FACULTAD DE INGENIERA Y ARQUITECTURA

Escuela Profesional De Ingeniera Mecnica

Series de Tiempo
Curso:

Estadstica
 INTRODUCCION

Toda institucin, ya sea la familia, la

empresa o el gobierno, tiene que hacer planes para el futuro si ha de sobrevivir
y progresar. Hoy en da diversas instituciones requieren conocer el
comportamiento futuro de ciertos fenmenos con el fin de planificar, prever o
prevenir.

La planificacin racional exige prever los sucesos del futuro que probablemente
vayan a ocurrir. La previsin, a su vez, se suele basar en lo que ha ocurrido en
el pasado. Se tiene pues un nuevo tipo de inferencia estadstica que se hace
acerca del futuro de alguna variable o compuesto de variables basndose en
sucesos pasados. La tcnica ms importante para hacer inferencias sobre el
futuro con base en lo ocurrido en el pasado, es el anlisis de series de tiempo.

Son innumerables las aplicaciones que se pueden citar, en distintas reas del
conocimiento, tales como, en economa, fsica, geofsica, qumica, electricidad,
en demografa, en marketing, en telecomunicaciones, en transporte, etc.
 INDICE

1. Definicin

a) Componentes de la Serie de Tiempo (tipos de variacin)

I. Tendencia secular

II. Variacin estacional

III. Variacin cclica

IV. Variacin irregular

b) Tendencia de una serie

I. Lineal

II. No lineal

c) Mtodos de Suavizamiento de la Serie

i. Promedios mviles

ii. Promedios mviles ponderados

iii. Suaviza miento exponencial

d) Mtodos de pronostico

1.1 Mtodos de pronstico y suavizamiento simple:

1.2 Mtodo de anlisis de tendencias
1.3 Mtodo de Descomposicin
1.4 Promedio mvil
1.5 Suavizamiento exponencial simple (Holt)
1.6 Mtodo de Winter
 1.7 Suavizamiento exponencial doble (Holt)
.

Series de Tiempo

1. Definicin
Por serie de tiempo nos referimos a datos estadsticos que se recopilan, observan o
registran en intervalos de tiempo regulares (diario, semanal, semestral, anual, entre
otros). El trmino Serie de tiempo se aplica por ejemplo a datos registrados en
forma peridica que muestran, por ejemplo, las ventas anuales totales de
almacenes, el valor trimestral total de contratos de construccin otorgados, el valor
trimestral del PIB.

a. Componentes de la serie de tiempo

Supondremos que en una serie existen cuatro tipos bsicos de variacin, los
cuales Sobrepuestos actuando en concierto, contribuyen a los cambios
observados en un perodo de tiempo y dan a la serie su aspecto errtico. Estas
cuatro componentes son: Tendencia secular, variacin estacional, variacin
cclica y variacin irregular.

Supondremos, adems, que existe una relacin multiplicativa entre estas cuatro
componentes; es decir, cualquier valor de una serie es el producto de factores
que se pueden atribuir a las cuatro componentes.

i. Tendencia secular: La tendencia secular o tendencia a largo plazo de una

serie es por lo comn el resultado de factores a largo plazo. En trminos
 intuitivos, la tendencia de una serie de tiempo caracteriza el patrn gradual y
consistente de las variaciones de la propia serie, que se consideran
consecuencias de fuerzas persistentes que afectan el crecimiento o la reduccin
de la misma, tales como: cambios en la poblacin, en las caractersticas
demogrficas de la misma, cambios en los ingresos, en la salud, en el nivel de
educacin y tecnologa. Las tendencias alargo plazo se ajustan a diversos
esquemas. Algunas se mueven continuamente haca arriba, otras declinan, y
otras ms permanecen igual en un cierto perodo o intervalo de tiempo.

ii. Variacin estacional: El componente de la serie de tiempo que representa la

variabilidad en los datos debida a influencias de las estaciones, se llama
componente estacional. Esta variacin corresponde a los movimientos de la serie
que recurren ao tras ao en los mismos meses (o en los mismos trimestres) del
ao poco ms o menos con la misma intensidad. Por ejemplo: Un fabricante de
albercas inflables espera poca actividad de ventas durante los meses de otoo e
invierno y tiene ventas mximas en los de primavera y verano, mientras que los
fabricantes de equipo para la nieve y ropa de abrigo esperan un comportamiento
anual opuesto al del fabricante de albercas.

iii. Variacin cclica: Con frecuencia las series de tiempo presentan secuencias
alternas de puntos abajo y arriba de la lnea de tendencia que duran ms de
un ao, esta variacin se mantiene despus de que se han eliminado las
variaciones o tendencias estacional e irregular. Un ejemplo de este tipo de
variacin son los ciclos comerciales cuyos perodos recurrentes dependen de
la prosperidad, recesin, depresin y recuperacin, las cuales no dependen de
factores como el clima o las costumbres sociales.

iv. Variacin Irregular: Esta se debe a factores a corto plazo, imprevisibles y no

recurrentes que afectan a la serie de tiempo. Como este componente explica la
variabilidad aleatoria de la serie, es impredecible, es decir, no se puede
 esperar predecir su impacto sobre la serie de tiempo. Existen dos tipos de
variacin irregular:

a) Las variaciones que son provocadas por acontecimientos especiales,

fcilmente identificables, como las elecciones, inundaciones, huelgas,
terremotos.

b) Variaciones aleatorias o por casualidad, cuyas causas no se pueden

sealar en forma exacta, pero que tienden a equilibrarse a la larga.

b. Tendencia de una serie

Tendencia lineal

Como se dijo antes, la tendencia de una serie viene dada por el

movimiento general a largo plazo de la serie. La tendencia a largo plazo de
muchas series de negocios (industriales y comerciales), como ventas,
exportaciones y produccin, con frecuencia se aproxima a una lnea recta.
Esta lnea de tendencia muestra que algo aumenta o disminuye a un ritmo
constante. El mtodo que se utiliza para obtener la lnea recta de mejor
ajuste es el Mtodo de Mnimos Cuadrados.

Tendencia no lineal

Cuando la serie de tiempo presenta un comportamiento curvilneo se dice

que este comportamiento es no lineal. Dentro de las tendencias no lineales
que pueden presentarse en una serie se encuentran, la polinomial,
logartmica, exponencial y potencial, entre otras.

c. Mtodos de Suavizamiento de la Serie

Promedio mvil
Un promedio mvil se construye sustituyendo cada valor de una serie por
la media obtenida con esa observacin y algunos de los valores
inmediatamente anteriores y posteriores. Se mostrar este mtodo con los
siguientes ejemplos:

Ejemplo 1. Aplicar el mtodo de promedios mviles para el pronstico de

ventas de Gasolina a partir de la siguiente informacin: Se considerar el
promedio mvil a partir de las tres observaciones ms recientes. En este
caso se utilizar la siguiente ecuacin:

Promedio mvil=
n valores de serias de tiempo
n

Resumen de clculos para promedios mviles de tres semanas:

Semana Valor de la serie de tiempo Pronostico de la ensima semana

(miles de galones) Con promedios mviles
1 17

2 21

3 19

4 23 (17+21+19)/3 = 19

5 18 (21+19+23)/3 = 21

6 16 (21+19+23)/3 = 21

7 20 19

8 18 18

9 22 18

10 20 20

11 15 20

12 22 19
 Los promedios mviles

Tambin se pueden construir tomando en cuenta valores adyacentes de

las observaciones, por ejemplo: En el caso de determinar el promedio
mvil para tres observaciones adyacentes de la tabla anterior, se tiene:

Semana Valor de la serie de tiempo Pronostico de la ensima

(miles de galones) semana
Con promedios mviles
1 17
2 21
3 19
4 23 (17+21+19)/3 = 19
5 18 (21+19+23)/3 = 21
6 16 (21+19+23)/3 = 21
7 20 19
8 18 18
9 22 18
10 20 20
11 15 20
12 22 19

Promedios mviles ponderados

Para mostrar el uso de ste mtodo, se utilizar la primera parte del

ejemplo anterior dela venta de gasolina. El mtodo consiste en asignar un
factor de ponderacin distinto para cada dato. Generalmente, a la
observacin o dato ms reciente a partir del que se quiere hacer el
pronstico, se le asigna el mayor peso, y este peso disminuye en los
valores de datos ms antiguos. En este caso, para pronosticar las ventas
de la cuarta semana, el clculo se realizara de la siguiente manera:

Pronostico para la cuarta semana:

1 2 3
P= ( 17 ) + ( 21 )+ ( 19 )=19.33 galones
6 6 6

Puede observarse que el dato ms alejado (correspondiente a la primera

semana) tiene el factor de ponderacin ms pequeo, el siguiente tiene un
factor de ponderacin del doble que el primero y el dato ms reciente (que
corresponde a la tercera semana) tiene un factor de ponderacin del triple
del primero. Los pronsticos para las diversas semanas se presentan en la
siguiente tabla. En todos los casos, la suma de los factores de ponderacin
debe ser igual a uno.

Semana Valor de la serie dePronostico de la ensima semana

tiempo Con promedios mviles
(miles de galones)
1 17
2 21
3 19
4 23 19.33
5 18 21:33
6 16 19.83
7 20 17.83
8 18 18.33
9 22 18.33
10 20 20.33
11 15 20.33
12 22
 Suavizamiento exponencial

El suavizamiento exponencial emplea un promedio ponderado de la serie

de tiempo pasada como pronstico; es un caso especial del mtodo de
promedios mviles ponderados en el cual slo se selecciona un peso o
factor de ponderacin: el de la observacin ms reciente.

En la prctica comenzamos haciendo que F1, el primer valor de la serie de

valores uniformados, sea igual a Y1, que es el primer valor real de la serie.
El modelo bsico de suavizamiento exponencial es el siguiente:

Ft+1= Yt + (1-) Ft

Donde:

Ft+1 = pronstico de la serie de tiempo para el perodo t+1

Yt = valor real de la serie de tiempo en el perodo t

Ft = pronstico de la serie de tiempo para el perodo t

= constante de suavizamiento, 0 1

En base a lo anterior, el pronstico para el perodo dos se calcula de la

siguiente manera:

F Y (1)F

F Y (1)Y

F2 Y1
Como se observa, el pronstico para el perodo 2 con suavizamiento
exponencial es igual al valor real de la serie de tiempo en el perodo uno.
Para el perodo 3, se tiene que:

F Y (1)F

1 F Y (1)Y

Para el perodo 4 se tiene:

F Y (1)F Y (1)Y (1)Y

F Y (1)Y (1) Y

Para mostrar el mtodo de suavizamiento exponencial, retomamos el

ejemplo de la gasolina, utilizando como constante de suavizamiento =
0.2:

Semana(t) Galones/semana Pronstico (Ft)

Valor (y)
1 17 F1 = Y1 = 17.00
2 21 F2 = F1 =17.00
3 19 F3 = Y2+(1-)F2 = 17.80
4 23 F4 = Y3 + (1-)F3 = 18.04
5 18 F5 = Y4 + (1-)F4 = 19.03
6 16 F6 = Y5 + (1-)F5 = 18.83
7 20 F7 = Y6 + (1-)F6 = 18.26
8 18 F8 = Y7 + (1-)F7 = 18.61
9 22 F9 = Y8 + (1-)F8 = 18.49
10 20 F10 = Y9 + (1-)F9 = 19.19
11 15 F11 = Y10 + (1-)F10 = 19.35
12 22 F12 = Y11 + (1-)F11 = 18.48
 d) MTODOS DE PRONSTICO

Los mtodos de series de tiempo incluyen mtodos de pronstico y de

suaviza miento simples, mtodos de anlisis de correlacin y mtodos
de Box Jenkins ARIMA.

1.1 MTODOS DE PRONSTICO Y SUAVIZAMIENTO SIMPLE:

Modelan componentes en una serie que normalmente son fciles de ver

en una serie de tiempo.

Este mtodo descompone los datos en sus partes componentes y los

extiende al futuro para pronosticar. Se pueden seleccionar los mtodos
siguientes:

1. Mtodos estticos de anlisis de tendencias y descomposicin para

patrones que no cambian con el tiempo.
2. Mtodos dinmicos de promedio mvil; mtodos de suavizamiento
exponencial simple y doble y mtodo de Winters. Para patrones que
cambian en el tiempo y sus estimados son determinados por los valores
ms cercanos.

.
1.2 Mtodo de anlisis de tendencias
Ajusta un modelo general de tendencias a datos de series de tiempo, se
puede seleccionar un modelo lineal, cuadrtico, exponencial (crecimiento
o declinacin) y de curva S (para tecnologa).

Usar este modelo si no hay componente estacional en el patrn de serie

de tiempo.

Tiene una amplitud de pronstico amplia siguiendo la lnea de tendencia.

MODELOS DE TENDENCIA

Lineal

1 representa el cambio promedio de un periodo a otro.

Cuadrtico

Toma en cuenta la curvatura simple en los datos.

Crecimiento exponencial

Toma en cuenta el crecimiento o decaimiento exponencial. Por ejemplo

el comportamiento de una cuenta de ahorros.

Curva S de Pearl-Reed.

Toma en cuenta las observaciones que se ajustan a una curva con forma
de S.

Por ejemplo:

Se colectan datos de empleo en un sector de negocios durante 60

meses y se desea predecir la tasa de empleo para los siguientes 12
meses, EMPLOY.MTW.

Tra Fo Met Tra Fo Met

de od als de od als
53. 63.
322 5 44.2 351 6 44.5
68.
317 53 44.3 354 8 45
53. 68.
319 2 44.4 355 9 44.8
323 52. 43.4 357 60. 44.9
 5 1
53. 55.
327 4 42.8 362 6 45.2
56. 53.
328 5 44.3 368 9 45.2
65. 53.
325 3 44.4 348 3 45
70. 53.
326 7 44.8 345 1 45.5
66. 53.
330 9 44.4 349 5 46.2
58. 53.
334 2 43.1 355 5 46.8
55. 53.
337 3 42.6 362 9 47.5
53. 57.
341 4 42.4 367 1 48.3
52. 64.
322 1 42.2 366 7 48.3
51. 69.
318 5 41.8 370 4 49.1
51. 70.
320 5 40.1 371 3 48.9
52. 62.
326 4 42 375 6 49.4
53. 57.
332 3 42.4 380 9 50
55. 55.
334 5 43.1 385 8 50
64. 54.
335 2 42.4 361 8 49.6
69. 54.
336 6 43.1 354 2 49.9
69. 54.
335 3 43.2 357 6 49.6
58. 54.
338 5 42.8 367 3 50.7
55. 54.
342 3 43 376 8 50.7
53. 58.
348 6 42.8 381 1 50.9
52. 68.
330 3 42.5 381 1 50.5
51. 73.
326 5 42.6 383 3 51.2
329 51. 42.3 384 75. 50.7
 7 5
51. 66.
337 5 42.9 387 4 50.3
52. 60.
345 2 43.6 392 5 49.2

57. 57.
350 1 44.7 396 7 48.1

Trend Analysis Plot for Trade

QuadraticTrendModel
Yt=320.762+0.509373*t+0.0107456*t**2
Variable
410 Actual
Fits
400
Forecasts
390 Accuracy Measures
MAPE 1.7076
380
MAD 5.9566
370
Trade

MSD 59.1305

360
350
340
330
320

1 7 14 21 28 35 42 49 56 63 70
Index

1.3 Mtodo de Descomposicin

Se usa para pronosticar cuando hay un componente de estacionalidad

en la serie de tiempo o si se quiere analizar la naturaleza de los
componentes. Separa las series de tiempo en componentes de
tendencia lineal y estacionalidad as como el error. Se puede usar
 componente de estacionalidad en modo aditivo o multiplicativo con la
tendencia.

Tiene una amplitud de pronstico amplia siguiendo la tendencia con el

patrn de estacionalidad.

Modelos de descomposicin

Multiplicativo

Yt es la observacin en el tiempo t.

Aditivo

Modelo de ajuste: La descomposicin tiene dos pasos:

1. Estimar los ndices de estacionalidad usando el mtodo de promedios

mviles.
2. Ajustar la serie en estacionalidad.
3. Estimar la tendencia en la serie ajustada por regresin.

Modelos de pronstico:

La descomposicin calcula el pronstico como la lnea de regresin

multiplicada por (mtodo multiplicativo) o agregado a (mtodo aditivo) los
ndices de estacionalidad.

Por ejemplo:

Se desea predecir la tasa de empleo para los siguientes 12 meses en

base a datos colectados durante los ltimos 60 meses. Como los datos
tienen una tendencia que se ajusta bien con un modelo de tendencia
cuadrtica y tiene un componente estacional se utilizan los residuos del
ejemplo del anlisis de tendencias para combinar el anlisis de
tendencias y descomposicin para pronosticar.

Time Series Decomposition Plot for RESI1

AdditiveModel
20 Variable
Actual
Fits
Trend
10 Forecasts

AccuracyMeasures
MAPE 881.582
MAD 2.802
RESI1

0 MSD 11.899

-10

-20
1 7 14 21 28 35 42 49 56 63 70
Index
En esta grfica se muestran los residuos sin tendencia cuyo ajuste es
adecuado, excepto que al inicio del periodo anual los valores son
subestimados y al final del periodo anual los valores son
sobreestimados, tambin es evidente en la grfica de abajo donde los
residuos son mayores al principio y menores al final de la serie.

Seasonal Analysis for RESI1

AdditiveModel
Seasonal Indices Original Data, by Seasonal Period

10
10

0 0

-10
-10
-20
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12

Percent Variation, by Seasonal Period Residuals, by Seasonal Period

10
12

5
8

0
4
-5
0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12

Component Analysis for RESI1

AdditiveModel
Original Data

10
Data

0
-10

-20
1 6 12 18 24 30 36 42 48 54 60
Index

Seasonally Adjusted Data

Seas. Adj. Data

10
0
-10
-20
1 6 12 18 24 30 36 42 48 54 60
Index

Interpretacin de los resultados

La descomposicin genera tres tipos de grficas:

1. Una grfica de serie de tiempo mostrando los datos originales con la
lnea de tendencia ajustada, valores estimados y pronsticos
2. Un anlisis de componentes con grficas separadas para la serie, datos
sin tendencia, datos ajustados con estacionalidad y los datos ajustados
estacionalmente y sin tendencias (los residuos).
3. Un anlisis estacional, mostrando los ndices estacionales y la variacin
porcentual dentro de cada estacin respecto a la suma de la variacin
por estacin y grficas de caja de los residuos por periodo estacional.
1.4 Promedio mvil

Suaviza los datos al promediar observaciones consecutivas en la serie

de tiempo. Este mtodo es adecuado cuando no hay componente de
tendencia ni estacionalidad, sin embargo hay alternativas si se presentan
estos patrones.

Tiene una amplitud de pronstico corta siguiendo una lnea paralela.

MTODOS

Promedio mvil:

Se calcula el promedio mvil de la serie. Por ejemplo si se tienen los

nmeros 4, 5, 8, 9, 10 y se usa un promedio mvil de 3. Los primeros
dos valores no existen. El tercer valor es el promedio de 4, 5, y 8; el
cuarto valor es el promedio de 5, 8, y 9; el quinto valor es el promedio de
8, 9, y10.
Ejemplo:

Se desea predecir el empleo durante los prximos 6 meses en el

segmento de metales con los datos de los ltimos 60 meses. Se usa el
mtodo de promedio mvil si no se tienen patrones bien definidos de
tendencia o estacionalidad en los datos.

Los resultados obtenidos se muestran a continuacin:

Moving Average Plot for Metals

52 Variable
Actual
Fits
50 Forecasts
95.0%PI

Mov ingAv erage

48
Length 3

Accuracy Measures
Metals

46 MAPE 1.55036
MAD 0.70292
MSD 0.76433
44

42

40
1 7 14 21 28 35 42 49 56 63
Index

Interpretacin de resultados

Se obtiene la grfica de serie de tiempo mostrando los valores

observados y estimados (un periodo adelante), adems de los seis
pronsticos. Note que el patrn de datos estimados va detrs del patrn
de datos.

MTODOS DE SUAVIZACIN EXPONENCIAL

Los mtodos de suavizamiento exponencial han sido utilizados con xito

a travs de los aos en muchos problemas de pronstico. Fueron
sugeridos en 1957 por C.C. Holt para su aplicacin en series de tiempo
sin tendencia ni estacionalidad. Posteriormente el mismo ofreci un
procedimiento que manejara tendencias. Despus Winters en 1965
generaliz el mtodo para incluir estacionalidad, de ah el nombre de
Mtodo de Holt Winters.

1.5 Suavizamiento exponencial simple (Holt)

Se aplica cuando solo si se tiene un comportamiento de la serie de

tiempo sin tendencia o estacionalidad.

Suaviza los datos por medio de la frmula de pronstico de ARIMA de un

paso adelante ARIMA (0,1,1). Este modelo trabaja mejor sin uno de los
componentes de tendencia o estacionalidad. El componente simple
dinmico en un modelo de promedio mvil es el nivel.

Tiene una amplitud de pronstico corta siguiendo una lnea paralela.

MTODO DE SUAVIZAMIENTO EXPONENCIAL SIMPLE

Los valores suavizados (estimados) se obtienen ya sea con un peso

ptimo generado o con un peso especfico manual.
Peso ptimo de ARIMA:

1. Se ajustan los datos con un modelo ARIMA(0,1,1) y se guardan los Y

estimados.

2. Los valores suavizados son los valores Y estimados por ARIMA, pero
desplazados en una unidad de tiempo.

3. El valor inicial (en tiempo uno) por atraso es:

Valor inicial suavizado = [Valor suavizado del periodo 2 - (dato en periodo 1)] /
(1-)
Donde (1-) estima el parmetro MA.

Peso especificado

1. Se usa el promedio de los primeros seis (o N si N<6) observaciones

para el valor inicial suavizado (en tiempo uno).

2. Los valores suavizados subsecuentes se calculan de la frmula:

Valor suavizado en tiempo t = (dato en periodo t)] + (1-) (valor suavizado en

periodo t-1)
Donde es el peso.

Pronsticos: el valor estimado en el periodo t, es el valor suavizado en el

periodo
t 1. Los pronsticos son los valores estimados en el origen de
pronstico
Por ejemplo:

Se desea predecir el empleo durante los prximos 6 meses en el

segmento de metales con los datos de los ltimos 60 meses. Se usa el
mtodo de promedio mvil si no se tienen patrones bien definidos de
tendencia o estacionalidad en los datos.

Los resultados se muestran a continuacin:

Single Exponential Smoothing Plot for Metals

52 Variable
Actual
Fits
50 Forecasts
95.0%PI

SmoothingConstant
48
Alpha 1.04170

AccuracyMeasures
Metals

46 MA PE 1.11648
MA D 0.50427
MSD 0.42956
44

42

40

1 7 14 21 28 35 42 49 56 63
Index

Interpretacin de resultados

Se obtiene la grfica de serie de tiempo mostrando los valores

observados y estimados (un periodo adelante), adems de los seis
pronsticos. Note que el patrn de datos estimados va detrs del patrn
de datos.

Se indica la constante de suavizamiento (peso) utilizada y las medidas

MAPE, MAD y MSD de 1.12, 0.70 y 0.76 con un mejor ajuste que en el
mtodo de promedio mvil con valores 1.55, 0.70 y 0.76
respectivamente.
1.6 Suavizamiento exponencial doble (Holt)

Se aplica cuando en la serie de tiempo se presenta una tendencia

ascendente o descendente pero sin estacionalidad.

Suaviza los datos por medio de la frmula de pronstico de ARIMA de un

paso adelante ARIMA (0,2,2). Este modelo trabaja bien cuando est
presente el componente de tendencia pero tambin sirve como un
mtodo de suavizamiento general. El mtodo de suavizamiento
exponencial doble calcula estimados dinmicos para dos componentes:
nivel y tendencia.

1.7 Mtodo de Winter

Se aplica cuando en la serie de tiempo se presentan los patrones de

tendencia y estacionalidad.

Suaviza los datos por el mtodo exponencial de Holt Winters. Se

recomienda este mtodo cuando se tienen presentes los componentes
de tendencia y estacionalidad ya sea en forma aditiva o multiplicativa.

El efecto multiplicativo se presenta cuando el patrn estacional en los

datos depende del tamao de los datos o sea cuando la magnitud del
patrn estacional se incrementa conforme los valores aumentan y
decrece cuando los valores de los datos disminuyen.

El efecto aditivo es mejor cuando el patrn estacional en los datos no

depende del valor de los datos, o sea que el patrn estacional no cambia
conforme la serie se incrementa o disminuye de valor.

El Mtodo de Holt Winters se puede ejecutar en forma sencilla con

ayuda del paquete estadstico Minitab.

A continuacin se muestra un ejemplo comparando los tres mtodos:

 CONCLUSIONES

Las series de tiempo ayudan a describir, explicar, predecir y controlar

aquellos procesos que de alguna manera se presentan en el tiempo, si
bien ay que recordar que la observacin se da de manera ordenada en
el tiempo por lo que su aplicacin se refleja de manera concreta en
diferentes reas cientficas y sociales ayudando a pronosticar eventos
futuros o a tomar decisiones importantes de diferentes tipos.

Las series de tiempo son un modo estructurado de representar datos

BIBLIOGRAFA/WEBGRAFIA

- http://docentesinnovadores.net/Archivos/5863/SERIES%20DE
%20TIEMPO%20EMPLEANDO%20EXCEL%20Y%20GRAPH.pdf series
de tiempo
- http://docentesinnovadores.net/Archivos/5863/SERIES%20DE
%20TIEMPO%20EMPLEANDO%20EXCEL%20Y%20GRAPH.pdf series
de tiempo

- http://www.fuenterrebollo.com/Economicas2013/series-temporales-
ejercicios.pdf ejercicios de serie de tiempo

- http://es.slideshare.net/isaacgflores/anlisis-de-series-de-tiempo anlisis de
serie de tiempo