UNIDAD TEMÁTICA 08

SERIES TEMPORALES UNIVARIANTES

PROCESOS ESTOCÁSTICOS

INTRODUCCIÓN

1. PROCESOS ESTOCÁSTICOS
2. PROCESOS ESTACIONARIOS
3. PROCESOS DE RUIDO BLANCO
4. TRANSFORMACIONES PARA LA ESTACIONARIEDAD

RESUMEN Y CONCLUSIONES
CUESTIONES
08.2 MODELOS DE SERIES TEMPORALES UNIVARIANTES

INTRODUCCIÓN

En esta unidad temática se presentará el concepto de serie temporal desde un punto vista
más riguroso que el visto en la unidad temática anterior, el estadístico. Porque el concepto
clásico de serie temporal es bastante sencillo, y los modelos propuestos a partir del mismo
podrían calificarse como "ingenuos" o "simples", por lo que se hace necesario crear unos
modelos más sólidos que permitan un análisis más riguroso de una serie de tiempo. Este es el
objeto de la presente unidad temática, volver a definir el concepto de serie temporal, y
presentar los fundamentos de la teoría estadística necesaria para describirla, los procesos
estocásticos. Con ello será posible proponer modelos más complejos, flexibles y cercanos a la
realidad, como son los modelos ARIMA que se presentarán en la siguiente unidad temática.

Entrando en el detalle de los contenidos de la presente unidad temática, en primer lugar, se

define formalmente (estadística) el concepto de serie temporal, con los llamados procesos
estocásticos, y se describe brevemente el significado de su naturaleza estocástica, para pasar
en los siguientes apartados a analizar ciertas propiedades de los procesos, la estacionariedad
y la integración, y la forma en que éstas explican el comportamiento de una serie temporal
real. La parte aplicada del tema trata de las transformaciones de una serie para conseguir la
estacionariedad, cuestión fundamental para las siguientes unidades temáticas, ARIMA y
ARIMAX.

1. PROCESOS ESTOCÁSTICOS

El modelo estadístico que se propone para describir a una serie temporal es el llamado
proceso estocástico. A diferencia de la definición clásica de serie temporal, donde una variable
aleatoria toma valores en cada instante de tiempo, ahora se propone la existencia de una
variable aleatoria en cada instante de tiempo. Una serie temporal compuesta por n datos será
en realidad un vector de n variables aleatorias ordenadas en el tiempo (Z1, Z2, ..., Zn). Se
denomina proceso estocástico al conjunto de estas variables {Zt}, con t = 1, 2, ..., n y la serie
observada (valores) se considera una realización o trayectoria del proceso estocástico.

Ejemplo 1. Para aclarar el concepto de proceso 2200

PASAJEROS

estocástico se presenta la serie temporal número

2000
de PASAJEROS mensuales (cientos de miles de
personas) de una compañía aérea española. 1800

1600

En la Figura 1 se presenta la serie, y se observa

PASAJEROS

1400

en ella que se dispone de cinco años completos 1200

de datos, desde 1969 a 1973. Esto nos lleva a que 1000

no tenemos 60 datos de pasajeros, sino lo que

800
tenemos un vector con 60 variables pasajeros,
una variable para cada mes de cada año, y todas 600

ellas juntas y ordenadas, es lo que se conoce 400

1969 1970 1971 1972 1973 1974

como proceso estocástico. Además, a los valores MESES

numéricos representados en la figura se les Figura 1 Proceso estocástico "número de pasajeros de

denomina realización o trayectoria del proceso una compañía aérea"
estocástico.
PROCESOS ESTOCÁSTICOS 08.3

La estructura probabilística de un proceso Zt

estocástico estará determinada cuando se conozca
la distribución conjunta de las n variables aleatorias
Zt que lo forman, y los valores de sus parámetros
(Figura 2).

La determinación de la distribución conjunta del

proceso requiere observar un gran número de
datos, y esto se simplifica notablemente cuando se
pueda suponer que la distribución conjunta de las 0 t
variables Zt es normal multivariante. Figura 2 Realizaciones de la variable Zt y distribución
en cada instante de tiempo t

En ese caso sólo queda por conocer los parámetros de la distribución, vector de medias y
matriz de varianzas-covarianzas, para que la distribución quede totalmente determinada. Una
versión simplificada del vector y de la matriz son las funciones de medias, de varianzas y de
covarianzas.

Esta matriz de varianzas-covarianzas, o bien la función de autocorrelación correspondiente,

es el punto fuerte de este modelo de procesos estocásticos. Hasta ahora se ha dicho que se
utilizarán los valores pasados de la variable para predecir sus valores futuros, concepto que
puede ser claro, pero que difícilmente lleva implícita una cuantificación. El coeficiente de
autocorrelación realiza justamente esta labor de cuantificar la relación del valor actual con
cada uno de sus valores pasados. Siempre y cuando esa relación sea lineal, claro.

Un proceso estocástico es una variable aleatoria n-dimensional, donde cada una de las n variables
que la componen están un instante de tiempo, y cada una de ellas está relacionada con todas las
demás, en los restantes instantes de tiempo. Un coeficiente de autocorrelación cuantifica la
importancia de cada variable con las demás.

Función de medias
Se llama función de medias del proceso a una función del tiempo que proporciona las medias
de las distribuciones marginales Zt en cada instante de tiempo:

Un caso particular de las series temporales es que todas las variables tengan la misma media,
o lo que es lo mismo, la función de medias sea constante.

Función de varianzas
Se define la función de varianzas del proceso como una función que proporciona las varianzas
de las distribuciones marginales Zt en cada instante de tiempo:

Se dice que el proceso es estable en la varianza si ésta es constante en el tiempo.

08.4 MODELOS DE SERIES TEMPORALES UNIVARIANTES

Función de autocovarianzas
Se define la función de autocovarianzas del proceso como la función que describe las
covarianzas en dos instantes de tiempo cualesquiera:

, [ − − ]

La covarianza depende de dos parámetros, t y k, siendo t el instante de tiempo considerado y

k el intervalo de tiempo (retardo) entre las dos observaciones.

Una propiedad que poseen muchos procesos temporales es que la dependencia entre dos
observaciones cualesquiera sólo sea función del intervalo de tiempo o retardo que existe entre
ellas (k) y no del origen de tiempo t considerado. En ese caso

, , ⋯ k 0, ±1, ±2,...

esto quiere decir que la relación del PIB del mes de marzo con el PIB del mes de Febrero (k=1),
es la misma que existe entre el PIB del mes de febrero con el PIB del mes de enero, enero con
diciembre, y así sucesivamente. O que la relación del PIB del mes de marzo con el PIB del mes
de enero (k=2), es la misma que existe entre el PIB del mes de febrero con el PIB del mes de
diciembre, y así sucesivamente.

Función de autocorrelación
Como es sabido, la covarianza no es precisamente el mejor parámetro para medir el grado de
relación lineal entre dos variables, y por ello se creó el coeficiente de correlación. La función
de autocorrelación del proceso estocástico es la función que proporciona los coeficientes de
correlación entre dos observaciones cualesquiera, y se obtiene dividiendo la función de
covarianzas por el producto de las desviaciones típicas de ambas observaciones (variables).

donde t es el instante inicial y k el intervalo de tiempo entre observaciones, y queda reducido

a ρk en vez de ρt,t+k si no depende del instante de tiempo considerado.

2. PROCESOS ESTACIONARIOS

Ya se ha visto que un proceso estocástico está determinado cuando se conoce su distribución

(normal), y sus funciones de media, varianza y autocorrelación. Ahora bien, cuando se
pretende estudiar una serie económica a lo largo del tiempo, en realidad se dispone de una
sola observación para cada instante de tiempo t. ¿Cómo se calcula la media, varianza y
correlación de un instante de tiempo cuando sólo se dispone de una única observación en ese
instante de tiempo? Pues dado que resulta imposible estimar las características
"transversales" del proceso estocástico (media, varianza y autocorrelación), a partir de su
evolución "longitudinal" (valores a lo largo del tiempo), es necesario suponer que las
características transversales sean estables con el tiempo (Figura 3a).
PROCESOS ESTOCÁSTICOS 08.5

Autoevaluación 1: Si la media de la serie es constante, ¿las medias en cada instante de tiempo son
diferentes de la media de todos los datos? Si la varianza de la serie es constante, ¿las varianzas en cada
instante de tiempo son iguales a la varianza de todos los datos?

Un caso particular de estabilidad de estas características transversales es que la media y la

varianza sean constantes, y que la covarianza dependa del retardo entre observaciones, y no
del instante de tiempo considerado. Un proceso que cumple estas características se dice que
es estacionario en sentido débil.

!"#
!"#
, $ ,

En caso de no cumplirse alguna de las tres condiciones antes señaladas, el proceso se

denomina evolutivo (Figura 3b).

Zt Zt

t t

(a) (b)
Figura 3 Tipos de procesos estocásticos: estacionarios (a) y evolutivos (b).

Autoevaluación 2: ¿Cómo se interpreta que en la expresión de la covarianza aparezca el t-k y el t+k?

¿Qué significa que las covarianzas de la variable en t-k y en t+k sean iguales?

Es bastante obvio que si un proceso es estacionario (Figura 3a), será mucho más sencillo
predecir sus valores futuros que en el caso de un proceso que sea evolutivo (Figura 3b).

Un proceso es estacionario si tanto su media como su varianza son constantes. En realidad, hay otras
dos condiciones, una sobre la covarianza y otra sobre la normalidad de su distribución, pero no se
suele entrar a comprobarlas.

Los procesos que representan a los sistemas económicos no se ajustan nunca a las
condiciones de estacionariedad expuestas, pero es posible eliminar sus tendencias y
estabilizar sus varianzas para transformarlos en otros procesos que sean aproximadamente
estacionarios, con lo que será posible describirlos y realizar predicciones. La condición
impuesta sobre la covarianza suele cumplirse en la realidad y no es necesario comprobarla.

La media de una serie temporal no será constante si ésta presenta tendencia y/o estacionalidad.
Recordemos que la estacionalidad es el efecto de la estación del año en la variable estudiada. Si una
serie es estacional, entonces su media no es constante, pues las medias de cada mes o trimestre no
son iguales. Si la media de cada mes o trimestre no es constante entonces no puede ser estacionaria.
08.6 MODELOS DE SERIES TEMPORALES UNIVARIANTES

Todo lo visto hasta ahora se refiere a la población, y se supone que pueden obtenerse las
correspondientes funciones a través de la expresión del modelo de la serie, que se supone
conocido, aunque nunca será así. Cuando un proceso es estacionario, pueden utilizarse las
siguientes expresiones para estimar a partir de una muestra sus funciones de medias, de
varianzas, de autocovarianzas y autocorrelación:

∑(
')* &'
+
Función de medias

∑( , -
')* &' $&
+$
Función de varianzas

∑( , ,
')/0* &' $& &'./$&
+$
Función de autocovarianzas, según el retardo (k)

∑( , ,
')/0* &' $& &'./$&
∑( &
')* '
,
$& -
Función de autocorrelación, según el retardo (k)

Es posible exigir una condición más al proceso estacionario, en este caso a la distribución del
proceso estacionario. Se dice que un proceso es estacionario en sentido estricto cuando las
distribuciones marginales y las de cualquier subconjunto de variables que lo componen tienen
la misma distribución, con los mismos parámetros. Lo habitual será admitir que un proceso
estocástico tenga distribución normal multivariante, y que la distribución para cada variable
en cada instante de tiempo sea también normal.

Finalmente hay que señalar que lo que realmente caracteriza a un proceso estacionario es
la relación existente entre la variable en el instante de tiempo actual y las variables en
instantes de tiempo anteriores. Por ello, de todos los parámetros presentados, el que define
realmente a un proceso estacionario (serie temporal) es la función de autocovarianza, más
que su valor medio o su varianza. Ahora bien, y como se ha mencionado anteriormente, la
función de autocovarianza no es realmente el mejor ni el único parámetro que mide el grado
de relación lineal entre dos variables, ya que depende de las unidades de medida de la variable
y no constituye una escala para medir el grado de relación.

Una forma de solucionar estos problemas es utilizar el coeficiente de autocorrelación lineal

simple, coeficiente que mide el grado de relación total existente entre dos variables. Pero este
no es el único parámetro que podría calcularse, porque podría interesar el grado de relación
directa entre dos variables aleatorias, eliminando el efecto de variables intermedias. A este
parámetro se le denomina coeficiente de correlación parcial. Ambos coeficientes de
correlación son el objeto de los dos siguientes apartados.

2.1 FUNCIÓN DE AUTOCORRELACIÓN SIMPLE (FAS)

Se denomina función de autocorrelación simple (FAS) o correlograma (Figura 4), a la

representación gráfica de los coeficientes de autocorrelación simple ρk en función del retardo
k, coeficientes que cuantifican la relación lineal que hay entre la variable en el instante de
tiempo t, Zt, y la variable en el instante de tiempo anterior t-k, Zt-k.
PROCESOS ESTOCÁSTICOS 08.7

Los coeficientes de autocorrelación simple (ρk) en

procesos estacionarios se estiman (rk) como el
cociente de las estimaciones de la covarianza
para retardo k y la varianza de la variable, y mide
el grado de relación lineal total existente entre
dos variables separadas en el tiempo un cierto
retardo k.
Figura 4 Correlograma de una serie temporal.

∑+3 − ̅ − ̅
1
$
∑+3 − ̅

Si la dependencia que existe entre todas las observaciones, medida como el coeficiente de
autocorrelación ρk tiende a cero cuando aumenta el retardo k, entonces el proceso
estacionario recibe el nombre de ergódico. Esto quiere decir que cuanto más atrás en el
tiempo (k) se encuentre una observación, menor será la influencia que tendrá en el momento
actual. Es una cualidad muy razonable para las variables económicas, así que a partir de ahora
se considerarán únicamente procesos estacionarios ergódicos.

La ergodicidad es una cualidad necesaria para poder estimar las características del proceso a
partir de una única realización o trayectoria. Esto es lo que ocurre con las variables económicas
macro, que no se puede volver a vivir un mes o trimestre para obtener un nuevo valor. Otra
cuestión son las variables micro, al menos algunas de ellas.

Autoevaluación 3: ¿Son ergódicas las series temporales reales (PIB, Renta, ...)?

2.2 FUNCIÓN DE AUTOCORRELACIÓN PARCIAL (FAP)

Se ha indicado que la relación cuantificada en la FAS es una relación total, y es que la relación
existente entre dos variables separadas un cierto tiempo o retardo k puede ser directa,
indirecta o ambas (total). Así, si se considera el proceso de la Figura 5, se tiene una cadena de
variables con unas flechas que indican la existencia de un efecto o relación, del tipo “conocido
Zt-1 se puede conocer Zt". Entonces:

Zt-5 Zt-4 Zt-3 Zt-2 Zt-1 Zt

Figura 5 Relaciones de una variable con un valor anterior

 Las variables Zt-1 y Zt tienen una relación que se denominará como directa, señalado por
la flecha dibujada entre ellos. El coeficiente de autocorrelación parcial cuantifica esta
relación. El coeficiente de autocorrelación simple tendrá el mismo valor que el
coeficiente de autocorrelación parcial, pues esta relación es la única que existe entre
ambas variables.

 Las variables Zt-2 y Zt tienen también relación entre ellas, pero es una relación indirecta,
una relación a través de Zt-1. El coeficiente de autocorrelación parcial valdrá cero, por no
08.8 MODELOS DE SERIES TEMPORALES UNIVARIANTES

existir relación directa. El coeficiente de autocorrelación simple cuantificará la relación

indirecta, que es la única existente.

 Las variables Zt-4 y Zt tienen relación tanto directa como indirecta. Hay relación directa
por la flecha que los une, y hay relación indirecta a través de los valores intermedios. El
coeficiente de autocorrelación parcial cuantificará la relación directa existente, mientras
que el coeficiente de autocorrelación simple entre ambos cuantificará las relaciones
directa e indirecta juntas, la relación total.

Se define el coeficiente de autocorrelación parcial de orden k, αk, como una medida de la

relación lineal directa existente entre observaciones separadas k períodos, libre del efecto de
los valores intermedios.

Se llama Función de Autocorrelación Parcial (FAP) al conjunto de los coeficientes de

autocorrelación parcial αk.

Es habitual representar los coeficientes de

correlación parcial en un gráfico frente al retardo
(Figura 6), al igual que con el coeficiente de
correlación simple. En este caso al gráfico se le
conoce como función de autocorrelación parcial,
FAP.
Figura 6 Función de autocorrelación parcial

La forma de estimar el coeficiente de autocorrelación parcial será realizar el ajuste por

regresión de

4 5 4 $ 65 4 $ 6 ⋯6 5 4 $ 67

en donde el parámetro αkk que acompaña a la última variable del modelo (más retrasada en
el tiempo) es la estimación del coeficiente de autocorrelación parcial de orden k, ak. Para
obtener los coeficientes no hay más que realizar una secuencia de ajustes por regresión, que
incluye cada vez una nueva variable explicativa.

Las funciones de autocorrelación simple y parcial caracterizan a un proceso estacionario, pues

indican la forma e importancia de la relación de un valor con su pasado y con su futuro.

Las expresiones anteriores permiten estimar los coeficientes de correlación, pero en realidad
interesa averiguar si algún coeficiente de autocorrelación poblacional (ya sea simple o parcial)
es distinto de cero. La determinación de los coeficientes de autocorrelación que son
significativos se hace mediante una prueba de hipótesis, que aparece en los propios gráficos
de la FAS y la FAP en forma de dos líneas simétricas respecto al eje de abscisas. Si algún
coeficiente de autocorrelación sobrepasa dicha línea, eso significa dos cuestiones: la primera
es que el correspondiente coeficiente de autocorrelación poblacional es distinto de cero y la
segunda que ese es su orden, ya que el retardo k implica la relación entre Zt y Zt-k.
PROCESOS ESTOCÁSTICOS 08.9

2.3 SIGNIFICACIÓN DE LOS COEFICIENTES DE AUTOCORRELACIÓN

Formalmente, se realiza la prueba para los coeficientes de autocorrelación simple, ρi, a partir
de su estimación en la muestra, ri, y de la comparación con un valor, rlimite, que delimita la zona
de aceptación de la prueba.

H0 ρi=0
Se acepta que ρi =0 si │ri │≤ rlimite
H1 ρi ≠0

Para determinar cuándo un coeficiente de autocorrelación poblacional ρk es distinto de cero

se necesita el error estándar de la estimación realizada. En la práctica, el error estándar se
calcula teniendo en cuenta que, si los h primeros coeficientes de autocorrelación
poblacionales son distintos de cero, entonces la varianza del error tiene la expresión (con k>h):

1
;

81 1 16 29 :
<
:3

Con esta varianza se puede calcular el intervalo de aceptación de la prueba de hipótesis para
el coeficiente rk, condicionado a que los coeficientes ρ1, ρ2, ..., ρk-1 son no nulos, y los siguientes
ρk, ρk+1, ... sí lo son. El intervalo así obtenido (más menos dos veces la desviación típica) sería
más amplio a medida que aumenta el retardo, como se aprecia en la Figura 4.

1
;

1=>?> @ ±2 A 1 6 2 9 :
<
:3

Y lo mismo ocurre con los coeficientes de autocorrelación parcial, αi, a partir de su estimación
en la muestra, ai, y de la comparación con un valor, alimite, que delimita la zona de aceptación
de la prueba.

H0 αi=0
Se acepta que αi =0 si │ai │≤ alimite
H1 αi≠0

utilizarán como varianza 1⁄<, donde n es el tamaño de la muestra utilizada para su estimación.
Para determinar si un coeficiente de autocorrelación parcial poblacional es significativo, se

En la Figura 6 se aprecian los límites, dos líneas paralelas al eje de abscisas situadas de forma
simétrica respecto al cero.

1
8=>?> @ ±2
√<

3. PROCESO DE RUIDO BLANCO

Para terminar con las definiciones de procesos estacionarios, se presenta un proceso

estacionario denominado proceso de ruido. El proceso estacionario debe cumplir que su valor
medio sea cero, que su varianza constante y que la covarianza debe ser nula para todo retardo:
08.10 MODELOS DE SERIES TEMPORALES UNIVARIANTES

0
!"#
", " 6 D ", " − D 0

Autoevaluación 4: ¿Qué quiere decir que la covarianza sea igual a cero?

Si el proceso de ruido tiene además una distribución conjunta NORMAL, la incorrelación

conlleva la independencia entre las variables, y al proceso resultante se denomina proceso de
ruido blanco, y se suele representar como εt. Dado que la covarianza es nula para todo retardo,
esto implica que no hay relación con el pasado y no hay ningún tipo de información.

Autoevaluación 5: ¿Esta última definición se corresponde con la de error o perturbación vista en

regresión?

Como se ha mencionado anteriormente, la función de covarianzas es lo que caracteriza

realmente a una serie temporal. En este caso la exigencia de que la covarianza valga cero
implica que la variable en cualquier instante de tiempo no está en absoluto relacionada
consigo misma. Si se representara gráficamente un ruido blanco, el resultado sería que no se
apreciaría ningún tipo de pauta clara, o de comportamiento regular de la serie temporal. Esta
serie no contendría ningún tipo de información sobre su evolución pasada.

El proceso de ruido blanco se utiliza en los modelos para series temporales, cumpliendo en ellos el
mismo papel que el término de error o perturbación en un modelo de regresión.

4. TRANSFORMACIONES PARA LA ESTACIONARIEDAD

Los procesos estocásticos que representan a sistemas económicos no se ajustan a las

condiciones de estacionariedad propuestas anteriormente. Y no lo hacen, porque en su
mayoría presentan tendencia creciente con el tiempo, y también es muy habitual que
presenten estacionalidad. Por último, muchas variables económicas tienen varianza no
constante, normalmente debido al efecto del aumento de la población con el tiempo.

Autoevaluación 6: ¿Qué tiene que ver la población con la varianza del número de pasajeros de una
compañía aérea?

Pese a todo ello, en la mayoría de los casos es posible transformar los procesos reales para
eliminar de ellos la tendencia y la estacionalidad, estabilizar la varianza, y de esa manera
transformarlos en otros procesos que sean estacionarios, con lo que será posible aplicar toda
la teoría desarrollada para este tipo de procesos.

En la serie número de PASAJEROS mensuales de una compañía aérea puede apreciarse

claramente que la media no es constante, puesto que el promedio del número de pasajeros
aumenta con el tiempo. También debe admitirse que la media no sea constante porque exista
estacionalidad, puesto que el promedio de pasajeros que viaja en los meses de verano es
siempre superior al promedio de pasajeros que viajan en los meses de invierno. Si la media ha
de ser constante, lo ha de ser sea cual sea el conjunto de datos escogido para su cálculo, y en
PROCESOS ESTOCÁSTICOS 08.11

este caso es obvio que el promedio no es constante por ser diferente en invierno y en verano.

Además, puede observarse que la variabilidad del número de pasajeros aumenta con el
tiempo, puesto que en el primer año representado la amplitud de la oscilación, o la distancia
vertical de pico a pico (valor máximo y mínimo del año) es considerablemente menor que la
distancia de pico a pico en el último año representado. Cada vez hay más población, y más
personas dispuestas a viajar, o a no hacerlo (según quieran), y por ese motivo en un mismo
mes es posible que cada vez más personas decidan viajar, o decidan no hacerlo.

Esta serie incumple todos los requisitos para ser considerada como un proceso estacionario,
y no ha sido necesario buscarla con mucho ahínco. Lo realmente complicado es encontrar una
serie real que cumpla las condiciones de estacionariedad.

4.1 MEDIA - TENDENCIA

La inmensa mayoría de los procesos de tipo económico no son estacionarios porque su nivel
medio cambia (aumenta) con el tiempo, es decir, tienen tendencia. La presencia de tendencia
suele quedar bastante clara al representar gráficamente el proceso estudiado y también
puede observarse por el aspecto de su FAS. Es posible realizar una prueba de hipótesis para
determinar su existencia, como la prueba de Dickey-Fuller ampliada, entre otras, aunque no
es el objeto de este texto.

4.1.1 GRÁFICOS PARA LA TENDENCIA

La existencia de tendencia en una serie temporal suele quedar claro observando

gráficamente el aspecto de la serie, como ya se ha visto en la unidad temática anterior. Si el
promedio de la variable aumenta o disminuye (de forma continua o discontinua) con el
tiempo, entonces la serie tiene tendencia.

Alternativamente, los procesos no estacionarios que presentan tendencia poseen una

característica común, y es que tienen una FAS cuyos coeficientes de autocorrelación simple
decrecen de una forma muy característica.
ACF ACF
1 1

0.5 0.5

0 0

-0.5 -0.5

-1 -1
0 2 4 6 8 10 12 14 16 0 2 4 6 8 10 12 14 16 18
lag lag

(a) (b)
Figura 7 FAS de un proceso no estacionario en media. Esto se aprecia en el lento decrecimiento de los coeficientes de
autocorrelación simple (a), y/o bien en un decrecimiento más o menos lineal de los mismos (con un cambio de signo) (b).

 Decrecen linealmente con el retardo.

 Decrecen muy lentamente con el retardo k (Figura 8a), esto es, hay una gran cantidad de
coeficientes de autocorrelación simple que son significativos. El número de coeficientes de
autocorrelación simple que deben ser significativos para ser considerados "una gran
cantidad" depende de la frecuencia de observación de la serie; aproximadamente 12 si es
mensual, o 4 si es trimestral.
08.12 MODELOS DE SERIES TEMPORALES UNIVARIANTES

 Decrecen rápidamente, con un paso por el cero y un posterior mantenimiento del signo
(Figura 8b), aunque finalmente llegará a valer cero, claro.

4.1.2 PROCESOS INTEGRADOS PARA TENDENCIA

Si el proceso tiene tendencia, es frecuente que ésta desaparezca y que se convierta en

estacionario al diferenciarlo. Se llama proceso primera diferencia de {Zt} al nuevo proceso {Wt}
obtenido mediante la operación:

E − $

El nuevo proceso {Wt} se representa de forma gráfica para observar si los nuevos valores
oscilan alrededor de un valor central. Si es así, se ha eliminado la tendencia de la serie original.
En caso contrario, la tendencia no ha desaparecido del todo, y es necesario diferenciar de
nuevo la serie. El proceso segunda diferencia del proceso {Zt} es un nuevo proceso {Yt}
obtenido mediante la diferenciación de {Wt}

F E −E$ −2 $ 6 $

Finalmente, y por no extenderse, un proceso se dice que es integrado de orden h si al

diferenciarlo h veces se obtiene un proceso estacionario, en lo que a la tendencia se refiere.

Autoevaluación 7: ¿Cómo se interpreta la primera diferencia de la serie número de pasajeros? ¿Qué

es el incremento del incremento del incremento del número de pasajeros de la compañía aérea?

Una importante propiedad que tienen los procesos que son estacionarios es que sus
incrementos son también estacionarios. Así, si el proceso Zt es estacionario, entonces su
proceso diferenciado Wt = Zt-Zt-1 es también estacionario, por lo que diferenciar en exceso no
tiene (en principio) consecuencias negativas para la serie en este aspecto.

Aunque no sea absolutamente cierto, se puede determinar el número de diferencias

necesarias para eliminar la tendencia observando ciertos detalles en la serie transformada:

 La varianza de la serie diferenciada disminuye con el número de diferencias tomadas hasta

que vuelve a aumentar. El número de diferencias que corresponde a la varianza más
pequeña es el número adecuado para eliminar la tendencia.
 Si el primer coeficiente de autocorrelación simple está en el intervalo -1 ≤ ρ1 ≤ -0,5 es que
seguramente se ha tomado una diferencia de más.

Podemos eliminar la tendencia de una serie si tomamos un número suficiente de diferencias en la

misma. Para determinar si existe tendencia, o si sigue existiendo tendencia después de transformar,
podemos observar tanto el gráfico de la serie como su función de autocorrelación simple.

4.2 MEDIA - ESTACIONALIDAD

La estacionalidad es el efecto de la estación de año en la serie, que se manifiesta en un

comportamiento oscilatorio repetitivo más o menos similar, con una duración anual. Una serie
PROCESOS ESTOCÁSTICOS 08.13

estacional no es estacionaria porque su media no es constante. Al fin y al cabo, y por ser

estacional (por ejemplo), el promedio en el tercer trimestre debe ser diferente del promedio
de los demás trimestres, y como la media debe ser constate sean cuales sean las
observaciones escogidas, está claro que la media no puede ser constante. La presencia de
estacionalidad debe quedar clara tanto al representar la serie temporal en un gráfico, como si
se representa su FAS, con un aspecto muy característico. Naturalmente, existen pruebas de
hipótesis, en las que no se entra, como la prueba de Dickey-Hasza-Fuller, DHF, permitiría
(entre otras pruebas) determinar la estacionalidad de la serie.

4.2.1 GRÁFICOS PARA LA ESTACIONALIDAD

Cuando se representa gráficamente una serie, es posible advertir la existencia de

estacionalidad si se observan una serie de oscilaciones y de picos que se repiten regularmente,
de forma que la distancia entre dichos picos (medida horizontalmente) es siempre la misma,
y coincide con el número de meses o trimestres de un año (como corresponda).

Por otra parte, el aspecto de la FAS de la serie temporal es también muy característico
cuando existe estacionalidad.
ACF ACF

1 1

0.5 0.5

0 0

-0.5 -0.5

-1 -1
0 5 10 15 20 25 0 2 4 6 8 10 12 14 16
lag lag

(a) (b)
Figura 8 Ejemplos de FAS de series estacionales, el caso (a) junto con tendencia en la serie temporal y el caso (b) sin ella.

 Un primer aspecto se presenta en la Figura 9a, y en ella se observa que, superpuesto al

muy lento decrecimiento del valor de los coeficientes de autocorrelación simple (señal ya
conocida de tendencia en la serie), existen unas oscilaciones cuyos picos están
equiespaciados en el retardo, picos que corresponde a los coeficientes de autocorrelación
simple de retardos 12 y 24, lo cual indica que existe estacionalidad, y que es de periodo
12.

 Otro aspecto habitual es el de la Figura 9b, en la que se observan unos coeficientes de

autocorrelación simple que son considerablemente mayores que el resto. En este caso, y
como corresponde a una serie trimestral, son los coeficientes de autocorrelación simple
4, 8 y 12, equiespaciados una distancia de cuatro unidades. La estacionalidad viene dada
por el decrecimiento lineal de dichos coeficientes de autocorrelación, más que porque el
4 y el 8 sean significativos.

Por lo tanto, un decrecimiento lento o un decrecimiento lineal de los coeficientes de

autocorrelación simple estacionales indican la estacionalidad de la serie.
08.14 MODELOS DE SERIES TEMPORALES UNIVARIANTES

4.2.2 PROCESOS INTEGRADOS PARA ESTACIONALIDAD

La eliminación de la estacionalidad para obtener estacionariedad suele hacerse también

mediante diferenciación, en este caso mediante la diferenciación estacional. Así, la serie
desestacionalizada Zt se calcula como:

∇H F F − F $H

donde s es el periodo estacional del proceso analizado, con un valor de 12 para los datos
mensuales, o 4 para los datos trimestrales (según sea el caso).

Autoevaluación 8: ¿Cómo se interpreta una diferencia estacional en el número de pasajeros de la

compañía aérea?

Podemos eliminar la estacionalidad de una serie si tomamos un número suficiente de diferencias

estacionales en la misma. Para determinar si existe estacionalidad, o determinar si sigue existiendo
estacionalidad después de transformar, podemos observar tanto el gráfico de la serie como su función
de autocorrelación simple.

4.3 VARIANZA

La última condición para la estacionariedad de un proceso es que la varianza sea constante.

Esta condición se puede observar comparando la distancia vertical entre picos de cada año
observado (en caso de estacionalidad). Si esa distancia no es la misma (habitualmente
aumenta), entonces debe considerarse que la varianza no es constante, y para conseguir que
lo sea pueden aplicarse ciertas transformaciones sencillas.

Si la varianza de la serie es proporcional al valor medio de la misma (gráfico media-rango), la

forma de resolver el problema consiste en realizar la transformación logarítmica de la serie,
que conduce a valores de varianza más o menos constantes. Otra forma de conseguir la
estacionariedad de la serie es tomar la raíz cuadrada de sus valores y por último tomar
diferencias tiene también como consecuencia que la varianza se estabilice, aunque esta última
transformación es mucho menos potente.

Una forma más elaborada de conseguir una varianza constante es utilizar la transformación
de Box-Cox, que propone transformar la serie de acuerdo a la relación observada entre la
media y la varianza. No se entran en mayores detalles con esta transformación, pues tomar
logaritmo de la variable suele funcionar bien y resolver el problema.

Finalmente, a diferencia de la tendencia y la estacionalidad, la varianza no constante no

puede observarse en la FAS, por lo que debe prestarse atención a la representación gráfica de
la serie para determinar si se acepta que es constante.

Si la varianza de la serie no es constante, la transformaremos tomando logaritmos en la misma. Esta

transformación suele funcionar bien en la mayoría de las series, por lo que no entramos en otro tipo
de transformaciones más elaboradas, como podría ser la de Box-Cox.
PROCESOS ESTOCÁSTICOS 08.15

Volviendo sobre el segundo ejemplo, y tal y como se 3500

PASAJEROS

aprecia en Figura 10, la serie número de pasajeros de

una compañía aérea española no es estacionaria. Se 3000

observa que la media no es constante, dado que

existe tendencia y estacionalidad. Por otra parte, la
2500

PASAJEROS
varianza tampoco es constante. Fallan, por tanto, las 2000

dos condiciones principales para la estacionariedad.

1500

Hay una tercera condición para la estacionariedad de 1000

la serie, pero se asume que esta condición se cumple

siempre, y es que la relación entre dos observaciones 500
1970 1972 1974 1976 1978 1980

depende de la distancia temporal existente entre MES

ellas, más que del instante de tiempo en que se Figura 9 Número de pasajeros de una compañía
observan. aérea española.

Con más detalle se justifican algunas de estas afirmaciones:

 Existe tendencia, puesto que el promedio del número de pasajeros aumenta con el tiempo.

 La estacionalidad se aprecia en que existe una oscilación que tiene la duración de un año,
oscilación que se repite más o menos igual en cada uno de los años representados, con
un máximo anual en el mes de Agosto (o un mínimo en Enero, como se prefiera).

 La varianza del número de pasajeros no es constante porque la amplitud de la oscilación

estacional aumenta con el tiempo. También podemos trazar unas líneas por los máximos
y mínimos de la serie, y esas líneas definen una banda cuya amplitud aumenta con el
tiempo. Que las líneas trazadas para la banda sean rectas o curvas no es tan importante
como evidenciar que la amplitud cambia (aumenta) con el tiempo.
LOGARITMOS - PASAJEROS DIFERENCIA TENDENCIA - PASAJEROS DIFERENCIA ESTACIONAL - PASAJEROS
8.2 600 600

8
400 500

7.8

200 400
7.6

7.4
sd_PASAJEROS
d_PASAJEROS
l_PASAJEROS

0 300

7.2

-200 200
7

6.8
-400 100

6.6

-600 0
6.4

6.2 -800 -100

1970 1972 1974 1976 1978 1980 1970 1972 1974 1976 1978 1980 1970 1972 1974 1976 1978 1980
MESES MESES MESES

(a) (b) (c)

Figura 10 Transformaciones de la serie original: tomar logaritmos (a) para conseguir una varianza constante, tomar
diferencias regulares (b) para eliminarla tendencia, y tomar diferencias estacionales de orden 12 (c) para eliminar la
estacionalidad.

Para convertir la serie en estacionaria es necesario realizar algunas transformaciones:

 Tomando logaritmos en la serie original (Figura 11a) la varianza se vuelve más o menos
constante, porque la amplitud de la oscilación es más o menos igual en todos los años, o
por lo menos ya no aumenta con el tiempo como lo hacía antes.

 Mediante una diferencia regular aplicada a la serie original (Figura 11b) se elimina la
tendencia creciente de la serie. La serie está ahora más o menos horizontal, si bien la
varianza no constante puede distorsionar el aspecto.

 Mediante una diferencia estacional de periodo 12, también en la serie original (Figura 11c)
se consigue eliminar la estacionalidad. No se observan oscilaciones de duración anual que
se repiten de forma similar todos los años.
08.16 MODELOS DE SERIES TEMPORALES UNIVARIANTES

Según dicen los libros de teoría, si las transformaciones se aplican una a una sobre la serie
original, tras cada transformación es posible apreciar mejor el incumplimiento de las restantes
condiciones de estacionariedad. En realidad, tras cada transformación puede que no se
consiga ver nada, y donde se ven claros todos los problemas es en la serie original.

Para que la serie sea realmente estacionaria necesitamos aplicar simultáneamente todas las
transformaciones propuestas. La Figura 12 presenta a la serie transformada, aunque es poco
útil, pues no puede verse nada interesante. Eso sí, la serie es estacionaria.

 El promedio de la serie transformada no cambia con el tiempo

 No existen oscilaciones de duración anual
 La variabilidad observada en cada año es bastante similar entre sí

PASAJEROS - ESTACIONARIA
0.2

0.15

0.1

0.05
sd_ld_PASAJEROS

-0.05

-0.1

-0.15

-0.2

-0.25
1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980
mes

Figura 11 Pasajeros transformada en una serie estacionaria, con una diferencia para la tendencia, una diferencia estacional
de periodo 12 y logaritmos.

4.4 INTERPRETACIÓN DE LAS TRANSFORMACIONES

A medida que una serie se transforma para ser estacionaria se pierde la noción de lo que
realmente se está analizando. La aplicación de las correspondientes diferencias para la
tendencia y la estacionalidad, así como los logaritmos, hace que la variable estudiada sea "otra
cosa"... difícil de interpretar. Incluso no conveniente de interpretar.

 Una diferencia para la tendencia hace que se trabaje con el incremento de la variable, el
aumento de valor de un instante de tiempo respecto al anterior. Esto sería el crecimiento
absoluto de la variable.

E − $

 Una diferencia estacional hace que se trabaje con el incremento interanual de la variable,
el crecimiento absoluto de un instante de tiempo al correspondiente instante de tiempo
en la estación anterior.

E − $H

 El logaritmo de una variable es el orden de magnitud de dicha variable.

 Una diferencia del logaritmo de la variable es el incremento relativo de la variable

PROCESOS ESTOCÁSTICOS 08.17

−
E ln − ln
$
$
$

 Una diferencia estacional del logaritmo de la variable es el incremento relativo interanual

− $H
de la variable
E ln − ln $H
$H

Autoevaluación 9: ¿Cómo se interpretaría una serie resultante de tomar una diferencia para la
tendencia, una diferencia estacional y logaritmos?

CONCLUSIONES

1. El modelo estadístico que permite explicar a una serie temporal de forma racional son los
llamados procesos estocásticos, conjuntos ordenados de variables aleatorias con una
distribución normal multivariante, con un vector de medias y una matriz de varianzas-
covarianzas como parámetros.

2. Si los procesos estocásticos (series temporales) presentan estabilidad en su media y

varianza (valores constantes), y la relación entre dos valores pasados depende únicamente
del tiempo que los separa, entonces se dice que son procesos estacionarios, y es posible
predecir con ciertas garantías sus valores futuros.

3. Las variables económicas no son procesos estacionarios, porque todas ellas presentan
tendencia, lo más seguro es que sean estacionales y no es extraño que su varianza
aumente con el tiempo. Sin embargo, es posible conseguir que sean estacionarios
mediante transformaciones sencillas. Para eliminar la tendencia se tiene la diferenciación
(incrementos), para eliminar la estacionalidad se tiene la diferenciación estacional
(incrementos interanuales), y para una varianza constante se pueden tomar logaritmos.

4. Para explicar la relación de una variable con sus valores pasados se dispone de las
funciones de autocorrelación simple y parcial. La autocorrelación parcial (FAP) cuantifica
la relación directa que existe entre las variables situadas en dos instantes de tiempo
cualesquiera, mientras que la autocorrelación simple (FAS) cuantifica la relación total
existente entre las variables separadas en dos instantes de tiempo.

5. La FAS puede indicar la existencia de tendencia y/o estacionalidad. La tendencia se observa

si los valores de los coeficientes de autocorrelación decrecen lineal o lento con el retardo.
La estacionalidad se observa cuando aparecen unas oscilaciones en los valores de los
coeficientes de autocorrelación simple, o unos picos, que están equiespaciados en el
retardo (12, 24, 36,... para un proceso mensual).
08.18 MODELOS DE SERIES TEMPORALES UNIVARIANTES

CUESTIONES

P1.- Describe las principales características de la serie temporal trimestral CONSUMO FINAL
EN LOS HOGARES y determina las transformaciones que son necesarias para conseguir que
la serie sea estacionaria.

CONSUMOFH
100000

95000

90000

85000
CONSUMOFH

80000

75000

70000

65000

60000
1995 1996 1997 1998 1999 2000 2001 2002
trimestre

P2.- Las siguientes figuras corresponden a la serie NÚMERO de LLAMADAS de TELÉFONO (en
millones de unidades) realizadas en España desde enero de 1992 hasta mayo de 1996. A
partir de ellas indicar de forma razonada las transformaciones que parecen razonables
para conseguir la estacionariedad.

LLAMADAS

1800

1700

1600
LLAMADAS

1500

1400

1300

1200

1100
1992 1993 1994 1995 1996 1997
mes

P3.- Se desea transformar la serie CONSUMO DE VERDURAS en la ciudad de Valencia para que
sea estacionaria. Por ello se pide determinar las características más relevantes de la serie,
así como las transformaciones que deben realizarse para convertirla en estacionaria.
Comentar las siguientes figuras, con la serie y la FAS originales, la FAS de la serie con una
diferencia para la tendencia (d_VERDURA) y la FAS de la serie con una diferencia estacional
de periodo 12 (sd_VERDURA).

VERDURA

13000

12000

11000

10000
VERDURA

9000

8000

7000

6000

5000
1998 2000 2002 2004 2006 2008
mes
PROCESOS ESTOCÁSTICOS 08.19

P4.- Describe las principales características del gasto en PUBLICIDAD de NETFLIX, en miles de
dólares USA, observada trimestralmente desde el primer trimestre de 2010 hasta el cuarto
trimestre de 2017. A partir de ellas determina las transformaciones que deben realizarse
para convertirla en estacionaria.

PUBLICIDAD NETFLIX ACF for PUBLICIDAD

1
450000 95% interval

0.5

400000 0

-0.5

350000 -1
0 2 4 6 8 10
lag

300000 PACF for PUBLICIDAD

1
PUBLICIDAD

+- 1.96/T^0.5

0.5
250000

200000 -0.5

-1
0 2 4 6 8 10
150000 lag

100000

50000
2010 2011 2012 2013 2014 2015 2016 2017 2018
trimestre

P5.- Describe las principales características de la serie temporal mensual VOLUMEN DE FRUTA
COMERCIALIZADO EN LA CIUDAD DE VALENCIA (toneladas). A partir de ellas determina las
transformaciones que deben realizarse para convertirla en estacionaria.

VOLUMEN DE FRUTA ACF for FRUTA

1
10000 95% interval

0.5

9000
-0.5

-1
0 5 10 15 20 25
lag
8000

PACF for FRUTA

1
+- 1.96/T^0.5
FRUTA

0.5
7000

-0.5

6000
-1
0 5 10 15 20 25
lag

5000

4000
1994 1996 1998 2000 2002 2004 2006 2008
mes

P6.- Describe las principales características de la serie número de PASAJEROS del tranvía de
València, línea 6, medido en personas, desde septiembre de 2007. A partir de ellas
determina las transformaciones que deben realizarse para convertirla en estacionaria.
08.20 MODELOS DE SERIES TEMPORALES UNIVARIANTES

PASAJEROS TRANVÍA L6 ACF for LINEA6

1
300000 95% interval

0.5

250000
-0.5

-1
0 5 10 15 20 25
lag
200000

PACF for LINEA6

1
+- 1.96/T^0.5
LINEA6

0.5
150000

-0.5

100000
-1
0 5 10 15 20 25
lag

50000

0
2008 2009 2010 2011 2012 2013 2014 2015
MES