + ( 1 ) x t2+ ( 1 ) xt 3+ .
Con
0< <1
^x 1=x1
y empezando en t=2.
La rapidez con la cual las observaciones pasadas pierden su efecto depende del valor
de .
Si se desea que las predicciones sean estables y que la serie de pronostico sea una
serie suavizada, se requiere un valor pequeo de .
Si se desea una respuesta rpida a un cambio real en el patrn de observaciones, un
valor grande de ser lo apropiado.
Pronstico
^x T+1 = x T + ( 1 ) ^xT
T +=^x T +1
^x
2. El estimado de la tendencia:
1
T t =( Lt Lt1 ) +
3. Pronstico para
Lt=
xt
+ ( 1 ) ( Lt 1+ T t 1)
S ts
2. El estimado de la tendencia:
T t =( Lt Lt1 ) +
3. Estimado de la estacionalidad:
x
S t = t +
Lt
4. Pronstico para
ts+
T +=( LT + T T )S
^x
1
12
i=6
i=5
y ti
z t= y t st
Caso multiplicativo: z t= y t /s t
y t
y t = y tf i
Caso multiplicativo:
y t = y t /f i
FUNCIN DE AUTOCOVARIANZA
Para =0,1,2.
R()=E
Dado que:
Para =0,1,2.
t
x
E ( x t )= E
t =1+
t x
x
( t x )
1
^
R( )= T
T
FUNCIN DE AUTOCORRELACIN
La funcin de autocorrelacin (ACF) de un proceso estocstico estacionario dbil
se define como la serie de autocovarianza dividida por la varianza:
r ( )=
R( )
para=0,1,2 .
R (0)
En la prctica:
r^ ()=
^ )
R(
^ ( 0)
R
R( )=R
r ( )=r
En la prctica,
r^ ()
debido a la simetra
r ()
, es decir en
0.05
RUIDO BLANCO
Es la serie estocstica ms aleatoria posible. El ruido blanco es un proceso
estocstico independiente e idnticamente distribuido (iid):
x t iid ( , 2 )
x t es iid N ( 0,2x ) r^ ( ) ?
Recordando que:
1
y N ( y , ) y = y i N y , y
n
n
2
y
Entonces:
xt
x t
2x
^ ) R(
^ ) 1
R(
r^ ()=
= 2 =
^ ( 0) x n
R
xt
xt
x t
2x
x t
2x
E
x
x t t
N
2x
n
xt
xt
x t
2x
x t
2x
E
r^ ( )N
xt
x t
2x
t
xt x
E
E
xt
xt
x t
2
x t
2x
t
xt x
t2
x
var
xt
x t
2
var
[ ]
r^ () N 0 ,
^r() =
1
n
1
n
2^r() =2
1
n