AULA POLITÈCNICA 64. Series Temporales

AULA POLITÈCNICA 64
Series temporales
AULA POLITÈCNICA / ETSEIT
Montserrat Pepió Viñals
Series temporales
Primera edición: septiembre 2001
Diseño de la cubierta: Manuel Andreu
© Montserrat Pepió Viñals, 2001
© Edicions UPC, 2001

Edicions de la Universitat Politècnica de Catalunya, SL
Jordi Girona Salgado 31, 08034 Barcelona
Tel.: 934 016 883 Fax: 934 015 885
Edicions Virtuals: www.edicionsupc.es
E-mail: edicions-upc@upc.es
Producción: Barcelona Digital, SL

Rosselló 77, 08029 Barcelona
Depósito legal: B-29.192-2001

ISBN: 84-8301-526-9
Quedan rigurosamente prohibidas, sin la autorización escrita de los titulares del copyright, bajo las san-
ciones establecidas en las leyes, la reproducción total o parcial de esta obra por cualquier medio o pro-
cedimiento, comprendidos la reprografía y el tratamiento informático, y la distribución de ejemplares de
ella mediante alquiler o préstamo públicos.
Índice p9
ÍNDICE
TEORÍA DE SERIES TEMPORALES
1 Introducción
2 Análisis de una serie temporal
2.1 Modelización por componentes ..............................................................................14

2.2 Enfoque Box – Jenkins ...........................................................................................19
3 Descomposición de una serie temporal
3.1 Medias móviles: tendencia......................................................................................24

3.2 Estacionalidad ........................................................................................................27
3.3 Caso temperaturas .................................................................................................31
3.4 Caso usuarios transporte público............................................................................37
4 Modelización con variables categóricas
4.1 Comparación del método de descomposición con el de variables categóricas .......48

4.2 Caso usuarios de un teléfono .................................................................................52
5 Autocorrelación
5.1 Correlograma..........................................................................................................58
5.2 Interpretación de los correlogramas........................................................................63
6 Otras técnicas de previsión: ponderación exponencial
6.1 Suavizado exponencial...........................................................................................65

6.2 Selección del factor de ponderación .......................................................................67
6.3 Método de Brown ...................................................................................................72
7 Otros ejemplos
7.1 Ventas de papel......................................................................................................77

7.2 Generación de electricidad .....................................................................................81
p10 Series temporales
PRÁCTICAS DE SERIES TEMPORALES CON EXCEL
Práctica1. Descomposición clásica de una serie aditiva

1.1 Recuperación de los datos .....................................................................................89
1.2 Análisis de la evolución de la serie cronológica ......................................................90
1.3 Estabilización de la serie ........................................................................................94
1.4 Estacionalidad ........................................................................................................96
1.5 Estimación de la tendencia ...................................................................................100
1.6 Modelo y residuos ................................................................................................103
1.7 Previsiones ...........................................................................................................105
1.8 Resultados ...........................................................................................................107
Práctica 2. Autocorrelación y correlograma

2.1 Recuperación de los datos ...................................................................................115
2.2 Cálculo de los coeficientes de autocorrelación .....................................................115
2.3 Autocorrelograma .................................................................................................118
2.4 Resultados ...........................................................................................................120
Práctica 3. Modelización de una serie con variables categóricas

3.2 Análisis de la evolución de la serie cronológica ....................................................123
3.3 Modelización con variables categóricas................................................................124
3.4 Estimaciones y residuos .......................................................................................127
3.5 Previsiones ...........................................................................................................128
3.6 Resultados ...........................................................................................................130
Práctica 4. Modelización y previsiones por suavizado exponencial (Método de Brown)

4.2 Análisis de la evolución de la serie cronológica ....................................................137
4.3 Método de Brown .................................................................................................138
4.4 Resultados ...........................................................................................................141
EVALUACIONES DE SERIES TEMPORALES
1 Evaluaciones propuestas
1.1 13.5.98 .................................................................................................................147
1.2 3.5.99 ...................................................................................................................148
1.3 23.6.99 .................................................................................................................149
1.4 12.1.00 .................................................................................................................150
1.5 17.5.00 .................................................................................................................151
2 Evaluaciones resueltas
2.1 13.5.98 .................................................................................................................153
2.2 3.5.99 ...................................................................................................................156
2.3 23.6.99 .................................................................................................................159
2.4 12.1.00 .................................................................................................................161
2.5 17.5.00 ..............................................................................................................164
Series temporales p167
BIBLIOGRAFÍA BÁSICA
n Anderson, O.D., Time Series Analysis and Forecasting, (1977).
n Ardanuy, R., Martín, Q. , Estadística para Ingenieros, Hespérides (1993).
n Chatfield, C., The Analysis of Time Series, Chapman & Hall (1996).
n Diebold, F.X., Elementos de pronósticos, International Thomson Editores (1998).
n Makridakis, S. , Wheelwright, S., McGee, V., Forecasting: Methods and Applications,

John Wiley (1983).
n Newbold, P., Estadística para los negocios y la economía, Prentice Hall (1997).
Introducción p11
TEORÍA DE SERIES TEMPORALES
1 INTRODUCCIÓN
Una serie temporal es un conjunto de observaciones ordenadas en el tiempo o, también, la

evolución de un fenómeno o variable a lo largo de él. Esta variable puede ser económica
(ventas de una empresa, consumo de cierto producto, evolución de los tipos de interés,...),
física (evolución del caudal de un río, de la temperatura de una región, etc.) o social (número
de habitantes de un país, número de alumnos matriculados en ciertos estudios, votos a un
partido,...).
El objetivo del análisis de una serie temporal, de la que se dispone de datos en períodos
regulares de tiempo, es el conocimiento de su patrón de comportamiento para prever la
evolución futura, siempre bajo el supuesto de que las condiciones no cambiarán respecto a
las actuales y pasadas.
Si al conocer la evolución de la serie en el pasado se pudiese predecir su comportamiento

futuro sin ningún tipo de error, estaríamos frente a un fenómeno determinista cuyo estudio
no tendría ningún interés especial. Esto correspondería a una situación como la de la figura
1.1, que muestra la intensidad de corriente, I, que circula a través de una resistencia, R,
sometida a un voltaje sinusoidal, V(t) = a cos (vt + θ); por tanto I(t) = a cos (vt + θ)/R.
I(t)
1,5
1
0,5
0
-0,5
-1
-1,5
0 20 40 60 80 t
Fig. 1.1.- Observaciones de la serie I(t) = cos (0,5t + π/2)
En general, las series de interés llevan asociados fenómenos aleatorios, de forma que el
estudio de su comportamiento pasado sólo permite acercarse a la estructura o modelo
probabilístico para la predicción del futuro. Estos modelos se denominan también procesos
estocásticos. Así, un proceso estocástico es una sucesión de variables aleatorias {Yt}, con
t = 1, 2, ..., n, que evolucionan con el tiempo ( representado éste por el subíndice t).
Cuando se dispone de n datos de un proceso estocástico, se está frente a n muestras, de

tamaño unidad, extraídas de la población (variable aleatoria), correspondientes al tiempo en
que se realizó la medición, y esto es lo que constituye la serie temporal o cronológica.
Como ejemplo puede servir la evolución a lo largo de un año del índice IBEX35, que recoge
los 35 valores de mayor cotización de la bolsa española, representada en la figura 1.2.
© Los autores, 2001; © Edicions UPC, 2001.

Lógicamente, el valor del IBEX35 dependerá del valor alcanzado en los días previos,
además de recoger la influencia de un conjunto de factores sociales, políticos, económicos,
etc., que son continuamente cambiantes en el tiempo y cuya conjunción, en un determinado
instante, configuraría una hipotética distribución de probabilidad del citado índice económico.
En casos como éste, es evidente que puede obtenerse un modelo que explique el
comportamiento de la serie en el período estudiado, pero puede ser muy arriesgada la
utilización de este modelo para hacer previsiones a medio o largo plazo. Así, en todas las
series cronológicas, es necesaria una gran cautela en la previsión a causa de la muy
probable inestabilidad del modelo en un futuro más o menos alejado del último instante del
que se conocen datos.
IBEX35
5
4,5
3,5
3
enero diciembre
Fig. 1.2.- Evolución del índice IBEX35
Otro ejemplo puede ser el constituido por la sucesión de variables aleatorias {Y1, ...,Yt,...},
tales que Yt = 0,80Yt−1 + ε t , con Y0 = 0 y los ε t distribuidos N(0; 1), independientes para todo
t = 1, 2,...
t
Esta serie puede expresarse también como Yt = ∑i=1
0,8t −i εi y la distribución de
probabilidad de cualquier Yt corresponde a una ley Normal, con esperanza matemática

t
1 − 0,8t t
1 − 0,64t
E(Yt ) = ∑i=1
0,8t −i =
0,2
y variancia V(Yt ) =
i=1
0,82(t −i) = ∑0,36
.
La figura 1.3 muestra la ley de probabilidad de la variable Y en los instantes t = 1, t = 4 y t =

20, junto con la serie cronológica compuesta por las 25 primeras observaciones de la
misma.
La particular forma de la información disponible de una serie cronológica, n muestras de

tamaño unidad procedentes de otras tantas poblaciones de distribución y características
desconocidas, hacen que las técnicas de inferencia estadística, usualmente aplicadas en
muestras de tamaño superior a la unidad, no sean válidas para estos casos.

Introducción p13
En los capítulos siguientes se pretende presentar, de forma simple, distintos criterios

metodológicos que permitan el estudio de estos fenómenos, y en particular la previsión de
su evolución futura, para aplicarlos a campos técnicos y económicos, como por ejemplo
previsión de las ventas de una empresa, de los usuarios de un medio de transporte, de la
característica de interés de un proceso continuo, etc.
Yt
20
15
10
5
0
-5
-10
0 5 10 15 20 25
Fig. 1.3.- Distribución de Yt y 25 observaciones de la serie
Todas las formas de estudio de una serie cronológica, tal como se irá viendo, no conllevan
cálculos complicados, pero sí reiterativos, con gran volumen de datos manipulados y con
abundancia de gráficos; es por ello que para su estudio se hace muy necesario el disponer
de un programa informático que permita su correcta aplicación y la obtención de cuantos
gráficos sean necesarios.

2. ANÁLISIS DE UNA SERIE TEMPORAL
Antes de abordar cualquier estudio analítico de una serie temporal, se impone una
representación gráfica de la misma y la observación detenida de su aspecto evolutivo.
Para estudiar el comportamiento de cualquier serie temporal, y predecir los valores que
puede tomar en un futuro, puede hablarse de distintas metodologías, que denominaremos
modelización por componentes y enfoque Box-Jenkins.
2.1 Modelizacion por componentes
Este método consiste en identificar, en la serie Yt, cuatro componentes teóricas, que no
tienen por qué existir todas, y que son:
̈ Tendencia: Tt.
̈ Estacionalidad: Et.
̈ Ciclos: Ct.
̈ Residuos: Rt.
Cada una de estas componentes es una función del tiempo y el análisis consistirá en la
separación y obtención de cada una de ellas, así como en determinar de qué forma se
conjugan para dar lugar a la serie original. Estas componentes se pueden observar en la
figura 2.1, en donde se ha considerado que actúan de forma aditiva para dar lugar a la serie
cronológica.
La tendencia es la componente general a largo plazo y se suele expresar como una función
del tiempo de tipo polinómico o logarítmico, por ejemplo Tt = α0 + α1 t+ α2 t + …
2
Las variaciones estacionales son oscilaciones que se producen, y repiten, en períodos de

tiempo cortos. Pueden estar asociadas a factores dinámicos, por ejemplo la ocupación
hotelera, la venta de prendas de vestir, de juguetes, etc., cuya evolución está claramente
ligada a la estacionalidad climática, vacacional, publicitaria, etc.
Las variaciones cíclicas se producen a largo plazo y suelen ir ligadas a etapas de

prosperidad o recesión económica. Suelen ser tanto más difíciles de identificar cuanto más
largo sea su período, debido, fundamentalmente, a que el tiempo de recogida de
información no aporta suficientes datos, por lo que a veces quedarán confundidas con las
otras componentes.

Análisis de una serie temporal p15
200
175
150 TENDENCIA
125
100
40
20
0 ESTACIONALIDAD
-20
-40
60
30
0
CICLOS
-30
-60
0
RESIDUOS
-3
-5
300
200
SERIE
CRONOLÓGICA
100
Fig. 2.1.- Componentes de una serie cronológica
La componente residual es la que recoge la aportación aleatoria de cualquier fenómeno

sujeto al azar.

Para evaluar las distintas componentes se utilizan técnicas estadísticas tales como modelo
lineal, medias móviles, diferencias finitas, etc.
Admitiendo que el componente aleatorio (residuo) es aditivo, una vez identificadas las otras
componentes surge un nuevo problema que es el cómo conjuntar tendencia, estacionalidad
y ciclos para dar lugar a la serie definitiva.
Así se proponen, entre otros, modelos genéricamente denominados aditivos y

multiplicativos.
̈ Modelo aditivo: Y = T + E + C + R
̈ Modelo multiplicativo: Y = T x E x C + R
Para una primera identificación visual del caso, se puede considerar que si el patrón
estacional se mantiene con amplitud constante se tratará de modelo aditivo (figuras 2.1 y
2.2). Cuando dicho patrón se vaya amplificando con el tiempo, será multiplicativo (figura
2.3).
Y 250
200
150
100
50
t
Fig. 2.2.- Serie aditiva
Y 400
300
200
100
0
t
Fig. 2.3.- Serie multiplicativa

Un modelo aditivo se puede interpretar como aquel en que la estacionalidad actúa

modificando la ordenada en el origen de la tendencia.
Supongamos que no hay ciclos, que la tendencia es de tipo lineal, Tt = α0 + α1 t, y que la

estacionalidad es de período p = 4, es decir, cada 4 unidades de tiempo se repite el patrón
(tal como ocurre en la figura 2.2). Representando sus valores por E1, E2, E3 y E4,
respectivamente, el modelo aditivo se puede escribir como
Y1 = α0 + α1 × 1 + E1 + R1 = γ1 + α1 × 1 + R1
Y2 = α0 + α1 × 2 + E2 + R2 = γ2 + α1 × 2 + R2
Y3 = α0 + α1 × 3 + E3 + R3 = γ3 + α1 × 3 + R3
Y4 = α0 + α1 × 4 + E4 + R4 = γ4 + α1 × 4 + R4
Y5 = α0 + α1 × 5 + E1 + R5 = γ1 + α1 × 5 + R5
… …. ….
Yt = α0 + α1 × t + Es + Rt = γs + α1 × t + Rt con t = p$ + s; s = 1, …, p
Así pues, cada estación (s) componente del período conforma una recta con ordenada en el
origen distinta para cada caso y pendiente común a todos; es decir, según muestra la figura
2.4, el modelo es un conjunto de rectas paralelas, cada una de ellas asociada a una
estación.
En el modelo multiplicativo, el componente estacional actúa sobre la ordenada en el origen y

sobre la pendiente.
Y 250
200
150
100
50
t
Fig. 2.4.- Interpretación de una serie con modelo aditivo
Prescindiendo de los ciclos, supuesta una tendencia lineal tipo Tt = α0 + α1t y una
estacionalidad de período p, para cualquier t = p$ + s, con s = 1, …, p, resulta

Yt = Tt × Es + Rt = (α0 + α1t) Es + Rt,
es decir Yt = (α0 Es ) + ( α1Es ) t + Rt
o sea Yt = γ0s + γ1s t + Rt
De esta forma, cada una de las p estaciones del período configura una recta distinta, tanto
en lo que se refiere a la ordenada en el origen (γ0s) como a la pendiente (γ1s).
El conjunto de las p rectas constituye el modelo de comportamiento de la serie (figura 2.5).
Es evidente que esta división, en modelo estrictamente aditivo o estrictamente multiplicativo,

es bastante restrictiva, ya que puede darse el caso de que en algunas estaciones cambie
sólo la pendiente, o sólo la ordenada en el origen. Esto constituiría un modelo mixto mucho
más general que los propuestos hasta ahora, los cuales pasarían a ser meros casos
particulares de éste. En la figura 2.6 se presenta una situación de este tipo.
Y 500
400
300
200
100
0
t
Fig. 2.5.- Interpretación de una serie con modelo multiplicativo
Y 200
150
100
50
0
t
Fig. 2.6.- Modelo general

2.2 Enfoque Box - Jenkins
La forma de encarar el análisis de las series temporales a través de la metodología de Box-

Jenkins es dirigir el esfuerzo a determinar cuál es el modelo probabilístico que rige el
comportamiento del fenómeno a lo largo del tiempo. Es decir, partiendo de la premisa de
que no siempre va a ser posible identificar los componentes de la serie, se trata de estudiar
el componente aleatorio puro, reflejado en los residuos.
La metodología estadística utilizada en el estudio de una serie temporal por este sistema, se
basa en los siguientes pasos:
̈ Identificación del modelo.
̈ Estimación de los parámetros.
̈ Validación de los supuestos admitidos en el análisis, también llamado diagnosis del

modelo.
Para poder abordar esta metodología es imprescindible, en primer lugar, estudiar un

conjunto de modelos de comportamiento que cubran el mayor espectro posible de los
procesos estocásticos objeto de nuestro interés. Entre ellos se pueden destacar los
procesos de ruido blanco, medias móviles (MA), autorregresivos (AR), integrados (I) y sus
conjunciones (ARMA y ARIMA). A partir de aquí se podrá identificar la serie de datos con
alguno de los modelos estudiados, estimar sus parámetros y validar la admisibilidad del
modelo adoptado.
En general, se suele asumir que el componente aleatorio, el cual se representa por Z, sigue
una distribución Normal de media cero y variancia σ . Un proceso estocástico en que todos
2
sus componentes son independientes y están constituidos sólo por componente aleatorio se
denomina proceso de ruido blanco, es decir, Yt = Zt con Zt ∼ NINDEP(0; σ ) ∀t.
2
Un proceso se denomina de media móvil de orden q, y se representa por MA(q), si su

estructura es del tipo Yt = Zt + αt-1 Zt-1 + … + αt-q Zt-q. En la figura 2.7 se muestra un MA(4).
Y 4
3
2
1
0
-1
-2
-3
-4
t
Fig. 2.7.- Proceso de media móvil MA(4)

Un proceso es autorregresivo de orden p, y se representa por AR(p), cuando cada

componente es función de los anteriores más el término aleatorio; su estructura corresponde
a
Yt = Zt + βt-1 Yt-1 + … + βt-p Yt-p
En la figura 2.8 se muestra un AR(2).
Cuando a las estructuras de autorregresión y media móvil se une una dependencia con el
tiempo se llega a un ARIMA(p, r, q), donde p es el orden del AR, q el del MA y r el del
proceso integrado, o, lo que es lo mismo, el grado del polinomio que representa la función
del tiempo. En la figura 2.9 se presenta un proceso ARIMA(2,1,3).
Y 4
3
2
1
0
-1
-2
-3
-4
t
Fig. 2.8.- Proceso autorregresivo AR(2)
Y 90
80
70
60
50
40
30
20
10
0
t
Fig. 2.9.- Proceso ARIMA(2, 1, 3)

Descomposición de una serie temporal p21
3 DESCOMPOSICIÓN DE UNA SERIE TEMPORAL
Este método, también denominado sistema clásico, descompone la serie en tendencia,

estacionalidad, ciclos y residuos Una vez decidida la conjunción entre ellos, aditiva o
multiplicativa, se obtiene el modelo con el que hacer previsiones.
La tendencia es la componente más importante de la serie, al definir lo que se podría

interpretar como comportamiento a largo plazo. Cada observación va ligada a un valor del
tiempo, lo que permite plantear un modelo del tipo
Y = φ(t) + ε
donde la función φ(t) puede ser:
lineal: φ(t) = α0 + α1t
φ(t) = α0 + α1t + α2 t + ...

2
polinómica:
exponencial: φ(t) = α0 t α1
Si la serie no presenta estacionalidad, el método de estimación mínimo-cuadrática y todas

las pruebas de hipótesis relativas a la explicación del modelo y a la significación de los
coeficientes estimados, propios del modelo lineal ordinario, permiten estimar los
coeficientes del modelo de tendencia sobre los datos directos.
Caso de existir componente estacional, para que ésta no enmascare la tendencia, es

necesario estabilizar previamente la serie.
Para desarrollar la metodología de la descomposición clásica sobre un ejemplo, se dispone

de los datos relativos a las ventas de material deportivo en una gran superficie comercial,
recogidos en la tabla 3.I y representados en la figura 3.1. En esta tabla el tiempo (t) se ha
medido tomando como referencia el inicio del período de recogida de datos, y, en este caso,
su unidad es el trimestre.
La observación de la figura 3.1, permite pensar en una tendencia lineal creciente y una
estacionalidad clara, cuyo patrón se repite anualmente, es decir, cada 4 valores del tiempo
(trimestres). Esto se puede interpretar como una tendencia sostenida de un aumento de las
ventas en esta superficie comercial, unida a un comportamiento distinto para cada uno de
los cuatro trimestres; debido, posiblemente, a que el precio del material deportivo es muy
distinto según sea el adecuado para una estación concreta (material de esquí frente a
entretenimiento de playa, por ejemplo). Por otra parte, el patrón estacional se mantiene con
una amplitud aproximadamente constante, lo que conduce a la utilización de un modelo
aditivo.

Año Trimestre Ventas (Y) t

1990 1 40,22 1
2 54,89 2
3 63,51 3
4 111,35 4
1991 1 46,95 5
2 51,62 6
3 61,47 7
4 108,58 8
1992 1 41,38 9
2 65,30 10
3 64,25 11
4 113,82 12
1993 1 53,34 13
2 59,37 14
3 66,15 15
4 121,5 16
1994 1 67,38 17
2 56,09 18
3 75,11 19
4 124,39 20
1995 1 55,90 21
2 61,25 22
3 75,44 23
4 126,50 24
Tabla 3.I.- Ventas de material deportivo
Y 130
100
70
40
0 4 8 12 16 20 24 t
Fig. 3.1.- Evolución cronológica de las ventas de material deportivo
En este ejemplo se ha identificado un patrón estacional compuesto por los cuatro trimestres
y que se repite de año en año, además de una tendencia aparentemente lineal. Si se
decidiese ajustar el modelo de tendencia directamente sobre los datos, se obtendrían los
resultados de la tabla 3.II.

nu S. C. C. M. F p-val
Regresión 1 1901,300 1901,300 2,677 0,116
Residuos 22 15623,686 710,168
Total 23 17524,985
Coef. Error típico t p-val

Ord. Origen 57,501 11,229 5,121 0,000
t 1,286 0,786 1,636 0,116
R^2 = 0,10849
Tabla 3.II.- Modelo de tendencia ajustado sobre todos los datos: Y = α0 + α1t + ε
El modelo presenta un coeficiente de determinación (R^2) tan sólo del 10,8% y no resulta
estadísticamente significativo, ya que el nivel de significación (p-val), tanto del ajuste como
de la pendiente de la recta de tendencia, son claramente superiores a un riesgo de primera
especie del 5%. Así, se demuestra que este procedimiento no es válido ya que incluye en el
residuo todo el componente estacional, lo cual produce una inflación de la suma de
cuadrados residual que desvirtúa el modelo y cualquier prueba de significación de la
regresión y de sus coeficientes.
Para evitar esto es necesario estabilizar la serie liberándola de la estacionalidad; esto se

podría conseguir trabajando con los valores medios anuales, que son los de la tabla 3.III. En
la tabla 3.IV se detallan los resultados del cálculo del modelo de tendencia, considerado tipo
rectilíneo.
Ya t (años) Ya t (años)
67,4925 1 75,0900 4
67,1550 2 80,7425 5
71,1875 3 79,7725 6
Tabla 3.III.- Medias anuales de ventas de material deportivo
nu S.C. C.M. F p-val

Regresión 1 160,711 160,711 42,073 0,003
Residuos 4 15,279 3,820
Total 5 175,991

Ord. Origen 62,967 1,819 34,607 0,000
t(años) 3,030 0,467 6,486 0,003
R^2 = 0,91318
Tabla 3.IV.- Modelo lineal para las medias anuales

Ahora ya se ha obtenido un modelo de tendencia altamente significativo y con un buen

ajuste (R^2 = 91,3%). En la figura 3.2 se han representado las medias anuales junto a la
estimación del modelo de tendencia; se observa la estabilización conseguida en los valores
de las medias anuales, ya que mientras los datos directos oscilaban entre 40 y 130, las
medias anuales van desde 67 hasta 81.
Hay que destacar que con esta estabilización se ha conseguido un modelo de tendencia
significativo; sin embargo, ¿es aceptable este procedimiento? La respuesta sería no, ya que
este sistema tiene el inconveniente de la gran pérdida de información, pues de los 24 datos
iniciales, se ha acabado estimando el modelo con sólo 6 puntos. Este inconveniente queda
paliado desestacionalizando la serie con las medias móviles.
Ya 85
80
75
70
65
0 1 2 3 4 5 6 7
t(años)
Fig. 3.2.- Evolución y tendencia de la media anual
3.1 Medias móviles: tendencia
Con este método se consiguen suavizar tanto las oscilaciones periódicas de una serie como
las aleatorias. Su aplicación requiere decidir, previamente, el período en que se repite cierto
patrón de comportamiento, que pueda atribuirse a variaciones estacionales; la observación
de la evolución gráfica de la serie puede ayudar a tomar la decisión.
Una vez fijado el período p, se calculan las medias de los valores de la serie tomados de p
en p, sucesivamente desde el inicio. Asociando cada una de estas medias al valor del
tiempo del punto central del período estudiado, se obtiene una nueva serie de valores
mucho más estables, debido, por una parte, a la reducción de la variabilidad ocasionada al
promediar y, por otra, a que, si el período escogido es el correcto, al pasar de una media
móvil a la siguiente, el nuevo dato incorporado es del mismo comportamiento que el dato
saliente.
Si p es impar la asociación es directa :
p +1
∑Y i
Y1 + Y2 + A + Yp
t = ⇔ Y(p+1) / 2 = i=1
=
2 p p

p+ 1
p + 3
∑Y i
Y2 + Y3 + A + Yp+ 1
t = ⇔ Y(p + 3) / 2 = i= 2
=
2 p p
•••
Si p es par, el centro del grupo de cada p valores promediados corresponde a un valor no

observado del tiempo; para subsanarlo, la nueva serie queda constituida por los promedios
de las medias móviles tomadas dos a dos. Es decir:
p + 2 Y(p+ 1) / 2 + Y(p+ 3) / 2
t = ⇔ Y(p+ 2) / 2 =
2 2
p + 4 Y(p+ 3) / 2 + Y(p+ 5) / 2
t = ⇔ Y(p + 4) / 2 =
2 2
•••
La representación gráfica de las medias móviles, o la regresión de dichos valores frente al

tiempo, permiten evaluar la tendencia de la serie liberada de la componente estacional.
Uno de los inconvenientes de este sistema es la pérdida de valores en los dos extremos de
la serie, tanto mayor cuanto mayor es p. En ocasiones, se propone como alternativa a este
problema la sustitución de los valores extremos de las medias móviles por los resultantes de
una extrapolación lineal de los observados; sin embargo, si el número de datos disponibles
es grande, la pérdida de información es negligible.
En el caso del ejemplo de las ventas de material deportivo, ya se ha comentado que la

estacionalidad se manifiesta de forma anual, es decir, cada cuatro trimestres; ello conduce
al cálculo de las medias móviles tomando p = 4.
En la tabla 3.V se detalla el cálculo de los primeros valores de la nueva serie, y la tabla 3.VI
resume la totalidad de los mismos.
t Y Y t
1 40,22
2 54,89
3 67,4925 3
63,51 68,3337
4 69,1750 4
5 111,35
5
… 46,95 …
Tabla 3.V.- Detalle del cálculo de las medias móviles con p = 4

t Y t Y t Y t Y
3 68,3337 8 67,4725 13 72,9325 18 80,3812
4 68,7662 9 69,5300 14 74,1300 19 79,3075
5 68,1025 10 70,5325 15 76,8450 20 78,5175
6 67,5012 11 72,6825 16 78,1900 21 79,2037
7 66,4588 12 73,4363 17 78,9000 22 79,5088
Tabla 3.VI.- Medias móviles con p = 4
Los resultados del modelo lineal, Y = α 0 + α 1t+ ε para el cálculo de la tendencia constan en
la tabla 3.VII.

Regresión 1 393,692 393,692 162,810 0,000
Residuos 17 41,108 2,418
Total 18 434,800

Ord. Origen 63,0065 0,9188 68,5739 0,0000
t 0,8311 0,0651 12,7597 0,0000
R^2 = 0,905
Tabla 3.VII.- Modelo de tendencia sobre las medias móviles
Trabajando sobre 19 puntos, los 19 valores de las medias móviles, se ha obtenido un buen
ajuste, con un coeficiente de determinación del 90,5 %. En consecuencia, el modelo de
tendencia resultante es
T = 63,0065 + 0,8311 t
Evidentemente, la interpretación de la ecuación de la tendencia permite afirmar que las

ventas se incrementan 0,8311 unidades cada trimestre (ya que el tiempo se ha medido en
trimestres). En la figura 3.3 puede observarse el suavizado conseguido con las medias
móviles junto con el modelo de tendencia estimado a partir de los citados valores.
130
100
70
40
0 4 8 12 16 20 24 t
Fig. 3.3.- Evolución ( • ), medias móviles ( 1 ) y tendencia (  ), para p = 4

3.2 Estacionalidad
La componente estacional, que provoca una oscilación sistemática de período corto,

generalmente no superior al año, puede enmascarar la evolución a largo plazo, tendencia, si
no se aísla convenientemente.
Se entiende como componente estacional, en modelos aditivos, la diferencia entre el valor

de la estación y la media de todas las estaciones componentes del período.
El análisis de la estacionalidad queda ligado al método que se decida emplear para

modelizar la tendencia; así, en este punto estudiaremos la situación para el caso de trabajar
con medias móviles.
Para calcular los valores de los índices estacionales hay que seguir la siguiente sistemática:
n Calcular las medias móviles, Yt , sobre los datos, Yt , de la serie original, tomando el
período de agrupación, p, que se considere oportuno.
n Proponer un modelo de agrupación de las componentes, aditivo o multiplicativo.
n Separar la parte explicada por la tendencia. Supuesto el modelo aditivo, esto equivale a
calcular Wt = Yt − Yt ; si fuese multiplicativo, en lugar de diferencias serían cocientes, es
decir, Wt = Yt / Yt . Hay que destacar que en Wt están incluidas las componentes
asociadas a la estacionalidad, los ciclos y los residuos.
n Asumiendo que los residuos son variables aleatorias de media nula y que la
componente cíclica, caso de existir, es de período suficientemente largo como para no
ser recogida por los datos, se procede a evaluar la estacionalidad asociada a cada
componente del período, a cada trimestre en el caso del ejemplo. Para ello se calculan
Wt ∑
t = s + p&
los promedios de los Wt de la misma estación E*s = s = 1, …, p
ns
donde s representa el índice estacional y ns el número de valores asociados a este
índice que se promedian.
Ya que los índices estacionales miden discrepancias respecto a la media, ésta se
necesita como valor de referencia; por tanto es necesario calcular la media general:
∑E
s=1
*
s
E =
p
n Calcular los índices estacionales en modelo aditivo

Los índices estacionales son las diferencias entre los promedios de las Wt de cada
estación y la media general que se acaba de definir, es decir
Es = E*s − E
© L o s a u t o r e s , 2 0 0 1 ; ©
p
Es obvio destacar que la suma de estos índices es cero: ∑E
s =1
s = 0.
n Calcular los índices estacionales en modelo multiplicativo.

En este caso, los índices estacionales son el cociente entre los promedios de las Wt de
cada estación y la media general, es decir
E*
Es = s
E
p
Ahora, la suma de estos índices es igual al período, ∑E
s =1
s = p . En modelo
multiplicativo, no es extraño que los índices estacionales se representen en %.
En la tabla 3.VIII se detallan los cálculos del caso de modelo aditivo de las ventas de
material deportivo. Por ejemplo, para el tercer trimestre (s = 3), el promedio de las Wt, cuyos
valores del tiempo correspondiesen al tercer trimestre, por ser múltiplos de 4 más 3 (t = 3, 7,
11, 15, 19), sería:
* -4,8237 - 4,9888 - 8,4325 - 10,6950 - 4,1975

E3 = = - 6,6275
5
t Yt Yt Wt Estación: s
1 40,22 --- --- 1
2 54,89 --- --- 2
3 63,51 68,3337 -4,8237 3
4 111,35 68,7662 42,5838 4
5 46,95 68,1025 -21,1525 1
6 51,62 67,5012 -15,8812 2
7 61,47 66,4588 -4,9888 3
8 108,58 67,4725 41,1075 4
9 41,38 69,5300 -28,1500 1
10 65,30 70,5325 -5,2325 2
11 64,25 72,6825 -8,4325 3
12 113,82 73,4363 40,3837 4
13 53,34 72,9325 -19,5925 1
14 59,37 74,1300 -14,7600 2
15 66,15 76,8450 -10,6950 3
16 121,5 78,1900 43,3100 4
17 67,38 78,9000 -11,5200 1
18 56,09 80,3812 -24,2912 2
19 75,11 79,3075 -4,1975 3
20 124,39 78,5175 45,8725 4
21 55,90 79,2037 -23,3037 1
22 61,25 79,5088 -18,2588 2
23 75,44 --- --- 3
24 126,5 --- --- 4
Tabla 3.VIII.- Evaluación de la estacionalidad por medias móviles.

Análogamente, para cada trimestre, se obtiene:
E1* = − 20,7438 E*2 = − 15,68477 E*3 = − 6,6275 E*4 = 42,6515

4
∑E
s =1
*
s
La media general es: E = = − 0,101125
4
y los índices estacionales, resultan
E1 = –20,6426 E2 = –15,5836 E3 = –6,5264 E4 = 42,7526
Los valores de los índices estacionales recién obtenidos se interpretan de la siguiente forma:
respecto a la media, el primer trimestre tiene una venta inferior en 20,6426 unidades; el
segundo está 15,5836 unidades por debajo de la media; el tercero 6,5264; mientras que el
cuarto supera a la media en 42,7526 unidades de venta.
Con el modelo de tendencia de la tabla 3.VII y la estacionalidad, se ha obtenido la

descomposición de la serie original, mostrada en la figura 3.4.
Evidentemente, los residuos se calculan como : R = Y - T - E. La buena modelización

conseguida queda confirmada por los residuos, ya que en su mayoría están en el intervalo
±5 y sólo en 3 puntos se llega a valores de 10 u 11 unidades.
Tal como se ha ido repitiendo, el objetivo de la modelización de la serie es poder realizar

previsiones para los próximos valores del tiempo. En la tabla 3.IX se presentan las
previsiones para los 2 años inmediatos siguientes. Atendiendo a que el período estacional
es igual a 4, para realizar la previsión hay que identificar el tiempo como un múltiplo de 4
más s (s = 1, 2, 3, 4), para añadir a la tendencia el valor correcto de la estacionalidad. Así,
la previsión se calcula como:
# = 63,0065 + 0,8311 t + E con

Yt s
t = 4$ + s
La figura 3.5 muestra la evolución de las previsiones y su buena concordancia con la

evolución histórica de los datos recogidos en el estudio.

130
100
Y
70
40
84
79
T 74
69
64
50
30
E 10
-10
-30
130
100
T
+
E
70
40
11
R 0
-11
t
Fig. 3.4.- Descomposición de la serie de ventas de material deportivo por medias móviles

Tendencia: #
Año t Estación: s Estacionalidad: E Previsión: Y
T = 63,0065+0,8311 t
1996 25 1 83,7840 –20,6426 63,1414
26 2 84,6151 –15,5836 69,0315
27 3 85,4462 –6,5264 78,9198
28 4 86,2773 42,7526 129,0299
1997 29 1 87,1084 –20,6426 66,4658
30 2 87,9395 –15,5836 72,3559
31 3 88,7706 –6,5264 82,2442
32 4 89,6017 42,7526 132,3543
Tabla 3. IX.- Previsiones para 1996 y 1997, según el modelo de descomposición clásica
Y 140
90
40
0 4 8 12 16 20 24 28 32 t
Fig. 3.5.- Evolución histórica ( • ), modelo ( –– ) y previsiones ( p )
3.3 Caso temperaturas
La tabla 3.X presenta las temperaturas medias mensuales registradas en una ciudad del
hemisferio sur, en el período de tiempo que abarca desde enero de 1986 a diciembre de
1995. Interesa estudiar el modelo de comportamiento y realizar una previsión de las
temperaturas de la década siguiente.

Año
Mes 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995
I 26,8 27,1 26,9 26,8 26,3 27,1 26,8 27,1 26,3 27,0
II 27,2 27,5 26,3 26,9 27,1 27,1 27,1 27,5 26,7 27,4
III 27,1 27,4 25,7 26,7 26,2 27,4 27,4 26,2 26,6 27,0
IV 26,3 26,4 25,7 26,1 25,7 26,8 26,4 28,2 25,8 26,3
V 25,4 24,8 24,8 26,2 25,5 25,4 25,5 27,1 25,2 25,9
VI 23,9 24,3 24,0 24,7 24,9 24,8 24,7 25,4 25,1 24,6
VII 23,8 23,4 23,4 23,9 24,2 23,6 24,3 25,6 23,3 24,1
VIII 23,6 23,4 23,5 23,7 24,6 23,9 24,4 24,5 23,8 24,3
IX 25,3 24,6 24,8 24,7 25,5 25,0 24,8 24,7 25,2 25,2
X 25,8 25,4 25,6 25,8 25,9 25,9 26,2 26,0 25,5 26,3
XI 26,4 25,8 26,2 26,1 26,4 26,3 26,3 26,5 26,4 26,4
XII 26,9 26,7 26,5 26,5 26,9 26,6 27,0 26,8 26,7 26,7
Tabla 3.X.- Registro de las temperaturas mensuales
La evolución cronológica de los datos se muestra en la figura 3.6, en donde se pone de

manifiesto que la tendencia es prácticamente inapreciable, por la aparente horizontalidad del
eje virtual de la serie. Por otra parte se observa la existencia de una componente estacional
clara que se repite, lógicamente, cada año y mantiene la amplitud, dando idea de que es un
modelo aditivo. Al ser los datos mensuales, la longitud del período es igual a 12.
El cálculo de las medias móviles, con p = 12, y su representación gráfica (figura 3.7)
confirman la estacionalidad, por la estabilización conseguida en la serie, pero ponen en
entredicho la ausencia de tendencia.
La observación del gráfico hace recomendable ajustar un modelo de tendencia, que se hará
posteriormente y que ya se ha representado en esta figura.
Y 30
28
26
24
22
0 24 48 72 96 120 t
Fig. 3.6.- Evolución cronológica de las temperaturas

Y 30
28
26
24
22
0 24 48 72 96 120 t
Fig. 3.7.- Temperaturas mensuales ( • ), medias móviles ( ♦ ) y línea de tendencia ajustada ( − )
Para evaluar la estacionalidad es necesario calcular los índices estacionales, tal como se ha
detallado en el apartado 3.2. Los resultados obtenidos se encuentran en la tabla 3.XI, y se
presentan gráficamente en la figura 3.8.
Mes (s) Índice Es Mes (s) Índice Es

I 1 1,07496 VII 7 −1,78846
II 2 1,31478 VIII 8 −1,80143
III 3 0,97867 IX 9 −0,77967
IV 4 0,62126 X 10 0,05413
V 5 −0,15883 XI 11 0,52959
VI 6 −1,03569 XII 12 0,99070
Tabla 3.XI.- Índices estacionales
La interpretación de los índices es simple: desde octubre (X) a abril (IV), la temperatura está
por encima de la media anual; mientras que de mayo (V) a septiembre (IX) está por debajo
de la media. No olvidemos que los datos corresponden a una ciudad del hemisferio sur; por
tanto, de octubre a abril son los meses cálidos, y los demás son los fríos. Es de destacar
que la oscilación térmica media, del mes más cálido al más frío, es relativamente pequeña
(1,31 + 1,80 = 3,01°C). Esto, unido a los valores medios mensuales, que oscilan entre 23 y
29°C permite afirmar que el estudio se está haciendo sobre una ciudad de clima muy suave
y casi permanentemente primaveral.

T 2
-1
-2
0 4 8 12 s
Fig. 3.8.- Componente estacional: índices
La tendencia, aunque débil, existe y es de tipo lineal. Su evaluación se efectuará mediante

el modelo lineal aplicado a las medias móviles (tabla 3.XII).

Regresión 1 2,186 2,186 44,512 0,000
Residuos 106 5,205 0,049
Total 107 7,391
Coeficientes Error típico t p-val

Ord. Origen 25,4733 0,0459 554,4281 0,0000
t 0,00456 0,0007 6,6717 0,0000
R^2 = 0,295735
Tabla 3.XII.- Modelo lineal para la tendencia: Yt = α0 + α1 t + ε
A pesar del valor del coeficiente de determinación del ajuste, (29,57 %), la explicación del
modelo es significativa. Así, se puede deducir que parece existir una tendencia muy ligera a
un incremento de la temperatura, que se ha estimado en un aumento de 0,00456 grados
mensuales en promedio.
La evolución del modelo, junto con los datos reales, se presentan en la figura 3.9. Para su
obtención, hay que tener en cuenta que, conocidos los índices estacionales y el modelo de
tendencia, la suma mes a mes de los dichos valores darán lugar al modelo propuesto, es
decir:
# = 25,4733 + 0,00456 t + E
Y con t = 12$ + s s = 1, … , 12
t s

Y 30
28
26
24
22
0 24 48 72 96 120 t
Fig. 3.9.- Datos ( • ) y modelo ajustado ( − )
Solamente hay que destacar la buena concordancia entre ambos, a pesar de que hay
algunos puntos que parecen presentar mayores discrepancias.
Esto ocurre, principalmente, desde abril hasta julio de 1993 que como, puede observarse, ya
en los datos iniciales presentaron unas temperaturas medias bastante superiores a las de
los demás años (es decir hizo un otoño especialmente cálido).
En la figura 3.10, se muestran los residuos resultantes de la descomposición de esta serie,

obtenidos como Rt = Yt − Y # . Hay que destacar la buena modelización conseguida, pues
t
en la mayoría de las 120 observaciones, el error es inferior a un grado, excepto en los
meses ya comentados.
R 2
-1
-2
0 24 48 72 96 120 t
Fig. 3.10.- Residuos del modelo

A partir de la descomposición, y suponiendo que no cambiase el comportamiento

meteorológico de la zona, la previsión de la temperatura para los 10 años siguientes sería la
de la tabla 3.XIII, que se muestra en la figura 3.11 junto a los datos disponibles. Aquí se
observa que, de mantenerse la tendencia, la temperatura media mensual, poco a poco, se
va incrementando.
Comparando los datos reales con las previsiones, se ve en estas últimas la ausencia del
componente aleatorio. Se está haciendo una previsión de temperaturas medias, pero el azar
meteorológico se unirá a la previsión alterándola en aquellos períodos de tiempo en los que
las temperaturas sean distintas a las de la tónica general: inviernos muy fríos o muy suaves,
veranos más extremos, etc.
Año
Mes 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005
I 27,1 27,2 27,2 27,3 27,3 27,4 27,4 27,5 27,5 27,6
II 27,3 27,4 27,5 27,5 27,6 27,6 27,7 27,7 27,8 27,8
III 27,0 27,1 27,1 27,2 27,2 27,3 27,3 27,4 27,5 27,5
IV 26,7 26,7 26,8 26,8 26,9 26,9 27,0 27,0 27,1 27,2
V 25,9 25,9 26,0 26,1 26,1 26,2 26,2 26,3 26,3 26,4
VI 25,0 25,0 25,1 25,1 25,2 25,2 25,3 25,3 25,4 25,5
VII 24,3 24,3 24,4 24,4 24,5 24,5 24,6 24,7 24,7 24,8
VIII 24,3 24,3 24,4 24,4 24,5 24,5 24,6 24,6 24,7 24,8
IX 25,3 25,3 25,4 25,5 25,5 25,6 25,6 25,7 25,7 25,8
X 26,1 26,2 26,2 26,3 26,3 26,4 26,5 26,5 26,6 26,6
XI 26,6 26,7 26,7 26,8 26,8 26,9 26,9 27,0 27,0 27,1
XII 27,1 27,1 27,2 27,2 27,3 27,3 27,4 27,5 27,5 27,6
Tabla 3.XIII.- Temperatura prevista para los 10 años siguientes a la recogida de datos
30
28
26
24
22
0 48 96 144 192 240 t
Fig. 3.11.- Datos desde 1986 a 1995 ( • ) y previsiones desde 1996 a 2005 ( 1 )

3.4 Caso usuarios transporte público
En la tabla 3.XIV se recogen los datos relativos al número de usuarios de un determinado

transporte público en el período que abarca desde 1984 hasta 1995, y la figura 3.2 muestra
su evolución cronológica.
Año
Mes 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995
I 90 111 127 142 146 164 175 176 208 199 207 219
II 88 115 107 139 155 151 161 194 189 190 198 206
III 109 129 141 145 182 180 179 197 232 228 251 229
IV 103 121 135 162 165 164 195 211 226 220 231 223
V 103 112 133 144 165 184 189 191 222 222 234 231
VI 122 125 154 176 191 206 208 235 245 233 251 266
VII 134 164 175 192 195 198 227 248 252 303 316 290
VIII 132 158 174 190 205 235 249 273 242 253 285 294
IX 115 133 158 160 182 197 224 202 229 253 250 258
X 101 127 139 151 165 163 193 189 202 223 232 214
XI 91 110 112 134 138 148 170 167 192 191 190 206
XII 112 120 140 140 155 163 166 168 198 185 201 199
Tabla 3. XIV.- Usuarios de un transporte público.
Y 320
240
160
80
0 24 48 72 96 120 144 t
Fig. 3.12.- Evolución cronológica del número de usuarios.
La observación de la figura 3.12 permite realizar las siguientes consideraciones:
̈ Se detecta una clara tendencia creciente en el tiempo.
̈ Hay una estacionalidad manifiesta que se repite anualmente. Ya que los datos son
mensuales, su período será igual a 12.

̈ El patrón de estacionalidad tiene una forma constante pero presenta una amplificación
continua en el tiempo. Esta situación es la que indica que el modelo subyacente es
multiplicativo.
Para obtener la descomposición de la serie cronológica, es necesario estabilizarla

previamente, mediante medias móviles de p = 12; y después modelizar la tendencia y
calcular los índices estacionales.
La evolución de las medias móviles se muestra en la figura 3.13, y se aprecia un crecimiento

que no es proporcional al tiempo, sino que parece sufrir un amortiguamiento al final de la
serie; es decir, probablemente se tratará de un modelo parabólico.
320
240
160
80
0 24 48 72 96 120 144 t
Fig. 3.13.- Tendencia a través de las medias móviles (p =12)
La estimación mínimo-cuadrática conduce al modelo de tendencia, sobre las medias

móviles, cuya estimación se muestra en la tabla 3.XV. En ella se observa, además de un
muy buen ajuste reflejado por una R2 del 99,74%, que el término cuadrático es altamente
significativo. El signo negativo de este término da idea de una especie de freno en el
crecimiento sostenido del número de usuarios, representado por el coeficiente positivo del
tiempo.

Regresión 2 194340,33 97170,17 25069,58 7,937E-168
Residuos 129 500,01 3,88
Total 131 194840,34

Ord. Origen 100,4749 0,6227 161,3636 1,08E-150
t 1,4326 0,0197 72,8823 1,08E-106
t^2 -0,00297 0,0001 -22,5088 1,66E-46
R^2 = 0,9974
Tabla 3.XV.- Estimación del modelo de tendencia: Y = α0 + α1 t + α2 t2 + ε

Así pues, el modelo de tendencia puede escribirse como:
T = 100,4749 + 1,4326 t – 0,00297 t2
En modelos multiplicativos, como el del actual ejemplo, la componente estacional representa

la relación entre cada estación y la media general. Recordemos que, en estos casos, el
cálculo de la estacionalidad se realiza de acuerdo con los siguientes pasos:
a) Calcular las medias móviles Yt , a partir de los datos, Yt, de la serie.
Yt
b) Separar la tendencia, es decir, calcular Wt = .
Yt
c) Asumiendo que los ciclos, caso de existir, son de período suficientemente largo como
para no ser recogidos por los datos, calcular los promedios de las Wt de cada estación y la
media general. s es el indicador de la estación (mes, en el ejemplo), y ns el número de
valores de W que se promedian en la citada estación
∑
t = s + p$
Wt ∑E *
s
s =1
E*s = s = 1, ..., p y E =
ns p
d) Finalmente, los valores de las componentes estacionales, generalmente expresados en %

en modelos multiplicativos, se obtienen como:
E*s
Es = × 100
E
En la tabla 3.XVI se muestran los valores de las componentes estacionales del presente
ejemplo, y se representan gráficamente en la figura 3.14.
Mes Es Mes Es Mes Es

I 92,38 V 97,04 IX 105,50
II 88,41 VI 109,53 X 94,11
III 101,72 VII 121,91 XI 81,54
IV 99,21 VIII 121,31 XII 87,33
Tabla 3.XVI.- Componente estacional.

E 130
120
110
100
90
80
0 4 8 12 t
Fig. 3.14.-Índices estacionales
La interpretación de los índices podría ser en el sentido de que, por ejemplo, los usuarios de
los meses de julio y agosto son del orden de un 121% superior a la media, mientras que en
noviembre se está en un 81% de la media. Ello podría aconsejar una promoción en los
meses de noviembre, diciembre, enero y febrero, con el fin de conseguir una mayor
ocupación de las plazas disponibles.
La figura 3.15 muestra la concordancia entre los datos y su modelización, a partir de la

tendencia y estacionalidad calculadas, de acuerdo con el modelo multiplicativo:
# =
Yt (100,4749 + 1,4326 t − 0,00297 t2 ) Es
100
s = 1, ..., 12 t = s + 12$
320
240
160
80
0 24 48 72 96 120 144 t
Fig. 3.15.- Serie cronológica experimental ( • ) y ajustada ( !).
Observando la figura 3.15 se puede destacar que hay unos desajustes más acusados en
ciertos meses de julio o agosto, en concreto, los de los años 1989, 90, 91, 93 y 94, por lo
que es posible afirmar que en los casos citados ha habido un comportamiento
sustancialmente distinto del esperado en los mismos meses de otros años; en principio,
sería discutible afirmar la presencia de un cambio en los hábitos de utilización de este
transporte, ya que ni el año 1993 ni el 1995, pertenecientes al período en cuestión,
presentan semejantes discrepancias.

A pesar de todo, en este caso, sería prudente tomar con ciertas precauciones las
previsiones para años venideros, mientras no se confirme la consolidación en el futuro de un
cambio o de una permanencia de comportamiento. También podría ser interesante intentar
averiguar qué ocurrió en estos meses (quizás una campaña publicitaria, quizás una
disminución de alternativas de la competencia,...).
La figura 3.16 muestra la evolución de los residuos entre los datos experimentales y el
modelo ajustado, Rt = Yt − Y
# . Se observa que, en la mayoría de los casos, oscilan entre ±16,
t
aunque en algún caso la discrepancia se aproxima a 30 unidades.
Asumiendo que se mantiene el mismo modelo, la previsión de usuarios hasta el año 2000 se
presenta en la figura 3.17. Hay que tener en cuenta, para realizar correctamente los
cálculos, que el último valor de t para el que se dispone de datos, diciembre de 1995, es
144; por tanto, para las predicciones, que abarcan el período de los próximos 60 meses, los
valores de t irán desde 145 hasta 204.
R 32
16
-16
-32
0 24 48 72 96 120 144 t
Fig. 3.16.- Residuos del modelo ajustado
En el gráfico de la previsión se puede observar la reducción de la velocidad de crecimiento

inicial de la serie que se ha comentado en la modelización de la tendencia.
330
280
230
180
130
80
0 24 48 72 96 120 144 168 192 t
Datos Previsiones
Fig. 3.17.- Serie observada y previsiones hasta el año 2000

4 MODELIZACIÓN CON VARIABLES CATEGÓRICAS
Tal como se ha comentado en el capítulo anterior, si hubiera estacionalidad, estimar el modelo

de tendencia sobre los datos directos, por procedimientos usuales de ajuste mínimo-
cuadrático, sería improcedente. Ello es debido a que se produciría una inflación de los
residuos no atribuible a la aleatoriedad sino a la variabilidad ocasionada por el componente
estacional. Para evitarlo, se pueden modelizar conjuntamente la tendencia y la estacionalidad
con variables categóricas asociadas a cada estación, o bien desestacionalizar previamente la
serie y entonces ajustar el modelo de tendencia, como ya se ha expuesto.
La modelización conjunta, con variables categóricas, de la tendencia y la estacionalidad

presenta como principal ventaja la generalidad del método. Por este procedimiento no es
necesario, a priori, asumir un modelo aditivo o multiplicativo, sino que se plantea un modelo
general que incluye todas las posibilidades.
Sea p el período estacional, es decir, el número de unidades de tiempo que conforman el

patrón de comportamiento que se repite sistemáticamente. Cada uno de los valores del
tiempo contenidos en p corresponde a una estación, la cual se designará por el subíndice s,
de forma que s = 1, 2, ..., p.
Cada estación debe estar ligada biunívocamente a una variable categórica. Dicha variable
es un indicador que toma el valor 1 en la estación a la que está asociada y 0 en todas las
demás, excepto para la primera estación, en que todas toman el valor 0. Ésta es la razón
por la cual con p-1 variables categóricas es suficiente para estudiar una serie de período p.
Las variables categóricas, Q, quedan, pues, definidas como
Qj = 0 j ≠ s 
 con s = 1, 2 , @ , p y j = 2 , @ , p
Qj = 1 j = s 
Con estas variables se plantea un modelo tipo

p p
Y = φ ( t ) + ∑ βj Qj + ∑ γ j Qj t + ε
j=2 j=2
k
donde φ(t) es una función polinómica del tiempo, o sea, φ(t) = α0 + ∑α
i=1
i ti , que viene a
recoger la tendencia o evolución general, a largo plazo, de los datos con el tiempo. Los
p
términos del grupo ∑ β Q indican los cambios que las distintas estaciones, componentes
j= 2
j j
del período estacional, introducen en la ordenada en el origen del modelo, parte aditiva
p
según el sistema clásico. Mientras que los del grupo ∑γ Q t
j= 2
j j representan la influencia de la
estacionalidad sobre la función del tiempo, lo que en el método clásico se interpreta como
parte multiplicativa.
El estudio de la significación de cada uno de los coeficientes α, β y γ, y la consiguiente

eliminación de los no significativos conducirá el modelo que definitivamente explica el
comportamiento de la serie.

Modelización con variables categóricas p43
Para desarrollar la metodología de las variables categóricas sobre un ejemplo, se van a utilizar
los datos relativos a las ventas de material deportivo estudiados por el método clásico, con el
fin de poder comparar posteriormente los resultados obtenidos. En la tabla 4.I se vuelven a
reproducir los datos de la serie cronológica, junto a los valores de las variables categóricas. La
representación gráfica de los mismos ya se presentó en la figura 3.1, cuya observación
condujo a pensar en una tendencia lineal creciente y una estacionalidad de período p = 4.
A fin de no confundir los dos efectos, procede la creación de variables categóricas que
identifiquen cada una de las cuatro estaciones, que en este ejemplo constituyen el período
de repetición del patrón estacional. Por otra parte, suponiendo que hubiese ciclos, el
intervalo de tiempo de recogida de datos es totalmente insuficiente para tomarlos, por lo que
su posible existencia quedará enmascarada en los residuos.
En la tabla 4.I están las variables categóricas Q2, Q3 y Q4, cuya conjunción representa de
forma unívoca cada trimestre. Se insiste en que no es necesaria una Q1, puesto que el
primer trimestre es el que toma como referencia Q2 = Q3 = Q4 = 0, y son los demás que, a
través del indicador, aportarán la parte del efecto estacional correspondiente.
En este caso, al ser la tendencia rectilínea, se plantea el modelo
Y = α0 + α1 t + β2 Q2 + β3 Q3 + β4 Q4+ γ 2 Q2 +t γ 3 Q3 +t γ 4 Q4+ t ε
La estimación de sus parámetros conduce a los resultados expuestos en la tabla 4.II.
Año Trimestre (s) Ventas (Y) Q2 Q3 Q4 t

1990 1 40,22 0 0 0 1
2 54,89 1 0 0 2
3 63,51 0 1 0 3
4 111,35 0 0 1 4
1991 1 46,95 0 0 0 5
2 51,62 1 0 0 6
3 61,47 0 1 0 7
4 108,58 0 0 1 8
1992 1 41,38 0 0 0 9
2 65,30 1 0 0 10
3 64,25 0 1 0 11
4 113,82 0 0 1 12
1993 1 53,34 0 0 0 13
2 59,37 1 0 0 14
3 66,15 0 1 0 15
4 121,5 0 0 1 16
1994 1 67,38 0 0 0 17
2 56,09 1 0 0 18
3 75,11 0 1 0 19
4 124,39 0 0 1 20
1995 1 55,90 0 0 0 21
2 61,25 1 0 0 22
3 75,44 0 1 0 23
4 126,50 0 0 1 24
Tabla 4.I.- Ventas de material deportivo

Los resultados del modelo lineal general evidencian que todos los términos del tipo Qjt no
son estadísticamente significativos, (p-val < 0,05), por tanto procede recalcular el modelo
prescindiendo de ellos.
Cabe destacar que este hecho manifiesta que la estacionalidad no modifica la pendiente de
la recta del tiempo, es decir, el incremento de las ventas es el mismo para cada trimestre.
Esto simplifica el caso al corresponder a un modelo aditivo puro, que puede ser,
alternativamente, estudiado por la metodología de la descomposición clásica, tal como se ha
hecho en el capítulo 3. Si alguno de esos términos hubiese resultado significativo, el sistema
clásico proporcionaría un modelo bastante precario.

Regresión 7 17166,997 2452,428 109,609 0,000
Residuos 16 357,988 22,374
Total 23 17524,985

Ord. Origen 38,9463 3,660 10,640 0,000
Q2 15,7735 5,351 2,948 0,009
Q3 19,1936 5,535 3,468 0,003
Q4 65,6577 5,726 11,466 0,000
t 1,0832 0,283 3,832 0,001
t*Q2 -0,8026 0,400 -2,008 0,062
t*Q3 -0,3513 0,400 -0,879 0,393
t*Q4 -0,1485 0,400 -0,371 0,715
R^2 = 0,9796
Tabla 4.II.- Resultados del modelo lineal general
La tabla 4.III contiene los resultados del ajuste del modelo definitivo, es decir, de
Y = α0 + α1t + β2 Q 2 + β3 Q3 + β4 Q 4 + ε

Regresión 4 17064,626 4266,157 176,073 0,000
Residuos 19 460,359 24,229
Total 23 17524,985

Ord. Origen 42,5280 2,580 16,484 0,000
Q2 6,4674 2,846 2,273 0,035
Q3 15,2781 2,857 5,347 0,000
Q4 64,5555 2,876 22,447 0,000
t 0,7576 0,147 5,151 0,000
R^2 = 0,97373
Tabla 4.III.- Resultados del modelo definitivo

Los gráficos de residuos y probabilístico Normal se presentan en la figura 4.1, y no

presentan ninguna peculiaridad especial.
En consecuencia queda validado el modelo obtenido.
Res Res
0 0
4 7 0 4 8
Ŷ t
%P 9
0
Res
Fig. 4.1.- Gráficos de los residuos del modelo
Como resumen de todo lo anterior, el modelo que explica el comportamiento de la serie, y

que va a ser utilizado para hacer previsiones de las ventas futuras, ha resultado ser
# = 42,5280 + 0,7576 t+ 6,4674Q + 15,2781Q + 64,5555Q

Yt 2 3 4
La interpretación de los coeficientes del modelo permite identificar tendencia y

estacionalidad.
En cuanto a la primera, se detecta un incremento de las ventas de 0,7576 unidades cada

unidad de tiempo (trimestre); incremento que se mantiene constante sea cual sea la
estación.
En consecuencia, la estacionalidad sólo afecta a la ordenada en el origen de cada una de

las cuatro estaciones (trimestres) que componen el período.
Tomando como referencia el primer trimestre, en el que Q2 = Q3 = Q4 = 0, se observa que en

él las ventas dependen del tiempo, según la ecuación
# = 42,5280 + 0,7576 t
Y con t = 1 + 4$
t

Para un tiempo correspondiente a un segundo trimestre, las variables categóricas toman los
valores Q2 = 1 y Q3 = Q4 = 0 y el modelo es
# = 42,5280 + 0,7576 t + 6,4674 = 48,9954 + 0,7576 t

Y con t = 2 + 4$
t
Para un tiempo de tercer trimestre, las variables categóricas toman los valores Q3 = 1 y Q2 =
Q4 = 0 y el modelo es
# = 42,5280 + 0,7576 t + 15,2781 = 57,8061 + 0,7576 t

Y con t = 3 + 4$
t
Y, en el caso del cuarto trimestre, las variables categóricas toman los valores Q4 = 1 y
Q2 = Q3 = 0; el modelo es
# = 42,5280 + 0,7576 t + 64,5555 = 107,0835 + 0,7576 t con

Y t = 4 + 4$
t
Así, para cada trimestre (estación del período), se obtiene un modelo del mismo tipo,
rectilíneo con igual pendiente, en este caso, pero con distinta ordenada en el origen.
Esto se puede interpretar como que, tomando siempre como referencia el primer trimestre,
en el segundo el volumen de ventas añade a la función del tiempo 6,4674 unidades, en el
tercero el incremento es de 15,2782 y en el cuarto de 64,5555 unidades. Estos valores son,
evidentemente, los coeficientes de las variables categóricas.
En consecuencia los coeficientes de las variables categóricas representan la cantidad en

que una estación, sistemáticamente, supera (o no alcanza, según sea el signo) el valor de la
primera estación del período. Es decir, estos coeficientes son una forma de medir el
componente estacional.
Para evaluar la bondad del modelo, en la figura 4.2 se muestra la comparación de los
valores medidos con los estimados a partir del modelo ajustado; se observa la buena
concordancia entre ambos.
La modelización tiene como objetivo principal el poder hacer previsiones para un futuro
próximo. En este caso se procede a calcular las previsiones para los próximos 2 años, a
base de sustituir los valores del tiempo y de las variables categóricas en el modelo obtenido.
Los resultados se muestran en la tabla 4.IV y en la figura 4.3.
Y 130
100
70
40
0 4 8 12 16 20 24 t
Fig. 4.2.- Datos reales ( • ) y modelo ajustado (  )

Aquí se detecta la coherencia de la previsión con los datos históricos, siempre que no
cambie el modelo de comportamiento de la serie en el período previsto. Esto podría ocurrir,
por ejemplo, si hubiese una recesión económica, la apertura de otro comercio de similares
características en las inmediaciones, un cambio de hábitos en la población, una campaña
propagandística con éxito de la competencia, etc.
# = 42,5280 + 0,7576 t+ 6,4674Q + 15,2781Q + 64,5555Q

Yt 2 3 4
Año t Q2 Q3 Q4 #
Y t
1996 25 0 0 0 61,4680
26 1 0 0 68,6930
27 0 1 0 78,2613
28 0 0 1 128,2963
1997 29 0 0 0 64,4984
30 1 0 0 71,7234
31 0 1 0 81,2917
32 0 0 1 131,3267
Tabla 4.IV.- Previsiones para 1996 y 1997
Y
140
90
40
0 4 8 12 16 20 24 32 t 28
1990 1995 1996 1997
← datos →← previsiones →
Fig. 4.3.- Datos, modelo y previsiones para los dos años siguientes

4.1 Comparación del método de descomposición con el de variables categóricas
Se han expuesto dos métodos para la descomposición de la serie y ambos se han aplicado
a un caso de modelo aditivo puro, es decir, en el que la estacionalidad no afecta a la
pendiente de la recta de tendencia. El de variables categóricas es más simple en cuanto a
manipulación y cálculos, aunque, si el período tiene muchas componentes, adquiere mayor
aparatosidad por el número de variables categóricas que se manejan. El clásico, que
identifica los componentes del modelo por medio del uso de medias móviles, conduce a
resultados similares, en un caso en que se insiste que es aditivo puro; en casos más
generales la descomposición clásica no sería capaz de conseguir un buen modelo.
La comparación de ambos, sobre el ejemplo desarrollado, se presenta en las figuras 4.4 y

4.5. La primera compara los resultados de los dos modelos dentro del período de recogida
de información; la segunda confronta los valores de los residuos obtenidos mediante los dos
sistemas. Ambos gráficos confirman la gran concordancia de los resultados.
En las tablas 3.IX y 4.IV se han presentado las previsiones de ventas del material deportivo
para los ocho trimestres siguientes a la recogida de información, es decir, para los años
1996 y 1997, siempre bajo el supuesto que el comportamiento de la serie no va a cambiar
en este período de tiempo. La figura 4.6 da idea de la casi coincidencia de las previsiones
para las dos formas de análisis estudiadas.
130
Valores modelizados
100
70
40
0 4 8 12 16 20 24 t
Fig. 4.4.- Modelo según la descomposición clásica ( • ) y las variables categóricas ( » )

15
10
R(categóricas) 5
-5
-10
-10 -5 0 5 10 15
R(descomp. clásica)
Fig. 4.5.- Residuos de la descomposición frente a los del modelo en variables categóricas
Ya que el objetivo del sistema clásico es descomponer la serie como un modelo aditivo, o
multiplicativo si fuese el caso, de tendencia, estacionalidad, ciclos y residuos, es necesario
identificar cada componente.
140
115
Previsiones
90
65
40
24 28 32
t
Fig. 4.6.- Previsiones para los dos años siguientes según la descomposición clásica ( • )
y las variables categóricas ( » )
Refiriéndonos sólo a tendencia y estacionalidad, y considerando el modelo puramente

aditivo, como es el caso de los datos de las ventas de material deportivo, se tratará de pasar
del modelo en variables categóricas
q p
Yt = α 0 + ∑α
i =1
i
i
t + ∑
j=2
β j Qj
© L o s a u t o r e s , 2 0 0 1 ; © E d i c i o n s U P C , 2 0 0 1 .
a otro con sus componentes aisladas. Considerando el modelo aditivo, y suponiendo que los
ciclos, caso de existir, no sean identificables con los datos disponibles, tendremos
Yt =Tt + Et
En este caso, después de estabilizar la serie, se habrá modelizado la tendencia como
q
Tt = a0 + ∑α
i=1
i ti
Debido a que es posible tener dos contadores del tiempo, uno asociado al momento de toma
de datos y otro que identifica la estación a la que pertenece el dato, cualquier instante t
puede escribirse como t = s + k p = s + p$ , con k = 0, 1, 2, y s = 1, 2,..., p, es decir, t
es un múltiplo del período, p, más el indicador de la estación, s. Así, resulta
q
Yt = Tt + Et = a0 + ∑α
i=1
i ti + Es
p
donde ∑E
s =1
s = 0 ya que se ha definido cada componente estacional como la diferencia
respecto a la media del período.
Se asume que, en caso de modelo aditivo puro, los coeficientes asociados a las potencias
del tiempo deben ser los mismos, sea cual sea el procedimiento empleado para su estudio;
en consecuencia, las posibles discrepancias entre los valores estimados por ambos
métodos serán muy pequeñas.
Desarrollando las ecuaciones del modelo clásico y del de variables categóricas para s = 1,. .
. , p, igualándolas para cada s se obtiene
q q
Yt=1+ p$ = α0 + ∑ α i ti
i=1
= a0 + ∑αi=1
i ti + E1
q q
Yt= 2+ p$ = α0 + ∑α
i=1
i ti + β 2= a0 + ∑α
i=1
i ti + E2
A
q q
Yt=p+ p$ = α0 + ∑α
i=1
i ti + βp = a0 + ∑α
i=1
i ti + Ep
y sumando miembro a miembro, resulta

p
p ∑ βj
p α0 + ∑ β j = p a0 ⇒ a0 = α0 + j= 2
j= 2 p
de donde se deduce la expresión que da directamente la tendencia global, T, en función de

los parámetros estimados en el modelo de variables categóricas:

∑ βj q
Tt = α0 + ∑α
j= 2
+ i ti
p i=1
Para cualquier estación, s, componente del período p, el modelo en variables categóricas

puede escribirse como
q
Yt = α0 + ∑α
i=1
i ti + βs s = 1, … , p t = s + p$
Al ser la estacionalidad Es = Yt = s+ p$ − Tt= s+ p$ , restando las dos últimas expresiones de Yt y

Tt resulta
p
∑β
j= 2
j
Es = β s −
p
Para el caso del ejemplo del material deportivo, p = 4, con variables categóricas se obtuvo el
modelo
# = 42,5280 + 0,7576 t+ 6,4674Q + 15,2781Q + 64,5555Q

Yt 2 3 4
∑
j= 2
βj
del cual resulta = 21,57525 . A partir de este modelo la ecuación pura de la tendencia,
4
o esqueleto de la serie, es
p
∑ βj q
Tt = α0 + ∑α
j= 2
+ i ti = 42,5280 + 21,57525 + 0,7576 t = 64,10325 + 0,7576 t
p i=1
Cuando, a partir de la estabilización por medias móviles, se estimó el modelo de tendencia

(sistema clásico), el resultado fue
Tt = 63,0065 + 0,8311 t
Es evidente que ambos resultados, procedentes de técnicas de modelización distintas, son

muy parecidos; su similitud ya ha quedado puesta de manifiesto en las comparaciones
gráficas de modelos , residuos y previsiones de las figuras 4.4, 4.5 y 4.6.
En cuanto a los valores de la estacionalidad, referidos a la media general, es decir, según

los define el modelo clásico, se obtiene
E1 = 0 – 21,57525 = –21,57525
E2 = 6,46475 – 21,57525 = –15,10785
E3 = 15,2781 – 21,57525 = – 6,29715
E4 = 64,5555 – 21,57525 = 42,98025

4
Se comprueba que ∑ Es = 0 .
s =1
Estos valores, como era de esperar, son muy similares a los obtenidos por la
descomposición clásica (capítulo 3), que resultaron ser −20,6426; −15,5836; −6,5264 y
42,7526, respectivamente.
Como resumen, se puede reiterar la gran similitud de valores de los coeficientes del modelo
de tendencia y de los índices estacionales obtenidos por los dos métodos desarrollados.
Esta concordancia es buena para un caso como el que se acaba de estudiar, que se podría
etiquetar como modelo aditivo puro. Si se hubiera dado la circunstancia de una serie donde
la estacionalidad hubiese afectado a la tendencia de distinta forma en cada componente del
período, es decir, variando ya la pendiente, ya la ordenada en el origen, la descomposición
clásica no hubiese conseguido modelizarla correctamente.
Es por todo ello que se puede afirmar que la modelización global con variables categóricas
es un procedimiento mucho más general para el estudio del comportamiento de una serie
temporal y la realización de previsiones.
4.2 Caso usuarios de un teléfono
En la tabla 4.5 se exponen unos datos cronológicos correspondientes al número de usuarios

de un teléfono de atención al cliente de lunes a viernes, recogidos durante las 12 primeras
semanas de puesta en marcha del servicio.
t Y t Y t Y t Y
1 99,30 16 117,66 31 127,52 46 149,66
2 65,27 17 52,67 32 30,42 47 34,13
3 48,27 18 63,96 33 92,71 48 118,31
4 20,58 19 40,85 34 60,22 49 64,06
5 75,17 20 76,12 35 88,61 50 106,09
6 104,76 21 116,48 36 136,60 51 150,28
7 58,96 22 52,86 37 32,16 52 25,74
8 67,18 23 79,80 38 104,76 53 114,62
9 28,44 24 44,25 39 60,62 54 74,64
10 83,71 25 88,39 40 93,53 55 106,34
11 121,13 26 125,34 41 142,92 56 149,02
12 51,52 27 46,45 42 33,34 57 29,06
13 64,30 28 80,05 43 103,53 58 121,42
14 25,60 29 50,67 44 68,86 59 76,33
15 76,50 30 94,03 45 92,50 60 114,29
Tabla 4.V.- Usuarios del teléfono de atención al cliente

En la figura 4.7 se muestra la evolución de la demanda de utilización de este servicio, y se

observa que la simplicidad del método clásico de considerar la serie aditiva o multiplicativa,
no está nada clara pues el patrón estacional ni se mantiene constante ni se amplifica
sistemáticamente.
Es natural que, de haber estacionalidad, ésta sea de período 5, correspondiente a posibles

diferencias de utilización de dicho servicio en los distintos días de la semana. La observación
del gráfico confirma esta estacionalidad. En cuanto a la tendencia, tampoco se ve muy claro si
la hay; si se observan los datos del primer día de cada semana (lunes) parece que haya un
crecimiento sostenido de la demanda, mientras que viendo el comportamiento de los martes
(tabla 4.V) la tendencia es a una disminución. Si sólo se dispusiese del método clásico de
descomposición de la serie sería difícil analizar esta situación, ya que la tendencia general, allí
definida como esqueleto de la serie, parece mantenerse más o menos constante.
Y 160
120
80
40
0
0 20 40 60 t
Fig. 4.7.- Evolución cronológica de la demanda
Aplicando la sistemática de análisis de variables categóricas, corresponde definir 4

variables, Q2, Q3, Q4 y Q5, que identificarán cada uno de los cinco días de la semana. En la
tabla 4.VI, se muestra un fragmento de los valores de dichas variables asociados a los datos
disponibles.
t Y Q2 Q3 Q4 Q5
1 99,3 0 0 0 0
2 65,27 1 0 0 0
3 48,27 0 1 0 0
4 20,58 0 0 1 0
5 75,17 0 0 0 1
6 104,76 0 0 0 0
7 58,96 1 0 0 0
8 67,18 0 1 0 0
9 28,44 0 0 1 0
10 83,71 0 0 0 1
11 121,13 0 0 0 0
12 51,52 1 0 0 0
... ... ... ... ... ...
Tabla 4. VI.- Variables categóricas

El modelo inicial que debe plantearse es del tipo
Y = α0 + α1t + β2Q2+ β3 Q3 + β4 Q4 + β 5Q 5 + γ 2Q2 t+ γ 3Q3+t γ 4Q4+t γ 5Q+5t ε
y los resultados de la estimación mínimo-cuadrática de los coeficientes se muestran en la

tabla 4.VII. De ella se deduce que el término t=Q4 no es significativo (p-val > 0,05) y puede
ser eliminado del modelo. Al recalcular el nuevo modelo se obtienen los resultados
mostrados en la tabla 4.VIII.

Regresión 9 73631,982 8181,331 355,132 0,000
Residuos 50 1151,873 23,037
Total 59 74783,855

Ord. Origen 101,580 2,675 37,978 0,000
Q2 -38,364 3,832 -10,012 0,000
Q3 -53,757 3,882 -13,849 0,000
Q4 -83,296 3,933 -21,179 0,000
Q5 -31,512 3,985 -7,908 0,000
t 0,941 0,080 11,718 0,000
t*Q2 -1,636 0,114 -14,408 0,000
t*Q3 0,385 0,114 3,387 0,001
t*Q4 0,106 0,114 0,935 0,354
t*Q5 -0,288 0,114 -2,539 0,014
R^2 = 0,9846
Tabla 4.VII.- Resultados del modelo lineal inicial

Regresión 8 73611,831 9201,479 400,398 0,000
Residuos 51 1172,023 22,981
Total 59 74783,855

Ord. Origen 100,067 2,127 47,038 0,000
Q2 -36,851 3,469 -10,622 0,000
Q3 -52,244 3,524 -14,824 0,000
Q4 -80,110 1,964 -40,780 0,000
Q5 -29,999 3,637 -8,247 0,000
t 0,994 0,057 17,529 0,000
t*Q2 -1,689 0,098 -17,198 0,000
t*Q3 0,331 0,098 3,376 0,001
t*Q5 -0,341 0,098 -3,476 0,001
R^2 = 0,9843
Tabla 4.VIII.- Resultados del modelo lineal definitivo

El modelo que explica el comportamiento de la serie presenta un elevado grado de ajuste

2
(R = 98,43%) y, según los coeficientes de la tabla 4.VIII, toma la expresión
# = 100,07 − 36,85 Q − 52,24 Q − 80,11 Q − 30 Q

Yt 2 3 4 5
+ 0,99 t − 1,69 t Q2 + 0,33 t Q3 − 0,34 t Q5
La figura 4.8 presenta el modelo ajustado junto a los datos, y la figura 4.9 los residuos del
modelo. Se observa que la mayoría de los valores están en el intervalo ± 4 unidades, y sólo
en algún caso la discrepancias alcanza 10 unidades; ello confirma el buen ajuste.
Y
200
160
120
80
40
0
0 20 40 60 t
Fig. 4.8.- Datos experimentales ( • ) y modelo ajustado (  )
R 12
-4
-8
-12
0 20 40 60 t
#
Fig. 4.9.- Residuos del modelo: R = Y − Y
La interpretación del modelo obtenido, se puede hacer determinando la ecuación de

previsión asociada a cada uno de los días de la semana, es decir, a cada componente de la
estación. A título de ejemplo, los modelos para el lunes y el viernes son:

Lunes: s=1 Q2 = Q3 = Q4 = Q5 = 0 # = 100,07 + 0,99 t

Y con t = 5$ +1
Viernes: s=5 Q2 = Q3 = Q4 = 0 Q5 = 1 # = 70,07 + 0,65 t
Y con t = 5$ +5
En la figura 4.10, se puede observar cada una de las cinco rectas que componen el modelo,
sobre el fondo de los datos experimentales. Cada recta, a la derecha del gráfico, lleva el
indicador estacional que le corresponde (lunes: s =1; martes: s = 2… ). De la ecuación del
modelo general y del estudio de este gráfico se puede concluir que el lunes y el jueves
tienen la misma tendencia (las rectas 1 y 4 son paralelas); sin embargo el lunes tiene,
sistemáticamente, un mayor número de usuarios que el jueves. Esta discrepancia constante
es la diferencia de ordenadas de ambas rectas, o sea el coeficiente de Q4, que en este caso
es igual a −80,11. La tendencia común indica un aumento sostenido de usuarios que se
evalúa en un incremento de 0,99 usuarios al día (coeficiente de t en las rectas 1 y 4).
Y 160
1
3
120
5
80 4
40
2
0
0 20 40 60
t
Fig. 4.10.- Modelos asociados a cada día de la semana
En cuanto a los miércoles y viernes (rectas 3 y 5), se puede decir que tienen un
comportamiento similar. En los primeros días había algo más de usuarios el viernes que el
miércoles; sin embargo, dicho número ha aumentado en ambos, pero con mayor velocidad
el miércoles, de forma que actualmente éste ya supera al viernes.
Especial atención merece el martes (recta 2), ya que inicialmente tenía un número de
usuarios situado más o menos en el promedio de los otros días, pero ha sufrido un
decrecimiento progresivo que actualmente lo sitúa en un valor muy inferior a los demás días
de la semana, los cuales, en mayor o menor grado, han presentado un incremento de
demanda del servicio.
Está claro que, en la práctica, una situación como ésta requeriría de un estudio en
profundidad de las causas que han conducido a esta situación: quizás la persona que
atiende la línea no es la misma, o hay mayores dificultades para establecer comunicación y
el público deja de llamar los martes,...
La obtención del modelo tiene como principal objetivo el poder hacer previsiones del
comportamiento de la demanda del servicio durante los próximos días, a fin de programar un

aumento del número de líneas telefónicas, del número de personas que atienden a los
usuarios, plantearse una redistribución en el tiempo, etc.
La tabla 4.IX muestra las previsiones para las dos semanas próximas, junto a los valores del
tiempo y de las variables categóricas, necesarios para ser sustituidos en el modelo general.
t Q2 Q3 Q4 Q5 Y prevista
61 0 0 0 0 160,686
62 1 0 0 0 20,129
63 0 1 0 0 131,312
64 0 0 1 0 83,557
65 0 0 0 1 112,478
66 0 0 0 0 165,655
67 1 0 0 0 16,654
68 0 1 0 0 137,938
69 0 0 1 0 88,526
70 0 0 0 1 115,741
Tabla 4.IX.- Previsiones para dos semanas
En la figura 4.11 se pueden observar los valores de las previsiones como extrapolación del
modelo ajustado sobre los datos disponibles, constatándose la gran disminución del número
de usuarios del martes.
Y180
150
120
90
60
30
0
0 10 20 30 40 50 60 70 t
Fig. 4.11. - Datos ( • ), modelo ( --- ) y previsiones (1)
Dichas previsiones serán válidas siempre que se mantenga el modelo de comportamiento

que han puesto de manifiesto los datos disponibles. Es evidente que si se encontrase la
causa de la disminución de llamadas producida en los martes, y se corrigiese, sería
necesario llevar a cabo una nueva recogida de información para elaborar los modelos
correspondientes y hacer previsiones en la nueva situación.

5 AUTOCORRELACIÓN
En este capítulo se presenta una herramienta de análisis, el correlograma, o representación

gráfica de la función de autocorrelación, que tiene una doble utilidad. Por una parte, puede
servir para confirmar la presencia de estacionalidad y determinar su período; por otra, indica
cuántas previsiones son admisibles, a partir del último tiempo de recogida de información.
El concepto de autocorrelación es bien simple; supongamos que se dispone de la serie

cronológica Y1, Y2,... , Y1+k,... , YN, y se desplaza dicha serie k unidades de tiempo; se
pueden formar las parejas (Y1; Y1+k), (Y2; Y2+k), (Y3; Y3+k),..., (YN–k; YN).
El coeficiente de correlación entre ambas series, es decir, de las parejas citadas, se denota
por ρk y recibe el nombre de coeficiente de autocorrelación de orden k; el desplazamiento k
también se denomina retardo, y representando gráficamente ρk en función del retardo k, se
obtiene el autocorrelograma de la serie. De la estructura del planteamiento se deduce que
ρk=ρ−k.
5.1 Correlograma
Un valor no nulo de ρk indica que existe correlación entre informaciones separadas k

unidades de tiempo, es decir, la historia se transmite k unidades de tiempo más allá. En
consecuencia, si el último valor del tiempo del que se dispone de datos es el T, será
admisible hacer previsiones para un tiempo igual a T+k. Evidentemente, si ρk fuese nulo,
sería inadmisible una predicción para T+k, ya que los datos disponibles no transmiten
ninguna información relevante a una distancia como la considerada.
Sea que se dispone de una serie cronológica de datos y1, y2,..., yt,..., yN, para elaborar el
correlograma o gráfico de la función de autocorrelación. Se estiman las siguientes
características:
∑ yi
̈ Media: m̂ = y = i=1
N− k
∑
i =1
(yi − y) (yi+ k − y)
̈ Autocovariancia: γˆ k = k = 0, 1,..., N–1
N
γˆ k
̈ Autocorrelación: ρˆ k = rk =
γˆ 0
Para poder estimar la autocovariancia, γk, el número de componentes de la serie debe ser tal
que N > k+1, y es recomendable N ≥ 50 y k ≤ N/4.

Autocorrelación p59
Para identificar los coeficientes de autocorrelación que sean significativamente distintos de

cero, es necesario estudiar el comportamiento estadístico de los estimadores. Bartlett ha
estudiado el estadístico rk y, bajo el supuesto de que ρk = 0 para todo k ≥ K, obtiene que
K −1
1
V(rk ) ≅
N
∑
−(K −1)
ρi2 ∀k≥K
al sustituir ρi por su estimador, ri, y, dado que ρ0 = 1 y ρi = ρ−i, resulta que la estimación de la
variancia de rk es igual a
 1
 V(rk ) ≅ k ≥ K K =1
1 K −1
 N
V̂(rk ) ≅
N
∑ ri 2
⇒ 
1  K −1

− (K −1)  V(rk ) ≅  1 + 2 ∑r i
2
 k ≥ K K > 1
 N  1 
Anderson indica que para valores de k tales que ρk = 0 y N suficientemente grande, rk se

distribuye aproximadamente N(0; V(rk)). De esta forma, con una probabilidad del orden del
95%, si ρk = 0, su estimador rk se encontrará en el intervalo ± 2 S(rk), donde S(rk) representa
la desviación tipo estimada de r , es decir, S(rk ) = ˆ k) .
V(r
k
El intervalo ± 2 S(rk) se denomina intervalo de no significación de ρk, y es el conjunto de

valores que puede tomar rk para que, con un riesgo del 5%, se pueda admitir la ausencia de
correlación entre valores de la serie, desplazados k unidades de tiempo. Por todo ello, al
calcular la función de autocorrelación de una serie, es bueno representarla gráficamente
junto al intervalo ± 2 S(rk), con objeto de considerar únicamente como coeficientes de
autocorrelación no nulos aquellos cuya estimación esté fuera del citado intervalo.
Las autocorrelaciones suelen disponerse matricialmente, lo que da lugar a la matriz de

autocorrelaciones PN, simétrica, definida positiva, cuya estructura es
 1 ρ1 ρ2 . . . . . ρN - 1 
 
 ρ1 1 ρ1 . . . . . ρN - 2 
PN =  ρ 2 ρ1 1 . . . . . ρN - 3 
 
 ... ... ... ..... ... 
 ρ 1 
 N - 1 ρN - 2 ρN - 3 .....
Como aplicación se va a analizar la serie cronológica de la tabla 5.I, que corresponde al

valor de los stocks en I.C.I. (Serie D* de Time Series Analysis and Forecasting, O.D.
Anderson, ed. Butterworths, 1977). Su evolución se muestra en la figura 5.1.

t Y t Y t Y t Y t Y t Y
1 304 19 278 37 282 55 273 73 291 91 282
2 303 20 277 38 283 56 272 74 288 92 286
3 307 21 279 39 279 57 273 75 288 93 286
4 299 22 278 40 280 58 271 76 290 94 287
5 296 23 270 41 280 59 272 77 293 95 284
6 293 24 268 42 279 60 271 78 288 96 283
7 301 25 272 43 278 61 273 79 289 97 286
8 293 26 273 44 283 62 277 80 291 98 282
9 301 27 279 45 278 63 274 81 293 99 287
10 295 28 279 46 270 64 274 82 293 100 286
11 284 29 280 47 275 65 272 83 290 101 287
12 286 30 275 48 273 66 280 84 288 102 292
13 286 31 271 49 273 67 282 85 287 103 292
14 287 32 277 50 272 68 292 86 289 104 294
15 284 33 278 51 275 69 295 87 292 105 291
16 282 34 279 52 273 70 295 88 288 106 288
17 278 35 283 53 273 71 294 89 288 107 289
18 281 36 284 54 272 72 290 90 285
Tabla 5.I.- Valor de los stocks en I.C.I
Y
310
300
290
280
270
260
0 40 80 120 t
Fig. 5.1.- Evolución de la serie de la tabla 5.I
En la tabla 5.II se presenta el detalle del cálculo de las autocorrelaciones para los casos de
k =1 y k = 2, de los valores de la tabla 5.I. En primer lugar es necesario calcular la media de
todos los datos
1
m̂ = y = ( 304 + . . . + 295 ) = 299,2
10

t 1 2 3 4 5 ... 105 106 107

y 304 303 307 299 296 291 288 289
k=0
y-y 20,44 19,44 23,44 15,44 12,44 ... 7,44 4,44 5,44
y 304 303 307 299 ... 294 291 288
k=1
y-y 20,44 19,44 23,44 15,44 ... 10,44 7,44 4,44
y 304 303 307 ... 292 294 291
k=2
y-y 20,44 19,44 23,44 ... 8,44 10,44 7,44
Tabla 5.II.- Detalle del cálculo de las autocorrelaciones de la tabla 5.I
Las estimaciones se obtienen como
1 107
20,442 + ... + 5,442
γˆ0 =
107
∑ (y
1
i
- y )2 =
107
= 74,695
1 107
19,44 × 20,44 + ... + 5,44 × 4,44
γˆ1 =
107
∑ (y
2
i
- y ) ( y i - 1 - y )=
107
= 66,123
γˆ1 66,123
r1 = ρˆ1 = = = 0,885
γˆ0 74,695
1 107
23,44 × 20,44 + ... + 5,44 × 7,44
γˆ2 =
107
∑ (y3
i
- y ) ( y i - 2 - y )=
107
= 59,775
γˆ2 59,775
r2 = ρˆ2 = = = 0,800
γˆ0 74,695
etc.
Según Bartlett las desviaciones tipo estimadas para r1 y r2 son:
1 1
S(r1) = = = 0,097
N 107
1 + 2 × 0,8852
S(r2 ) =
1
N
(1 + 2 r12 ) = 107
= 0,155
etc.

Y los intervalos ± 2 S(rk) son, respectivamente, ± 0,194 y ± 0,310 para k=1 y k=2. En
consecuencia, con un riesgo del 5%, ρ1 y ρ2 pueden ser significativamente distintos de cero.
Analizando los 107 valores de la serie completa para k = 1, 2,..., 10, se obtienen los valores
mostrados en la tabla 5.III y presentados en la figura 5.2. De estos resultados, se verifica
que a partir de k = 7 ya se puede considerar ρk como nulo, es decir, no es admisible hacer
previsiones separadas en más de 7 unidades de tiempo del último momento de recogida de
datos.
k 1 2 3 4 5 6 7 8 9 10
rk 0,89 0,80 0,70 0,63 0,58 0,55 0,48 0,40 0,31 0,23
S(rk) 0,10 0,15 0,19 0,21 0,23 0,24 0,25 0,26 0,27 0,27
Tabla 5.III.- Valores de las autocorrelaciones y sus desviaciones tipo
rk 1
0,5
0
k
-0,5
-1
Fig. 5.2.- Correlograma
Con los valores de la tabla 5.III, se puede escribir la matriz de autocorrelaciones que, para k
=3, adquiere la siguiente forma:
 1 0,885 0,800 0,699 

 
 0,885 1 0,885 0,800 
ˆ
P3 =
 0,800 0,885 1 0,885 
 
 0,699 0,800 0,885 1 
© L o s a u t o r e s , 2 0
5.2 Interpretacion de los correlogramas
En la figura 5.3 se muestran los correlogramas de las series analizadas hasta ahora.
El primero, que corresponde a los datos de la figura 1.2 de la evolución del índice IBEX35,
muestra que sólo son significativos los tres primeros coeficientes de autocorrelación; por
tanto, las previsiones dejan de ser válidas a partir de tres unidades de tiempo después del
último dato. Es decir, lo que ocurra en un instante se transmite hasta tres unidades de
tiempo más adelante.
El segundo, de los datos de la tabla 3.I y de la figura 3.1 sobre las ventas trimestrales de
material deportivo, confirma la estacionalidad de período cuatro, ya que cada cuatro barras
de autocorrelación se repite la misma estructura de comportamiento. En este caso es
posible hacer previsiones a cuatro trimestres vista, ya que para k = 4 el coeficiente de
autocorrelación es significativamente distinto de cero, aunque no lo sean los de k = 1, 2 y 3.
Este hecho se puede interpretar como que la información de un trimestre se transmite
directamente hasta una distancia temporal de cuatro trimestres, sin que afecte el
comportamiento de los tres trimestres intermedios. Así, por ejemplo, una vez conocidas las
ventas de invierno, se puede hacer la previsión para el invierno próximo puesto que lo que
ocurra en primavera, verano y otoño no afectará al invierno siguiente.
El tercero y el cuarto corresponden, respectivamente, a las temperaturas medias mensuales

(tabla 3.X y figura 3.6), y a los usuarios mensuales de un transporte público (tabla 3.XIV y
figura 3.12). En ambos casos se confirma la estacionalidad de período 12, y se pueden
hacer previsiones a 18 meses para la temperatura, y a 13 para los usuarios. A diferencia del
segundo caso, en el último la información de un mes afecta directamente al resto de meses
del mismo grupo de 12; es decir, si bien es cierto que se puede predecir el número de
usuarios para dentro de un año, lo que ocurra en los meses venideros puede afectar esta
previsión; por tanto interesa incorporar los datos disponibles lo más rápidamente posible al
modelo, para una mayor fiabilidad de las previsiones.
El último de los correlogramas es el de los usuarios de un teléfono de atención al cliente,

(tabla 4.V y figura 4.7). Además de confirmar la estacionalidad de período 5, pone de
manifiesto que es aceptable hacer previsiones para los próximos 10 días, es decir, a dos
semanas vista.

IBEX DEPORTE
rk 1 rk 1,0
0,5 0,5
0 0,0
-0,5 -0,5
-1 -1,0
k k
TEMPERATURAS USUARIOS TRANSPORTE

rk 1 rk 1,0
0,5 0,5
0 0,0
-0,5 -0,5
-1 -1,0
k k
USUARIOS TELÉFONO
rk
1
0,5
-0,5
-1
k
Fig. 5.3.- Correlogramas

Otras técnicas de previsión: ponderación exponencial p65
6 OTRAS TÉCNICAS DE PREVISIÓN: PONDERACIÓN EXPONENCIAL
Cuando la serie presenta componente estacional y tendencia que se mantienen de forma

sostenida a lo largo de todo el período de recogida de datos, se han expuesto dos formas de
modelizarla y poder hacer previsiones: la descomposición clásica y las variables
categóricas.
Sin embargo, son frecuentes las situaciones en que la tendencia, caso de existir, puede ser
difícil modelizarla a través de un simple modelo polinómico de menor o mayor grado. Podría
entonces pensarse en un modelo de evolución que cambiase a lo largo del tiempo; en estos
casos las técnicas asociadas a la metodología de la ponderación exponencial son útiles para
hacer previsiones sobre la evolución futura.
6.1 Suavizado exponencial
La ponderación exponencial, o suavizado exponencial, es otra técnica destinada también a

estabilizar la serie, eliminando en lo posible la influencia del componente aleatorio. Para ello
se construye una nueva serie, la serie suavizada St , a partir de los datos iniciales, Yt , de
manera que
St = λ Yt + ( 1 − λ ) St −1 con 0 < λ < 1
Para que la serie suavizada quede definida, es necesario concretar los valores de S0, que
generalmente se considera igual a Y1, y el del coeficiente de ponderación λ. En la selección
del valor de λ se pueden emplear distintos criterios de minimización de errores, que se
expondrán a continuación.
Sustituyendo repetitivamente St-1, St-2,... por su expresión de St, se obtiene
St = λYt + λ (1− λ )Yt −1+ λ (1− λ )2 Yt− 2+ @+ λ (1

− λ )i Yt−+i
@ + λ (1− λ )t −1Y1+ λ (1− λ )t S0
t + 1 = St .
#
El valor de St es la previsión para el tiempo siguiente, es decir, Y
El análisis de la expresión anterior permite interpretar este tipo de suavizado, de forma que
el valor de Y previsto para el período t+1, es decir St, se obtenga como promedio ponderado
de los valores reales que ha presentado la serie cronológica desde el inicio de la recogida
de información. La discrepancia entre los valores obtenidos y los previstos, Yt+1 − St, es
atribuible en parte al componente aleatorio y, posiblemente, a cambios bruscos en el
comportamiento de la serie.
El coeficiente de ponderación λ juega el siguiente papel: cuanto mayor sea su valor, tanto
más peso se dará a los valores recientes, en detrimento de los antiguos; mientras que
valores de λ próximos a cero dan gran peso a la historia y poca importancia a los valores
próximos.

Así, si la serie se mantiene estable, serán interesantes valores pequeños del coeficiente de
ponderación ya que amortiguarán fuertemente la oscilación aleatoria, mientras que si la
serie presentara cambios bruscos, la serie suavizada tardaría mucho en detectarlos si su λ
fuese pequeña, mientras que respondería prontamente a ellos con valores altos del
coeficiente λ.
Analizando la expresión del valor suavizado, para distintos valores de λ, se puede escribir,
por ejemplo,
λ = 0,10 ⇒ # = S = 0,10 Y + 0,09 Y + 0,081 Y + 0,729 Y

Y 5 4 4 3 2 1
λ = 0,50 ⇒ # = S = 0,50 Y + 0,25 Y + 0,125 Y + 0,125 Y

Y 5 4 4 3 2 1
λ = 0,90 ⇒ # = S = 0,90 Y + 0,09 Y + 0,009 Y + 0,001 Y

Y 5 4 4 3 2 1
Es decir, con un valor del factor de ponderación de 0,10, la previsión para t = 5 está
constituida por un 10% del valor observado en t = 4, un 9% del de t = 3, un 8,1% del de t = 2
y un 72,9 % del de t = 1; o sea, con un valor pequeño de λ, la previsión está constituida
mayoritariamente por el valor más antiguo.
Cuando λ es igual a 0,50, los pesos aplicados a cada valor recogido están más
uniformemente repartidos y, cuando λ es grande, por ejemplo 0,90, el mayor componente de
la previsión es el último valor observado; los demás tendrán un valor de ponderación tanto
más pequeño cuanto más alejados estén en el tiempo.
El suavizado exponencial puede verse como un método alternativo a las medias móviles,
con sus ventajas e inconvenientes.
Entre las primeras hay que citar que con la ponderación exponencial no se pierde ninguna
información, al contrario que con las medias móviles, pues cuanto mayor era la longitud del
período a promediar, tanta más información se perdía, en el inicio y en el fin de la serie.
Además una serie con cambios de tendencia, más o menos bruscos, se puede modelizar
por suavizado exponencial y no podría hacerse ni por descomposición ni por variables
categóricas. Por el contrario, si la serie presenta estacionalidad con las medias móviles,
siempre que se escoja correctamente el período, ésta desaparece totalmente y da lugar a
una serie estabilizada que permite modelizar directamente la tendencia, hecho que no
ocurre con la ponderación exponencial simple, que no es capaz de suavizar la oscilación
debida a la estacionalidad.
Para solucionar este inconveniente, se han desarrollado técnicas basadas en el suavizado

exponencial, que permiten incorporar un modelo de tendencia o bien una componente
estacionaria; éstas son las técnicas de Brown, para el primer caso, o de Winters para el
segundo.

6.2 Selección del factor de ponderación
Tal como se ha expuesto, en función del valor de λ, se puede dar mayor o menor peso a la
historia, y detectar con más o menos rapidez cambios bruscos en la serie; es por ello que la
selección del valor más adecuado para el factor de ponderación es crucial en el éxito de la
modelización de la serie y la previsión de valores futuros.
Todos los métodos utilizados para esta selección se basan en minimizar alguna función de
los errores de ponderación.
% = S , los errores más destacables son:

Recordando que Yt t −1
n Error medio: promedio de los errores de previsión; atendiendo a que para hacer
previsiones hay que disponer de datos, el primer valor previsto posible será el de t = 2:
n
∑( Y t - St )
ME= t=2
n -1
n Error cuadrático medio: promedio de los cuadrados de los errores de previsión:

n
∑(
2
Y t - St )
MSE= t=2
n -1
n Error absoluto medio: promedio de los valores absolutos de los errores de previsión:
n
∑ Y t - St
M AE= t=2
n -1
n Media del porcentaje del error: promedio de los porcentajes de los errores relativos de
previsión:
n
Yt − Y%
∑t=2 Yt
t
× 100
MPE =
n -1
n Media del porcentaje de error absoluto: promedio de los porcentajes de los valores
absolutos de los errores de previsión relativos:
n
Yt - Y
%t
∑ Yt
x 100
M APE = t=2
n -1
Hay que insistir en que en una serie en la que el tiempo es t = 1, 2,..., n, el suavizado
exponencial no ofrece ninguna previsión para t = 1, y, por tanto, no existe error de previsión

en este punto; consecuentemente, en este caso los errores siempre son promedios de n −1
valores.
De los errores expuestos, aquellos que no toman valor absoluto, ME y MPE, tienen poco
interés ya que, a causa de la compensación de valores positivos y negativos, pueden dar
valores de los promedios muy próximos a cero aun cuando existan errores de previsión muy
grandes. En general, se selecciona aquel valor de λ para el cual los valores del error
absoluto medio y del cuadrático medio, MAE y MSE, alcancen los valores más bajos.
Como ejemplo consideremos los datos de la tabla 6.I, serie cronológica de 50 valores, cuya
representación gráfica puede verse en la figura 6.1.
t Yt t Yt t Yt t Yt t Yt
1 9,958 11 16,510 21 26,267 31 25,217 41 28,448
2 10,096 12 12,674 22 20,401 32 24,653 42 35,726
3 11,552 13 17,504 23 18,748 33 28,062 43 30,602
4 9,113 14 13,462 24 20,800 34 27,317 44 31,011
5 13,898 15 16,945 25 21,683 35 26,122 45 31,732
6 11,487 16 18,653 26 27,069 36 29,837 46 31,538
7 11,114 17 18,942 27 23,728 37 28,854 47 32,175
8 9,505 18 15,084 28 24,890 38 27,129 48 35,543
9 17,934 19 16,568 29 26,132 39 30,194 49 35,534
10 12,339 20 20,733 30 24,663 40 34,104 50 37,336
Tabla 6.I.- 50 valores de una serie cronológica
Y 40
30
20
10
0
0 10 20 30 40 50 t
Fig. 6.1.- Evolución cronológica de los datos de la tabla 6.I

Observando el gráfico, difícilmente se aprecia una estacionalidad, mientras que es evidente

una tendencia creciente y casi seguramente lineal. La figura 6.2 es el correlograma de la
serie que pone de manifiesto la ausencia de estacionalidad, junto con una autocorrelación
significativa hasta un retardo de 4 unidades de tiempo.
rk 1,0
0,5
0,0
-0,5
-1,0
k
Fig. 6.2.- Correlograma de la serie de la tabla 6.I
Aplicando la ponderación exponencial a estos datos, en función del valor de λ, los errores
evolucionan según muestra la tabla 6.II.
λ ME MSE MAE MPE MAPE

0,100 4,278 25,408 4,363 17,577 18,494
0,150 3,092 15,628 3,196 12,719 13,812
0,200 2,416 11,731 2,627 9,817 11,622
0,250 1,984 9,904 2,351 7,896 10,632
0,300 1,685 8,975 2,217 6,531 10,214
0,350 1,467 8,496 2,174 5,510 10,157
0,400 1,300 8,270 2,171 4,716 10,271
0,450 1,169 8,200 2,183 4,079 10,449
0,500 1,062 8,233 2,214 3,556 10,696
0,550 0,974 8,341 2,251 3,119 10,960
0,600 0,899 8,507 2,289 2,746 11,233
0,650 0,835 8,722 2,330 2,425 11,508
0,700 0,780 8,981 2,371 2,145 11,786
0,750 0,731 9,283 2,418 1,898 12,082
0,800 0,689 9,628 2,470 1,677 12,396
0,850 0,651 10,019 2,525 1,479 12,723
0,900 0,617 10,461 2,581 1,299 13,052
0,950 0,586 10,961 2,643 1,133 13,406
Tabla 6.II.- Evolución de los errores en función de λ.

Analizando detenidamente la evolución de errores mostrada en la citada tabla, se observa

que, tanto el error medio (ME) como la media del porcentaje del error (MPE) disminuyen al
aumentar λ, mientras que los otros errores (MSE, MAE y MAPE) alcanzan el mínimo para
el intervalo 0,35 ≤ λ ≤ 0,45. Dado que el error cuadrático medio (MSE) es el que, en
general, presenta mejores propiedades, se va a tener en cuenta para seleccionar
definitivamente el coeficiente de ponderación; así, en el caso del ejemplo, se va a trabajar
con λ = 0,45.
Para entender mejor lo que representa la selección de uno u otro valor de λ, en la figura 6.3
se pueden comparar las evoluciones de las series ponderadas respecto a los datos
cronológicos para distintos valores del parámetro de ponderación.
λ=0,10 λ=0,30
40 40
30 30
20 20
10 10
0 0
0 10 20 30 40 50 60 t 0 10 20 30 40 50 60 t
λ=0,45 λ=0,95
40 40
30 30
20 20
10 10
0 0
0 10 20 30 40 50 60 t 0 10 20 30 40 50 60 t
 ) para distintas λ.
Fig. 6.3.- Serie original (•) y suavizada (
Directamente se observa que, en este caso, para valores pequeños de λ la serie suavizada
va por detrás de la real, es decir, tarda mucho en responder a la evolución. Sin embargo,
cuando λ = 0,95, la suavizada está totalmente ligada a la oscilación aleatoria de la serie, es
decir, la previsión para el tiempo inmediato siguiente es prácticamente igual al último valor
medido. Cuando λ = 0,45, valor para el que ha resultado un error cuadrático medio mínimo,
la serie suavizada exponencialmente, sigue más claramente el esqueleto de la serie
cronológica y queda amortiguada la oscilación aleatoria.

La figura 6.4 muestra los residuos, Rt = Yt − Y

# = Y − S , para tres valores de λ. En ella se
t t t-1
observa que para λ = 0,10 la mayoría de los residuos son positivos, es decir, la previsión va
por detrás del valor real, mientras que para λ = 0,45 están, casi siempre, entre los de λ =
0,10 y los de λ = 0,90, es decir, son más próximos a cero, y por tanto, más pequeños.
R 12
-6
0 10 20 30 40 50 t
Fig. 6.4.- Residuos en función de λ. λ = 0,10 (…◊…) λ = 0,45 ( −• − ) λ = 0,90 (…× )

…
Para el valor del coeficiente de ponderación seleccionado (λ = 0,45), se calculan los valores
de la serie suavizada, (St = 0,45 × Yt + 0,55 × St-1), las previsiones ( Y
# = S ) y los residuos
t t-1
(R =Y − Y ), cuyos valores se muestran parcialmente en la tabla 6.III. En dicha tabla figuran

t t
#
t
también los valores previstos para los tiempos 51, 52 y 53, de los que ya no se dispone de
datos.
La previsión para cualquier valor de t = 51, se ha calculado como
ˆ51 = S50 = λ Y 50 + ( 1- λ ) S49 = 0,45 x 37,3364 + 0,55 x 34,4142 = 35,7292

Y
La estimación para cualquier otro valor de t superior a éste, se tendrá que hacer tomando
como Yt el valor de la previsión, ya que no se dispone de datos reales. Así
ˆ51 = S50 = λ Y 50 + ( 1- λ ) S49 = 0,45 x 37,3364 + 0,55 x 34,4142 = 35,7292

Y
es decir, con este sistema la previsión es idéntica para cualquier tiempo futuro, tal como se
aprecia en las últimas filas de la tabla 6.III. Ello evidencia que la previsión no concuerda con
la evolución cronológica presente (figura 6.5), aunque dentro del período estudiado la serie
suavizada sigue de forma muy razonable a los datos disponibles.

t Yt St #
Y Rt
t
1 9,958 9,958 − −
2 10,096 10,020 9,958 0,138
3 11,552 10,709 10,020 1,532
…… …… …… …… ……
48 35,543 33,498 31,825 3,718
49 35,534 34,414 33,498 2,036
50 37,336 35,729 34,414 2,922
51 − 35,729 35,729 −
52 − 35,729 35,729 −
53 − 35,729 35,729 −
Tabla XXIII.- Datos, previsiones y residuos
40
30
20
10
0
0 5 10 15 20 25 30 35 40 45 50 55 t
Fig. 6.5.- Suavizado exponencial ( • ) y previsión ( 1 ), con λ = 0,45
Aquí se manifiesta la necesidad de incorporar de alguna forma la tendencia al suavizado

exponencial, tal como hace el método de Brown que se expondrá en el apartado siguiente.
6.3 Método de Brown
Cuando la serie cronológica presenta tendencia, el suavizado exponencial simple no es

capaz de incorporarla para poder hacer previsiones. Este problema fue abordado por Brown,
que elaboró la metodología necesaria para aunar a la ponderación exponencial la
estimación de la tendencia. Así, supongamos una tendencia lineal tipo
Yt = a + b t + ε
que puede interpretarse como un componente aleatorio (ε) unido a un modelo o previsión
# = a + b t.
# ), es decir, Y
(Y t
En el apartado 6.1. se ha expuesto que la serie suavizada exponencialmente puede

escribirse como

t−1
St = λ∑ (1− λ)i Yt−i + (1− λ)t S0
i=0
y sustituyendo en ella Yt-i por su expresión de tendencia, Yt-i = a + b (t−i), se obtiene
t−1
St = λ∑ (1− λ)i [a + b(t − i)] + (1− λ)t S0 =
i=0
t −1 t −1
= λ (a + bt) ∑i=0
(1− λ)i − λb∑ i (1− λ)i + (1− λ)t S0
i=0
Considerando que se dispone de suficiente información como para considerar que t es

grande, la convergencia de las series anteriores es tal que
t −1
1 t −1
1 − λ
∑ (1 − λ )i → ∑ i (1 − λ )i → y (1 − λ ) t → 0
i= 0 λ i= 0 λ2
En consecuencia,
1− λ 1− λ
St = (a + bt) − λb = Y
%−
t b
λ2 λ
Se observa que la serie ponderada de unos datos cronológicos con tendencia lineal es una
1- λ
recta paralela a los datos con un desplazamiento igual a − b.
λ
Análogamente, la serie resultante de volver a suavizar St, será
S(2)
t = λ St + (1 − λ ) S(2)
t −1
que, por desarrollo análogo con el del primer suavizado, se puede expresar como
1 − λ 1 − λ
S(2)
t = St − b = Y
%
t − 2 b
λ λ
Restando las expresiones de St y S(2) t se obtiene la estimación, asociada al instante t, de

la pendiente de la recta que ajusta la tendencia:
λ
b̂t =
1 −λ
( St − S(2)
t )
Si se dispone del valor de la serie para el tiempo t, se puede calcular la pendiente estimada
en ese instante, es decir, b̂t , que representa el incremento del valor de la serie por unidad
de tiempo. En ese momento, la previsión para un valor del tiempo igual a t + T se puede
obtener como el valor previsto para el tiempo t, más T veces b̂t , es decir,
Y% = Y % + bˆ T .
t+ T t t
En la ecuación anterior Y % hace las veces de ordenada cuando se toma como origen del
t
tiempo el valor t, es decir, equivale a ât .

A partir de esta consideración y de las expresiones del primer y segundo suavizado, se

puede escribir
# 1 − λ  # 1 − λ 
2St − S(2) = 2 Y t − b −  Yt− 2 b = Y # = aˆ
λ λ
t t t
   
Como consecuencia, a partir de los datos disponibles hasta un cierto instante se puede
predecir el inmediato siguiente. De esta manera la serie cronológica formada por las
previsiones (estimaciones) de Y, según el modelo lineal suavizado, estará constituida por los
valores
# = â
Y + bˆ− × 1 = â − + bˆ−
t − t 1 t 1 t 1 t 1
y los residuos, o errores de ponderación, se podrán evaluar como
Rt = Yt − #
Y t
Cuando la última información disponible es la del tiempo t, y se desea hacer la previsión

para T unidades de tiempo a partir de este instante, suponiendo que se mantenga el mismo
comportamiento de la serie, la previsión será
#
Y t+ T = aˆt + bˆt T
Como ejemplo, se va a aplicar esta metodología a los datos de la tabla 6.I. Para ello hay que
dar valores a λ y, para cada valor de t, calcular St , S(2) ˆ ˆ # y Rt . La evolución
t , a t , bt , Yt
de los errores en función de λ se muestra en la figura 6.6.
MSE
30
λ MSE MAE
0,10 7,164 1,995
0,15 6,563 2,004
0,20 6,848 2,094 20
0,30 7,979 2,266
0,40 9,466 2,443
0,50 11,325 2,683
0,60 13,684 2,956 10
0,70 16,752 3,258
0,80 20,879 3,577
0,90 26,643 4,047 0
0 0,2 0,4 0,6 0,8 1
λ
Fig. 6.6.- Selección de λ con tendencia lineal
El factor de ponderación seleccionado es λ = 0,15; con él la aplicación del método de Brown

conduce a las ponderaciones que numéricamente se detallan, para los últimos datos en la
tabla 6.IV.

Las previsiones desde t = 51 hasta t = 55, (T = 1,..., 4), que son las aceptables según indicó
el correlograma de la figura 6.2, se obtienen a partir de la expresión de las previsiones, es
decir,
#
Y t+ T = aˆt + bˆt T = 35,794 + 0,549 × T
La evolución gráfica de las series suavizada y prevista se muestran en la figura 6.7, donde
se observa una muy buena concordancia entre los datos reales y los suavizados, y se
aprecia que la previsión sigue la tendencia marcada por la serie cronológica real.
t Yt St S(2)
t ât bˆt #
Y t
... ... ... ... ... ... ...
48 35,543 31,216 28,526 33,906 0,475 33,278
49 35,534 31,864 29,027 34,701 0,501 34,381
50 37,336 32,685 29,576 35,794 0,549 35,202
Tabla 6.IV.- Ponderaciones con λ=0,15 y tendencia lineal
40
30
20
10
0
0 20 40 60 t
Fig. 6.7.- Suavizado exponencial de Brown (•) y previsión (1), con λ = 0,15
La figura 6.8 contiene los residuos del modelo, o sea Rt = Yt − Y # , y da idea de la

t
buena concordancia entre los datos reales y el modelo resultante del suavizado exponencial
de Brown. Este hecho avala la veracidad de las previsiones siempre y cuando no se
modifique el patrón de comportamiento que regía durante el período de recogida de datos.

R 8
6
4
2
0
-2
-4 t
Fig. 6.8.- Residuos
En el próximo capítulo se expondrán otros casos prácticos de análisis de series temporales

para efectuar su modelización y realizar las previsiones oportunas.

Otros ejemplos p77
7 OTROS EJEMPLOS
En este capítulo se van a desarrollar algunos casos prácticos de aplicación de las técnicas
propuestas anteriormente.
7.1 Ventas de papel
La tabla 7.I contiene las ventas mensuales de papel de impresión, en cientos de francos.
(Forecasting. Methods and Applications.; Makridakis, Wheelwright, McGee; página 433.)
En todos los ejemplos desarrollados hasta ahora, se disponía de unos datos, se procedía a
su modelización y a hacer previsiones, pero en ningún caso se han podido contrastar dichas
previsiones. De los 120 valores disponibles en el presente ejemplo se van a hacer dos
grupos, los 108 primeros, 9 años, serán utilizados para modelizar la serie y hacer
previsiones y los últimos 12 datos, un año, se utilizarán para validar las previsiones
efectuadas
t Y t Y t Y t Y t Y
1 562,674 25 646,783 49 747,636 73 843,038 97 895,217
2 599,000 26 658,442 50 773,392 74 847,000 98 856,075
3 668,516 27 712,906 51 813,788 75 941,952 99 893,268
4 597,798 28 687,714 52 766,713 76 804,309 100 875,000
5 579,889 29 723,916 53 728,875 77 840,307 101 835,088
6 668,233 30 707,183 54 749,197 78 871,528 102 934,595
7 499,232 31 629,000 55 680,954 79 656,330 103 832,500
8 215,187 32 237,530 56 241,424 80 370,508 104 300,000
9 555,813 33 613,296 57 680,234 81 742,000 105 791,443
10 586,935 34 730,444 58 708,326 82 847,152 106 900,000
11 546,136 35 734,925 59 694,238 83 731,675 107 781,729
12 571,111 36 651,812 60 772,071 84 898,527 108 880,000
13 634,712 37 676,155 61 795,337 85 778,139 109 875,024
14 639,283 38 748,183 62 788,421 86 856,075 110 992,968
15 712,182 39 810,681 63 889,968 87 938,833 111 976,804
16 621,557 40 729,363 64 797,393 88 813,023 112 968,697
17 621,000 41 701,108 65 751,000 89 783,417 113 871,675
18 675,989 42 790,079 66 821,255 90 828,110 114 1006,852
19 501,322 43 594,621 67 691,605 91 657,311 115 832,037
20 220,286 44 230,716 68 290,655 92 310,032 116 345,587
21 560,727 45 617,189 69 727,147 93 780,000 117 849,528
22 602,530 46 691,389 70 868,355 94 860,000 118 913,871
23 626,379 47 701,067 71 812,390 95 780,000 119 868,746
24 605,508 48 705,777 72 799,556 96 807,993 120 993,733
Tabla 7.I.- Ventas mensuales de papel
Las figuras 7.1 y 7.2 muestran, respectivamente, la evolución cronológica de los datos y el
correlograma. De ellas se deduce la existencia de una estacionalidad de período 12,
naturalmente ligada a la evolución mensual de los datos, y una tendencia creciente en los
primeros años y más estables en los últimos; esto hace pensar en la posibilidad de un

modelo parabólico. Las previsiones, según el correlograma, son aceptables a tres años
vista.
Y 1000
800
600
400
200
0
0 24 48 72 96 120 t
Fig. 7.1.- Evolución cronológica de los datos de los primeros 9 años
0,5
-0,5
-1
k
Fig. 7.2.- Correlograma
Dada la generalidad del método, para tratar modelos aditivos, multiplicativos o mixtos, se
optará por la modelización con variables categóricas.
Inicialmente se plantea el modelo que incluye el término lineal y el cuadrático del tiempo, las
11 variables categóricas y su conjunción con el tiempo, es decir:
Y = α0 + α1 t + α2 t + β2 Q2 + β3 Q3 + β4 Q4 + β5 Q5 + β6 Q6 + β7 Q7 + β8 Q8
2
+ β9 Q9 + β10 Q10 + β11 Q11 + β12 Q12 + γ2 Q2 t + γ3 Q3 t +γ4 Q4 t +γ5 Q5 t
+γ6 Q6 t +γ7 Q7 t +γ8 Q8 t +γ9 Q9 t +γ10 Q10 t +γ11 Q11 t +γ12 Q12 t + ε

Otros ejemplos p79
Después de eliminar todos los términos no significativos, el modelo definitivamente ajustado

2
se presenta en la tabla 7.II donde es destacable el buen ajuste (R = 95,59%) obtenido.
El modelo definitivo es
Ŷ = 579,34 + 4,12 t – 0,011 t2 +80,1576 Q3 −113,66 Q7

− 399,06 Q8 − 83,26 Q9 − 1,55 t Q8 −0,83 t Q11
es decir, se trata de un modelo mixto, en donde la ecuación de la tendencia es distinta para

algunos meses. Así los meses de enero (Q1), febrero (Q2), abril (Q4), mayo (Q5), junio (Q6),
octubre (Q10) y diciembre (Q12) tienen el mismo comportamiento puesto que sus variables
categóricas no aparecen en el modelo, hecho que los haría distinguibles entre sí. Los meses
de marzo (Q3), julio (Q7), agosto (Q8) y septiembre (Q9) tienen distinta ordenada en el origen,
es decir, su volumen de ventas tiene la misma evolución parabólica con el tiempo pero con
distinto valor inicial de salida. Además agosto (Q8) y noviembre (Q11) tienen distinta
pendiente que los demás; al ser su coeficiente negativo, indica que su velocidad de
crecimiento es sistemáticamente inferior a la del resto de meses del año.

Regresión 8 2782737,3 347842,16 268,54 1,5011E-63
Residuos 99 128237,3 1295,33
Total 107 2910974,6

Ord. Origen 570,3432 10,9786 51,9503 0,0000
t 4,1152 0,4487 9,1704 0,0000
t^2 -0,0113 0,0040 -2,8242 0,0057
Q3 80,1576 12,8019 6,2614 0,0000
Q7 -113,6589 12,8057 -8,8756 0,0000
Q8 -399,0648 25,9335 -15,3880 0,0000
Q9 -83,2560 12,8143 -6,4971 0,0000
tQ8 -1,5549 0,4051 -3,8384 0,0002
tQ11 -0,8270 0,1932 -4,2797 0,0000
R^2 = 0,9559
Tabla 7.II.- Modelo resultante
La figura 7.3. muestra el ajuste del modelo obtenido sobre los datos reales de los nueve
años estudiados, y la 7.4 los residuos, diferencia entre el valor real y el modelizado,
observándose un buen ajuste general a todos los puntos. En la figura 7.3, a través de los
triángulos de los valores modelizados, se ve claramente la homogeneidad de
comportamiento de un conjunto de meses, frente a la disparidad de los otros

1000
900
800
700
600
500
400
300
200
100
0
0 20 40 60 80 100 120 t
Fig. 7.3.- Datos reales ( • ) y modelizados ( u )
R 100
75
50
25
0
-25
-50
-75
-100
0 20 40 60 80 100 120 t
Fig. 7.4.- Residuos
Con el modelo disponible se puede proceder a hacer previsiones, por ejemplo para los
próximos doce meses. En la tabla 7.III se presentan los valores previstos junto a los que
realmente se obtuvieron en estos meses y que han sido separados y guardados a la hora de
hacer la modelización anterior; también se han calculado las diferencias entre ellas y el
porcentaje de error de previsión sobre el valor real. Hay que resaltar que las pequeñas
discrepancias entre la previsión y el valor real, en parte, deben ser atribuidas al componente
aleatorio, cuya presencia en cada momento no hay que olvidar. La figura 7.5 muestra ambos
conjuntos de datos, de los que sólo hay que comentar la gran concordancia entre la
previsión y la realidad, lo cual valida lo precedente de la aplicación de la metodología del
análisis mediante variables categóricas.

Otros ejemplos p81
t Y Previsión Diferencia %
109 875,024 884,998 -9,974 -1,14
110 992,968 886,645 106,323 10,71
111 976,804 968,430 8,374 0,86
112 968,697 889,872 78,825 8,14
113 871,675 891,451 -19,776 -2,27
114 1006,852 893,008 113,844 11,31
115 832,037 780,882 51,155 6,15
116 345,587 316,626 28,961 8,38
117 849,528 814,283 35,245 4,15
118 913,871 899,010 14,861 1,63
119 868,746 802,041 66,705 7,68
120 993,733 901,876 91,857 9,24
Tabla 7.III. - Previsiones y valores reales obtenidos en el mismo período
1200
1000
800
600
400
200
108 110 112 114 116 118 120 122 t
Fig. 7.5.- Previsiones ( u ) y valores reales ( • ) del año siguiente
7.2 Generacion de electricidad
En la tabla 7.IV se presenta la generación mensual de electricidad, por la industria eléctrica

de Estados Unidos, durante 8 años, (Forecasting. Methods and Applications.; Makridakis,
Wheelwright, McGee; página 469).
Como en el caso anterior, de los 96 valores disponibles en el presente ejemplo se van a
hacer dos grupos, los 84 primeros, 7 años, serán utilizados para modelizar la serie y hacer
previsiones y los últimos 12 datos, resaltados en cursiva en la tabla y que corresponden al
último año, se utilizarán para validar las previsiones efectuadas

t Y t Y t Y t Y
1 144,58 25 164,33 49 196,37 73 209,69
2 137,3 26 147,08 50 162,73 74 186,35
3 140,06 27 155,48 51 169,16 75 182,85
4 132,14 28 146,22 52 156,85 76 169,96
5 137,75 29 153,23 53 169,33 77 178,07
6 145,52 30 162,44 54 180,79 78 186,68
7 147,85 31 176,82 55 198,92 79 202,25
8 162,82 32 179,72 56 196,09 80 204,85
9 147,36 33 155,22 57 176,26 81 180,75
10 143,74 34 154,94 58 166,39 82 179,71
11 143,87 35 152,79 59 167,07 83 177,5
12 154,35 36 169,35 60 184,21 84 188,71
13 157,24 37 178,31 61 197,83 85 200
14 142,46 38 156,67 62 173,5 86 188,72
15 150,02 39 164,16 63 173,19 87 187,47
16 142,02 40 153,15 64 159,74 88 168,72
17 153,49 41 157,35 65 175,24 89 175,73
18 156,13 42 173,36 66 188,31 90 189,43
19 177,91 43 186,41 67 202,68 91 216,78
20 173,81 44 186,38 68 206,41 92 215,39
21 152,16 45 164,97 69 185,57 93 191,48
22 151,87 46 163,63 70 175,8 94 178,56
23 149,73 47 168,99 71 176,17 95 178,55
24 159,6 48 183,09 72 191,87 96 195,59
Tabla 7.IV.- Generación mensual de electricidad
Las figuras 7.6 y 7.7 corresponden, respectivamente, a la evolución cronológica de los datos
de los siete años utilizados en la modelización, y su correlograma. Al ser los datos
mensuales, parece que de haber alguna estacionalidad, ésta debería ser de período 12, es
decir anual, sin embargo no es esta la situación del caso estudiado. El correlograma
muestra de forma inequívoca que existe una estacionalidad de período 6, la cual, aunque
menos evidente, también se detecta en la evolución cronológica. Intentando buscar una
explicación a dicha periodicidad, quizás sería posible pensar que el consumo eléctrico, y por
tanto la electricidad generada por las centrales, tiene similar comportamiento en los meses
cálidos que en los fríos como consecuencia del consumo por los aires acondicionados,
mientras que la parte del consumo atribuible a la industria en general, no tiene porque
presentar distinto comportamiento de un mes a otro. En cuanto a la tendencia, es posible
que sea cuadrática, tal como se detecta en la evolución cronológica de los datos.

Otros ejemplos p83
Y 220
200
180
160
140
120
100
0 12 24 36 48 60 72 84 t
Fig.7.6.- Evolución cronológica de la electricidad generada en siete años
rk 1
0,5
-0,5
-1
k
Fig.7.7.- Correlograma
El modelo inicial por variables categóricas debe incluir la tendencia, la estacionalidad,

reflejada en las variables Q, y sus posibles cambios en el tiempo, términos Qj t, es decir:
Y = α0 + α1 t + α2 t2 + β2 Q2 + β3 Q3 + β4 Q4 + β5 Q5 + β6 Q6
+ γ2 Q2 t + γ3 Q3 t +γ4 Q4 t +γ5 Q5 t + γ6 Q6 t + ε
Después de eliminar los términos no significativos, regresión paso a paso, el modelo

resultante se presenta en la tabla 7.V. Hay que destacar especialmente el buen ajuste,
reflejado en un coeficiente de determinación, R2, del 86,64 %.


Regresión 7 24674,8398 3524,9771 70,4316 1,2626E-30
Residuos 76 3803,6637 50,0482
Total 83 28478,5035
Coeficientes Error típico t p - val

Ord. Origen 143,8383 1,7040 84,4105 0,0000
t 0,9072 0,0511 17,7608 0,0000
Q4 -8,7533 4,2164 -2,0760 0,0413
tQ2 -0,2042 0,0567 -3,6025 0,0006
tQ3 -0,4053 0,0562 -7,2125 0,0000
tQ4 -0,4006 0,0934 -4,2904 0,0001
tQ5 -0,4800 0,0553 -8,6822 0,0000
tQ6 -0,2707 0,0549 -4,9352 0,0000
R^2 = 0,8664
Tabla 7.V.- Modelo resultante
En consecuencia, el modelo es
Ŷ = 143,838 + 0,907 t − 8,753 Q4 − 0,204 Q2 t − 0,405 Q3 t
− 0,401 Q4 t − 0,480 Q5 t − 0,271 Q6 t
y de él se deduce que el término cuadrático del tiempo no ha resultado significativo, pero la

serie presente una tendencia lineal y creciente, pendiente igual a 0,907. La figura 7.8
muestra la modelización de la energía eléctrica producida para cada uno de los 6 meses que
componen un período. El comportamiento estacional no es fácil de interpretar; el cuarto mes
de cada período pierde 8,753 unidades (coeficiente de Q4) respecto a todos los demás, que
tienen una ordenada en el origen común. En cada mes la evolución con el tiempo es distinta,
pero frente al primer mes al que correspondería un crecimiento asociado a una pendiente
de 0,907, se podrían hacer dos agrupaciones, los meses 2 y 6, con una pérdida de
pendiente del orden de 0,2÷0,3, (rectas casi coincidentes en la figura 7.8) y los 3, 4 y 5 con
una pérdida, respecto al primero, de 0,4÷0,5 unidades en la pendiente, que dan lugar a una
evolución similar, tal como se observa en el gráfico.
Y 240
220
200
180
160
140
120
0 12 24 36 48 60 72 84 t
Fig. 7.8.- Modelo para cada componente del período estacional

Otros ejemplos p85
La figura 7.9 contiene el gráfico del modelo ajustado sobre los datos iniciales, y la 7.10 los
residuos. En ambas se puede apreciar la buena adecuación del modelo a los datos. Quizás
se podría destacar que en el inicio de los datos (figura 7.9), hay algunos valores reales de
producción de energía eléctrica claramente distintos, en cuanto a su comportamiento del
resto. Esto incide en un mayor valor del residuo, y si no es posible conocer las causas de
estas producciones más altas que lo previsto deberían atribuirse al azar.
Y 240
220
200
180
160
140
120
100
0 12 24 36 48 60 72 84 t
Fig. 7.8.- Datos reales • y modelizados >
R 20
15
10
5
0
-5
-10
-15
-20
0 12 24 36 48 60 72 84 t
Fig. 7.9.- Residuos
Con el modelo resultante, se pueden hacer previsiones para un período no superior al año,
según evidencia el correlograma. Esto es suficiente para comprobar la adecuación de la
previsión, según el modelo obtenido, con los 12 datos reales de los que se dispone y que
han sido reservados en la modelización para comprobar la fiabilidad de las predicciones. La
tabla 7.VI contiene los valores reales las previsiones según el modelo obtenido y el error
respecto al valor medido, salvo el primero, los demás presentan una buena aproximación

t Y Previsión Diferencia %
85 200 220,95 -20,95 -10,48
86 188,72 204,30 -15,58 -8,25
87 187,47 187,50 -0,03 -0,02
88 168,72 179,67 -10,95 -6,49
89 175,73 181,86 -6,13 -3,49
90 189,43 201,12 -11,69 -6,17
91 216,78 226,40 -9,62 -4,44
92 215,39 208,52 6,87 3,19
93 191,48 190,51 0,97 0,50
94 178,56 182,70 -4,14 -2,32
95 178,55 184,00 -5,45 -3,05
96 195,59 204,31 -8,72 -4,46
Tabla 7.VI.- Previsiones y valores reales obtenidos en el mismo período
La figura 7.10 muestra ambos conjuntos de valores, en donde a pesar de la buena

aproximación, es destacable que los valores reales, casi siempre son inferiores a los
previstos.
En esta situación cabría la posibilidad de pensar en un posible cambio en el comportamiento

del modelo, es decir, quizás la tendencia al crecimiento ha sufrido un frenazo en el último
año; esto se confirmaría con la evolución futura, sin embargo si se examina la historia, se
puede detectar que en los últimos 12 meses incluidos en la modelización, los residuos
negativos predominan sobre los positivos, figura 7.9, o sea que, en muchos casos, los
valores del modelo superan a los valores reales. La figura 7.11, une a los datos reales y las
previsiones, las líneas de evolución del modelo en cada componente del período, mostrando
el mismo hecho de una situación de los valores reales por debajo de la previsión.
Y 230
220
210
200
190
180
170
160
84 86 88 90 92 94 96 t
Fig. 7.10.- Previsiones > y valores reales • del año siguiente

Otros ejemplos p87
Y 240
220
200
180
160
84 86 88 90 92 94 96 t
Fig. 7.11.- Previsiones y valores reales junto al modelo

Práctica 1. Descomposición clásica de una serie aditiva p89
PRÁCTICAS DE SERIES TEMPORALES CON EXCEL
En este texto se presentan un conjunto de cuatro prácticas realizadas sobre unos archivos
de datos disponibles en formato Excel.
El objetivo de estas prácticas es mostrar, en cada caso, la sistemática de análisis de los

datos utilizando la hoja de cálculo. No pretenden ser un manual de Excel, pero sí dar una
información detallada de cómo se puede llevar a cabo el estudio en cuestión, a demás de
servir de guía para la realización de la práctica que cada alumno tiene encomendada.
PRÁCTICA 1. DESCOMPOSICIÓN CLÁSICA DE UNA SERIE ADITIVA
OBJETIVO: Se dispone del valor diario de la caja resultante de las ventas de un

supermercado a lo largo de 12 semanas. Es necesario analizar los datos de esta serie
cronológica, estimar el modelo de comportamiento, estudiar su ajuste y hacer las
previsiones necesarias. Todo ello se realizará mediante la hoja de cálculo Excel 97 de
Microsoft.
1.1 Recuperacion de los datos
Desde Excel se debe recuperar el archivo que contiene los datos objeto de la práctica, y que
se encuentran en el directorio habitual de la red. Para ello, se debe seguir la secuencia
(figura 1.1):
Archivo 6 Abrir
y, ahora, ir al directorio donde se encuentra el archivo Práctica 1.xls, seleccionarlo y

presionar Abrir.
Fig. 1.1
Una vez tenemos el archivo abierto, observamos que consta de una hoja llamada Datos
donde figuran 3 columnas de 72 valores cada una, con la estructura mostrada parcialmente
en la figura 1.2. En cada columna hay 72 valores, es decir, cada columna comienza en la fila
1 (con el título) y acaba en la 73.
La columna A, llamada Semana contiene valores de 1 a 12 correspondientes a las 12

semanas en que se ha recogido la información; la B, Día, indica el día de la semana; y la C
contiene los valores de las ventas diarias, que se llaman Y.

Fig. 1.2
En primer lugar, se debe preparar una nueva hoja donde es situarán los sucesivos gráficos,
y que se denominará Gráficos. Para ello, al hacer doble clic en la pestaña Hoja2 (figura
1.3), esta palabra quedará en vídeo inverso y permitirá escribir Gráficos.
Fig. 1.3
De forma similar, a la Hoja3 la denominaremos Tendencia-Modelo.
1.2 Análisis de la evolución de la serie cronológica
Situados en la hoja Datos, es necesario crear una columna con los valores consecutivos del
tiempo y, para mayor facilidad al hacer los gráficos, es bueno que esta columna preceda a la
de los valores de las ventas (Y). Hacer clic sobre la letra C del encabezado de la columna
que quedará toda negra; pulsando el botón derecho, seleccionar Insertar (figura 1.4). En
este momento la columna de los datos se habrá desplazado a la D y habrá dejado la C
vacía; aquí es donde se introducirán los valores correlativos del tiempo. En C1 escribir
tiempo, hacer C2 = 1 y arrastrar (tecleando también Ctrl) desde C2+ hasta C73; aquí
aparecerá el valor 72 (página 108 de esta práctica).
Para obtener el gráfico de la evolución de las ventas frente al tiempo, se selecciona desde
C1 hasta C73 (tiempo), y desde D1 hasta D73 (ventas =Y) y se pincha el icono de gráficos
o también, en la barra de herramientas, Insertar y después Gráfico.
Entonces surge el Asistente para Gráficos (figura 1.5), donde se debe seleccionar
XY (Dispersión)
y, entonces la opción (3; 1), es decir, Dispersión con puntos conectados por líneas y
Siguiente.

Fig. 1.4
Fig. 1.5

En el paso 2 del asistente de gráficos se hace directamente Siguiente y en el paso 3 (figura

1.6), se pueden editar los títulos a voluntad.
Fig. 1.6
Por ejemplo, en la pestaña Títulos
Título del gráfico: Evolución cronológica

Eje de categorías (X): tiempo
Eje de valores (Y): ventas
En la pestaña Leyenda
eliminar la marca Z de Mostrar leyenda, pinchando sobre la misma, para dejar sólo ̊.
Siguiente
El paso 4 (figura 1.7), permite situar el gráfico donde se desee, para ello se marca
¿ Como objeto en
y pinchando la marca v aparece el conjunto de hojas disponibles; allí se selecciona

Gráficos.
Finalmente
Terminar

Fig. 1.7
Con el gráfico seleccionado (de forma que se muestre recuadrado externamente con las
marcas ̈ en el entorno), se puede situar en el lugar adecuado y darle el tamaño que sea
necesario.
Si se quiere editar el gráfico y, por ejemplo, eliminar el fondo gris del mismo:
̈ Pinchar sobre este fondo, Área de trazado

̈ Presionar el botón derecho
̈ Formato del área de trazado
̈ Área
̈ ¿ Ninguna Aceptar
Para cambiar la escala del eje vertical y aprovechar toda la superficie de la figura:
̈ Situar el cursor sobre el eje de ordenadas, Eje de valores

̈ Hacer doble clic o bien presionar el botón derecho
̈ Formato de ejes (figura 1.8)
Pestaña Escala: Poner el mínimo a 0, el máximo a 12000, la unidad mayor

a 4000 y la menor a 1000 Aceptar

Fig. 1.8
Si se quiere cambiar la escala del tiempo, por ejemplo para que vaya de 6 en 6 unidades,
que son los valores que forman una semana, hay que situar el cursor sobre el eje de
abscisas (Eje de valores (X)) y con el botón derecho seguir los mismos pasos que antes,
para dejar un mínimo de 1, un máximo de 78, la unidad mayor a 6 y la menor a 1.
El resultado es el gráfico de la página 111 de esta práctica.
Conclusiones: Se detecta una clara estacionalidad, de período p=6, y posiblemente una

tendencia decreciente.
1.3 Estabilización de la serie
Para poder modelizar la serie, en primer lugar se debe estabilizar calculando las medias
móviles de período p; en el caso del ejemplo p=6.
̈ Cálculo de las medias móviles
Situados en la casilla E1 escribir como título de la columna Y(p=6). Al ser de período 6, la

media de los 6 primeros valores se debe situar entre el tercer y el cuarto lugar, filas 4 y 5;

como eso no lo podemos hacer en la hoja de cálculo optamos por empezar en la casilla 5.
Situados entonces en E5, hacemos
= Promedio (D2:D7) ↵ (aparece como resultado 6135)
Arrastramos hasta E71, que contendrá la media de los 6 últimos valores de la serie
(Promedio(D68:D73)), en este caso 5256,33.
Al ser de período par debemos volver a la media de 2 en 2: la primera media móvil ocupará
el cuarto valor (5ª fila), y la última el 69º (70ª fila), ya que en total se pierden 3 valores al inicio
y 3 al final. Situados en F5 escribiremos
= Promedio (E5:E6) ↵ (aparece como resultado 6103,75)
Arrastramos hasta F70, que contendrá la media de los 2 últimos valores de la columna
anterior (Promedio(E70:E71)), en este caso 5262,33.
Titularemos la columna F, Y móvil, y lo escribiremos en F1. En las páginas 107 y 108 se

puede ver el conjunto de valores que resultan.
̈ Gráfico de medias móviles
Seleccionar, manteniendo presionada la tecla Control, desde C2 hasta C73, (tiempo), desde
D2 hasta D73, (Y) y desde F2 hasta F73, (Y móvil).
Con el icono de gráficos
Paso 1: Asistente para Gráficos (figura 1.5),

XY (Dispersión)
(3; 1), Dispersión con puntos conectados por líneas
Siguiente
Paso 2: Siguiente
Paso 3: Poner los títulos, por ejemplo medias móviles (p=6), sacar la leyenda y
Siguiente
Paso 4: Situar el gráfico como ¿ Objeto en la hoja gráficos. Terminar
Es aconsejable editar el gráfico, tal como se ha hecho con el anterior, para que la escala de
ordenadas vaya de cero a doce mil; también se puede cambiar la escala de tiempo como
antes. El resultado es el gráfico de la página 111.
Conclusiones: Se detecta una tendencia decreciente, casi seguramente lineal, pero ¿podría
ser cuadrática? Se deberá estudiar en el momento oportuno.

1.4 Estacionalidad
El estudio de la estacionalidad incluye el cálculo de los índices estacionales, en modelo

aditivo que es el caso del ejemplo, y su representación gráfica.
̈ Cálculo de los índices estacionales
Este cálculo es muy cómodo hacerlo con una tabla dinámica. En primer lugar se deben
obtener los valores de W, que son las diferencias entre los valores de la serie (Y, columna
C) y las medias móviles (Y móvil, columna E). Estos valores se situarán en la columna G.
En la casilla G1 escribir W. Situados en G5, hacer
= D5 – F5 (Y – Y móvil)
y arrastrar hasta G70.
En la barra de herramientas
Datos 6 Asistente para tablas dinámicas
Paso 1: ¿Dónde están los datos?

¿ Lista o base de datos de Microsoft Excel
Siguiente
Paso 2: ¿Dónde están los datos que desea usar?

Rango: $AEL:$G$73 (es la opción por defecto,
que incluye todos los datos)
Siguiente
Paso 3: arrastrar W a DATOS y Día a FILA (figura 1.9)

Doble clic sobre Contar de W
Promedio
Aceptar (ahora el cuadro es Promedio de W )
Siguiente

Fig. 1.9
Paso 4: ¿Dónde desea situar la tabla dinámica? (figura 1.10)

¿ Hoja de cálculo existente
B80 Indicar una casilla tal que ella y las
contiguas estén libres para situar la tabla
Fig. 1.10

El resultado es la siguiente tabla, copiada de la página 108.
A B C D
80 Promedio de W
81 día Total
82 lunes -2331,37
83 martes -939,924
84 miércoles -1963,33
85 jueves 304,7803
86 viernes 3098,348
87 sábado 1898,394
88 Total general 11,14899
Los valores de las casillas C82 – C87 son, respectivamente, E*1, E*2, …, E*6; la casilla C88
(llamada Total general en B88) es la media de las anteriores, o sea, E * .
Para calcular los índices estacionales, en la casilla E81 se escribe Ind. Est. como título, y se
define E82 con la expresión
= C82 - $C$88 (anclar la casilla C88 de la media para que no cambie

al arrastrar la fórmula)
Arrastrar hasta E87
Los resultados obtenidos se pueden observar en las páginas 107 y 108.
Repetir los valores de la estacionalidad por los 72 valores de la serie. Situados en la

columna H, en H1 escribir Ind. Est.
Seleccionar las casillas E82 – E87

Edición 6 Copiar
Situarse en H2
Edición 6 Pegado especial 6 Valores Aceptar
Llenar toda la columna (72 valores) cortando de H2 a H7 y pegando sucesivamente desde

H8 hasta H73; también se puede hacer marcando como bloque H2− −H7 y, presionando la
tecla de Ctrl, arrastrarlo desde el extremo inferior derecho del cuadro (+) hasta H73.
̈ Gráfico de la estacionalidad
Seleccionar los valores de los índices estacionales, casillas E82 hasta E87 (o también desde
H2 hasta H7).
Paso 1: Líneas6
6 Línea con marcadores (2, 1) de la figura 1.11 Siguiente

Fig. 1.11
Paso 2: Siguiente
Paso 3: Poner los títulos, por ejemplo Índices estacionales, quitar la leyenda y
Siguiente
Paso 4: Situar el gráfico como ¿ Objeto en la hoja Gráficos. Terminar
Situar el gráfico en la posición y con tamaño deseado.
Si se quiere que los valores del eje de abscisas queden fuera del gráfico, situar el cursor
sobre el eje de ordenadas (Eje de valores), y haciendo doble clic sale la pantalla Formato
de ejes (figura 1.12). En la pestaña Escala se debe entrar al Eje de categorías (X) cruza
en:
y cambiar el 0 por −3000
Fig. 1.12
El resultado es el gráfico de la página 113.
Conclusiones: Analizar qué se puede decir de cada día de la semana referente a la

estacionalidad. ¿Cuál es el día con más ventas?, ¿y el de menor número? ¿En cuánto difieren
de la media semanal cada uno de estos días?

1.5 Estimación de la tendencia
Observando el gráfico de las medias móviles, superpuesto a la evolución de los datos

cronológicos de la página 111, no se ve nada claro si la tendencia es de tipo lineal o
cuadrático; eso, en parte puede ser atribuido al hecho de que la escala vertical del citado
gráfico no es adecuada para estudiar las medias móviles. De modo que, lo primero que se
debe hacer es un nuevo gráfico con una escala lo más amplia posible.
Seleccionar, manteniendo presionada la tecla Ctrl, desde C2 hasta C73 (Tiempo), y desde
F2 hasta F73 (Y móvil) de la hoja Datos.
Asistente para Gráficos (figura 1.5)

XY (Dispersión)
Siguiente
Paso 2: Siguiente
Paso 3: Poner los títulos, por ejemplo Media móvil (tendencia), sacar la leyenda y
Siguiente
Paso 4: Situar el gráfico como ¿ Objeto en la hoja gráficos. Terminar
Es necesario editar el gráfico, tal como se ha hecho con el anterior, para que la escala de
ordenadas vaya desde cinco mil hasta siete mil. El resultado es el gráfico de la página 112.
Con la nueva escala parece bastante claro que puede haber una tendencia cuadrática, por
eso, se ha de proceder a ajustar un modelo parabólico con el bien entendido de que si el
término cuadrático no fuese significativo ya se detectaría en el análisis de los resultados, y
se procedería en consecuencia; es decir, se debería ajustar un nuevo modelo sin el término
que ha resultado no significativo.
Para aligerar la presentación de la hoja de cálculo, realizaremos el estudio de la tendencia,

de los residuos y de las previsiones en una nueva hoja, que ya tenemos preparada desde el
inicio con el nombre Tendencia-Modelo.
En primer lugar copiaremos todo lo que nos haga falta de la hoja Datos. Situados aquí:
−C73, D1−
Seleccionar las columnas Tiempo, Y, Y móvil y Ind. Est., es decir, C1− −D73, (y
−F73 y H1−
manteniendo presionada la tecla Ctrl) F1− −H73
Edición 6 Copiar
Acceder a la hoja de Tendencia-Modelo, haciendo clic sobre la pestaña con su nombre.

Situados en la casilla A1
Edición 6 Pegar
En este momento están ocupadas las columnas A, B, C y D. Para poder hacer el ajuste
mínimo cuadrático para la tendencia, mediante un modelo parabólico, se debe disponer de

una columna con los valores del tiempo al cuadrado, que necesariamente ha de estar
situada al lado de la columna del tiempo; por eso tendremos que insertarla entre las
columnas A y B.
Hacer clic sobre la letra B del encabezado de la columna, que quedará toda negra;
presionar el botón derecho para seleccionar Insertar (figura 1.4). La columna de los datos
se ha desplazado a la C y ha dejado la B vacía; aquí se introducirán los valores del tiempo
al cuadrado.
En B1 escribir Tiempo^2
Situados en B2 escribir la expresión =A2*A2
Arrastrar hasta B73; aquí habrá el valor 5184, que es el cuadrado de 72. En las páginas 109
y 110, se puede ver la disposición de los valores.
Abrir Herramientas 6 Análisis de datos 6 Regresión
Llenar los campos según se presenta en la figura 1.13, es decir:
Rango Y de entrada D5:D70 (medias móviles)

Rango X de entrada A5:B70 (tiempo y tiempo^2)
Opciones de salida:
¿ Rango de salida: A93 (casilla vacía, a partir de donde se presentarán los

resultados de la regresión)
Fig. 1.13

Los resultados obtenidos se muestran en la figura 1.14, extraída de la página 110.
Conclusiones: El nivel de significación (valor p) de los coeficientes asociados al tiempo y al

tiempo^2 es inferior a 0,05. Por lo tanto, con un riesgo de la primera especie del 5%, se
debe aceptar el modelo cuadrático, que en este caso es:
T̂ = 6311,51 − 27,30 t + 0,18 t2
con un R2 del 85,6 %.
A B C D E F G
92
93 Resumen
94
95 stad st cos
96 R 0,92513
97 R^2 0,85587
98 R^2 ajust 0,85130
99 Error típico 114,20021
100 n 66
101
102 ANOVA
103 u S de C C ao p
104 Regresión 2 4879153,47 2439576,7 187,059889 3,1646E-27
105 Residuos 63 821626,351 13041,688
106 Total 65 5700779,82
107
108 Coefs o t p co t Va o p
109 Ord. Origen 6311,5139 51,8296 121,7743 1,7087E-76
110 Tiempo -27,3032 3,2473 -8,4079 6,9185E-12
111 Tiempo^2 0,1832 0,0433 4,2298 7,7177E-05
112
113
Fig. 1.14
Una vez obtenida la ecuación de la tendencia, podemos calcular su valor para los diferentes
tiempos de los que se dispone de información. Para ello crearemos una nueva columna.
Situados en F1 escribir Tendencia, que será el título de la columna
En F2 escribir la expresión que acabamos de obtener,

= 6311,51 − 27,3*A2 + 0,18*B2
y arrastrarla hasta F73
Para ver la bondad del ajuste, se puede hacer un gráfico que compare los valores de las
medias móviles y los de la tendencia ajustada. Por eso seleccionar, presionando la tecla
Ctrl, desde A1 hasta A73, desde D1 hasta D73 y desde F1 hasta F73


XY (Dispersión)
(3; 1) Dispersión con puntos conectados por líneas
Siguiente
Paso 2: Siguiente
Paso 3: Poner los títulos, por ejemplo Tendencia, sacar la leyenda y Siguiente
Es necesario editar el gráfico, tal como se ha hecho con el anterior, para que la escala de
ordenadas vaya desde cinco mil hasta a siete mil.
Si se quiere, situados sobre uno de los puntos de la Serie “tendencia”, con el botón
derecho seleccionar
Formato de punto de datos
Marcador ¿ Ninguno
El resultado es el gráfico de la página 112, donde se puede valorar el ajuste.
1.6 Modelo y residuos
En una serie aditiva, el modelo se obtiene como resultado de sumar la tendencia y la

estacionalidad de cada punto.
Situados en G1 escribir, como título, Y mod.
En G2 la expresión = F2 + E2 (tendencia + estacionalidad)
Arrastrar hasta G73, que evidentemente contendrá la expresión F73+E73
Los residuos son la diferencia entre los valores originales, Y, y el modelo, Y mod.
Situados en H1 escribir, como título, Residuos
En H2 la expresión = C2 − G2 (Y − Y mod)
Arrastrar hasta H73
Para hacer la representación gráfica del modelo ajustado en comparación con los valores
−Modelo, los valores del tiempo, de la
originales, se debe seleccionar, de la hoja Tendencia−
Y y de la Y modelizada, o sea, A1−−A73, C1− −C73 y G1−
−G73.


XY (Dispersión)
Siguiente
Paso 2: Siguiente
Paso 3: Poner los títulos, por ejemplo Modelo ajustado, sacar la leyenda y
Siguiente
Si se desea dejar con puntos la serie original y con línea la del modelo ajustado, hay que
situarse sobre uno de los puntos de la Serie “Y”, y con el botón derecho del ratón
seleccionar:
Línea ¿ Ninguna
Situarse, luego, sobre un punto de la Serie “Y mod”, y con el botón derecho seleccionar

Marcador ¿ Ninguno
El resultado es el gráfico de la página 113, donde se puede valorar el modelo.
Para hacer la representación gráfica de los residuos en función del tiempo, seleccionar, de
la hoja Tendencia− −Modelo, los valores del tiempo y de los residuos, o sea, A1− −A73 y
H1−−H73.

XY (Dispersión)
Siguiente
Paso 2: Siguiente
Paso 3: Poner los títulos, por ejemplo Residuos, sacar la leyenda y Siguiente
Editar el gráfico para, entre otras cosas, sacar los valores del eje de abscisas fuera del
mismo, para ello se sitúa el cursor sobre el eje de ordenadas, Eje de valores (Y), y
haciendo doble clic sale la pantalla Formato de ejes.

En la pestaña Escala, modificar
Mínimo: −800
Eje de Valores (X) cruza en: −800
En la pestaña Número, en Posiciones decimales poner un cero.

Conclusiones: La correspondencia entre los datos y el modelo es lo suficientemente buena.

No se detecta ningún punto especialmente alejado del comportamiento modelizado por el
conjunto. La mayoría de los residuos se mueven en el intervalo de −400 a 400, el más
alejado de cero correspondiendo a los valores del tiempo 2, 27 y 33, que no parecen
especialmente anómalos en el gráfico del modelo ajustado.
1.7 Previsiones
Si se quieren conocer las previsiones de las ventas del supermercado que estamos
estudiando, a lo largo de las tres próximas semanas (18 días) en la hoja
Tendencia− −Modelo prolongar las columnas del tiempo, la tendencia, la estacionalidad y
crear una nueva columna para las previsiones.
Para la columna A, Tiempo, arrastrar presionando la tecla Ctrl desde la casilla A73 hasta la
A91, donde ha de aparecer el valor 90.
En la E74, Estacionalidad, el primer valor que se debe añadir es el que corresponde al

tiempo 73, es decir múltiple de 6 más 1; por tanto, hay que copiar desde el primer valor del
índice hasta el 18. Marcar como bloque las casillas E2−E19 y hacer Edición 6 Copiar.
Situados en E74, Edición 6 Pegar.
En la F, Tendencia, arrastrar la expresión desde el último valor disponible, el 73, hasta el

deseado, el 91.
Situados en I1, poner como título Previsiones.
En I74 escribir la expresión = E74 + F74 y arrastrarla hasta E91.
Haciendo eso, obtenemos los resultados que se muestran en la página 110.
−A91,
El gráfico de las previsiones, junto con la serie original, se obtendrá seleccionando A1−
C1−−C91 y I1−−I91 de la hoja Tendencia− −Modelo.

XY (Dispersión)
Siguiente

Paso 2: Siguiente
Paso 3: Poner los títulos, por ejemplo Serie y previsiones, tiempo y ventas, sacar
la leyenda y Siguiente
Puede ser necesario editar el gráfico por que la escala de abscisas vaya desde cero hasta
ochenta, y también modificar los tipos de líneas y puntos de la serie Y y de la serie
previsiones, para destacar claramente los dos grupos de puntos.
Conclusiones: Las previsiones siguen el mismo tipo de comportamiento que los datos
originales y, dada la bondad del modelo, pueden considerarse lo suficientemente fiables.
Pero, ¿tenemos derecho a hacer previsiones de aquí a 18 días?; ¿podríamos hacer

previsiones a más largo plazo? La práctica 2 nos dará herramientas para contestar a estas
preguntas.

1.8 Resultados
A B C D E F G H
1 Semana Dia Tiempo Y Y(p=6) Y móvil W Ind. Est
2 1 lunes 1 3968 -2342,52
3 1 martes 2 4572 -951,07
4 1 miércoles 3 3964 -1974,48
5 1 jueves 4 6326 6135,00 6103,75 222,25 293,63
6 1 viernes 5 9673 6072,50 6138,75 3534,25 3087,20
7 1 sábado 6 8307 6205,00 6188,25 2118,75 1887,24
8 2 lunes 7 3593 6171,50 6202,92 -2609,92 -2342,52
9 2 martes 8 5367 6234,33 6218,67 -851,67 -951,07
10 2 miércoles 9 3763 6203,00 6194,67 -2431,67 -1974,48
11 2 jueves 10 6703 6186,33 6196,67 506,33 293,63
12 2 viernes 11 9485 6207,00 6152,42 3332,58 3087,20
13 2 sábado 12 8207 6097,83 6079,08 2127,92 1887,24
14 3 lunes 13 3717 6060,33 5981,58 -2264,58 -2342,52
15 3 martes 14 4712 5902,83 5871,75 -1159,75 -951,07
16 3 miércoles 15 3538 5840,67 5781,83 -2243,83 -1974,48
17 3 jueves 16 5758 5723,00 5672,25 85,75 293,63
18 3 viernes 17 9112 5621,50 5626,42 3485,58 3087,20
19 3 sábado 18 7501 5631,33 5640,08 1860,92 1887,24
20 4 lunes 19 3108 5648,83 5720,33 -2612,33 -2342,52
21 4 martes 20 4771 5791,83 5774,75 -1003,75 -951,07
22 4 miércoles 21 3643 5757,67 5798,67 -2155,67 -1974,48
23 4 jueves 22 6616 5839,67 5882,17 733,83 293,63
24 4 viernes 23 8907 5924,67 5896,00 3011,00 3087,20
25 4 sábado 24 7993 5867,33 5923,25 2069,75 1887,24
26 5 lunes 25 3618 5979,17 5895,83 -2277,83 -2342,52
27 5 martes 26 4427 5812,50 5801,75 -1374,75 -951,07
28 5 miércoles 27 4314 5791,00 5735,08 -1421,08 -1974,48
29 5 jueves 28 5616 5679,17 5619,25 -3,25 293,63
30 5 viernes 29 8778 5559,33 5600,25 3177,75 3087,20
31 5 sábado 30 7322 5641,17 5633,83 1688,17 1887,24
32 6 lunes 31 2899 5626,50 5660,58 -2761,58 -2342,52
33 6 martes 32 4918 5694,67 5689,17 -771,17 -951,07
34 6 miércoles 33 4226 5683,67 5713,92 -1487,92 -1974,48
35 6 jueves 34 6025 5744,17 5786,58 238,42 293,63
36 6 viernes 35 8712 5829,00 5824,92 2887,08 3087,20
37 6 sábado 36 7685 5820,83 5767,75 1917,25 1887,24
38 7 lunes 37 3408 5714,67 5665,67 -2257,67 -2342,52
39 7 martes 38 4869 5616,67 5577,25 -708,25 -951,07
40 7 miércoles 39 3589 5537,83 5510,75 -1921,75 -1974,48
41 7 jueves 40 5437 5483,67 5442,58 -5,58 293,63
42 7 viernes 41 8239 5401,50 5348,83 2890,17 3087,20
43 7 sábado 42 7360 5296,17 5303,67 2056,33 1887,24
44 8 lunes 43 2915 5311,17 5363,08 -2448,08 -2342,52
45 8 martes 44 4237 5415,00 5458,00 -1221,00 -951,07
46 8 miércoles 45 3679 5501,00 5510,58 -1831,58 -1974,48
47 8 jueves 46 6060 5520,17 5525,50 534,50 293,63
48 8 viernes 47 8755 5530,83 5508,67 3246,33 3087,20
49 8 sábado 48 7475 5486,50 5454,17 2020,83 1887,24
50 9 lunes 49 2979 5421,83 5361,50 -2382,50 -2342,52
Hoja: Datos

A B C D E F G H
51 9 martes 50 3971 5301,17 5270,92 -1299,92 -951,07
52 9 miércoles 51 3291 5240,67 5183,58 -1892,58 -1974,48
53 9 jueves 52 5336 5126,50 5173,17 162,83 293,63
54 9 viernes 53 8392 5219,83 5280,08 3111,92 3087,20
55 9 sábado 54 6790 5340,33 5326,08 1463,92 1887,24
56 10 lunes 55 3539 5311,83 5369,33 -1830,33 -2342,52
57 10 martes 56 4694 5426,83 5376,83 -682,83 -951,07
58 10 miércoles 57 3120 5326,83 5368,83 -2248,83 -1974,48
59 10 jueves 58 6026 5410,83 5387,08 638,92 293,63
60 10 viernes 59 7792 5363,33 5365,92 2426,08 3087,20
61 10 sábado 60 7294 5368,50 5377,42 1916,58 1887,24
62 11 lunes 61 3254 5386,33 5349,83 -2095,83 -2342,52
63 11 martes 62 4725 5313,33 5357,33 -632,33 -951,07
64 11 miércoles 63 3227 5401,33 5376,42 -2149,42 -1974,48
65 11 jueves 64 5588 5351,50 5349,42 238,58 293,63
66 11 viernes 65 8320 5347,33 5340,92 2979,08 3087,20
67 11 sábado 66 6995 5334,50 5353,08 1641,92 1887,24
68 12 lunes 67 3229 5371,67 5333,42 -2104,42 -2342,52
69 12 martes 68 4648 5295,17 5281,75 -633,75 -951,07
70 12 miércoles 69 3450 5268,33 5262,33 -1812,33 -1974,48
71 12 jueves 70 5129 5256,33 293,63
72 12 viernes 71 8159 3087,20
73 12 sábado 72 6923 1887,24
74
75
76
77
78
79
80 Promedio de W
81 dia Total Ind. Est
82 lunes -2331,37 -2342,5202
83 martes -939,924 -951,07323
84 miércoles -1963,33 -1974,4823
85 jueves 304,7803 293,631313
86 viernes 3098,348 3087,19949
87 sábado 1898,394 1887,24495
88 Total general 11,14899
89
90
Hoja: Datos (continuación)

A B C D E F G H I
1 Tiempo Tiempo^2 Y Y móvil Ind. Est Tendencia Y mod Residuos Previsiones
2 1 1 3968 -2342,52 6284,39 3941,87 26,13
3 2 4 4572 -951,07 6257,63 5306,56 -734,56
4 3 9 3964 -1974,48 6231,23 4256,75 -292,75
5 4 16 6326 6103,75 293,63 6205,19 6498,82 -172,82
6 5 25 9673 6138,75 3087,20 6179,51 9266,71 406,29
7 6 36 8307 6188,25 1887,24 6154,19 8041,43 265,57
8 7 49 3593 6202,92 -2342,52 6129,23 3786,71 -193,71
9 8 64 5367 6218,67 -951,07 6104,63 5153,56 213,44
10 9 81 3763 6194,67 -1974,48 6080,39 4105,91 -342,91
11 10 100 6703 6196,67 293,63 6056,51 6350,14 352,86
12 11 121 9485 6152,42 3087,20 6032,99 9120,19 364,81
13 12 144 8207 6079,08 1887,24 6009,83 7897,07 309,93
14 13 169 3717 5981,58 -2342,52 5987,03 3644,51 72,49
15 14 196 4712 5871,75 -951,07 5964,59 5013,52 -301,52
16 15 225 3538 5781,83 -1974,48 5942,51 3968,03 -430,03
17 16 256 5758 5672,25 293,63 5920,79 6214,42 -456,42
18 17 289 9112 5626,42 3087,20 5899,43 8986,63 125,37
19 18 324 7501 5640,08 1887,24 5878,43 7765,67 -264,67
20 19 361 3108 5720,33 -2342,52 5857,79 3515,27 -407,27
21 20 400 4771 5774,75 -951,07 5837,51 4886,44 -115,44
22 21 441 3643 5798,67 -1974,48 5817,59 3843,11 -200,11
23 22 484 6616 5882,17 293,63 5798,03 6091,66 524,34
24 23 529 8907 5896,00 3087,20 5778,83 8866,03 40,97
25 24 576 7993 5923,25 1887,24 5759,99 7647,23 345,77
26 25 625 3618 5895,83 -2342,52 5741,51 3398,99 219,01
27 26 676 4427 5801,75 -951,07 5723,39 4772,32 -345,32
28 27 729 4314 5735,08 -1974,48 5705,63 3731,15 582,85
29 28 784 5616 5619,25 293,63 5688,23 5981,86 -365,86
30 29 841 8778 5600,25 3087,20 5671,19 8758,39 19,61
31 30 900 7322 5633,83 1887,24 5654,51 7541,75 -219,75
32 31 961 2899 5660,58 -2342,52 5638,19 3295,67 -396,67
33 32 1024 4918 5689,17 -951,07 5622,23 4671,16 246,84
34 33 1089 4226 5713,92 -1974,48 5606,63 3632,15 593,85
35 34 1156 6025 5786,58 293,63 5591,39 5885,02 139,98
36 35 1225 8712 5824,92 3087,20 5576,51 8663,71 48,29
37 36 1296 7685 5767,75 1887,24 5561,99 7449,23 235,77
38 37 1369 3408 5665,67 -2342,52 5547,83 3205,31 202,69
39 38 1444 4869 5577,25 -951,07 5534,03 4582,96 286,04
40 39 1521 3589 5510,75 -1974,48 5520,59 3546,11 42,89
41 40 1600 5437 5442,58 293,63 5507,51 5801,14 -364,14
42 41 1681 8239 5348,83 3087,20 5494,79 8581,99 -342,99
43 42 1764 7360 5303,67 1887,24 5482,43 7369,67 -9,67
44 43 1849 2915 5363,08 -2342,52 5470,43 3127,91 -212,91
45 44 1936 4237 5458,00 -951,07 5458,79 4507,72 -270,72
46 45 2025 3679 5510,58 -1974,48 5447,51 3473,03 205,97
47 46 2116 6060 5525,50 293,63 5436,59 5730,22 329,78
48 47 2209 8755 5508,67 3087,20 5426,03 8513,23 241,77
49 48 2304 7475 5454,17 1887,24 5415,83 7303,07 171,93
50 49 2401 2979 5361,50 -2342,52 5405,99 3063,47 -84,47
Hoja: Tendencia−Modelo

A B C D E F G H I
51 50 2500 3971 5270,92 -951,07 5396,51 4445,44 -474,44
52 51 2601 3291 5183,58 -1974,48 5387,39 3412,91 -121,91
53 52 2704 5336 5173,17 293,63 5378,63 5672,26 -336,26
54 53 2809 8392 5280,08 3087,20 5370,23 8457,43 -65,43
55 54 2916 6790 5326,08 1887,24 5362,19 7249,43 -459,43
56 55 3025 3539 5369,33 -2342,52 5354,51 3011,99 527,01
57 56 3136 4694 5376,83 -951,07 5347,19 4396,12 297,88
58 57 3249 3120 5368,83 -1974,48 5340,23 3365,75 -245,75
59 58 3364 6026 5387,08 293,63 5333,63 5627,26 398,74
60 59 3481 7792 5365,92 3087,20 5327,39 8414,59 -622,59
61 60 3600 7294 5377,42 1887,24 5321,51 7208,75 85,25
62 61 3721 3254 5349,83 -2342,52 5315,99 2973,47 280,53
63 62 3844 4725 5357,33 -951,07 5310,83 4359,76 365,24
64 63 3969 3227 5376,42 -1974,48 5306,03 3331,55 -104,55
65 64 4096 5588 5349,42 293,63 5301,59 5595,22 -7,22
66 65 4225 8320 5340,92 3087,20 5297,51 8384,71 -64,71
67 66 4356 6995 5353,08 1887,24 5293,79 7181,03 -186,03
68 67 4489 3229 5333,42 -2342,52 5290,43 2947,91 281,09
69 68 4624 4648 5281,75 -951,07 5287,43 4336,36 311,64
70 69 4761 3450 5262,33 -1974,48 5284,79 3310,31 139,69
71 70 4900 5129 293,63 5282,51 5576,14 -447,14
72 71 5041 8159 3087,20 5280,59 8367,79 -208,79
73 72 5184 6923 1887,24 5279,03 7166,27 -243,27
74 73 -2342,52 5277,83 2935,31
75 74 -951,07 5276,99 4325,92
76 75 -1974,48 5276,51 3302,03
77 76 293,63 5276,39 5570,02
78 77 3087,20 5276,63 8363,83
79 78 1887,24 5277,23 7164,47
80 79 -2342,52 5278,19 2935,67
81 80 -951,07 5279,51 4328,44
82 81 -1974,48 5281,19 3306,71
83 82 293,63 5283,23 5576,86
84 83 3087,20 5285,63 8372,83
85 84 1887,24 5288,39 7175,63
86 85 -2342,52 5291,51 2948,99
87 86 -951,07 5294,99 4343,92
88 87 -1974,48 5298,83 3324,35
89 88 293,63 5303,03 5596,66
90 89 3087,20 5307,59 8394,79
91 90 1887,24 5312,51 7199,75
92
93 Resumen
94
95 stad st cos
96 R 0,92513
97 R^2 0,85587
98 R^2 ajust 0,85130
99 Error típico 114,20021
100 n 66
101
102 ANOVA
103 u S de C C Va o p
104 Regresión 2 4879153,47 2439576,7 187,059889 3,1646E-27
105 Residuos 63 821626,351 13041,688
106 Total 65 5700779,82
107
108 Coefs o t p co t Va o p
109 Ord. Origen 6311,5139 51,8296 121,7743 1,7087E-76
110 Tiempo -27,3032 3,2473 -8,4079 6,9185E-12
111 Tiempo^2 0,1832 0,0433 4,2298 7,7177E-05
112
Hoja: Tendencia−Modelo (continuación)

Evolución cronológica
12000
V
e 8000
n
t
a 4000
s
0
0 12 24 36 48 60 72
tiempo
Medias móviles (p=6)
12000
8000
4000
0
0 12 24 36 48 60 72
Tiempo
Hoja: Gráficos

Media móvil (tendencia)
7000
6000
5000
0 12 24 36 48 60 72
tiempo
Tendencia
7000
6000
5000
0 12 24 36 48 60 72
tiempo
Hoja: Gráficos (continuación)

Índices estacionales
4000
3000
2000
1000
0
-1000
-2000
-3000
1 2 3 4 5 6
Modelo ajustado
12000
V 8000
e
n
t 4000
a
s
0
0 12 24 36 48 60 72
tiempo

Residuos
800
400
-400
-800
0 12 24 36 48 60 72
tiempo
Serie y previsiones
12000
10000
8000
V
e
6000
n
t
4000
a
s 2000
0
0 30 60 90
tiempo

Práctica 2. Autocorrelación y correlograma p115
PRÁCTICA 2. AUTOCORRELACIÓN Y CORRELOGRAMA
OBJETIVO: Con los datos del valor diario de la caja, resultado de las ventas de un
supermercado a lo largo de 12 semanas, que han sido analizados en la práctica anterior, se
han de calcular los coeficientes de autocorrelación, estudiar su significación estadística y
obtener el correlograma; el objetivo final es ver hasta qué valor del tiempo se pueden hacer
previsiones.
Todo eso se realizará mediante la hoja de cálculo Excel 97 de Microsoft.
2.1 Recuperacion de los datos
Desde Excel hay que recuperar el archivo que contiene los datos objeto de la práctica, y que
se encuentra en el directorio habitual de la red, siguiendo la secuencia,
Archivo 6 Abrir
y ahora ir al directorio donde se encuentra el archivo Practica 2.xls, seleccionarlo y

presionar sobre Abrir.
Una vez tenemos el archivo abierto, observamos que consta de una hoja llamada Datos
donde figuran 3 columnas de 72 valores cada una. En cada columna hay 72 valores, es
decir, empieza en la fila 1 (con el título) y acaba en la 73. Recordemos que son los mismos
valores de la práctica 1.
2.2 Cálculo de los coeficientes de autocorrelación
Según hemos visto en el texto sobre series temporales, el coeficiente de autocorrelación se

calcula como
γˆ
rk = k s
γˆ 0
N−k N
∑ (Yi − Y ) (Yi+k − Y ) ∑ (Yi − Y)2

donde γˆ k = i=1
y γˆ 0 = i=1
N N
con la recomendación de N > 50 y k ≤ N/4.
En el caso de la práctica, el número de observaciones es N = 72, hecho que nos permite

llegar hasta un valor de k igual a 18.
En primer lugar debemos disponer de los valores de la variable centrada, o sea de

Yi − Y . Escribimos Y−
−Ybar como título en la casilla D1, y en la D2 la expresión
= C2 - PROMEDIO(C$2:C$73)

Observaremos que se ha fijado el conjunto de valores de Y (columna C) con el símbolo $,

con la finalidad de que al arrastrar la fórmula no vayan cambiando los valores con los que se
calcula la media. Extendemos la expresión hasta D73.
En la casilla G1 escribimos como título gamma_0, y en la G2 la expresión que permite

calcular su valor
= VARP(C2:C73)
Aquí se ha utilizado VARP en lugar de VAR para que el divisor sea N y no N−1 como sería
en el otro caso.
Para comenzar a preparar la tabla de resultados, se titulan
F8 Ä k G8 Ä gamma_k H8 Ä r_k I8 Ä r_k^2

J8 ÄV(r_k) K8 Ä −2S(r_k) L8 Ä +2S(r_k)
En F9 se introduce el valor 1, y se arrastra en forma de incremento (presionando

simultáneamente la tecla de Ctrl) hasta F26; aquí habrá un 18.
En la columna G introducimos la expresión de la covariancia, γk, de la página anterior, que

en el numerador tiene el producto escalar de dos vectores: el primero va desde Y1− Y
hasta Y72−K − Y , o sea, de D2 a D(73–k), y el segundo de Y1+k − Y hasta Y72 − Y , o sea, de
D(2+k) a D73. Esto es un problema para arrastrar la fórmula de una casilla a las siguientes,
ya que al aumentar el desplazamiento k un subíndice aumenta, (el 2+k), pero el otro
disminuye, (el 73−k). Este hecho obligará a escribir la fórmula, arrastrarla y, después,
manualmente, y casilla a casilla, modificar el contador que tiene que decrecer. Ateniéndonos
a ello en G9 debemos introducir la expresión de la covariancia para Kl, que se puede hacer
mediante la función SUMAPRODUCTO; es decir, presionaremos sobre el icono de
funciones y seleccionaremos, de entre las Matemáticas y trigonométricas, la

SUMAPRODUCTO (figura 2.1), que no es más que el producto escalar de dos vectores,
Fig. 2.1

En el cuadro siguiente (figura 2.2), especificaremos los valores que vamos a utilizar,
teniendo cuidado de fijar las posiciones inamovibles ($2 del primer vector y $73 por el
segundo), ya que, como se ha comentado, el primer vector siempre empieza en el primer
valor de la Y centrada, eso es, D2, mientras que el segundo siempre acaba en el último
valor de Y centrada, o sea, D73. Así el primer vector va de D$2 hasta D72 y el segundo de
D3 hasta D$73. Una vez se presiona la tecla Aceptar, en la ventana superior queda escrita
la expresión = SUMAPRODUCTO(D$2... D$73): dicha expresión hay que ponerla entre
paréntesis y dividirla por el número total de observaciones (72 en este caso) a fin de obtener
la autocovariancia para k=1. En la figura 2.3 se muestra cómo finalmente queda definida la
casilla G9.
Fig. 2.2
Fig. 2.3
Esta expresión se debe arrastrar hasta G26 y, de momento, no hacer caso de lo que
resulte. Ahora hay que cambiar la posición final del segundo elemento de la fórmula en cada
casilla de esta columna. Así

Celda k expresión actual expresión definitiva

G10 2 =(SUMAPRODUCTO(D$2:D73 ... =(SUMAPRODUCTO(D$2:D71...
••• ••• •••
Observar los valores resultantes en la página 120.
En H9, escribir la expresión del coeficiente de autocorrelación, eso es: = G9/G$2, y arrastrar
hasta H26, donde figurará =G26/G$2.
La columna I tiene los cuadrados de los coeficientes de autocorrelación; para ello hay que
hacer I9 =H9*H9 y extenderlo hasta I26.
En la columna J se ha de calcular la variancia de cada coeficiente, que según el texto de

teoría es
1 1  k −1

V(r1 ) ≅
N
y V(rk ) ≅
N 

1 + 2 ∑
i=1
ri2 

Hacer J9 = 1/72
J10 = (1+2*SUMA(I$9:I9))/72
y arrastrar hasta J26 donde habrá la expresión =(1+2*SUMA(I$9:I25))/72. Los extremos del
intervalo de no significación, ± 2S(r_k), estarán en las columnas K y L.
K9 = −2*RAIZ(J9)
L9 = 2*RAIZ(J9)
Arrastrar estas expresiones hasta K26 y L26. La tabla completa de resultados está en las
páginas 120 y 121.
2.3 Autocorrelograma
El gráfico se obtiene seleccionando F9 − F26, H9 − H26, K9 − K26 y L9 − L26.
Asistente para Gráficos

XY (Dispersión)
Siguiente
Paso 1: Siguiente

Paso 2: Siguiente
Paso 3: Poner los títulos, por ejemplo Autocorrelograma, quitar la leyenda y
Siguiente
Paso 4: Situar el gráfico con ¿ Objeto en la actual hoja Datos. Terminar
Situar el gráfico en la posición y el tamaño deseado, y editarlo para que presente el aspecto
habitual de un correlograma.
Seleccionando un punto de la Serie 1, y haciendo clic con el botón derecho del ratón, sale el
cuadro de la figura 2.4. Seleccionar:
Tipo de gráfico 6 Columnas Aceptar
Fig. 2.4
Igualmente, sobre un punto de la Serie 2, en la pantalla de la figura 2.4, hacer
Formato de serie de datos
Carpeta Tramas:
Z Línea suavizada Marcador ¿Ninguno
Repetir la misma operación, una vez situados en un punto de la Serie 3.
Si es necesario, se pueden quitar decimales del eje de ordenadas; para eso tendremos que
situarnos sobre el Eje de valores, y entonces, con doble clic, o presionando el botón
derecho del ratón, seguir la secuencia
Formato de ejes
Carpeta Número Posiciones decimales
y para quitar los valores de k de dentro del gráfico, en el Eje de categorías, eje de abscisas,
Formato de ejes
Carpeta Tramas Rótulos de marca de graduación ¿ Ninguno
Comentarios: En el correlograma se confirma claramente la estacionalidad de período 6.

El coeficiente de autocorrelación asociado a k=18 aún es significativo, por eso se pueden
hacer previsiones para los próximos 18 días, o sea, 3 semanas de ventas.

2.4 Resultados
A B C D E F G H I J K L
1 Seman Dia Y Y-Ybar gamma_0
2 1 lunes 3968 -1653,36 4003801
3 1 martes 4572 -1049,36
4 1 miércoles 3964 -1657,36
5 1 jueves 6326 704,639
6 1 viernes 9673 4051,64
7 1 sábado 8307 2685,64
8 2 lunes 3593 -2028,36 k gamma_k r_k r_k^2 V(r_k) - 2S(r_k) + 2S(r_k)
9 2 martes 5367 -254,361 1 1089260,8 0,2721 0,0740 0,0139 -0,2357 0,2357
10 2 miércoles 3763 -1858,36 2 -1528643 -0,3818 0,1458 0,0159 -0,2525 0,2525
11 2 jueves 6703 1081,64 3 -2302898 -0,5752 0,3308 0,0200 -0,2828 0,2828
12 2 viernes 9485 3863,64 4 -1654914 -0,4133 0,1708 0,0292 -0,3417 0,3417
13 2 sábado 8207 2585,64 5 873463,57 0,2182 0,0476 0,0339 -0,3684 0,3684
14 3 lunes 3717 -1904,36 6 3551137,5 0,8869 0,7867 0,0353 -0,3755 0,3755
15 3 martes 4712 -909,361 7 978459,2 0,2444 0,0597 0,0571 -0,4779 0,4779
16 3 miércoles 3538 -2083,36 8 -1429667 -0,3571 0,1275 0,0588 -0,4848 0,4848
17 3 jueves 5758 136,639 9 -2118164 -0,5290 0,2799 0,0623 -0,4992 0,4992
18 3 viernes 9112 3490,64 10 -1510880 -0,3774 0,1424 0,0701 -0,5294 0,5294
19 3 sábado 7501 1879,64 11 775336,95 0,1937 0,0375 0,0740 -0,5442 0,5442
20 4 lunes 3108 -2513,36 12 3213971,1 0,8027 0,6444 0,0751 -0,5480 0,5480
21 4 martes 4771 -850,361 13 902365,54 0,2254 0,0508 0,0930 -0,6098 0,6098
22 4 miércoles 3643 -1978,36 14 -1276624 -0,3189 0,1017 0,0944 -0,6144 0,6144
23 4 jueves 6616 994,639 15 -1892155 -0,4726 0,2233 0,0972 -0,6236 0,6236
24 4 viernes 8907 3285,64 16 -1373896 -0,3431 0,1178 0,1034 -0,6432 0,6432
25 4 sábado 7993 2371,64 17 700396,45 0,1749 0,0306 0,1067 -0,6533 0,6533
26 5 lunes 3618 -2003,36 18 2879249,8 0,7191 0,5171 0,1075 -0,6559 0,6559
27 5 martes 4427 -1194,36
28 5 miércoles 4314 -1307,36
29 5 jueves 5616 -5,36111
30 5 viernes 8778 3156,64
31 5 sábado 7322 1700,64
32 6 lunes 2899 -2722,36
33 6 martes 4918 -703,361
34 6 miércoles 4226 -1395,36
35 6 jueves 6025 403,639
36 6 viernes 8712 3090,64
37 6 sábado 7685 2063,64
38 7 lunes 3408 -2213,36
39 7 martes 4869 -752,361
40 7 miércoles 3589 -2032,36
41 7 jueves 5437 -184,361
42 7 viernes 8239 2617,64
43 7 sábado 7360 1738,64
44 8 lunes 2915 -2706,36
45 8 martes 4237 -1384,36
46 8 miércoles 3679 -1942,36
47 8 jueves 6060 438,639
48 8 viernes 8755 3133,64
49 8 sábado 7475 1853,64
50 9 lunes 2979 -2642,36
51 9 martes 3971 -1650,36
Hoja: Datos

A B C D E F G H I J K L
52 9 miércoles 3291 -2330,36
53 9 jueves 5336 -285,361
54 9 viernes 8392 2770,64
55 9 sábado 6790 1168,64
56 10 lunes 3539 -2082,36
57 10 martes 4694 -927,361
58 10 miércoles 3120 -2501,36
59 10 jueves 6026 404,639
60 10 viernes 7792 2170,64
61 10 sábado 7294 1672,64
62 11 lunes 3254 -2367,36
63 11 martes 4725 -896,361
64 11 miércoles 3227 -2394,36
65 11 jueves 5588 -33,3611
66 11 viernes 8320 2698,64
67 11 sábado 6995 1373,64
68 12 lunes 3229 -2392,36
69 12 martes 4648 -973,361
70 12 miércoles 3450 -2171,36
71 12 jueves 5129 -492,361
72 12 viernes 8159 2537,64
73 12 sábado 6923 1301,64
74
75
76
AUTOCORRELOGRAMA
1,0
0,5
0,0
-0,5
-1,0

PRÁCTICA 3. MODELIZACIÓN DE UNA SERIE CON VARIABLES CATEGÓRICAS
OBJETIVO: Se dispone de la evolución de un indicador económico a lo largo de 62

trimestres. Tenemos que analizar los datos de esta serie cronológica, estimar el modelo de
comportamiento con variables categóricas, estudiar su ajuste y hacer las previsiones
pertinentes. Todo esto se realizará mediante la hoja de cálculo Excel 97 de Microsoft.
3.1 Recuperación de los datos
Desde Excel recuperar el archivo que contiene los datos objeto de la práctica, y que se
encuentran en el directorio habitual de la red. Por esto hemos de seguir la secuencia (figura
3.1):
Archivo 6 Abrir
Y ahora ir al directorio donde se encuentra el archivo Practica 3.xls, seleccionarlo y Abrir.
Fig. 3.1
Una vez tenemos el archivo abierto, observamos que consta de una hoja denominada Datos
donde figuran 2 columnas de 62 valores cada una, con la estructura mostrada parcialmente
en la figura 3.2. En cada columna hay 62 valores, es decir, se empieza en la fila 1 (con el
título) y se acaba en la 63.
La columna A, llamada t, contiene valores de 1 a 62, correspondientes a los 62 intervalos de

tiempo (trimestres) en que se ha recogido la información, y la B, con el nombre de Y,
contiene los valores del indicador económico que se está estudiando.
Fig. 3.2

Práctica 3. Modelización de una serie con variables categóricas p123
En primer lugar, hemos de analizar la evolución de la serie, cosa que ya hemos hecho en la
práctica nº1, pero es suficientemente rápido como para hacerlo de nuevo. Se selecciona
desde A1 hasta B63 (columnas t y Y) y se presiona el icono de gráficos , o también,

en la barra de herramientas, Insertar y después Gráfico.
En el Asistente para Gráficos (figura 3.3) hemos de seleccionar XY (Dispersión) y ahora

la opción (3; 1), es decir, Dispersión con puntos de datos conectados con líneas y
Terminar.
Situar el gráfico en el lugar que se desee, y editarlo según convenga.
Fig. 3.3
El resultado es el primer gráfico de la página 134 de esta práctica.

Parece detectarse una estacionalidad de período 4, hecho que debemos confirmar mediante
el correlograma. Este gráfico ha sido el objetivo de la práctica 2; aplicando la metodología
expuesta a los datos actuales resulta el correlograma mostrado en la página 132, donde se
puede ver, por una parte, la evidencia de una estacionalidad de período 4 y, por otra, que es
admisible hacer previsiones para cinco intervalos de tiempo.
Conclusiones: Se detecta una clara estacionalidad, de período p=4, y posiblemente una

tendencia creciente y cuadrática. El modelo que se tendrá que estudiar será
Y = α0 + α1 t + α2 t2 + β2 Q2 + β3 Q3 + β4 Q4 + β5 Q2 t + β6 Q3 t + β7 Q4 t + ε

3.3 Modelización con variables categóricas
̈ Creación de las variables
Para poder modelizar la serie, en primer lugar hemos de crear las variables categóricas, o
indicatrices, teniendo en cuenta que, en el caso de la práctica, el período p es igual a 4.
Para ello, se preparan los títulos de las columnas que contendrán los valores de las
variables categóricas. Recordando que las representamos por Q y que sus índices van
desde 2 hasta p (teoría de series temporales), en las casillas C1, D1 y E1 escribiremos Q2,
Q3, y Q4, tal como muestra la figura 3.4.
A continuación rellenaremos cada variable categórica con sus valores. Al ser el período igual
a 4, hay 4 combinaciones diferentes de ceros y unos, una para cada componente del
período, y sabiendo que Qi vale la unidad si el orden del tiempo asociado es igual a i, y vale
cero en cualquier otro caso, el conjunto de valores es el que se muestra en el bloque C2−
E5, de la figura 3.4.
Una vez lleno el bloque anterior, sólo hemos de seleccionarlo y con Cortar y Pegar, llenar
todas las casillas C ... E hasta la fila 63, o bien arrastrar el bloque presionando
simultáneamente el Ctrl (página 130).
Además, para estudiar el modelo, es necesario disponer de las columnas con los valores
tQ2, tQ3 y tQ4, tiempo (t) y tiempo al cuadrado (t^2). Estos valores están en las columnas F,
... J. Para llenar estas columnas, es ya evidente que lo que debemos hacer es definirlas
como
F2 = A2*C2, G2 = A2*D2, H2 = A2*E2, I2 =A2 y H2 = A2*A2.
Después arrastrar hasta la fila 63. En la figura 3.4 se puede ver la estructura que toman
estas columnas, y en la página 130 todos los valores.
Es una exigencia de Excel que todas las columnas de los términos que constituyen el
modelo hayan de ser consecutivas y contiguas.
Fig. 3.4

̈ Obtención del modelo
De acuerdo con la naturaleza de los datos hay que plantear el modelo
ˆ = αˆ + αˆt + α ˆ
2 t + β2 Q2 + β3 Q3 + β4 Q4 + β5 Q2 t + β6 Q3 t + β7 Q4 t
Y 2 ˆ ˆ ˆ ˆ ˆ ˆ
0 1
Para estimar los coeficientes y estudiar su significación, el procedimiento es:
Herramientas 6 Análisis de datos 6 Regresión
En este momento aparece la pantalla de la figura 3.5, donde debemos rellenar los campos
siguientes
Rango Y de entrada: $B$1:$B$63 (los valores de Y)
Rango X de entrada: $C$1:$J$63 (los valores de los regresores)
Z Rótulos
n Rango de salida $A$125 (una casilla que esté vacía)
Los resultados se pueden ver en la página 133, con el título • Primer paso
Conclusiones: El coeficiente del término Q2 no es significativo (su nivel de significación es p

= 0,292 > 0,05). Debemos eliminarlo del modelo lineal y volver a estimar los coeficientes.
Fig. 3.5

Para eliminar el término Q2 y rehacer la regresión, con la rutina Regresión de Excel, es

necesario que todos los términos del modelo estén juntos; por tanto hemos de eliminar la
columna de Q2. Hacerlo así directamente podría ocasionar problemas y modificaciones en
otras columnas ligadas a ésta. Para evitarlo recomendamos lo siguiente:
̈ Seleccionar con el ratón desde B1 hasta J63, presionar el botón derecho y hacer
Copiar.
̈ Situarse, por ejemplo, en la casilla S1 (fila a partir de la cual todo está vacío) y
desplegar el menú Insertar (figura 3.6).
Fig. 3.6
̈ Seleccionar Pegado especial y ahora ¿Valores (figura 3.7)
Fig. 3.7

̈ Ahora eliminar la columna asociada a Q2 (la T en el caso del ejemplo): para ello se
pincha sobre la letra T distintiva de la columna, que quedará enmarcada por una línea
que parpadea; entonces se presiona el botón derecho y se selecciona Eliminar. De
esta manera las columnas siguientes avanzan un lugar y vuelven a estar todas juntas,
es decir, empiezan en la S (valores de Y) y acaban en la Z (valores de t^2)
Y ahora hay que proceder como antes:
Herramientas 6 Análisis de datos 6 Regresión
modificando los campos siguientes:
Rango X de entrada: $S$1:$Z$63 (los nuevos regresores)
n Rango de salida $A$150 (una casilla que esté vacía)
Los resultados se pueden ver en la página 133 con el título • Segundo paso
Conclusiones: El modelo definitivo es
Ŷ = 97,81 + 2,03 t + 0,014 t2 − 7,75 Q3 + 20,57 Q4 + 0,39 t Q2 + 0,85 t Q3 + 0,99 t Q4
• Analizar y comentar los valores de los coeficientes del modelo, su significación y el valor
del coeficiente de determinación (R^2) del ajuste.
3.4 Estimaciones y residuos
̈ Valores estimados
Una vez establecido el modelo tenemos que examinar el ajuste entre los datos y los valores
estimados según el modelo ajustado.
Por eso, en primer lugar cogemos un bloque con los términos y los coeficientes del modelo
definitivamente obtenido y hacemos un Cortar y Pegar en L2; en L1 escribimos Modelo:
resultarán las casillas destacadas en azul en la página 131.
Después, en N1 escribimos el título de la columna, Yest, y en N2 el modelo, es decir
= M$2+M$3*D2+M$4*E2+M$5*F2+M$6*G2+M$7*H2+M$8*I2+M$9*J2
Debemos destacar la exigencia de fijar las celdas que contienen los coeficientes del modelo,
para que al arrastrar la fórmula se mantengan constantes.
Arrastrando la casilla N2 hasta la N63 se obtienen los valores calculados, como

estimaciones de la variable estudiada, que se pueden ver en la página 131.

̈ Gráfico de los valores reales enfrente de los estimados
Es necesario seleccionar desde B2 hasta B63 y, presionando la tecla Ctrl, desde N2 hasta
N63. Después se presiona el icono de los gráficos y

Líneas
(2, 1) Línea con marcadores… Terminar
Situaremos el gráfico como Objeto en la misma hoja, y lo editaremos, en la posición, la

amplitud y el estilo deseados. El resultado se puede ver en el segundo gráfico de la
página 134.
̈ Gráfico de residuos
En primer lugar debemos calcular los residuos; para esto es prepara la columna con el
título y se calculan los valores:
O1 : Res O2 = B2 − N2 (arrastrar hasta O63 (página 131))
Para hacer el gráfico se selecciona desde O2 hasta O63, se presiona y

Líneas
(2, 1) Línea con marcadores… Terminar
Situaremos el gráfico como Objeto en la misma hoja, y lo editaremos, en la posición, la

amplitud y el estilo deseados. El resultado se puede ver en el primer gráfico de la página
135.
Conclusiones: Observar y analizar detalladamente la evolución de los dos gráficos.
3.5 Previsiones
Atendiendo a que, según el correlograma (página 132), se pueden hacer previsiones para
los próximos 5 valores del tiempo, es necesario ampliar las columnas de las variables
categóricas y del tiempo con los 5 valores nuevos, del 63 hasta el 67. Estos valores se han
de incorporar al final de la columna A, es decir desde A64 hasta A68 (página 130).
El primer valor para el que hay que hacer previsiones corresponde a t = 63, que es un
múltiple de 4 (15×4 = 60) más 3. Por tanto, la variable categórica Q3 valdrá 1 y las demás 0.
Situados en C64 podemos copiar el bloque C4 – E8, que es el de las categóricas que se
inicia en una tercera estación. Ahora seleccionaremos con el ratón desde F63 hasta J63 y
arrastraremos hasta llenar la fila 68, que corresponde a la última previsión (página 130).

Prepararemos la columna de las previsiones:
K1 = Y Prev (título)
y en K64 escribiremos el modelo , es decir,
=M$2+M$3*D64+M$4*E64+M$5*F64+M$6*G64+M$7*H64+M$8*I64+M$9*J64
arrastraremos hasta K68 y tendremos los valores de las 5 previsiones (página131).
Para hacer el gráfico se selecciona desde B2 hasta B68 y, presionando el Ctrl, desde K2
hasta K68 y desde N2 hasta N68. Se presiona el icono de los gráficos y

Líneas
(2, 1) Línea con marcadores…
Terminar
Situaremos el gráfico como Objeto en la misma hoja, y lo editaremos, en la posición, el

tamaño y el estilo deseados. El resultado se puede ver en el segundo gráfico de la página
135.
Conclusiones: Analizar detalladamente el gráfico de las observaciones y las previsiones.

Pensando que los datos corresponden a un indicador económico medido trimestralmente,
comentar su evolución actual y futura así como el comportamiento diferencial propio de
cada trimestre.

3.6 Resultados
A B C D E F G H I J
1 t Y Q2 Q3 Q4 tQ2 tQ3 tQ4 t t^2
2 1 105,86 0 0 0 0 0 0 1 1
3 2 97,79 1 0 0 2 0 0 2 4
4 3 96,1 0 1 0 0 3 0 3 9
5 4 127,44 0 0 1 0 0 4 4 16
6 5 108,78 0 0 0 0 0 0 5 25
7 6 112,61 1 0 0 6 0 0 6 36
8 7 111,43 0 1 0 0 7 0 7 49
9 8 145,71 0 0 1 0 0 8 8 64
10 9 118,37 0 0 0 0 0 0 9 81
11 10 121,89 1 0 0 10 0 0 10 100
12 11 124,25 0 1 0 0 11 0 11 121
13 12 159,55 0 0 1 0 0 12 12 144
14 13 125,41 0 0 0 0 0 0 13 169
15 14 135,4 1 0 0 14 0 0 14 196
16 15 137,86 0 1 0 0 15 0 15 225
17 16 171,44 0 0 1 0 0 16 16 256
18 17 132,38 0 0 0 0 0 0 17 289
19 18 147,59 1 0 0 18 0 0 18 324
20 19 153,92 0 1 0 0 19 0 19 361
A B C D E F G H I J
50 49 232,76 0 0 0 0 0 0 49 2401
51 50 256,84 1 0 0 50 0 0 50 2500
52 51 271,36 0 1 0 0 51 0 51 2601
53 52 311,42 0 0 1 0 0 52 52 2704
54 53 243,9 0 0 0 0 0 0 53 2809
55 54 268,42 1 0 0 54 0 0 54 2916
56 55 291,25 0 1 0 0 55 0 55 3025
57 56 331,96 0 0 1 0 0 56 56 3136
58 57 255,46 0 0 0 0 0 0 57 3249
59 58 283,53 1 0 0 58 0 0 58 3364
60 59 307,82 0 1 0 0 59 0 59 3481
61 60 354,72 0 0 1 0 0 60 60 3600
62 61 276,58 0 0 0 0 0 0 61 3721
63 62 304,72 1 0 0 62 0 0 62 3844
64 63 0 1 0 0 63 0 63 3969
65 64 0 0 1 0 0 64 64 4096
66 65 0 0 0 0 0 0 65 4225
67 66 1 0 0 66 0 0 66 4356
68 67 0 1 0 0 67 0 67 4489
Hoja: Datos

K L M N O
1 Y Prev Modelo Y est Res
2 Ord. Origen 97,8112 99,856 6,004
3 Q3 -7,7472 102,701 -4,911
4 Q4 20,5667 98,828 -2,728
5 tQ2 0,3863 130,677 -3,237
6 tQ3 0,8484 108,319 0,461
7 tQ4 0,9877 112,823 -0,213
8 t 2,0302 110,913 0,517
9 t^2 0,0143 143,433 2,277
10 117,238 1,132
11 123,402 -1,512
12 123,454 0,796
13 156,645 2,905
14 126,613 -1,203
15 134,437 0,963
16 136,451 1,409
17 170,314 1,126
18 136,445 -4,065
19 145,928 1,662
20 149,905 4,015
K L M N O
50 231,526 1,234
51 254,283 2,557
52 273,960 -2,600
53 313,863 -2,443
54 245,464 -1,564
55 269,881 -1,461
56 291,520 -0,270
57 332,095 -0,135
58 259,859 -4,399
59 285,935 -2,405
60 309,537 -1,717
61 350,782 3,938
62 274,710 1,870
63 302,445 2,275
64 328,010
65 369,926
66 290,018
67 319,412
68 346,939

A B C D E F G H I J K
1 t Y Y-Ybar gamma_0
2 1 105,86 -94,918 4277,898
3 2 97,79 -102,988
4 3 96,1 -104,678
5 4 127,44 -73,338 k gamma_k r_k r_k^2 V(r_k) - 2S(r_k) + 2S(r_k)
6 5 108,78 -91,998 1 3562,405 0,833 0,693 0,016 -0,254 0,254
7 6 112,61 -88,168 2 3408,788 0,797 0,635 0,038 -0,392 0,392
8 7 111,43 -89,348 3 3149,145 0,736 0,542 0,059 -0,486 0,486
9 8 145,71 -55,068 4 3466,645 0,810 0,657 0,076 -0,553 0,553
10 9 118,37 -82,408 5 2791,202 0,652 0,426 0,098 -0,625 0,625
11 10 121,89 -78,888 6 2671,875 0,625 0,390 0,111 -0,667 0,667
12 11 124,25 -76,528 7 2435,804 0,569 0,324 0,124 -0,704 0,704
13 12 159,55 -41,228 8 2711,854 0,634 0,402 0,134 -0,733 0,733
14 13 125,41 -75,368 9 2076,334 0,485 0,236 0,147 -0,768 0,768
15 14 135,4 -65,378 10 1964,898 0,459 0,211 0,155 -0,787 0,787
16 15 137,86 -62,918 11 1745,883 0,408 0,167 0,162 -0,804 0,804
17 16 171,44 -29,338 12 1990,675 0,465 0,217 0,167 -0,818 0,818
18 17 132,38 -68,398 13 1385,336 0,324 0,105 0,174 -0,835 0,835
19 18 147,59 -53,188 14 1281,548 0,300 0,090 0,178 -0,843 0,843
20 19 153,92 -46,858 15 1082,582 0,253 0,064 0,180 -0,850 0,850
21 20 179,39 -21,388 16 1282,895 0,300 0,090 0,182 -0,854 0,854
22 21 141,59 -59,188 17 717,469 0,168 0,028 0,185 -0,861 0,861
23 22 159,6 -41,178 18 636,614 0,149 0,022 0,186 -0,863 0,863
24 23 163,23 -37,548
25 24 205,54 4,762
26 25 161,71 -39,068
27 26 172,24 -28,538
28 27 173,17 -27,608
AUTOCORRELOGRAMA
1,0
0,5
0,0
-0,5
-1,0
Hoja: Correl

̈ Resultados de la regresión
Primer paso
Coef. de determinación
R^2 0,99803327
ANÁLISIS DE VARIANZA
Regresión 8 264708,064 33088,508 3361,908 7,37E-69
Residuos 53 521,636 9,842
Total 61 265229,699
Coefs Error típico t p-val

Ord. Origen 98,9145 1,7628 56,1129 6,95E-49
Q2 -2,3396 2,1976 -1,0646 2,92E-01
Q3 -8,8900 2,2637 -3,9271 2,50E-04
Q4 19,4201 2,2980 8,4508 2,15E-11
tQ2 0,4416 0,0602 7,3341 1,31E-09
tQ3 0,8756 0,0633 13,8337 3,15E-19
tQ4 1,0150 0,0634 16,0203 5,78E-22
t 2,0067 0,0965 20,7852 3,82E-27
t^2 0,0142 0,0014 10,1580 4,85E-14
Segundo paso
Coef. de determinación
R^2 0,99799121
ANÁLISIS DE VARIANZA
Regresión 7 264696,908 37813,844 3832,546 2,00E-70
Residuos 54 532,791 9,867
Total 61 265229,699
Coefs Error típico t p-val

Ord. Origen 97,8112 1,4278 68,5071 3,52E-54
Q3 -7,7472 1,9955 -3,8823 2,84E-04
Q4 20,5667 2,0325 10,1186 4,50E-14
tQ2 0,3863 0,0304 12,6897 7,78E-18
tQ3 0,8484 0,0580 14,6299 1,97E-20
tQ4 0,9877 0,0580 17,0261 2,29E-23
t 2,0302 0,0941 21,5725 3,26E-28
t^2 0,0143 0,0014 10,1963 3,42E-14

Evolución cronológica de los datos

Y 370
330
290
250
210
170
130
90
0 8 16 24 32 40 48 56 64 t
Datos reales y modelizados
Serie1
Real Model
Serie2
Y 370
330
290
250
210
170
130
90
0 8 16 24 32 40 48 56 64 t

Residuos
R 10
-5
-10
0 8 16 24 32 40 48 56 64 t
Valores reales, modelizados y previsiones
Serie1
Real Serie2
Model Serie3
Prev
Y 410
370
330
290
250
210
170
130
90
0 8 16 24 32 40 48 56 64 72 t

PRÁCTICA 4. MODELIZACIÓN Y PREVISIONES POR SUAVIZADO EXPONENCIAL

(MÉTODO DE BROWN)
OBJETIVO: Se dispone de la evolución de un indicador económico durante 31 días. Hay que

analizar los datos de esta serie cronológica, estimar el modelo de comportamiento y hacer
las previsiones pertinentes. Todo esto se realizará mediante la hoja de cálculo Excel 97 de
Microsoft.
4.1 Recuperación de los datos
Desde Excel recuperar el archivo que contiene los datos objeto de la práctica, y que se
encuentran en el directorio habitual de la red. Para ello, debemos seguir la secuencia (figura
4.1)
Archivo 6 Abrir
y ahora ir al directorio donde se encuentra el archivo Práctica 4.xls, seleccionarlo y

presionar Abrir.
Fig. 4.1
Una vez está abierto el archivo, observamos que consta de una hoja denominada Datos con
2 columnas de 31 valores cada una y la estructura mostrada en la figura 4.2.
La columna A, llamada Tiempo, contiene valores de 1 a 31 y la B, llamada Y, contiene los
valores del índice económico que se está estudiando.
Fig. 4.2

Práctica 4. Modelización y previsiones por suavizado exponencial p137
En primer lugar, hay que analizar la evolución de la serie: para ello se selecciona desde B1
hasta B32 (valores de Y) y se presiona el icono de gráficos , o también, en la barra de

herramientas, Insertar y después Gráfico. En el Asistente para Gráficos (figura 4.3),
seleccionar Líneas.
Fig. 4.3
Y ahora la opción (2; 1), es decir, Línea con marcadores en cada valor de datos y
Terminar.
Situar el gráfico como Objeto en la misma hoja, y editarlo en la posición y el tamaño

deseados.
Se muestra una tendencia creciente y no parece detectarse ningún tipo de estacionalidad,

cosa que se confirmará mediante el correlograma. Este gráfico ha sido el objetivo de la
práctica 2; para obtenerlo copiamos todos los datos de la práctica en una nueva hoja que
llamaremos Correl. Aplicando la sistemática se obtienen los resultados mostrados en la
páginas 143 y 144, que confirman la no estacionalidad y la posibilidad de hacer previsiones
para los tres próximos días. Se debe recalcar que no se está en las mejores condiciones
para hacer un correlograma, porque tan sólo se dispone de 30 valores.
Conclusiones: Sin estacionalidad y con tendencia creciente, se puede estudiar la serie

aplicando el suavizado exponencial según el método de Brown que incorpora una tendencia
rectilínea y cambiante a lo largo del tiempo.

4.3 Método de Brown
Para modelizar una serie con este procedimiento hemos de seleccionar un valor del
parámetro λ y calcular la serie suavizada, la doble suavizada, la ordenada en el origen, la
pendiente, el valor de la serie estimada, el error en cada instante y el error cuadrático medio.
Cambiando el valor de λ se repite el proceso y se selecciona, como parámetro de
modelización, el que minimice el error cuadrático medio.
̈ Selección de λ
En la casilla A40 escribimos el valor inicial de λ, λ = 0,1 para empezar, y etiquetamos las
columnas según el contenido que tenemos destinado. Así:
A B C D E F G H I
1 Tiempo Y S S(2) a^ b^ Y est Error Y prevista
2
Las expresiones utilizadas serán según el texto de series temporales, y su ubicación en la

hoja de cálculo será:
casilla Expresión
S1 = Y1 C2 = B2
St = λ Yt + ( 1 - λ) St−1 C3 −$A$40)*C2
= $A$40*B3+(1− arrastrar hasta C32
(2)
S 1 = Y1 D2 = B2
St = λ St + ( 1 - λ) S −$A$40)*D2
(2) (2)
t−1 D3 = $A$40*C3+(1− arrastrar hasta D32
aˆt = 2St − S(2)
t E2 −D2
= 2*C2− arrastrar hasta E32
λ
bˆt = (S − S(2)
t ) −$A$40))*(C2−
−D2)
1− λ F2 = ($A$40/(1− arrastrar hasta F32
ˆ = aˆ − + bˆ−
Y G3 = E2+F2 arrastrar hasta G32
t t 1 t 1
Rt = et = Yt − Y
ˆ
t H3 −G3
= B3− arrastrar hasta H32
La casilla G33 se etiqueta como ECM para escribir en H34 la expresión
= SUMA.CUADRADOS(H3:H32) / 30 (error cuadrático medio)
Observaremos que se dispone de 31 valores de la serie y sólo hay 30 estimaciones y, por

tanto, 30 errores.

Se deben guardar los valores de cada λ y su ECM, a fin de escoger la óptima. En casillas
vacías preparamos una tabla como la que muestra la figura 4.4, donde etiquetamos C40
como Lambda y D40 como E.C.M. A continuación escribimos en C41 el valor 0,1 ( λ
utilizada en los cálculos) y en D41 7,777, valor resultante de ECM según ha salido en la
casilla H34. (Esto lo podemos hacer manualmente o con Cortar y Pegar sólo valores).
Sustituyendo el valor de λ de la casilla A40 por 0,2, automáticamente cambiarán todos los
valores de los cálculos de las columnas C − H. Ahora anotamos 0,2 en C42 y el valor de
H34 (2,679 en este caso) en D42.
Sucesivamente se van cambiando los valores de λ (A40) por 0,3,… 0,9, y anotando junto
con sus ECM, desde C43− −D43 hasta C49− −D49. Con los datos actuales, se detecta que el
óptimo estará entre 0,4 y 0,5; por tanto, ponemos 0,45 en A40 y lo pasamos a C50
juntamente con su ECM (H34), que en este caso es igual a 1,822 y que anotamos en D50.
A B C D E F G H
39
40 0,45 Lambda E.C.M. ECM
8
41 0,1 7,777
42 0,2 2,679
6
43 0,3 1,989
44 0,4 1,836
4
45 0,5 1,833
46 0,6 1,917
47 0,7 2,077 2
48 0,8 2,321
49 0,9 2,669 0
50 0,45 1,822 0 0,5 1 λ

51
Fig. 4.4
̈ Previsiones
Una vez escogida la λ de trabajo, se puede pasar a calcular los valores previstos para los
próximos tres días, según se ha deducido del correlograma. Por eso prolongamos la
columna A con los tres nuevos valores del tiempo (A33 = 32; A34 =33; A35 = 34).
El valor previsto para el instante t + T (31+T, en el caso de la práctica) es
t + T = a t + bt
#
Y ˆ ˆ T
En la casilla I33, perteneciente a la columna I etiquetada como Y prevista, se deberá

escribir la expresión
= E$32+F$32*(A33-A$32)

y arrastrarla hasta I35. Así acabamos de calcular los valores previstos para los próximos tres
días del índice económico estudiado. Todos los resultados se muestran en la página 141.
̈ Análisis de los gráficos
Seguidamente, y como ya es habitual, se procederá a la obtención del gráfico de los valores

reales, los modelizados y los previstos, y del gráfico de los errores.
Para ello se selecciona, presionando la tecla Ctrl, desde B1 hasta B32 (valores de Y), desde
G1 hasta G32 (valores de Y estimada) y desde I1 hasta I35 (valores de Y prevista), y se
presiona el icono de gráficos , o también, en la barra de herramientas, Insertar y

después Gráfico.
En el Asistente para Gráficos seleccionar
XY (Dispersión)
(3,1) Dispersión con puntos de datos conectados por líneas
Terminar
Situaremos el gráfico como Objeto en la misma hoja, y lo editaremos en la posición y el

tamaño deseados. El resultado es el gráfico de la página 142.
Para obtener el gráfico de los errores se procede seleccionando desde H1 hasta H32
(valores de los errores) y exactamente igual que en el gráfico anterior. El resultado es el
gráfico de la página 143.
Conclusiones: Las previsiones siguen muy bien todos los datos, a lo largo del tiempo de
recogida de información. Los errores no muestran ninguna particularidad destacable.

4.4 Resultados
A B C D E F G H I
1 Tiempo Y S S(2) a^ b^ Y est Error Y prevista
2 1 9,51 9,51 9,51 9,51 0,00
3 2 7,71 8,70 9,15 8,25 -0,36 9,51 -1,800
4 3 6,39 7,66 8,48 6,84 -0,67 7,89 -1,500
5 4 6,67 7,21 7,91 6,52 -0,57 6,18 0,494
6 5 9,14 8,08 7,99 8,18 0,08 5,95 3,188
7 6 7,66 7,89 7,94 7,84 -0,04 8,25 -0,593
8 7 7,74 7,82 7,89 7,76 -0,05 7,80 -0,057
9 8 9,36 8,51 8,17 8,86 0,28 7,70 1,657
10 9 10,03 9,20 8,63 9,76 0,46 9,14 0,890
11 10 8,38 8,83 8,72 8,94 0,09 10,22 -1,842
12 11 7,12 8,06 8,42 7,70 -0,30 9,03 -1,906
13 12 9,06 8,51 8,46 8,56 0,04 7,40 1,661
14 13 9,6 9,00 8,70 9,30 0,24 8,60 1,004
15 14 11,44 10,10 9,33 10,86 0,63 9,54 1,901
16 15 10,93 10,47 9,85 11,10 0,51 11,49 -0,562
17 16 13,1 11,65 10,66 12,65 0,81 11,61 1,487
18 17 13,51 12,49 11,48 13,50 0,82 13,46 0,045
19 18 13,93 13,14 12,23 14,05 0,74 14,32 -0,390
20 19 13,54 13,32 12,72 13,92 0,49 14,79 -1,253
21 20 15,65 14,37 13,46 15,27 0,74 14,41 1,240
22 21 15,13 14,71 14,02 15,40 0,56 16,02 -0,887
23 22 17,06 15,77 14,81 16,73 0,79 15,96 1,099
24 23 19,03 17,24 15,90 18,57 1,09 17,51 1,517
25 24 21,38 19,10 17,34 20,86 1,44 19,66 1,717
26 25 22,82 20,77 18,89 22,66 1,55 22,30 0,519
27 26 22,76 21,67 20,14 23,20 1,25 24,21 -1,448
28 27 23,02 22,28 21,10 23,45 0,96 24,45 -1,430
29 28 23,62 22,88 21,90 23,86 0,80 24,41 -0,795
30 29 23,45 23,14 22,46 23,82 0,56 24,66 -1,212
31 30 24,57 23,78 23,05 24,51 0,60 24,37 0,197
32 31 24,17 23,96 23,46 24,45 0,41 25,11 -0,936
33 32 ECM = 1,822 24,86
34 33 25,27
35 34 25,67
36
37
38
39
40 0,45 Lambda E.C.M. ECM
8
41 0,1 7,777
42 0,2 2,679
6
43 0,3 1,989
44 0,4 1,836
4
45 0,5 1,833
46 0,6 1,917
47 0,7 2,077 2
48 0,8 2,321
49 0,9 2,669 0
50 0,45 1,822 0 0,5 1λ
51
Hoja: Datos

Evolución cronológica
Y
30
20
10
0
0 10 20 30 40
Tiempo
Valores medidos y previsiones
Y Y est Y prevista
30
20
10
0
0 10 20 30 40
Tiempo

Errores
4
3
2
1
0
-1
-2
-3
0 10 20 30 40
Tiempo
A B C D E F G H I J K
1 Tiempo Y Y - Ybar gamma_0
2 1 9,51 -4,602 37,975
3 2 7,71 -6,402
4 3 6,39 -7,722
5 4 6,67 -7,442
6 5 9,14 -4,972
7 6 7,66 -6,452
8 7 7,74 -6,372 k gamma_k r_k r_k^2 V(r_k) -2S(r_k) +2S(r_k)
9 8 9,36 -4,752 1 35,107 0,924 0,855 0,032 -0,359 0,359
10 9 10,03 -4,082 2 31,592 0,832 0,692 0,087 -0,591 0,591
11 10 8,38 -5,732 3 28,034 0,738 0,545 0,132 -0,727 0,727
12 11 7,12 -6,992 4 24,355 0,641 0,411 0,167 -0,818 0,818
13 12 9,06 -5,052 5 20,478 0,539 0,291 0,194 -0,880 0,880
14 13 9,6 -4,512 6 16,437 0,433 0,187 0,213 -0,922 0,922
15 14 11,44 -2,672 7 12,353 0,325 0,106 0,225 -0,948 0,948
16 15 10,93 -3,182 8 8,665 0,228 0,052 0,231 -0,962 0,962
17 16 13,1 -1,012 9 5,129 0,135 0,018 0,235 -0,969 0,969
18 17 13,51 -0,602 10 1,730 0,046 0,002 0,236 -0,972 0,972
19 18 13,93 -0,182
20 19 13,54 -0,572
21 20 15,65 1,538
22 21 15,13 1,018
23 22 17,06 2,948
24 23 19,03 4,918
25 24 21,38 7,268
26 25 22,82 8,708
27 26 22,76 8,648
28 27 23,02 8,908
29 28 23,62 9,508
30 29 23,45 9,338
31 30 24,57 10,458
32 31 24,17 10,058
33
Hoja: Correl

Autocorrelograma
1,0
0,5
0,0
-0,5
-1,0

Evaluaciones p145
EVALUACIONES DE SERIES TEMPORALES
ÍNDICE TEMÁTICO
1. DESCOMPOSICIÓN CLÁSICA
13.5.98................................................................... 1 − 2 − 3 − 4
3.5.99..................................................................... 1 − 2 − 3
23.6.99................................................................... 1 − 2 − 6
12.1.00................................................................... 1 − 2 − 3
17.5.00................................................................... 1 − 2 − 10
2. MODELIZACIÓN CON VARIABLES CATEGÓRICAS
13.5.98................................................................... 7 − 8 − 9
3.5.99..................................................................... 4 − 5 − 6
23.6.99................................................................... 3 − 4
12.1.00................................................................... 4 − 5
17.5.00................................................................... 3 − 4 − 5
3. AUTOCORRELACIÓN
13.5.98................................................................... 5 − 10
3.5.99..................................................................... 7
23.6.99................................................................... 7
12.1.00................................................................... 6 − 7
17.5.00................................................................... 6 − 7
4. SUAVIZADO EXPONENCIAL
13.5.98................................................................... 6
3.5.99..................................................................... 8 − 9 − 10
23.6.99................................................................... 5 − 8
12.1.00................................................................... 8 − 9
17.5.00................................................................... 8 − 9

1 EVALUACIONES PROPUESTAS
Respuesta correcta +1; incorrecta −0,2
? 1. El modelo de tendencia ha sido T = 76,23 + 0,54 t − 0,02 t2. Los respectivos niveles de
2
significación de los términos t y t han sido 0,002 y 0,423. El modelo definitivo es
2
76,23+0,54t−0,02t ̊ 76,23+0,54t ̊ Hay que recalcularlo ̊ ….……………. ̊

Evaluaciones p147
13.5.98
? 1 Los valores disponibles de una serie temporal son: 11,2; 13,4; 9,9; 11,9; 14,2; 11,0; 13,1; 14,8;
12,2; 14,1; 16,3; .... Se trata de un modelo:
multiplicativo ̊ tendencia rectilínea ̊ estacionalidad de p=2 ̊
aditivo ̊ tendencia parabólica ̊ estacionalidad de p=3 ̊
.......... ̊ ninguna tendencia ̊ estacionalidad de p=4 ̊
................ ̊ ................. ̊
?2 Por los datos anteriores, el valor de la tercera media móvil es:

11,75 ̊ 12 ̊ 12,15 ̊ 13,36 ̊ .......... ̊
?3 Los primeros datos de una serie multiplicativa p = 4 son: 32; 26; 22; 45; 52; 42; 29; ... El valor
de la media móvil asociada a t = 4 es:
31,25 ̊ 36,25 ̊ 38,25 ̊ 40,25 ̊ .......... ̊
?4 En una serie multiplicativa de p = 4, E1* = 43.4 E*2 = 37.9 E3* = 52.5 E*4 = 66.2 ; ¿cuál es el
valor de E3?
2.5 ̊ 44.6 ̊ 52.5 ̊ 105 ̊ ..........̊
? 5. Sobre 106 valores, la tendencia estimada es 254,9 + 0,25 t ; los índices estacionales son E1 =
35,5; E2 = 72,8; E3 = –60,7 y E4 = –47,6 y el último coeficiente de autocorrelación significativo es ρ3.
El valor más alejado que se puede prever de la serie es:
317,65 ̊ 282,15 ̊ 221,45 ̊ 194,95 ̊ . ........ ̊
? 6. Se dispone de los datos cronológicos: Y1 = 45,74; Y2 = 47,95; Y3 = 49,23; Y4 = 51,47; ...

Para un valor λ = 0,8, cuál es el cuarto valor de la serie suavizada (S4)?
48,89 ̊ 51,37 ̊ 41,18 ̊ 50,95 ̊ .......... ̊
? 7. Un modelo aditivo de período 3, ha dado los siguientes índices estacionales: E1 = 10; E2 = 20 y E3 =

–30. Los coeficientes β2 y β3 del modelo en variables categóricas se estiman como:
20 y 30 ̊ 10 y –40 ̊ 25 y 45 ̊ –10 y 10 ̊ ...........̊
? 8. La modelización de una serie aditiva con variables categóricas ha dado

Ŷ = 104,8 –0,5 t –8,2 Q2 + 15,4 Q3. El valor previsto para t = 50 es:
71,6 ̊ 87 ̊ 95,2 ̊ 79,8 ̊ ........... ̊
? 9. En la serie de la pregunta anterior, el último valor observado ha sido y = 81,5 para t = 49. ¿Qué
valor tiene el residuo?
–13,2 ̊ 0 ̊ 1,2 ̊ 9,4 ̊ ........... ̊
? 10 Con 252 datos se han obtenido los coeficientes de autocorrelación: r1= 0,983; r2= 0,537;
r3= 0,684; r4= 0,322; ... ¿En qué intervalo de valores se puede considerar nulo ρ3?
±0,266 ̊ ±0,236 ̊ ±0,299 ̊ ±0,225 ̊ ........... ̊

3.5.99
???Se dispone de 100 valores de una serie siendo los 6 últimos 53,0; 89,3; 66,6; 29,1; 194,8 y
61,2. Se detecta que tiene una estacionalidad de periodo 5 y que es de tipo multiplicativo.
? 1. El valor de la última media móvil es:
74,02 ̊ 86,56 ̊ 88,2 ̊ 87,38 ̊ ...................... ̊
? 2. Se ha obtenido E1 = 108,3; E2 = 75,1; E4 = 220,6 y E5 = 65,6. ¿Qué valor tiene E3?
25,8 ̊ 30,4 ̊ −469,6 ̊ 220,6 ̊ ....…………… ̊

? 3. Por la tendencia se han probado los modelos rectilíneo y parabólico, obteniendo
2
Modelo T=a+bt T=a+bt+ct
Coeficientes a = 65,24 b = 0,79 a = 65,62 b = 0,68 c= 0,0050
−value
p− − 0,0000 − 0,0221 0,6943
2
R 0,893 0,900
¿Cuál es la previsión para t = 104?

420,07 ̊ 97,21 ̊ 126,05 ̊ 325,16 ̊ ......………… . ̊
??? Una serie de la que tenemos 92 valores se ha modelizado con variables categóricas
obteniéndose Ŷ = 250,83 + 1,27t − 0,006t2 + 5,35Q2 − 8,27Q3 − 10,2Q4 + 15,60Q5
? 4. ¿Cuál es la longitud de la estacionalidad (p)?
3̊ 4̊ 5̊ 6̊ no se sabe ̊ ..............................̊
? 5. Siendo Y92 = 320, ¿qué valor tiene su residuo?

−2,236 ̊ 13,154 ̊ 11,224 ̊ −6,137 ̊ ..............................̊
? 6. ¿Qué valor tiene el índice estacional E2?

no se sabe ̊ −0,496 ̊ 4,854 ̊ −8,766 ̊ ..............................̊
? 7. En una serie de 100 datos, los coeficientes de autocorrelación calculados son r1 = 0,952 r2 =
0,741 r3 = 0,583 r4 = 0,492. ρ4 será considerado nulo si r4 , en valor absoluto, es menor que
0,2792 ̊ 0,4050 ̊ 0,4285 ̊ 0,5412 ̊ ..............................̊
?? Los valores de una serie son 40,22; 54,89; 63,51; ....

? 8. En un suavizado exponencial con λ = 0,4, ¿cuál es el valor de S3?
58,338 ̊ 53,0568 ̊ 49,0220 ̊ 52,1252 ̊ .................. ̊
? 9. Según el método de Brown, ¿cuál es el valor modelado para t = 3 ( Ŷ3 ) ?

63,790 ̊ 56,614 ̊ 51,956 ̊ 40,220 ̊ .................. ̊
? 10. Los valores de una serie son 67,38; 56,09; 75,11; 55,90 y 61,25 y los estimados según el
modelo resultante del análisis han sido 56,44; 62,29; 72,13; 59,60; y 65,45.¿Cuál es el valor
del error cuadrático medio (MSE)?
42,931 ̊ 40,697 ̊ 40,374 ̊ 39,667 ̊ ............................... ̊

Evaluaciones p149
23.6.99
????? Los primeros valores de una serie, de la que se dispone de 141 observaciones, son: 225;
219; 196; 197; 235; 208; 191; 212; 216; .... Se trata de un modelo aditivo con estacionalidad de
período 4. Por el sistema clásico se ha obtenido como tendencia Tt = 200 + 0,10 t y como índices
estacionales E1 = 0,73; E2 = 0,87 y E3 = –0,4.
? 1. ¿Cuál es el valor de la primera media móvil?

207,500 ̊ 208,250 ̊ 208,375 ̊ 209,625 ̊ 210,500 ̊ ............... ̊
? 2. ¿Y cuál el del residuo para t = 8?

12,20 ̊ 12,30 ̊ 12,32 ̊ 12,40 ̊ 12,42 ̊ ............... ̊
? 3. ¿Cuáles son los valores de les variables categóricas asociadas a t = 10?

(0; 0; 0) ̊ (1; 0; 0) ̊ (0; 1; 0) ̊ (0; 0; 1) ̊ (1; 1; 1) ̊ .............. ̊
? 4. Si se hubiese modelado con variables categóricas, ¿cuál habría sido el valor de la

constante α0?
200,63 ̊ 200,65 ̊ 200,73 ̊ 200,75 ̊ 200,83 ̊ ................̊
? 5. En una ponderación exponencial simple ha resultado S3 = 211,96. ¿Cuál es el valor de λ?

2,63 ̊ 3,20 ̊ 3,30 ̊ 4,50 ̊ 5,43 ̊ ................̊
2
? 6. En la modelización de una serie multiplicativa de p = 3, se ha obtenido Tt = 50 + 0,2 t + 0,1 t ; E1
= 150; E2 = 50 y para t=3 el residuo ha sido R3 = 0,8. ¿Cuál es el valor de Y3?
72,10 ̊ 61,80 ̊ 55,75 ̊ 46,35 ̊ 52,30 ̊ ............... ̊
50 49
? 7. Con los 50 valores de una serie se ha obtenido ∑ (y
i=1
i − y)2 = 4 ; ∑ (y − y)
i=1
i (yi+1 − y) = 3,6 ;
48 47
∑ (y − y)
i=1
i (yi+ 2 − y) = − 3,2 y ∑ (y − y)
i=1
i (yi+ 3 − y) = −2,8 ¿Qué valor tiene la variancia de r3?
0,0600 ̊ 0,0652 ̊ 0,0712 ̊ 0,0754 ̊ 0,0780 ̊ .............. ̊
? 8. Los valores de una serie sin estacionalidad y con tendencia rectilínea son 7,3; 7,8; 8,1; 8,5; 8,8;
9,0; .... Con λ = 0,4, ¿cuál es el valor modelizado para t=3?
7,700 ̊ 7,380 ̊ 7,004 ̊ 7,540 ̊ 7,860 ̊ ............... ̊

12.1.00
2
?? Unos datos cronológicos trimestrales han dado lugar a una tendencia T=120+1,4 t−0,2 t y a
una estacionalidad E1 = −10; E2 = −8; E3 = 15 y E4 = 3.
? 1. ¿Qué diferencia existirá entre los valores estimados del primer trimestre del primer año
y el segundo del año siguiente?
−2 ̊ −25 ̊ −13 ̊ −4 ̊ 18 ̊ ……… ̊
? 2. El último dato disponible es el de t = 47. ¿Cuál es el valor previsto para t = 50?

−310 ̊ −348 ̊ −378 ̊ −318 ̊ −345 ̊ ……… ̊
?3. En una serie aditiva de p= 7, los pares de valores (t, Yt) son (1; 15), (2; 19), (3; 17),… , (6;25), (7;
28), (8; 32), (9; 35), ... La media móvil para t = 4 es igual a 26. ¿Qué vale la de t = 5?
faltan datos ̊ 28,86 ̊ 28,43 ̊ 29,52 ̊ ……… ̊
?? Un modelo en variables categóricas, con ordenada en el origen igual a 500, ajustado sobre una
serie de período p=3, ha evidenciado que la serie crece 0,5 unidades por unidad de tiempo y que
la segunda estación supera a la primera en 20 unidades, mientras que la tercera está 30 unidades
por debajo de la segunda.
? 4. El valor del coeficiente Q3 es igual a

−30 ̊ −35 ̊ −5 ̊ −10 ̊ −15 ̊ ……… ̊
? 5. La previsión para t = 53 es
528 ̊ 529,5 ̊ 546,5 ̊ 548 ̊ 549,5 ̊ … .…… ̊
100 100 97
? 6. En una serie de 100 valores se ha obtenido ∑y
i=1
i = 0; ∑y
i=1
2
i
= 125 y ∑y
i=1
i yi+ 3 = 120 .
¿Qué vale r3?

faltan datos ̊ 0 ̊ 0,80 ̊ 0,96 ̊ 1 ̊ ……… . ̊
? 7. En una serie con 80 datos se ha obtenido r1 = 0,90; r2 = 0,80; r3 = 0,70; r4 = 0,60. ¿Cuál es el
valor absoluto límite de r5 para ser considerado distinto de cero?
0,43 ̊ 0,50 ̊ 0,53 ̊ 0,61 ̊ 0,64 ̊ ……… . ̊
? 8. Los valores de una serie son 16,4; 16,9; 18,1; 18,5; 19,3; 19,8;… en un suavizado exponencial
con λ = 0,6. ¿Cuál es el error de previsión para t = 4?
0,805 ̊ 0,925 ̊ 0,960 ̊ 1,115 ̊ 1,300 ̊ ...…… . ̊
? 9. En la misma serie del apartado anterior y con igual factor de ponderación, ¿cuál sería el valor
estimado para t = 4 ( Ŷ4 ) utilizando el método de Brown?
17,920 ̊ 19,076 ̊ 18,672 ̊ 19,137 ̊ …………… ̊

Evaluaciones p151
17.5.00
?? En la descomposición clásica de una serie aditiva de período estacional p = 7, se ha obtenido

como tendencia T=223,82 + 0,63 t. La previsión para t = 102 ha sido 187,25.
? 1. ¿Qué vale la previsión para t = 109?

faltan datos ̊ 292,49 ̊ 191,66 ̊ 182,66 ̊ ..................... ̊
? 2. Siendo Ei la i-ésima estacionalidad, y sabiendo que E6 = E4 − 27,16. ¿Cuál es la

previsión para t = 104?
faltan datos ̊ 262,18 ̊ 305,18 ̊ 161,35 ̊ 195,35 ̊ ................ ̊
??? Unos datos bimensuales se modelizan como

Y =187,52 + 0,42 t + 10 Q2 +12 Q3 + 16 Q4 −8 Q5 −2 Q6
? 3.¿En qué cantidad se diferencian el segundo y el sexto bimestre de un mismo año? (6 − 2 )

º º
−12 ̊ −10,32 ̊ −18 ̊ −16,74 ̊ ........................... ̊
? 4. Si el último valor disponible es Y106 = 250,27, ¿ qué vale el residuo de este punto?
−9,77 ̊ −30,27 ̊ 5,73 ̊ 2,23 ̊ ........................... ̊
? 5. ¿Cuál es la previsión para t = 107?

232,88 ̊ 250,69 ̊ 230,61 ̊ 224,46 ̊ ............................̊
94 100
?? Con 100 datos se ha obtenido ∑
i=1
(yi − y ) (yi+ 6 − y ) = −483,22 y ∑ (y − y)
i=1
i
2
= 793,42
? 6. ¿Qué vale r6?

hay un error ̊ −0,371 ̊ −0,609 ̊ −0,684 ̊ ............̊
? 7. ¿Cuál es el intervalo de no significación para r6 si r1 = −0,95; r2 = 0,32; r3 = −0,84; r4 = 0,60

y r5 = 0,90?
±0,464 ̊ ±0,179 ̊ ±0,520 ̊ ±1,323 ̊ ............̊
? 8. Se dispone de los valores 23,87; 15,22; 42,75; 54,23 y 50,80. En una ponderación exponencial
simple con λ = 0,8, ¿qué vale el error cuadrático medio?
410,17 ̊ 350,72 ̊ 254,34 ̊ 180,69 ̊ ........................... ̊
? 9. En un suavizado exponencial por Brown, con λ = 0,7, sobre 50 datos, ha resultado Y50 = 55,87;
S50 = 49,32; S(2)
50 = 47,54. ¿Cuál es la previsión para t = 52?
70,25 ̊ 59,41 ̊ 40,23 ̊ 36,44 ̊ ........................... ̊
? 10. En una serie multiplicativa de período p = 3, se ha obtenido E1* = 15,25; E*2 = 30,50 y
E*3 = 45,75. ¿Cuál es el valor del primer índice estacional?
25 ̊ 50 ̊ 100 ̊ 150 ̊ 200 ̊ ............̊

Evaluaciones p123
2 EVALUACIONES RESUELTAS
Respuesta correcta +1; incorrecta −0,2
l 1. En un análisis de componentes principales los valores propios, de la matriz de correlacio-

nes, son {2,78; 2; 0,16; 0,05; 0,01} y g13 = 0,768. ¿Qué vale r13 ?.
0,143 ¨ 0,527 ¨ 0,12 ¨ 0,3072 n .............................................. ¨
Puesto que Σ di = 5 es un valor entero, coincidente con el número de valores propios, necesa-
riamente se trabaja con variables estandarizadas y se ha diagonalizado la matriz de correla-
ciones. Entonces,
r1 3 = g1 3 d3 = 0,768 0,16 = 0,3072
© L o s a u t o r e s , 2 0 0 1 ; © E d i c i
p124 Estadística industrial
17.3.99
En una tabla de correspondencias la 3ª columna es 13; 23; 17 y 20, y los totales de les colum-
nas son 100; 97; 73; 133 y 152.
l 1. ¿Cuántos valores propios no triviales hay?

2¨ 3n 4¨ 5¨ ......................................................................... ¨
Dado que hay p = 4 files y q = 5 columnas, resulta min (p–1, q–1) = 3.
l 2. ¿Cuál es la masa de la 2ª columna?

0,314 ¨ 0,240 ¨ 0,175 n 0,711 ¨ .............................................. ¨
Las masas de las columnas son
p
n• j
∑ ni j
i=1
f• j = = p
n
∑ n• j
i=1
que, para j=2, es
n• 2 97
f• 2 = = = 0,175
∑ n• j 555
l 3. ¿Cuál es el valor del perfil medio de las filas asociado a la 3ª columna?

0,714 ¨ 0,132 n 0,312 ¨ 0,511 ¨ ......................................... ¨
El perfil medio de las filas coincide con las masas de las columnas
n• 3 73
f• 3 = = = 0,132
n 555
l 4. ¿Qué vale la masa total?
1n 0,13 ¨ 0,312 ¨ 0,811 ¨ ..................................................... ¨

La masa total es, obviamente,
p q
n
∑ fi • = ∑ f• j =
n
= 1
i=1 j=1
En un análisis de componentes principales los valores propios de la matriz de correlaciones

son {2,78; 2; 0,16; 0,05; 0,01} y g13 = 0,768.

Evaluaciones p125
l 5. ¿De qué dimensión es el vector aleatorio?

4¨ 5n 6¨ 7¨ ......................................................... ¨
La dimensión del vector aleatorio X, coincide con el número de valores propios. En este ca-
so p = 5.
l 6. ¿Qué vale r13 ?.

0,143 ¨ 0,527 ¨ 0,12 ¨ 0,3072 n .............................................. ¨
Dado que Σ di = 5, un valor entero coincidente con el nombre de valores propios, necesaria-
mente se trabaja con variables estandardizadas y se ha diagonalizado la matriz de correlacio-
nes. Entonces
r1 3 = g1 3 d3 = 0,768 0,16 = 0,3072
l 7. ¿Cuántos componentes principales se utilizarían?

1¨ 2n 3¨ 4¨ .............................................................. ¨
La proporción acumulada que representan los valores propios (variancias de los componentes
principales) con relación al total es: 2,78/5 = 0,556 (2,78 + 2)/5 = 0,956 etc. Entonces los
dos primeros ya son suficientes ya que explican el 95,6% del total.
l 8. Al estudiar los componentes principales ha resultado tg1 = {0,48 0,32 0,47 0,48 0,46},
p
g2= {0,40 0,21 0,8 –0,28 0,26} y Q = diag{4 9 6,25 7,75 8}. ¿Qué vale ∑ di ?
t
i=1
No se sabe ¨ –3,14 ¨ 4¨ 35 n ............................................. ¨

p p
En las se indican Q = diag (s12 s22 . . . sp2) y ∑ di =
i=1
∑
i=1
si2 resultando
∑
i=1
di = 35

19.4.99
En una tabla de correspondencias les 3ª y 4ª filas son {47; 65; 78; 35} y {82; 42; 76; 23};
Además, las masas de las filas son {0,134; 0,268; 0,225; 0,223; 0,150}
l 1. ¿Cuál es la suma total, n?
225 ¨ 223 ¨ 777 ¨ 1000 n ............................................... ¨
n3 • 225
Resulta n = = = 1000
f3 • 0,225
l 2. Si la masa de la 3ª columna es 0,232, ¿qué vale X33?

1¨ 0,2141 ¨ 0,7197 n 0,0682 ¨ ............................................. ¨
f33 0,078
Por definición X3 3 = = = 0,7197
f3 • f• 3 0,225 0,232
Al estudiar los componentes principales ha resultado tg1 = {0,47 0,32 0,48 0,46 0,48}, tg2 =
{0,40 –0,28 0,8 0,21 0,26} y Q = diag{4 9 6,25 7,75 3,8}
l 3. Si r12 = 0,632, ¿qué vale d2?

22,14 ¨ 36,48 ¨ –25,78 ¨ 9,99 n .............................................. ¨
Las variancias, expuestas en la diagonal de la matriz Q, son razonablemente homogéneas,
indicando que se ha diagonalizado la matriz S, y teniendo en cuenta que
2
g12 d2 r s  0,6322 × 4
r12 = resulta d2 =  12 1  = = 9,99
s1  g12  0,402
l 4. Si los dos primeros componentes expliquen un 95% de la variabilidad total, ¿qué vale d1+d2?
27 ¨ 32 ¨ 64 ¨ 25,65 n ...................................................... ¨
p p
d1 + d2
Dado que ∑
i=1
di = ∑
i=1
si2 = 27 y que
∑ di
= 0,95 resulta
i
d1+d2 = 0,95×27 = 25,65
l 5. Si la primera fila de la matriz RXY es (0,942 0,265 0,202 –0,011 0,004), ¿qué porcentaje
de la variabilidad de X1 es explicado por los tres primeros componentes?.
1¨ 0,5236 ¨ 0,9984 n 0,9763 ¨ ....................................... ¨
3
La explicación es ∑ ri2j = 0,9422 + 0,2652 + 0,2022 = 0,9984
j=1
© L o s a u t o r e s ,
Evaluaciones p127
5.11.99
p
l 1. Habiendo diagonalizado la matriz de variancias-covariancias, ¿qué vale ∑ri22 ?
i=1
d2 ¨ 1¨ 0,9 ¨ Es una función cuadrática de gi2 n ……..……..…….. ¨

Si se ha diagonalizado la matriz variancias-covariancias
RXY = Q-1/2 G D1/2
según aparece en la Pág. 6 de los apuntes, por lo que el producto escalar es
t
RXY RXY = D1/2 tG Q–1 G D1/2
y siendo Q = diag ( S12 . . . Sp2 ), resulta
p p
gi22
∑ ri22 = ∑ S2 d2
i=1 i=1 i
función cuadrática de gi2.
l 2. Si U23=33, U32=44, U2 = 10, U3 = 30 , S2=5, S3=10 y se estandariza, ¿qué vale X23?
0,3 n 4,6 ¨ 6,8 ¨ 1,4 ¨ ……………………………………..……….. ¨

U2 3 − U3 33 − 30
X2 3 = = = 0,3
S3 10
l 3. Si el mayor valor absoluto de la matriz de correlaciones es 0,307, ¿qué procede?
Calcular los componentes principales ¨ Estandarizar ¨ Factorizar ¨

Analizar las variables directas n …………........…..............................………. ¨
Si máx |ρ| = 0,307, las correlaciones entre las variables son muy reducidas, la información
redundante es prácticamente nula y se requeriría un número muy elevado de componentes
para explicar razonablemente la variabilidad total. Por todo ello los componentes principales
son inútiles.
 1 1 1 1 
 
1 −1 −1 1 
Si D = diag(3,24 0,7 0,045 0,015) y G = 0,5 
 −1 −1 1 1 
 
 −1 1 −1 1 
l 4. ¿Qué proporción de X3 es explicada por Y2?
17,5% n 92,3% ¨ 1,125% ¨ No se sabe ¨ …………………………..….. ¨
Puesto que la suma de los valores di es 4, el orden de la matriz, se ha diagonalizado la matriz

de correlaciones y la proporción de X3 explicada por Y2 es
r322 = g322 d2 = (–0,5)2×0,7 = 0,175

l 5. ¿Qué vale la correlación experimental entre X3 e Y1?
−1,2 ¨ −0,9 n −0,1061 ¨ 3,4 ¨ ………………………………..…..…..¨
Teniendo en cuenta que la matriz D, de valores propios, así como la matriz G, de vectores
propios, son de orden 4×4, se trata de un análisis de p=4 variables y como la suma de los va-
lores di es cuatro, se ha diagonalizado la matriz de correlaciones y
r31 = g31 √ d1 = (–0,5) √ 3,24 = −0,9
l 6. El primer componente principal es
un factor de tamaño ¨ un contraste n una media ¨ no se sabe ¨ ……........... ¨
Un contraste de X1 y X2 con X3 y X4 ya que los correspondientes coeficientes gi1 cambian de

signo.
l 7. ¿Cuál es la variancia experimental de Y5?
No existe n 4¨ 3¨ 0,25 ¨ ………………...……………………… ¨
Dado que las matrices D y G son de orden 4×4, sólo hay cuatro variables y, por tanto, el nú-
mero de Componentes Principales es, también, 4 y no existe Y5.
l 8 ¿Cuál es la medida relativa de la información compartida por dos variables?
La razón de medias ¨ la razón de variancias ¨ la covariancia ¨ la correlación n

...................................................................................... ¨
La correlación es la medida adimensional relativa de la información compartida (covariancia)
por dos variables aleatorias.
l 9 La homogeneidad entre modalidades de un criterio de clasificación es medida por
los factores comunes ¨ el factor específico ¨

las correspondencias n la covariancia ¨
.............…………………………....................... . ¨
Las correspondencias, comparando los perfiles mediante la distancia de χ2.
ATENCIÓN, MARCAR LA ÚNICA RESPUESTA INCORRECTA
l 10 Los componentes principales:

reducen la masa de datos ¨ conservan la información ¨
eliminan información redundante ¨ reducen el nº de individuos n
reducen el número de variables ¨
Reducen el número de individuos es incorrecto, ya que disminuyen el número de variables.

Evaluaciones p129
20.3.00
l 1. Una fila de una tabla de correspondencias es {13 26 39 22}, ¿cuál es el tercer elemento
de su perfil?
Falta n ¨ 0,39 n 39 ¨ 1¨ ……………...............................………… ¨
El tercer elemento de su perfil es
fi3 n ni3 39
= i3 = = = 0,39
fi• ni• ∑ j nij 13 + 26 + 39 + 22
l 2. Si el perfil de la 3ª fila es {0,31 0,60 0,74 0,26} y n3• = 500, ¿qué vale el tercer elemento
de esa fila?
Hay un error n 370 ¨ 0,025 ¨ 0,01 ¨ .................…………..….....……. ¨
Hay un error ya que si fuese un perfil la suma de sus elementos sería 1 y aquí, obviamente, no
se cumple este requisito.
l 3. Si hay 14 puntos fila y 23 puntos columna, ¿cuántos valores propios nulos hay en total?
1¨ 0¨ 10 n 13 ¨ ……………........................…………….….... ¨
Los valores propios no triviales (distintos de cero) son mín(p–1, q–1) = 13, por lo que los nulos
son
máx(p; q) – mín(p–1; q–1) = 23 – 13 = 10.
l 4. Si n13 = 24, n1• = 100, n•3 = 90 y n = 900, ¿qué vale el elemento correspondiente de la ma-
triz Z para el estudio de las distancias de χ2 entre las columnas?
0,99 ¨ 0,95 ¨ 0,05 ¨ 0,8 n ………….......………….....….……… ¨
El elemento de la matriz Z será
f13 n13 / n n13 n 24 900

= = = = 0,8
f1• f•3 n1• / n (n•3 / n) n1• n•3 100 ×90
l 5. Si una columna es { 0,15 0,18 0,22 0,45 }, ¿es un perfil o es de frecuencias?
Hay un error ¨ Faltan datos ¨ Es un perfil n Son frecuencias ¨ ....................... ¨

Se reconoce que es un perfil si suma 1. Dado que la columna en cuestión cumple dicha condi-
ción se trata, efectivamente, de un perfil.

l 6. Con Q = diag(2 4 1600 725), D = diag(3,5 0,4 0,07 0,03), si r12 = 0,87, ¿cuál es la parte
de V(X1) explicada por el segundo componente?
Falta g12 ¨ 0,87 ¨ 0,4 ¨ 0,7569 n …………….....…….….………… ¨
La matriz Q muestra que las variancias Si2 son harto heterogéneas, por lo que se ha estandar-
dizado (Opción B), circunstancia corroborada por el hecho de que traza D = p = 4, y la parte
de V(X1) = 1 explicada por el segundo componente principal coincide con la proporción, es
decir
r122 = 0,872 = 0,7569.
l 7. Si Q = diag(16 9 25 4) y cov(X1, X3) = –18, ¿qué vale rX3X1 ?
Falta n ¨ –1,8 ¨ –0,9 n 0,361 ¨ …………….........………...………… ¨

Resulta
cov(X1, X 3 ) 18
rX X = rX X = = − = −0,9
3 1 1 3
S1 S3 16 × 25
l 8. Si los puntos de dos variables se oponen, representa que

se trata de un error ¨ son no correlacionadas ¨
su correlación es alta e inversa n su correlación es alta y directa ¨
.......................................................... ¨
Si los puntos se oponen están altamente correlacionados de forma inversa.
l 9. U32 = 24, U23 = 32, U = t(9 12 16 8 14) y Q = diag(12 14 16 8 13), ¿qué vale X32?
4¨ 6¨ 12 n 16 ¨ …………….............…………..……....…...… ¨
Teniendo en cuenta que, como muestra la matriz Q, las variancias son del mismo orden de
magnitud, sólo se requiere centrar y
X32 = U32 – U2 = 24 – 12 = 12
l 10. Si r31 = 1, ¿qué vale r32?

No se sabe ¨ 0n 1¨ –1 ¨ …..............................…..…....………….. ¨
p
Dado que siempre ∑ ri2j = 1 , si r31 = 1, necesariamente todos los demás r3j, j > 1, han de ser
j=1
nulos.

AULA POLITÈCNICA 64. Series Temporales

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

AULA POLITÈCNICA 64. Series Temporales

Uploaded by

Copyright:

Available Formats

AULA POLITÈCNICA 64

Montserrat Pepió Viñals

Diseño de la cubierta: Manuel Andreu

© Montserrat Pepió Viñals, 2001

© Edicions UPC, 2001

Producción: Barcelona Digital, SL

Depósito legal: B-29.192-2001

TEORÍA DE SERIES TEMPORALES

2 Análisis de una serie temporal

2.1 Modelización por componentes ..............................................................................14

3 Descomposición de una serie temporal

3.1 Medias móviles: tendencia......................................................................................24

4 Modelización con variables categóricas

4.1 Comparación del método de descomposición con el de variables categóricas .......48

6 Otras técnicas de previsión: ponderación exponencial

6.1 Suavizado exponencial...........................................................................................65

7.1 Ventas de papel......................................................................................................77

PRÁCTICAS DE SERIES TEMPORALES CON EXCEL

Práctica1. Descomposición clásica de una serie aditiva

Práctica 2. Autocorrelación y correlograma

Práctica 3. Modelización de una serie con variables categóricas

Práctica 4. Modelización y previsiones por suavizado exponencial (Método de Brown)

EVALUACIONES DE SERIES TEMPORALES

n Anderson, O.D., Time Series Analysis and Forecasting, (1977).

n Ardanuy, R., Martín, Q. , Estadística para Ingenieros, Hespérides (1993).

n Diebold, F.X., Elementos de pronósticos, International Thomson Editores (1998).

n Makridakis, S. , Wheelwright, S., McGee, V., Forecasting: Methods and Applications,

TEORÍA DE SERIES TEMPORALES

Una serie temporal es un conjunto de observaciones ordenadas en el tiempo o, también, la

Si al conocer la evolución de la serie en el pasado se pudiese predecir su comportamiento

Cuando se dispone de n datos de un proceso estocástico, se está frente a n muestras, de

© Los autores, 2001; © Edicions UPC, 2001.

Fig. 1.2.- Evolución del índice IBEX35

probabilidad de cualquier Yt corresponde a una ley Normal, con esperanza matemática

La figura 1.3 muestra la ley de probabilidad de la variable Y en los instantes t = 1, t = 4 y t =

La particular forma de la información disponible de una serie cronológica, n muestras de

© Los autores, 2001; © Edicions UPC, 2001.

En los capítulos siguientes se pretende presentar, de forma simple, distintos criterios

Fig. 1.3.- Distribución de Yt y 25 observaciones de la serie

© Los autores, 2001; © Edicions UPC, 2001.

2. ANÁLISIS DE UNA SERIE TEMPORAL

2.1 Modelizacion por componentes

Las variaciones estacionales son oscilaciones que se producen, y repiten, en períodos de

Las variaciones cíclicas se producen a largo plazo y suelen ir ligadas a etapas de

© Los autores, 2001; © Edicions UPC, 2001.

Fig. 2.1.- Componentes de una serie cronológica

La componente residual es la que recoge la aportación aleatoria de cualquier fenómeno

© Los autores, 2001; © Edicions UPC, 2001.

Así se proponen, entre otros, modelos genéricamente denominados aditivos y

© Los autores, 2001; © Edicions UPC, 2001.

Un modelo aditivo se puede interpretar como aquel en que la estacionalidad actúa

Supongamos que no hay ciclos, que la tendencia es de tipo lineal, Tt = α0 + α1 t, y que la

En el modelo multiplicativo, el componente estacional actúa sobre la ordenada en el origen y

© Los autores, 2001; © Edicions UPC, 2001.

Yt = Tt × Es + Rt = (α0 + α1t) Es + Rt,

es decir Yt = (α0 Es ) + ( α1Es ) t + Rt

o sea Yt = γ0s + γ1s t + Rt

El conjunto de las p rectas constituye el modelo de comportamiento de la serie (figura 2.5).

Es evidente que esta división, en modelo estrictamente aditivo o estrictamente multiplicativo,

© Los autores, 2001; © Edicions UPC, 2001.

2.2 Enfoque Box - Jenkins

La forma de encarar el análisis de las series temporales a través de la metodología de Box-

̈ Identificación del modelo.

E1* = − 20,7438 E2 = − 15,68477 E3 = − 6,6275 E*4 = 42,6515