x11 Spanish

REVUE DES TECHNIQUES , MTHODES ET INSTRUMENTS
DE RECHERCHE EN S CIENCES H UMAINES

Nmero Especial
Dominique L ADIRAY, Benot Q UENNEVILLE

DESESTACIONALIZAR CON EL MTODO X-11
Prefacio de Allan YOUNG
Traduccin al castellano: Eduardo C RIVISQUI
2000 - 2001 -
8 - 9
Laboratoire de Mthodologie du Traitement des Donnes

UNIVERSITE LIBRE DE BRUXELLES
Bruxelles - Belgique
METHODOLOGICAa
Comite de redaccin - Comit de rdaction

Enrica A MATURO
Ramn A RDANUY A LBAJAR
Monique B CUE
Atilio B ORN
Pierre B OURDIEU
Fernando C ALDERN
Philippe C IBOIS
Fernando C ORTS
Frank C RITCHLEY
Jean-Jacques D ROESBEKE
Yves E SCOUFIER
Jeanne F INE
Eugne H ORBER
Jorge Ral J ORRAT
Dominique L ADIRAY
Claude L ANGRAND
Natale L AURO
Jorge PADUA
Hebe de ROITER
Rose-Mary S ALAZAR
Juan Javier S NCHEZ C ARRIN
Horacio T ORRES
Manuel V ILARES
Hugo Z EMELMAN
Editor Responsable - diteur Responsable

Eduardo C RIVISQUI
U NIVERSIT L IBRE DE B RUXELLES
Av. Jeanne (CPI 124) - B-1050 Bruxelles - Belgique
Tel.: +32 2 650.32.74
a
ISSN 0778-7553
Prefacio
Los autores, Dominique L ADIRAY y Benot Q UENNEVILLE, nos proponen en este trabajo un estudio nico y completo del mtodo de desestacionalizacin X-11. Examinan
detalladamente la versin original del mtodo X-11, producido por el US Bureau of
Census a mediados de los aos 60. La base del mtodo X-11-A RIMA fue desarrollada
por Statistique Canada en los aos 1970 y el mdulo X-11 del mtodo X-12-A RIMA
fue distribuido recientemente por el US Bureau of Census. Este trabajo ser muy til
para aquellas personas que trabajan en el campo de la desestacionalizacin y que desean comprender el mtodo X-11, es decir que buscan comprender como se ubica este
mtodo en el campo general de los mtodos de ajuste de estacionalidad.
Lo que los autores llaman Mtodo X-11 fue designado originalmente X-11
Variant of the Census Method II Seasonal Adjustment Program. Ese era el resultado
del trabajo de investigacin desarrollado por Julius S HISKIN en los aos 1950, en el
US Bureau of Census. El programa de desestacionalizacin Census Method I fue
presentado por S HISKIN en 1954, rpidamente seguido del Method II presentado
en 1957.
En el Mtodo I, los coeficientes estacionales eran estimados por medio de las medias mviles aplicadas a los valores de la componente estacional irregular de cada
mes. Esa componente era calculada con el cociente entre la serie original y el resultado del alisado de la serie original con una media mvil centrada sobre 12 trminos,
alisado que deba representar la componente tendencia-ciclo. Se calculaba una segunda serie ajustada, reemplazando esta estimacin de la tendencia-ciclo con el alisado
de la primera estimacin de la serie corregida de variaciones estacionales, mediante
una media mvil simple de orden 5.
Las mejoras ms importantes incluidas en el Mtodo II eran las siguientes:
1. Las medias mviles simtricas fueron completadas, en los extremos de la serie,
por un conjunto de medias mviles asimtricas.
2. En la segunda etapa del Mtodo I, la media mvil simple de orden 5 utilizada
fue reemplazada por una media mvil ponderada sobre 15 trminos, lo cual
conduca a una estimacin de la tendencia-ciclo ms lisa y ms flexible. En el
Mtodo I, los coeficientes estacionales obtenidos durante la segunda etapa eran
considerados como alternativas que podan revelarse tiles en el caso de algunas
series. Con el Mtodo II, no caba ya ninguna duda: los coeficientes estacionales
obtenidos en la segunda etapa eran mejores.
4
3. Los valores aberrantes de la componente estacional irregular eran identificados
y corregidos, para cada mes, antes del clculo de los coeficientes estacionales.
El Mtodo II fue uno de los primeros usos en gran escala de las computadoras en
el tratamiento de datos econmicos. El programa funcionaba en las dos computadoras
UNIVAC recientemente instalados en el US Bureau of Census. El tratamiento de una
serie mensual de 8 a 10 aos requera alrededor de siete minutos. Para desarrollar el
Mtodo II, S HISKIN se inspir en el mtodo grfico de ajuste estacional, ideado en
la US Federal Reserve, antes de la Segunda Guerra mundial. Este mtodo comenzaba por alisar los datos originales con una media mvil de orden 12 modificando, si
era necesario, la curva lisa para traducir mejor la componente tendencia-ciclo. Luego,
para estimar los coeficientes estacionales, se dibujaba a mano una curva, a travs de
los valores de la componente estacional irregular de cada mes. Dibujando esa curva, el
analista correga el efecto de los valores considerados aberrantes en funcin del garbo
de los datos y de sus conocimientos del sector econmico. El Mtodo II puede ser considerado como una tentativa de hacer replicar con la computadora un procedimiento
que, hasta entonces, era utilizado por profesionales de mucha experiencia.
En una oportunidad, cuando an no se dispona de computadoras, pregunt a un
antiguo funcionario de la Divisin del Presupuesto Nacional, de la Oficina de Anlisis
Econmico de los Estados Unidos, como lograba ese servicio actualizar y revisar cada ao los coeficientes estacionales de los datos del PNB. Me respondi lo siguiente:
hacemos trabajar los empleados de estadstica toda la noche. Y eso que los trabajadores de la noche no intervenan ms que al fin de un perodo de dos o tres
meses, durante el cual se trabajaba de noche y los fines de semana. Las revisiones
anuales de las cuentas nacionales por parte de la Oficina de Anlisis Econmico son
siempre ejercicios muy importantes, pero ya no es ms necesario de hacer trabajar
durante las noches al conjunto del personal! Hoy en da, las revisiones se calculan
en algunos segundos, con las computadoras de la Oficina, que funcionan muy raramente fuera de las horas normales de trabajo. El xito del Mtodo II se debi, en
parte, al hecho que ese paquete informtico era de un uso simple. Inclua las salidas
grficas para las diferentes componentes de la serie original, lo cual ayudaba a que
los utilizadores comprendieran el procedimiento y pudieran juzgar la calidad de los
resultados. El mtodo era suficientemente robusto y su empleo no exiga una elevada formacin en estadstica matemtica. Existen dos justificaciones importantes de la
desestacionalizacin. La primera es estimar la componente estacional, por ejemplo
con el objetivo de planificar mejor la produccin o facilitar la gestin de stocks. La
segunda es estimar esa componente estacional para eliminarla de la serie bruta, de esta
forma se puede poner mejor en evidencia las otras causas de variaciones de la serie,
en particular aquellas que resultan del ciclo de negocios.
S HISKIN quera satisfacer la demanda de los responsables de la poltica econmica
del gobierno, que solicitaban obtener dos cosas lo ms rpidamente posible. En primer
lugar, queran disponer de elementos descriptivos cifrados de la situacin econmica
actual. Por otra parte, queran disponer de previsiones a corto plazo. Con esos objetivos, era bastante natural separar la componente estacional de la componente cclica,
al menos en la medida en que stas parecieran independientes entre ellas. El Mtodo
II daba una previsin de los coeficientes estacionales para el ao siguiente, de modo tal que era muy simple estimar y extraer la parte debida a la variacin estacional
en todo nuevo dato mensual. Habr que esperar muchos aos para que sea prctica-
5
mente posible re-estimar la componente estacional para cada nuevo dato disponible
y para demostrar que esta nueva estrategia es mejor que aquella que se apoyaba en
las previsiones anuales de los coeficientes. Sin embargo, se pudo percibir rpidamente
que las revisiones de los coeficientes estacionales, hechas cuando estaban disponibles
los nuevos datos completos de un ao, eran a menudo muy importantes y difciles a
manejar.
En 1958 comenc a trabajar con S HISKIN en el US Bureau of Census y en 1959 se
incorpor John M USGRAVE. A partir de entonces, dedicamos muchos aos a mejorar
el Mtodo II y colaborbamos con S HISKIN en el perfeccionamiento de indicadores
del ciclo de negocios. Hubo una sucesin de nuevas versiones experimentales de ese
paquete informtico, las cuales fueron designadas X-1, X-2, hasta X-11. Para designar
esos paquetes con el nombre genrico X nos inspiramos en los ensayos de aviones
propulsados con motores de cohetes. En 1947, Chuck Y EAGER sobrepas el muro
del sonido con un avin X-1 que fue el primer modelo de una serie de prototipos. A
mediados de los aos 60, el X-15, el ltimo de esos aviones a reaccin, volaba a una
velocidad varias veces superior a la velocidad del sonido. Dos de esas versiones experimentales, la X-3 y la X-9, reemplazaron sucesivamente el Mtodo II, en tanto que
versiones oficiales del US Bureau of Census y en varias otras agencias del Gobierno.
Contenan nuevas medias mviles asimtricas para la estimacin de los coeficientes
estacionales y conducan a revisiones sensiblemente menores.
La versin X-10 fue desarrollada en colaboracin con Stephen M ARRIS, de la
Organizacin para la Cooperacin y el Desarrollo Econmico (OCDE), durante la pasanta que realiz en el US Bureau of Census. El paquete X-10 contena un conjunto
de medias mviles y el programa elega entre ellas la ms apropiada para cada mes.
Este enfoque permiti reducir una vez ms las revisiones de los coeficientes de un gran
nmero de series. X-10 se convirti en el mtodo oficial de la OCDE. Esta estrategia no
fue retomada por defecto en la versin X-11, pero figuraba como opcin. Un enfoque
similar fue definido para la estimacin por defecto de la componente tendencia-ciclo.
Otras dos personas merecen ser citadas. Luego de la presentacin del Mtodo II
hecha por S HISKIN, Duane E VANS desarroll un mtodo de desestacionalizacin,
basado en medias mviles, para el US Bureau of Labor Statistics. Una de las innovaciones de este nuevo paquete puede ser considerada como el elemento precursor del
procedimiento de deteccin y de correccin de puntos aberrantes que fue luego introducido en la versin X-11. Adems, poco tiempo despus del advenimiento del Mtodo II, el US Bureau of Census, bajo la direccin de Harry M. ROSENBLATT, se lanz
en el desarrollo de un mtodo paramtrico de ajuste estacional. Pero, ninguno de esos
enfoques constituyeron una alternativa seria de X-11, en parte porque las revisiones
de los coeficientes estacionales estimadas por esos mtodos resultaban mayores.
Ciertamente, no esperbamos en 1965, que X-11 jugara todava 35 aos ms
tarde un papel tan importante en desestacionalizacin. Nos pareca, en cambio,
deseable que se propusiera una forma de medir la precisin de las estimaciones de los
coeficientes.
6
Los autores de este estudio, completo y muy actualizado, del mtodo X-11, deben
ser felicitados. Es posible que este trabajo sirva no solamente para prolongar la vida
de X-11, sino tambin que contribuya al desarrollo y a la popularizacin de nuevos
mtodos, que tendrn pocas semejanzas con los mtodos del pasado.
Allan H. YOUNG
Abril 2000
Heathsville, Virginia
Introduccin
En materia de desestacionalizacin, el mtodo estadstico ms utilizado es sin duda
el mtodo empleado en el paquete Census-X-11. Desarrollado en los aos 50-60 por
el US Bureau of Census, ese programa recibi numerosas modificaciones y mejoras.
Es el caso en particular del paquete X-11-A RIMA , en los aos 1975 y 1988 (DAGUM [19,
20]), y del paquete X-12-A RIMA, cuya primera versin de test fue difundida en 1998
(F INDLEY e alii. [22]). A pesar de que esos paquetes incorporan a diversos niveles
mtodos de anlisis paramtrico y particularmente los modelos A RIMA, popularizados
por B OX y J ENKINS [8], en realidad se aproximan bastante del mtodo inicial X-11 y
es a ese ncleo que nos interesamos a continuacin.
Los detractores de X-11 han subrayado el aspecto caja negra del paquete. Ciertamente, la ausencia de modelo explcito ha contribuido mucho a esa apreciacin, tanto
como la multiplicidad de sus opciones y de las tablas producidas. Census-X-11 es sin
embargo una herramienta estadstica moderna: es un mtodo no paramtrico que se
basa en estimaciones iterativas y se trata de uno de los primeros usos intensivos de la
computadora. Su principio de base es simple y bastante fcil de explicar. No obstante,
es verdad que an para un utilizador muy experimentado, era difcil (por no decir imposible) reconstruir y explicar cada tabla producida por Census-X-11. La presencia
de errores menores de programacin y de imprecisiones en la documentacin, hacan
imposible esa tarea. La mayora de esos errores de programacin han desaparecido de
las nuevas versiones del paquete y hemos decidido realizar un trabajo que nunca se
haba llevado a cabo hasta ahora: tratar a fondo un ejemplo de desestacionalizacin
por el mtodo X-11.
Para ello, hemos programado el mtodo X-11 en Mathematica c y en lenguaje
SAS c , verificando as cada etapa de la desestacionalizacin y validando paso a paso
los resultados de X-11-A RIMA y de X-12-A RIMA. Despus de algunas correcciones
de errores detectadas en cada uno de los paquetes, todos esos programas convergen 1 .
Este trabajo aporta una documentacin sobre la tcnica de desestacionalizacin
que es utilizada en los paquetes que se basan en el mtodo X-11. Puede servir de
documento de referencia en los Institutos de Estadstica, para los macro-economistas
o para todos los analistas de datos econmicos temporales. Todos los profesionales
que trabajan en el campo del ajuste estacional deberan entonces sacar provecho de
este trabajo. Luego de una breve resea histrica de la desestacionalizacin, el lector encontrar una presentacin general del mtodo X-11. El captulo siguiente ser
dedicado al estudio de la medias mviles, haciendo nfasis en las medias mviles
utilizadas en el mtodo X-11. A continuacin se presentar un ejemplo completo de
1 X-11-A RIMA
version 2000 y X-12-A RIMA version 0.2.7.
8
desestacionalizacin y el lector podr seguir, con todo detalle, el conjunto de los clculos realizados. Se estudian en ese ejemplo los modelos de regresin lineal utilizados
para los efectos de das laborables y el procedimiento de deteccin y correccin de valores atpicos. La estimacin del efecto de Pascua es el objeto de un captulo separado,
puesto que los modelos utilizados a tal efecto en X-11-A RIMA y en X-12-A RIMA son
sensiblemente diferentes.
Nos concentramos aqu en la parte X-11 de los paquetes actuales, es decir sin hacer
referencia a una modelizacin A RIMA a priori de la serie a desestacionalizar. Llegado
el caso, sern sealadas las pequeas diferencias que existen entre X-11-A RIMA y
X-12-A RIMA, en lo que hace al funcionamiento de ese ncleo central.
Cuando a continuacin hagamos referencia a X-11, nos referiremos al mtodo
de desestacionalizacin y no al paquete Census-X-11.
Agradecimientos
La mayor parte de este trabajo fue realizada durante la pasanta de Dominique
L ADIRAY en Statistique Canada, en el Centre de recherche et danalyse des sries
temporelles, de enero de 1998 a setiembre de 1999, en el marco del programa de
intercambios entre Statistique Canada y el Institut National de la Statistique et des
tudes conomiques (INSEE). Agradecemos a ambas instituciones el habernos facilitado la oportunidad y los recursos necesarios para trabajar en este proyecto.
Para realizar este trabajo, fue necesario penetrar en el cdigo Fortran de X-11.
Agradecemos a Paul W ONG, de Statistique Canada y a Brian M ONSELL, del US Bureau of Census, el haber respondido a nuestras numerosas preguntas y el haber corregido algunos errores de programacin que hemos identificado.
Agradecemos tambin a Ketty ATTAL, del INSEE, por su contribucin en la redaccin de los Captulos I y III.
Varias personas nos han ayudado, comentando las primeras versiones de este trabajo. Agradecemos a Guy H UOT, Bernard L EFRANOIS y Manchi L UC de Statistique
Canada por su meticulosa lectura de la versin original en francs. Nuestro agradecimiento va tambin al traductor annimo de Statistique Canada que tom en cargo la
versin en ingls. Hacemos llegar nuestro agradecimiento a Marietta M ORRY, Norma
C HAB, Helen F UNG y John H IGGINSON por sus comentarios a propsito de la versin
preliminar en ingls.
Agradecemos tambin a David F INDLEY y Brian M ONSELL, del US Bureau of
Census, a Michael BAXTER del UK Central Statistical Office y a Andrew S UTCLIFFE
del Australian Bureau of Statistics, por las discusiones apasionantes y por la lectura
detallada de le versin en ingls.
Agradecemos sinceramente a Allan YOUNG el haber aceptado de redactar el prefacio de este trabajo. Le expresamos aqu nuestra profunda admiracin por el conjunto
de sus trabajos cientficos.
9
Por ltimo, agradecemos a John K IMMEL de Springer-Verlag New York Inc. el
haber aceptado la idea de publicar la versin en ingls de este trabajo 2 , as como a
Bernard L EFRANOIS de Statistique Canada, Marius O OMS de la Vrij Universiteit
van Amsterdam y a Stuart S COTT del US Bureau of Labor Statistics por haber reledo
y comentado el manuscrito presentado a Springer-Verlag.
Las opiniones expresadas en este trabajo son de sus autores y no necesariamente
de Statistique Canada y del INSEE. Los autores son responsables de todo error que
haya escapado al trabajo de revisin y correccin.
D. L ADIRAY3
B. Q UENNEVILLE4
Julio 2000
Paris, Francia
Ottawa, Canad
Nota de la Redaccin:
Agradecemos a los autores el habernos autorizado a traducir al castellano este
importante trabajo, que ser difundido en Amrica Latina mediante este Nmero Especial de la revista METHODOLOGICA.
2 L ADIRAY , D.
and Q UENNEVILLE , B. (2001) "Seasonal Adjustement with the X-11 Method", in: Lecture Notes in Statistics, (158):220 pp., Springer-Verlag New York Inc., New York, USA.
3 Dominique L ADIRAY es Administrador del INSEE (France), actualmente fue afectado en los servicios
de EUROSTAT, Btiment Jean Monnet, Rue Alcide de Gasperi, L-2920 Luxembourg.
Tel.: +352-4301-33339, e-mail: dladiray@hotmail.com.
4 Benot Q UENNEVILLE es Metodlogo en el Centre de recherche et danalyse des sries temporelles,
3G-RHC-BSMD, Statistique Canada, Ottawa, Ontario, Canada, K1A 0T6.
Tel.: +1-613-951-1605, Fax: +1-613-951-5711, e-mail: quenne@statcan.ca.
10
Captulo 1
Breve historia de la desestacionalizacin

Hoy en da es usual descomponer una serie
observadas, siguiendo un modelo de tipo:
observada, en varias componentes no

en donde
y
designan, respectivamente, la tendencia, el ciclo, la estacionalidad y lo irregular. Esta idea es antigua y el origen de la misma debe ser
buscado, sin duda, en la astronoma1.
En el siglo XVII, una mayor precisin en las mediciones de los movimientos planetarios llevaba a pensar que se contradecan las leyes de Kepler y se acept, poco a
poco, la idea que dichas leyes daban una aproximacin de la posicin del planeta, ms
bien que su posicin exacta (N ERLOVE, G RETHER y C ARVALHO [57]). La posicin
observada fue entonces considerada como la suma de la posicin terica y de una
fluctuacin irregular. Ms tarde, se observ que las rbitas de los planetas se modifican
insensiblemente y se hizo la distincin entre movimientos seculares y peridicos. Nace
as el modelo con componentes inobservables. A fines del siglo XVIII e inicio del
siglo XIX, muchos matemticos se interesaron en la explicacin de esos movimientos
peridicos o irregulares, es el caso entre otros de E ULER, de L AGRANGE o de
L APLACE.
Los economistas incorporron en sus trabajos esta idea sobre la manera de descomponer una serie temporal. Algunos no dudron en reconocer que esa idea provena
directamente de la astronoma2 o de la meteorologa3. Paralelamente, el desarrollo de
los conocimientos matemticos dar a los investigadores los recursos necesarios para
ir ms all de la simple visualizacin grfica en el anlisis de las series temporales.
Entre los aportes ms importantes hechos en esa rea, se debe citar, evidentemente,
los trabajos de Jean-Baptiste Joseph F OURIER [24] sobre la descomposicin de una
1 Esta seccin se inspira en los trabajos de: A RMATTE [2], B ELL y H ILLMER [6], H YLLEBERG [37],
N ERLOVE , G RETHER y C ARVALHO [57].
2 N ERLOVE , G RETHER , C ARVALHO [57] citan varios ejemplos, entre otros, de C OURNOT [17] y
J EVONS [38]. En 1801, el astrnomo britnico William H ERSCHEL [32] public un estudio en el cual establece la relacin entre la periodicidad observada de las manchas solares y la del precio del trigo.
3 Es difcil dejar de citar los trabajos del meteorlogo B UYS -B ALLOT [10] quien, en 1847, estudiaba
las variaciones peridicas de la temperatura, modelizando la tendencia con un polinomio, la estacionalidad con variables indicadoras, y haca implcitamente uso de tcnicas de regresin lineal para estimar los
parmetros.
12
Captulo 1: Breve historia de la desestacionalizacin
serie en una suma de funciones trigonomtricas. Esos trabajos permitieron el advenimiento del anlisis armnico y luego facilitaron la definicin del anlisis espectral,
cuando se formul la nocin de proceso estocstico. La razn es que, en esa poca,
tanto en la economa como en las otras ciencias, la visin dominante es determinista,
caracterizndose por la bsqueda de leyes exactas que expliquen todos los fenmenos
fsicos, econmicos, demogrficos, biolgicos, etc.
En numerosos estudios de esa poca, se trata de evidenciar ciclos que pudieran
ser explicados a travs del estudio y el anlisis, pero tambin se trata de prever las
crisis econmicas (A RMATTE [2]). En esas condiciones, las componentes peridicas
de corto plazo presentan poco inters y parece conveniente eliminarlas:
Toda fluctuacin peridica, ya sea diaria, semanal, trimestral o anual,
debe ser detectada y evidenciada, no solamente para estudiarla, sino
tambin porque esas variaciones peridicas deben ser evaluadas y eliminadas para hacer resaltar aquellas que, irregulares o no peridicas, son
probablemente ms importantes e interesantes (J EVONS [38])4 .
A fines del siglo XIX y a inicio del siglo XX, abundan las publicaciones sobre la
descomposicin de series econmicas, as como sobre las tcnicas de estimacin de
componentes o sobre los elementos de definicin de las mismas 5 . No cabe duda que
W. M. P ERSONS [59] tuvo el mrito de haber propuesto en 1919, en un mismo trabajo,
un mtodo completo de descomposicin, incluyendo una tentativa de definicin
y de formalizacin de las componentes inobservables, un esquema de composicin y
un mtodo de estimacin.
Segn W. M. P ERSONS, una serie temporal se descompone en cuatro tipos de
fluctuaciones, las cuales hoy en da nos son familiares:
a) Una tendencia a largo plazo, o tendencia secular. Para una gran cantidad de
series, tales como los bank clearings o la produccin de bienes, la tendencia
secular puede ser considerada como el elemento de crecimiento;
b) Un movimiento ondulatorio o cclico que se sobrepone a la tendencia secular.
Esas curvas parecen alcanzar sus picos durante los perodos de prosperidad
industrial y presentan huecos durante los perodos de depresin. Sus altas y
bajas constituyen el ciclo de negocios;
c) Un movimiento estacional infra-anual, que presenta un garbo caracterstico
para cada serie;
d) Una variacin residual, debida a acontecimientos que afectan una serie particular, o bien a hechos excepcionales, tales como guerras o catstrofes natu4 Every kind of periodic fluctuations, whether daily, weekly, quarterly, or yearly, must be detected and
exhibited not only as a subject of study in itself, but because we must ascertain and eliminate such periodic
variations before we can correctly exhibit those which are irregular or non-periodic and probably of more
interest and importance.
5 Por ejemplo, en 1905, Lucien M ARCH [52] distingue los cambios anuales, de los cambios polianuales (por ejemplo decenales), o de los cambios seculares, sin hablar de los perodos ms cortos que un
ao(citado por Y ULE [68], B ELL y H ILLMER [6]). Se puede citar tambin el trabajo precursor de las hermanas Colette y Berthe M ABALLE [50], que tratron de aislar los puntos de inversin de una serie con
ayuda del correlograma.
13
rales, que afectan simultneamente un gran nmero de series (P ERSONS [59]) 6 .
Esas componentes son luego combinadas siguiendo los esquemas de composicin
aditivos o multiplicativos que son conocidos:
Esquema aditivo:
,
Esquema multiplicativo:
o bien :

,
.
La mayora de las publicaciones de esa poca aceptan esos modelos y definiciones sin mucha discusin. Hacen nfasis ms bien en las tcnicas propiamente
dichas de ajuste estacional o de extraccin del ciclo. De la misma manera, fueron
aceptados otros conceptos: la idea que la estacionalidad vara con el tiempo; la necesidad de tomar en cuenta simultneamente todas las componentes cuando se estima la
parte estacional; la imposibilidad de describir las tendencias y los ciclos con frmulas
matemticas simples y explcitas; la necesidad de tratar los puntos atpicos. . . Todas
esas ideas engendraban mtodos de estimacin diferentes (M ENDERHAUSEN [53]).
Sin embargo, los trabajos de ese entonces se inspiraban principalmente en dos
grandes mtodos, de los cuales se har una breve descripcin en el caso especfico de
un modelo multiplicativo (A RMATTE [2]).
En 1910, el mtodo de los vnculos relativos (relative links), elaborado por
P ERSONS [59], tiene la preferencia de los economistas estadsticos. Su principio
consiste en: calcular para cada valor mensual de la serie, la relacin
entre dicho valor y el valor del mes precedente; producir la tabla de valores de
esas relaciones para los 12 meses; determinar luego las medianas
, de esas doce series. Seguidamente, esas medianas eran encadenadas
por multiplicacin, tomando una base 100 para enero:
.
Luego, esos coeficientes estacionales eran corregidos con un factor
para que
.

"#

$

!
La segunda manera de determinar los coeficientes estacionales es el mtodo de

las medias mviles7 , utilizado a partir de 1922 por la US Federal Reserve8 y
que es popularizado ms tarde por M ACAULAY [51]. El mtodo se basa en el
clculo de una media mvil centrada de orden 12, para obtener una estimacin
de la tendencia . La relacin entre los datos originales y esta estimacin produce
una primera estimacin de la componente estacional. Para eliminar lo irregular,
se calculan seguidamente las medianas (o las medias) de la componente de cada
6 (a) A long-time tendency or secular trend; in many series such as bank clearings or production commodities, this may be termed the growth element;
(b) A wavelike or cyclical movement superimposed upon the secular trend; these curves appear to
reach their crests during the periods of industrial prosperity and their troughs during periods of industrial
depression, their rise and fall constituting the business cycle;
(c) A seasonal movement within the year with a characteristic shape for each series;
(d) A residual variation due to developments which affect individual series, or to momentous occurrences such as wars or national catastrophes, which affect a number of series simultaneously.
7 En el Captulo III se hace una presentacin completa de las medias mviles.
8 A menudo se atribuye al fsico ingls J. H. P OYNTING [60] la primera utilizacin, en 1884, de una
media mvil para eliminar la tendencia y aislar las fluctuaciones de una serie, que puede entonces ser
tratada con el anlisis armnico.
14

mes. Luego se ajustan esos nuevos ndices de manera tal que la suma de los
mismos sea igual a 1 y que se puedan obtener as los coeficientes estacionales
definitivos.
A pesar de que esos mtodos eran muy populares, fueron objeto de numerosas
crticas a nivel terico. Por ejemplo, S LUTSKY [64] y Y ULE [69] mostraron que el empleo de medias mviles poda introducir ciclos artificiales en los datos. F ISHER [23]
deploraba que se apliquen mtodos empricos ad hoc cuando existan herramientas
matemticas adecuadas. En esos tiempos, el acontecimiento ms importante es, seguramente, la aparicin a fines de los aos 20, de los modelos auto-regresivos (Y ULE [69])
y de las medias mviles (S LUTSKY [64]) para el anlisis de las series temporales. Es
decir, en otros trminos, la propuesta de una va para que los economistas estadsticos
pudieran salir del marco determinista tradicional, utilizando los primeros procesos estocsticos. Pero habr que esperar varios aos todava para que esos mtodos alcancen
un cierto xito en el campo de la desestacionalizacin.
En los aos 30, los mtodos de desestacionalizacin basados en las tcnicas de
regresin fueron acogidos con algunas reservas. Generalmente, esos mtodos se fundaban en: una descomposicin aditiva de la serie inicial, o una transformacin simple
de esa serie; una modelizacin de la serie inicial y de cada una de sus componentes
por medio de funciones paramtricas simples; y en una estimacin de los parmetros
mediante mtodos del tipo de mnimos cuadrados habituales. El rechazo momentneo de esos mtodos se explica, sin duda, por la dificultad de encontrar una buena
especificacin del modelo y en particular por la necesidad de adoptar hiptesis fuertes
para las componentes inobservables (B ELL y H ILLMER [6]).
Despus de la Segunda Guerra mundial, el desarrollo de la informtica contribuy
grandemente a la difusin y al mejoramiento de los mtodos de desestacionalizacin.
En 1954, Julius S HISKIN elabora el Census Method I, en el US Bureau of Census.
Este mtodo de desestacionalizacin ser seguido, en 1957, por el Census Method II
y por once versiones eXperimentales (X-1, X-2, etc.), hasta que en 1965 se produjo el
paquete de desestacionalizacin X-11 (X-11 Variant of the Census Method II Seasonal Adjustment Program, S HISKIN , YOUNG y M USGRAVE [63]). Esas diversas versiones se inspiraban directamente en los alisados por medias mviles y en los trabajos
de M ACAULAY [51], constituyendo los primeros mtodos automticos de ajuste estacional. Census X-11 se convirti rpidamente en un estandar utilizado en todo el mundo. Las nuevas posibilidades de clculo facilitaron el empleo de tcnicas paramtricas
de regresin para la estimacin y la correccin de los efectos de calendario (das hbiles, das de asueto, vacaciones, etc.). Adems se integr en el paquete Census X-11
el tratamiento automtico de esos efectos, basado en los trabajos de YOUNG [67].
Paralelamente, la modelizacin paramtrica de las series temporales y el anlisis
espectral hicieron grandes progresos debidos, esencialmente, al desarrollo de la teora
de los procesos estocsticos. Las herramientas de desestacionalizacin se beneficiaron
poco a poco con esos avances.
El anlisis armnico fue utilizado, desde muy temprano, para resolver los problemas de descomposicin de series en un marco decididamente determinista. Se
lo utilizaba para poner en evidencia la periodicidad exacta, siendo que se saba que
los ciclos podan no ser rigurosamente peridicos o que las estacionalidades podan
modificarse. An as, hubo que esperar el advenimiento de las computadoras, en los
aos 60, para poder aprovechar los progresos cumplidos por la teora y poder utilizar
15
mejor el anlisis espectral. Slo entonces se pudo mejorar las estimaciones de la densidad espectral (BARTLETT [3], T UKEY [66]); estudiar los procesos no estacionales
(P RIESTLEY [61]); ejecutar rpidamente las transformaciones de Fourier (C OOLEY y
T UKEY [16]); etc.
La popularizacin, en 1970, de los modelos A RIMA por B OX y J ENKINS permiti
que las herramientas de desestacionalizacin progresaran en dos rumbos. Por un lado, esos modelos constituyeron un aporte importante al desarrollo de Census X-11,
el cual evolucion en 1975 hacia X-11-A RIMA (DAGUM [18, 19]). En esta nueva
versin, los modelos A RIMA son empleados para prolongar la serie inicial antes de
desestacionalizarla con el mtodo X-11, lo cual permite limitar las revisiones de las
estimaciones del fin de la serie cuando se dispone de un punto suplementario. Por otra
parte, la modelizacin A RIMA fue tambin introducida en los mtodos de desestacionalizacin basados en la teora de extraccin del seal. Existen numerosos ejemplos
de trabajos que utilizan la modelizacin A RIMA y el anlisis espectral para desestacionalizar (consultar por ejemplo: B ELL y H ILLMER [6]). Todos esos avances tcnicos
y tericos hacen al desarrollo y a la popularidad alcanzados hoy en da por los mtodos
de descomposicin basados en modelos.
Actualmente, las dos grandes tendencias de la desestacionalizacin, el enfoque emprico y el enfoque por modelizacin, inspiran diversos mtodos de los cuales algunos
mezclan esas dos doctrinas. Es difcil evitar las principales crticas que se pueden hacer a cada uno de esos enfoques. Por ejemplo, se reprocha a los mtodos empricos que
no sean ptimos y que no se apoyen en modelos explcitos, lo cual hace particularmente difcil, sino imposible, el conocimiento de las propiedades estadsticas de los
estimadores utilizados. Los mtodos basados en modelos son satisfactorios en ese aspecto, pero subsisten interrogantes en lo que hace a la pertinencia de la modelizacin,
sobretodo cuando los modelos univariados son empleados para series econmicas que
dependen, esencialmente, de numerosos factores externos. Existen dudas tambin que
esos mtodos de estimacin no sean suficientemente robustos en el caso de series
fuertemente perturbadas. Se invoca adems la dificultad de modelizar a priori algunas
componentes de las cuales se sabe poca cosa, pero tambin la insuficiencia relativa de
la teora estadstica de series no estacionales.
Por todo ello, las recientes mejoras introducidas no conciernen a los principios
mismos de los mtodos existentes, sino que tratan ms bien de corregir algunos de sus
defectos. Los principales aportes conciernen, por un lado, a los problemas relativos
a la estimacin de las componentes al principio y al fin de la serie. Por otra parte, se
orientan hacia la eliminacin de varias perturbaciones que influyen en los resultados de
la desestacionalizacin (puntos atpicos, cambios de rgimen, efectos de calendario,
etc.).
Como se resume esquemticamente en la Figura 1.1, los mtodos de desestacionalizacin pueden ser clasificados en dos grandes categoras: los mtodos no paramtricos y los mtodos paramtricos.
Los mtodos no paramtricos, llamados empricos, permiten descomponer la serie
en componentes inobservables mediante un procedimiento, a menudo iterativo, basado en alisados sucesivos. Se puede agrupar el conjunto de alisadores utilizados en esos
mtodos bajo la denominacin: regresiones locales. Las regresiones locales consisten
en ajustar polinomios, en general por mnimos cuadrados (ponderados o no), con in-
16
tervalos deslizantes que se desfasan de un punto cada vez. En el centro del intervalo, el
dato alisado es el valor en esa fecha del polinomio ajustado (el dato alisado a la fecha
siguiente se obtiene mediante el ajuste de un polinomio en el intervalo siguiente). Se
puede demostrar que las regresiones locales son equivalentes a la aplicacin de medias mviles particulares cuando las observaciones estn espaciadas regularmente. Los
mtodos se distinguen esencialmente por su grado de robustez: en un primer grupo,
figuran STL ( C LEVELAND e alii. [15]), un mtodo que se fundamenta en el mtodo
LOWESS (C LEVELAND [14]), es decir en una tcnica de alisado robusta por regresiones locales y SABL (en el cual la robustez se obtiene mediante el empleo de las
medias mviles); en el segundo grupo figuran, el famoso mtodo de desestacionalizacin X-11 (US Bureau of the Census), X-11-A RIMA (Statistics Canada, DAGUM [20])
y X-12-A RIMA (US Bureau of the Census, F INDLEY e alii. [22])9 .
MTODOS Y PAQUETES
DE DESESTACIONALIZACIN
No paramtricos
Modelos implcitos
Medianas
mviles
Paramtricos
Modelos explcitos
Medias
mviles
LOWESS
(1979)
SABL
(1982)
X-11
(1965)
Mtodos aleatorios
Regresiones
locales
Modelos
ARIMA
X-11-ARIMA
(1975 - 1988)
STL
(1990)
X-12-ARIMA
(1996)
Filtros robustos
SEATS
(1996)
Filtros no robustos Modelo global
Modelos implcitos
Mtodos deterministas
Regresiones
globales
Modelos
estructurales
BAYSEA DAINTIES
(1980)
(1979)
DECOMP
BV4
(1985)
(1983)
STAMP
(1987)
Buys-Ballot
(1847)
Modelisacin de cada componente

Modelos explcitos
Figura 1.1: Mtodos y paquetes de desestacionalizacin.

Los mtodos paramtricos pueden tambin ser divididos en dos grandes conjuntos: los mtodos basados en la regresin y los mtodos que se apoyan en modelos
estocsticos.
Los mtodos basados en la regresin, sugeridos por B UYS -BALLOT [10], definen
una funcin determinista del tiempo para cada componente, excepto para lo irregular.
Entre los mtodos de este tipo se pueden citar BV4 (Technische Universitt Berlin,
Deutsche Institut fr Wirtschaftsforschng) y DAINTIES. Este ltimo fue utilizado en
los aos 80 en la Comisin Europea (H YLLEBERG [36]).
Los mtodos basados en modelos estocsticos (no deterministas) utilizan modelos
A RIMA para modelizar las componentes inobservables. Entre los mtodos de ese tipo
9 Existen otras variantes del mtodo Census X-11. Por ejemplo, el mtodo utilizado en la Oficina Australiana de Estadstica, la versin empleada en el Banco Central Alemn o bien la variante utilizada por el
Instituto Britnico de Estadstica.
17
se distinguen dos grupos: los mtodos ms recientes que estiman los modelos de las
componentes a partir del modelo A RIMA de la serie inicial ( B URMAN [9], H ILLMER
y T IAO [34]), el ms reciente de ellos es SEATS (G OMEZ y M ARAVALL [26]); los
mtodos que modelizan y estiman directamente las componentes (A KAIKE [1], K ITA GAWA y G ERSCH [40]), como por ejemplo STAMP (K OOPMAN e alii. [41]), BAYSEA
y DECOMP (Institute of Statistical Mathematics, Japan).
En la Tabla siguiente figuran las direcciones electrnicas de la mayora de los
mtodos citados10 .
Paquete
URL
BAYSEA
BV4
Web DECOMP
STL y SABL en S-PLUS
STAMP
TRAMO/SEATS
X-11-ARIMA
X-12-ARIMA
http://www.ism.ac.jp/software/products-e.html
http://www.statistik-bund.de/mve/e/bv4.htm
http://ssnt.ism.ac.jp/inets2/title.html
http://www.splus.mathsoft.com/splus/splsprod/default.htm
http://stamp-software.com
http://www.bde.es/servicio/software/softwaree.htm
http://www.statcan.ca/english/IPS/Data/10F0003XDE.htm
http://ftp.census.gov/pub/ts/x12a/final/pc/
Tabla 1.1: Direcciones electrnicas de los principales paquetes de desestacionalizacin.
10 Esos
vnculos pueden ser actualizados consultando el sitio The Econometric Journal online:
http: www.econometriclinks.com.
18
Captulo 2
Principios del mtodo X-11

El mtodo X-11, que permite analizar las series mensuales y trimestrales, se apoya en
un principio de estimacin iterativa de las diferentes componentes. Esa estimacin se
hace en cada etapa mediante las medias mviles adecuadas.
2.1 Componentes y esquemas de composicin

Las componentes siguientes pueden aparecer en algn momento de la descomposicin:
1. La tendencia que representa la evolucin de la serie a largo tiempo ;
2. El ciclo, movimiento liso, casi peridico, en torno de la tendencia, que pone en
evidencia una sucesin de etapas de crecimiento y de recesin.
X-11 no separa esas dos componentes. Las series estudiadas son generalmente
muy cortas para permitir que se haga fcilmente la estimacin de esas dos
componentes. De modo que, a continuacin, nos referimos a la componente
para conservar la notacin usual de X-11.
tendencia-ciclo, designada

3. La componente estacional, designada , que representa las fluctuaciones infra

anuales (mensuales o trimestrales) que se repiten de ao en ao de manera ms
o menos regular;
4. Una componente llamada de das hbiles, designada , que mide el impacto

sobre la serie de la composicin diaria del mes o del trimestre;
5. Una componente que mide el efecto de la Fiesta de Pascua, designada

;
6. Por ltimo, la componente irregular, designada , que agrupa todas las otras
fluctuaciones ms o menos errticas que no son tomadas en cuenta en las componentes precedentes.
Debemos sealar que esas definiciones son, de hecho, cualitativas y poco precisas.
Por otra parte, continan siendo objeto de controversias e interpretaciones diversas.
Presentamos a continuacin, a ttulo de ejemplo, dos citaciones de eminentes estadsticos que, evidentemente, no adoptan el mismo objetivo ni la misma definicin.
20
Captulo 2: Principios del mtodo X-11

Sir K ENDALL [39, p. 29]: La caracterstica esencial de una tendencia es de ser
lisa1 .
Andrew H ARVEY [29, p. 284]: No existe, sin embargo, ninguna razn fundamental que haga que una tendencia sea lisa2 .
En realidad, en el mtodo X-11 las componentes son definidas de manera implcita

por las herramientas que sirven para estimarlas.
El mtodo X-11 considera dos modelos de descomposicin 3:
El modelo aditivo:
;
El modelo multiplicativo:
;
Adems, X-11-A RIMA propone:

El modelo log-aditivo:
;
X-12-A RIMA agrega a esos tres modelos:

El modelo pseudo-aditivo:
.

2.2 Medias mviles

Las medias mviles constituyen la herramienta de base del mtodo de desestacionalizacin X-11. Se las emplea para estimar las principales componentes de la serie:
tendencia y estacionalidad. Son principalmente herramientas de alisado, concebidas
para eliminar una componente de la serie que no es deseada. Consideremos el ejemplo
simple de una serie constituida con una tendencia y una componente irregular: si la
tendencia es lisa, los valores de la serie alrededor de la fecha deben aportar una
informacin sobre el valor de esa tendencia en el instante y debe ser posible utilizar
una media de esos valores para obtener una estimacin.
La media mvil de coeficientes
es definida de la siguiente manera4 :

El problema consiste entonces en encontrar un buen conjunto de coeficientes .

A fines del siglo XIX, las limitadas capacidades de clculo disponibles hicieron que
los estadsticos buscran los coeficientes de ponderacin independientes de la serie
mediante los mtodos que son estudiados detalladamente en el Captulo 3.
1 The
essential idea of trend is that it shall be smooth.

is no fundamental reason,though, why a trend should be smooth.
3 El paquete Census X-11 no permite estimar el efecto de Pascua.
4 El valor de la serie bruta en el instante es reemplazado por la media ponderada de valores pasados
de la serie, del valor actual y de valores futuros de la serie. Se dice entonces que las medias mviles
son filtros lineales, filtros que permiten eliminar o atenuar las oscilaciones asociadas a algunas frecuencias.
Sobre ese tema, referirse al Captulo III.
2 There
2.3. Un algoritmo simple de desestacionalizacin
21
2.3 Un algoritmo simple de desestacionalizacin
Sea una serie bruta mensual , admitimos que esa serie puede ser descompuesta en
una tendencia-ciclo, una estacionalidad y una parte irregular, siguiendo un esquema
aditivo:
.
Se puede imaginar un algoritmo simple de desestacionalizacin en cuatro etapas:

#
1. Estimacin de la tendencia-ciclo por media mvil:
La media mvil que ser utilizada en esta etapa tendr que reproducir lo mejor
posible la componente tendencia-ciclo. Al mismo tiempo, tendr que eliminar
la componente estacional y reducir al mximo la componente irregular.

2. Estimacin de la componente estacional-irregular:

3. Estimacin de la componente estacional por media mvil sobre cada mes:

y en consecuencia,
En esta etapa se trata entonces de alisar los valores de la componente estacionalirregular de cada mes para extraer la evolucin del coeficiente estacional del
mes concernido. La media mvil empleada en esta etapa tendr que reproducir
lo mejor posible la componente estacional de cada mes, reduciendo al mximo
la componente irregular.
Se puede imponer aqu una restriccin de normalizacin de los coeficientes,
imponiendo por ejemplo que la suma de los mismos sea nula.

4. Estimacin de la serie corregida de variaciones estacionales:

La nica dificultad reside entonces en la seleccin de las medias mviles utilizadas

en las etapas 1 y 3.
2.4 El algoritmo de base del mtodo X-11

El mtodo X-11 no hace ms que llevar a cabo ese algoritmo simple, utilizando medias
mviles cuidadosamente elegidas y afinando, poco a poco, las estimaciones de las
componentes a travs de las iteraciones del algoritmo.
Es posible entonces definir el algoritmo de base del mtodo X-11 diciendo que
ste corresponde al doble uso consecutivo del algoritmo descripto precedentemente,
cambiando cada vez las medias mviles utilizadas.
22

$
$ #
1. Estimacin de la tendencia-ciclo con una media mvil
:
$

La media mvil utilizada en esta etapa es una media mvil de 13 trminos,

llamada
, de coeficientes
, que conserva
las tendencias lineales, elimina las estacionalidades constantes de orden 12 y
minimiza la varianza de la parte irregular.


3. Estimacin de la componente estacional con una media mvil

mes:
sobre cada

La media mvil utilizada en
esta etapa es una media mvil de trminos, lla . Los coeficientes son luego normali

mada
, de coeficientes

zados de manera tal que la suma de los mismos, para todo perodo de 12 meses,
sea aproximadamente nula.

$
$


Por construccin, esta primera estimacin de la serie corregida de variaciones

estacionales debe contener menos estacionalidad. El mtodo X-11 ejecuta una
vez ms este algoritmo simple, cambiando las medias mviles para tener en
cuenta esta propiedad.
5. Estimacin de la tendencia-ciclo con la media mvil de Henderson de 13 tr

minos:
$

Las medias mviles de Henderson no tienen propiedades particulares en trminos de eliminacin de la estacionalidad (la cual es ya inexistente o muy reducida
en este estadio). Sin embargo, tienen un buen poder de alisado y conservan las
tendencias localmente polinomiales de segundo grado5.

$ $

5 Puesto que la media mvil de Henderson es simtrica, conserva tambin las tendencias localmente
polinomiales de tercer grado (cf. Captulo 3).
2.5. Puntos atpicos y efectos de calendario
23
$
$
La media mvil utilizada en esta
de 7 trminos, lla es una
media

, quemvil

etapa
mada
, de coeficientes
conserva las tendencias

mes:
sobre cada
lineales. Los coeficientes son luego normalizados de manera tal que la suma de
los mismos, para todo perodo de 12 meses, sea aproximadamente nula.
$ $ $
$ $

$
$ $

Este algoritmo de base es resumido en la Tabla 2.2 de la pgina siguiente.
2.5 Puntos atpicos y efectos de calendario

Como todo operador lineal, las medias mviles reaccionan mal ante la presencia de
valores atpicos. Por ello, el mtodo X-11 incorpora una herramienta de deteccin y
de correccin de los puntos atpicos que es empleada para limpiar la serie antes de
proceder a la desestacionalizacin.
Por otra parte, adems de la estacionalidad, existen otros efectos que pueden explicar las variaciones constantes de una serie. Los ms comunes son los efectos ligados
al calendario: efecto de los das hbiles; efecto de Pascua; etc. Esas componentes son
estimadas con la componente irregular6, mediante modelos de regresin lineal.
Como lo muestra la Tabla 2.2, el algoritmo de base de X-11 nos permite obtener
tres estimaciones diferentes de la componente irregular:
En la Etapa 3, retirando la estimacin de la componente estacional de la estimacin de la componente estacional-irregular obtenida en la Etapa 2, se obtiene:

X-11 utilizar esta estimacin para detectar y corregir los puntos atpicos, afn
de obtener una mejor estimacin de la componente estacional.
En la Etapa 7, retirando la estimacin de la componente estacional de la estimacin de la componente estacional-irregular obtenida en la etapa 6, se obtiene:
$
$ $

X-11 utilizar nuevamente esta estimacin para detectar y corregir los puntos
atpicos, afn de obtener una estimacin ms fiable de la componente estacional.
6 X-12-A RIMA dispone de un mdulo llamado Reg-A RIMA que permite estimar esos efectos directamente sobre la serie bruta, antes de proceder a la desestacionalizacin. Ese mdulo no es estudiado en este
trabajo.
24
Serie bruta mensual:

$
$
:
1.
Estimacin de la tendencia-ciclo con una media mvil
2.
Estimacin de la componente
estacional-irregular:

3.
Estimacin de la componente estacional con una media

sobre cada mes:

y normalizacin

$
$

4.
Estimacin de la serie corregida

de variaciones
estacionales:

5.
Estimacin de la tendencia-ciclo con una media mvil de Henderson

de 13 trminos:

$

$ $
6.
Estimacin de la componente
estacional-irregular:

7.
Estimacin de la componente estacional con una media mvil

sobre cada mes:

$
y normalizacin
$ $
8.

$
$
$
$
$
$ $
Estimacin de la serie corregida

de variaciones
estacionales:

Tabla 2.2: El algoritmo de base de X-11.

2.6. El principio iterativo de X-11
25
En la Etapa 8, retirando a la estimacin de la serie corregida de variaciones estacionales, la estimacin de la componente tendencia-ciclo obtenida en la Etapa

5, se obtiene:

$
$
X-11 utilizar esta estimacin para evaluar la componente de das hbiles, empleando la regresin lineal, detectando y corrigiendo adems los puntos atpicos7 .
2.6 El principio iterativo de X-11

X-11 procede de manera iterativa a la evaluacin de las diferentes componentes de
la serie, tomando en cuenta la presencia eventual de puntos atpicos, de la siguiente
manera: estima las componentes; busca los efectos molestos en la componente irregular; estima las componentes sobre una serie corregida; busca los efectos molestos en
la componente irregular ; etc.
El paquete Census X-11 presenta cuatro Etapas de Tratamiento, designadas A, B,
C, y D, seguidas de otras tres Etapas E, F, y G que presentan las estadsticas y los
grficos y que no forman parte de la descomposicin propiamente dicha.
2.6.1 ETAPA A: Ajustes previos
Esta etapa no es obligatoria. Permite que el utilizador pueda realizar una correccin
a priori de la serie, introduciendo los coeficientes de ajuste. El utilizador puede, entonces:
introducir los coeficientes de ajuste mensuales (o trimestrales) que le permitirn
corregir el efecto de ciertos das feriados, o modificar el nivel de la serie (por
ejemplo, efecto de una huelga), etc.;
nicamente en el caso mensual, introducir 7 coeficientes de ponderacin, es
decir uno por da, para tomar en cuenta las variaciones de la serie que pueden
ser referidas a la composicin de los meses en das hbiles.
El programa calcula con esos datos los coeficientes de correccin que sern aplicados a la serie bruta. La serie as corregida (Tabla B1 de las salidas impresas) pasa
entonces a la Etapa B.
2.6.2 ETAPA B: Primera correccin automtica de la serie
Esta etapa consiste fundamentalmente en una primera estimacin y correccin de los
puntos atpicos y si se hizo la opcin de los efectos ligados a los das hbiles.
Esta estimacin se hace aplicando el algoritmo de base expuesto detalladamente en la
Seccin 2.4.
Esos tratamientos llevan a producir las Tablas B19 (evaluacin de los efectos de
das hbiles) y B20 (valores de correccin de los puntos considerados atpicos), que
sirven para corregir la serie bruta y que conducen a la serie de la Tabla C1.
7 Esos
diferentes mtodos sern presentados en el Captulo 4.
26
2.6.3 ETAPA C: Segunda correccin automtica de la serie

Aplicando siempre el mismo algoritmo de base, esta etapa produce una estimacin
ms precisa de los efectos de los das hbiles (Tabla C19) y de los valores de correccin de los puntos atpicos (Tabla C20).
La serie, por fin limpia, figura en la Tabla D1 de las salidas impresas.
2.6.4 ETAPA D: Desestacionalizacin
En esta etapa se aplica por ltima vez el algoritmo de base. Se trata de la etapa de
desestacionalizacin propiamente dicha, que permite producir las estimaciones finales
siguientes:
La componente estacional (Tabla D10);
La serie corregida de las variaciones estacionales (Tabla D11);
La componente tendencia-ciclo (Tabla D12);
La componente irregular (Tabla D13).
2.6.5 ETAPAS E, F y G: estadsticas y grficos
Las Etapas E y F presentan las estadsticas que permiten juzgar la calidad de la desestacionalizacin.
La Etapa G produce los grficos en formato texto. Esta etapa puede ser dejada de
lado puesto que, actualmente, es mucho ms conveniente utilizar a esos fines los paquetes grficos usuales.
La Tabla 2.3 de la pgina siguiente, presenta el resumen de las diferentes etapas
del mtodo X-11.
2.7 De Census X-11 a X-11-A RIMA y X-12-A RIMA

Como veremos en el Captulo 3, el uso de medias mviles presenta algunos problemas
en el tratamiento del inicio y del fin de las series, sobretodo en lo que hace a la estabilidad de las estimaciones. Por ello, cuando se dispone de un punto suplementario y
se desestacionaliza nuevamente una serie con el paquete Census-X-11, no es raro que
se constaten variaciones sensibles de las estimaciones en las fechas ms recientes.
En 1975, Estela B. DAGUM [18] propuso que se remediara gran parte de esos problemas utilizando los modelos A RIMA popularizados unos aos antes por los trabajos
de B OX y J ENKINS [8]. Demostr tambin que se disminua considerablemente las
revisiones ajustando un modelo A RIMA a la serie, previendo los valores futuros de
la misma mediante ese modelo y aplicando a la serie prolongada de esa forma el
procedimiento de desestacionalizacin X-11.
2.7. De Census X-11 a X-11-A RIMA y X-12-A RIMA
ETAPA A:
-
Ajustes previos
Para efectos conocidos e importantes;
Para das hbiles.
ETAPA B:
-
Primera correccin automtica de la serie

Estimacin de la componente irregular;
Deteccin y correccin automtica de los puntos atpicos;
Correccin de los efectos de das hbiles.
ETAPA C:
-
Segunda correccin automtica de la serie

Estimacin de la componente irregular;
Deteccin y correccin automtica de los puntos atpicos;
Correccin de los efectos de das hbiles.
ETAPA D:
Desestacionalizacin
1.
Clculo de la serie desestacionalizada provisoria

(Tablas D1 a D6);
2.
Alisado de la serie desestacionalizada con una media mvil de

Henderson y nueva estimacin de los coeficientes estacionales
(Tablas D7 a D10);
3.
Clculo de la serie desestacionalizada definitiva (Tabla D11),

extraccin de la componente tendencia-ciclo (Tabla D12)
y de la componente irregular (Tabla D13);
ETAPA E:
Componentes corregidas de los valores muy atpicos
ETAPA F:
Evaluaciones de la calidad de la desestacionalizacin
ETAPA G:
Grficos
Tabla 2.3: Esquema simplificado del funcionamiento de X-11
27
28
El paquete X-11-A RIMA se funda en esa idea (DAGUM [20]8 .

Desgraciadamente, la estimacin de modelos A RIMA es ms delicada en presencia
de puntos atpicos, de rupturas de nivel, de efectos de calendario, etc. Por ello, X-11
sigue el esquema siguiente:
1. Primera desestacionalizacin con el mtodo X-11: Esta etapa permite, como
hemos visto, estimar los valores atpicos y los efectos de das hbiles, pero tambin el efecto de Pascua, utilizando la estimacin de la componente irregular de
la Tabla D13.
2. Modelizacin A RIMA y previsin de la serie corregida de todos sus efectos.
3. Desestacionalizacin de la serie prolongada con el mtodo X-11.
X-12-A RIMA se basa en el mismo principio, pero propone adems un mdulo
muy completo (llamado Reg-A RIMA) que permite corregir la serie inicial de todo tipo
de efectos indeseables. La estimacin de esos efectos se hace empleando modelos
A RIMA de regresin de errores (F INDLEY e alii. [22]).
8 Esta
idea haba sido ya, implcitamente, formulada por Frederick M ACAULAY [51] en 1931:
However, graduation of the ends of almost any series is necessarily extremely hypothetical
unless facts outside the range covered by the graduation are used in obtaining the graduation . . . . Though mathematically inelegant, the most desirable procedure in a majority of
the cases of graduation is to graduate not only the actual data, but extrapolated data which
sometimes may be extremely crude estimates.
Sin embargo, el alisado de los ltimos puntos de casi todas las series es necesariamente
muy hipottico, salvo si se utilizan las informaciones sobre el perodo que no es cubierto por
la serie. A pesar de ser matemticamente poco elegante, el procedimiento ms adecuado en
la mayora de los casos, consiste en predecir los valores futuros de la serie y alisar la serie
as extrapolada, an cuando esas predicciones sean hechas toscamente. [Traduction].
Debemos reconocer a Estela B. D AGUM el mrito de haber operacionalizado e impuesto esta idea.
Captulo 3
Medias mviles
El mtodo de desestacionalizacin X-11 emplea las medias mviles para estimar las
principales componentes de una serie: la tendencia-ciclo y la estacionalidad. Esas herramientas no implican la utilizacin a priori de conceptos o de modelos sofisticados.
Se basan en un principio muy simple y se revelan de uso muy flexible. Se puede
siempre construir una media mvil que posea buenas propiedades en trminos de conservacin de la tendencia, de eliminacin de la estacionalidad, de reduccin del ruido,
etc.
En este captulo estudiaremos las propiedades y los principios que han guiado la
construccin de las medias mviles utilizadas en X-11.
3.1 Algunas definiciones y un poco de teora

Una serie temporal puede ser considerada del punto de vista del tiempo o del punto de
vista de las frecuencias.

En el dominio del tiempo, se considera la serie

como una sucesin de valores observados en los instantes variando de 1 a . Es de esta manera que se
aborda generalmente una serie temporal y es fcil hacer la representacin grfica
de su evolucin en el transcurso del tiempo, como por ejemplo en la Figura 3.1
(cf. pg. 30). Ntese que esa serie se caracteriza por una fuerte estacionalidad que
traduce la cada de la actividad industrial durante el mes de agosto.
Es particularmente fcil formalizar las modelizaciones de una serie, poniendo
en relacin el valor al instante y los valores de los instantes pasados. Es el
caso, por ejemplo, de la modelizacin de la serie con un modelo A RIMA estacional; o de la expresin de una tendencia lineal, exponencial o an localmente
polinomial; o bien es el caso de la modelizacin de la componente irregular con
un ruido blanco.

En cambio, en el dominio de las frecuencias, se expresa la serie

como una
suma de funciones sinusoidales1 . Se evala entonces, para cada frecuencia, la
1 En la Teora Analtica del Calor, presentada el 21 de diciembre de 1807 y publicada en 1822, JeanBaptiste Joseph F OURIER [24] demostr que toda funcin matemtica poda ser descompuesta en una suma
de funciones senos y cosenos. Ese teorema engendr primero el anlisis armnico, luego cuando ste fue
generalizado, permiti generar el anlisis espectral.
30
Captulo 3: Medias mviles
130
120
110
100
90
80
70
'86
'87
'88
'89
'90
'91
'92
'93
'94
'95
Figura 3.1: ndice mensual de la produccin industrial en Francia, desde octubre de 1985 hasta
marzo de 1995.
importancia de la misma en la composicin de la serie. El grfico que asocia

a cada frecuencia su importancia en la serie es llamado espectro de la serie.
Por ejemplo, el espectro del ndice de la produccin industrial francesa est
representado en la Figura 3.2 (cf. pg. 31).

Se puede ver que ese espectro pone en evidencia una fuerte contribucin (lla

, y de sus mltiplos
mada un pico espectral) de la frecuencia

,
, ,
. El perodo asociado a esa fre

cuencia es
, con lo cual encontramos nuevamente

la estacionalidad mensual observada en el grfico precedente.

Las bajas frecuencias corresponden esencialmente a las componentes que evolucionan lentamente, como la tendencia y el ciclo por ejemplo. Las altas frecuencias corresponden en cambio a las componentes que evolucionan ms rpidamente, como por ejemplo la componente irregular.
Esos dos enfoques son a menudo complementarios. Por ello, a continuacin utilizaremos el uno o el otro para mostrar las calidades y los defectos de los filtros medias
mviles.
3.1.1 Definiciones y ejemplo
Se llama media mvil de coeficientes

plemente , que es definido as:

al operador designado con

, o sim
El valor al instante de la serie bruta es reemplazado por una media ponderada

de: los valores pasados de la serie; el valor actual y los valores futuros de la
3.1. Algunas definiciones y un poco de teora
31
250
200
150
100
50
0
0
30
60
90
120
150
180
Figura 3.2: Espectro del ndice de la produccin industrial francesa.

serie.

El orden de la media mvil est dado por la cantidad
.

Cuando es igual a , es decir cuando se emplean tantos puntos pasados
como futuros, se dice que la media mvil es centrada.

Adems, si
para todo , se dice que la media mvil
es simtrica. En ese caso, para sealar la lista de los coeficientes de la media mvil, es
suficiente indicar el orden de la media mvil y los
primeros coeficientes
(K ENDALL [39]). Por ejemplo, la media:

se puede escribir simplemente as:

Generalmente, con una media mvil de orden
, calculada en un instante

, con puntos pasados y
puntos futuros, es imposible alisar los primeros

valores y los ltimos valores de una serie.
En el mtodo X-11, las medias mviles simtricas desempean un gran papel.
Pero, para evitar la prdida de informacin en los extremos de la serie, se hace un uso
complementario de las medias mviles asimtricas ad hoc.
3.1.2 Funcin de ganancia y desfasaje

Consideremos la serie

y transformmosla con la media mvil asimtri
ca definida as:
, que reemplaza el valor al instante

$

32
con la media simple del valor del instante presente y de los dos valores de los instantes precedentes.
El resultado del alisado est representado en la Figura 3.3, en donde se observan
tambin dos fenmenos:
En primer lugar se observa una reduccin de la amplitud de la serie, lo cual

corresponde perfectamente a nuestro objetivo de alisado;
Pero se observa tambin un desfase en el tiempo, es decir un desfasaje: las dos
series no presentan los puntos de inversin en las mismas fechas.
1.0
0.5
0.0
- 0.5
- 1.0
0
10
12
14

Figura 3.3: Alisado de la serie

, utilizando la media mvil definida as:
!" . (Serie bruta en trazo grueso, serie

alisada en trazo punteado).
Ese fenmeno de desfasaje es desagradable puesto que transforma las evoluciones
mismas de la serie. Sin embargo, se puede demostrar que las medias mviles simtricas no producen desfasaje (cf. KOOPMANS [42]).
$#

&%
Para generalizar esas conclusiones, consideremos una serie
#
%
de frecuencia
(o de perodo
), de amplitud y de fase . La transformada

de
con una media mvil cualquiera, ser tambin una sinusoide de amplitud
modificada y que presentar un desfasaje con respecto a la serie original:

#

&% ('
#

&% *)

'
La funcin +
+ es llamada funcin de ganancia de la media mvil.

funcin de desfasaje de la media mvil. A veces se
es
,llamada
lo cual permite medir el desfasaje en nmero de perodos.
La funcin
)
representa
33
$

#

&%

&%
#

&
%

En el caso de la media mvil asimtrica sobre 3 trminos (cf. supra) se obtiene:

y entonces:
'

)

&%

sea

La funcin de ganancia representada en la Figura 3.4 muestra que la media mvil

anula las frecuencias
. Esa media mvil sera apropiada en
el caso de encuestas repetidas cada 4 meses (o sea de perodo 3), puesto que eliminara
la estacionalidad, conservando las evoluciones de fondo que corresponden a bajas
frecuencias. En cambio, esa media introduce un desfasaje sistemtico de un perodo,
lo cual podra hacer que se tome conciencia tardamente de eventuales inversiones de
tendencia.
1.0
0.8
0.6
0.4
0.2
0.0
30
60
90
120
Figura 3.4: Funcin de ganancia de la media mvil
150
180
!" .
De modo entonces que la funcin de ganancia permite, esencialmente, ver las

frecuencias que son eliminadas y las que son conservadas con una media mvil.
La funcin de desfasaje muestra los desfasajes introducidos por el empleo de medias mviles asimtricas. Puesto que el mtodo X-11 hace hincapi en el empleo de
medias mviles simtricas, dejamos de lado en este trabajo el estudio de esas funciones asimtricas.
En materia de alisado, el filtro ideal sera aquel que deje sin cambiar las bajas
frecuencias, es decir las funciones peridicas de perodo superior al ao (tendencia
y ciclo) por ejemplo; y que, en cambio, elimine todas las altas frecuencias que corresponden a una periodicidad inferior o igual al ao (estacionalidad e irregular). La
34
funcin de ganancia ideal de ese filtro, llamado de paso-bajo, tendra entonces la

forma siguiente:
'
for

for

3.1.3 Conservacin de la tendencia
$
, apli . En efecto, se obtiene:

$

Se puede ver el desfasaje que produce la media mvil

cando esa media asimtrica a una recta simple

No obstante, sera de esperar que una media mvil respete ciertas tendencias simples, en particular aquellas que son polinomiales.
Ahora bien, para que una media mvil respete las series constantes
necesario que:

, es
en consecuencia,
es tambin necesario que la suma de los coeficientes de la

media mvil
sea igual a .
para que una media mvil conserve las rectas, es necesario que para todo :

lo que hace que:

y

.

Generalizando, se puede incluso demostrar que, para que una media mvil conserve un polinomio de grado , es necesario y suficiente que sus coeficientes
verifiquen la relacin siguiente:

y que:

35
En el caso de la media mvil asimtrica sobre 3 trminos, definida precedentemente, se obtiene:

y

$
$

esta media conserva las constantes, a pesar que no conserva las rectas.
En cambio es fcil verificar que las siguientes medias mviles simtricas conservan las rectas:

$

!

$

$

3.1.4 Eliminacin de la estacionalidad

Como vimos en la Seccin 3.1.2, a propsito de la definicin de la funcin de ganancia, las medias mviles pueden eliminar ciertas frecuencias y en consecuencia ciertas
componentes estacionales. Por otra parte, la funcin de ganancia es la herramienta que
permite identificar muy fcilmente las frecuencias que son eliminadas por una media
mvil.
Generalizando, se puede afirmar que una media mvil simple de orden (cuyos
coeficientes son todos iguales a
) elimina las estacionalidades fijas de perodo ,
con lo cual su funcin de ganancia se anula para la frecuencia
.
Por otra parte, es posible tratar el caso de estacionalidades que varan linealmente con el tiempo, o an aquellas que siguen una variacin polinomial en el tiempo
(G RUN -R EHOMME y L ADIRAY [28]). Una vez ms, la eliminacin de esas estacionalidades implica que se adopten restricciones lineales sobre los coeficientes.

3.1.5 Reduccin de la componente irregular

Luego de la tendencia y de la estacionalidad, nos queda por ver el efecto de una media mvil sobre la componente irregular. En la descomposicin de una serie bruta, el
residuo es a menudo modelizado bajo la forma de un ruido blanco, sucesin de variables aleatorias , de esperanza nula, no correlacionadas y de misma varianza .
La media mvil transforma ese ruido
blanco en una sucesin de variables aleatorias

, de misma varianza igual a:
. Entonces, para disminuir la componente

irregular y en
consecuencia,
para
disminuir
su varianza es necesario disminuir

la cantidad:
.
$
$
3.1.6 Un ejemplo de construccin de una media mvil

Busquemos por ejemplo una media mvil centrada sobre tres trminos, de coeficientes

, que reduzca al mximo la componente irregular y que conserve las rectas. Por lo desarrollado anteriormente, esa cuestin conduce a resolver
el siguiente problema:
36

$

Minimizar
, con las restricciones

y

.

La segunda restriccin hace que
. Reemplazando en la primera, se ob
tiene
, y el problema de minimizacin se convierte en:

$

# $

La derivada, con respecto a , de la funcin a minimizar es
y este valor

se anula para
. Encontramos as la media mvil simple, sobre 3 trminos,

con todos los coeficientes iguales a
. Esa media, como ya lo hemos visto, elimina
las estacionalidades de orden 3.

3.2 Las medias mviles simtricas utilizadas en X-11

3.2.1 Las medias mviles simples compuestas

Se obtiene una media mvil, designada , componiendo: una media mvil simple
de orden P, con coeficientes iguales a ; y una media mvil simple de orden Q,
con coeficientes iguales a . Prcticamente, eso significa aplicar sucesivamente a
la serie las dos medias mviles.

, que resulta de la doble aplicacin de la media mvil aritmtiLa media mvil

ca simple sobre 3 trminos, es una media mvil cuyos coeficientes son:
.

Generalizando, una media mvil
es una media mvil simtrica, de orden 2

.
Cuando es, por ejemplo igual a , existe una pequea ambigedad en la defini
cin, puesto que se puede elegir tanto los puntos pasados y los
puntos futuros,

como los
puntos pasados y los puntos futuros. A menudo se resuelve ese
problema utilizando una media compuesta simtrica , lo cual corresponde a la
media de las dos medias mviles candidatas.

Estimacin de la tendencia-ciclo: medias

Cuando X-11 hace una primera estimacin de la tendencia-ciclo (Tablas B2, C2 y

D2), emplea las medias mviles siguientes:
en el caso trimestral;
en
el caso mensual. En este estadio, la serie que debe ser alisada est compuesta con
una tendencia-ciclo, una estacionalidad y una componente irregular. En el caso de un
esquema de composicin aditiva, la serie puede escribirse as:
.

La media

Se trata de una media mvil de orden 5, de coeficientes
. La curva de
los coeficientes y la funcin de ganancia que se presentan en la Figura 3.5 (cf. pg. 37)
permiten mostrar las propiedades de esta media mvil:

Elimina la frecuencia
que corresponde al perodo 4. Es

por eso que conviene utilizar esa media mvil para series trimestrales con estacionalidad constante.
2 Las medias mviles simples compuestas son en realidad medias mviles ponderadas. Antes del advenimiento de las computadoras, era ms fcil calcular las medias mviles simples compuestas que las medias
comparadas, sin que las primeras dejen de presentar buenas propiedades.
3.2. Las medias mviles simtricas utilizadas en X-11
37
La suma de sus coeficientes es igual a 1 y es simtrica. En consecuencia, esa

media mvil conserva las tendencias lineales.
La suma del cuadrado de sus coeficientes es igual a 0.250, es decir que esa
media mvil reduce de 75% la varianza de un ruido blanco.
Utilizar esta media mvil implica admitir que: la tendencia-ciclo de la serie es
lineal, o lineal por trozos; la estacionalidad es constante o vara poco en el tiempo; y
que la componente irregular no posee ninguna estructura y es de dbil amplitud.
En ese caso, se tendr que:
$ $$

$
$

En cambio, esta media mvil restituye bastante mal las bajas frecuencias asociadas
a los perodos superiores al ao. De modo que las funciones peridicas de 3 aos

que corresponden en el caso trimestral a las frecuencias de
slo son restituidas en un 80%.

0.3
1.0
0.2
0.8
0.6
0.1
0.4
0.0
0.2
- 0.1
-5 -4 -3 -2 -1 0 1 2 3 4 5
0.0
0
30
60
90
120 150 180
30
60
90 120 150 180
1.0
0.1
0.8
0.6
0.0
0.4
0.2
- 0.1
-10 -8 -6 -4 -2 0 2 4 6 8 10
0.0
Figura 3.5: Curvas de los coeficientes (izquierda) y funciones de ganancia (derecha) de las
medias mviles compuestas utilizadas en X-11 para la estimacin de la tendencia-ciclo. (La
media mvil

esta representada en la parte superior del grfico y la media mvil

en la parte
inferior).
La media

Esta media se apoya en las mismas ideas que fueron expuestas en el caso de la media

y es utilizada para las series mensuales. Sus coeficientes son los siguientes:

38
Esta media es llamada tambin media mvil centrada sobre 12 trminos. Conserva
las rectas y como lo muestra su funcin de ganancia elimina las estacionalidades

mensuales (que corresponden a una frecuencia
). Adems, puesto

que la suma del cuadrado de sus coeficientes es igual a
, esta media reduce en
ms del 90% la varianza de un ruido blanco.
Pero, esta media tampoco restituye bien todas las series peridicas de perodo inferior al ao. De modo que una funcin peridica de perodo 3 aos, lo cual corresponde

, slo ser restituida en un 80%.
en este caso a una frecuencia

Comentarios

Las medias mviles
y
son utilizadas tambin en el mtodo X-11
para normalizar los coeficientes estacionales.
X-11-A RIMA y X-12-A RIMA proponen adems, en opcin, las medias mviles
centradas sobre 8 y 24 trminos, que fueron formuladas por Pierre C HOLETTE [12].
Estas medias fueron construidas con criterios bastante diferentes y ms complejos que los que fueron presentados aqu. Esas medias mviles no se estudian en
este trabajo.
Estimacin de la estacionalidad: medias

Esas medias3 son utilizadas por X-11 para extraer la componente estacional a partir
de una estimacin de la componente estacional-irregular. Intervienen entonces en la
construccin de las Tablas B4, B5, B9, B10, C5, C10, D5 y D10.
En este estadio, la serie que debe ser alisada esta compuesta con una estacionalidad
y una componente irregular. En el caso de un esquema de composicin aditiva, la serie
puede escribirse as:
. Contrariamente a lo visto en el caso precedente,
estamos ahora en presencia de un estricto problema de alisado.

son los siguientes:
Los coeficientes de las medias
y

Se puede verificar simplemente que cada una de esas medias mviles simtricas conserva las rectas. Pero, las funciones de ganancia presentadas en la Figura 3.6
(cf. pg. 40) son bastante diferentes de la forma ideal asociada a un filtro de paso-bajo.
Aqu, eso no molesta, puesto que la componente estacional-irregular no debera presentar una componente cclica con periodicidad del orden de 3 a 6 aos.

En realidad, el hecho de aplicar el filtro
, por ejemplo, a cada mes de una estimacin de la componente estacional-irregular, es equivalente a aplicar a esta misma
3 X-11-A RIMA permite tambin emplear una media mvil simple sobre 3 trminos (una
A RIMA ajusta una media mvil
.

). X-12-
39
componente una media mvil sobre 49 trminos, cuyos coeficientes son los siguientes:

Lo mismo ocurre con los filtros
, a los cuales se les asocia, respec y
tivamente, las medias mviles sobre 73 y sobre 121 trminos!.
i
-6
-5
-4
-3
-2
-1
0
1
2
3
4
5
6

1/8
1/4
1/4
1/4
1/8
1/24
1/12
1/12
1/12
1/12
1/12
1/12
1/12
1/12
1/12
1/12
1/12
1/24
1/9
2/9
3/9
2/9
1/9
1/15
2/15
3/15
3/15
3/15
2/15
1/15
1/27
2/27
3/27
3/27
3/27
3/27
3/27
3/27
3/27
2/27
1/27
0.2188
0.1250
0.0799
0.0139
0.2346
0.1481
0.1644
0.0356
0.1001
0.0110

Tabla 3.4: Coeficientes de las medias mviles compuestas utilizadas
en X-11, poder de reduccin de la varianza,
, y criterio de Henderson,
En la Figura 3.7 (cf. pg. 41) se representan las funciones de ganancia de esas nuevas
medias mviles. Se puede constatar que stas conservan la estacionalidad mensual,

puesto que restituyen exactamente las frecuencias mltiplos de
.

3.2.2 Medias mviles de Henderson

Las medias mviles de Henderson son empleadas en X-11 para extraer la tendencia de
una estimacin de la serie corregida de variaciones estacionales
(Tablas B7, C7, D7,

.
D12). En el caso aditivo, se tiene entonces un modelo de tipo:
Qu criterio debemos construir para asegurar que se pueda obtener una estimacin lisa de la tendencia-ciclo?
Consideremos la serie que presentamos a continuacin:

si
si

40
0.4
1.0
0.3
0.8
0.2
0.6
0.1
0.4
0.0
0.2
0.0
- 0.1
-5
-3
-1
30
60
90 120 150 180
30
60
90 120 150 180
30
60
90 120 150 180
1.0
0.3
0.8
0.2
0.6
0.1
0.4
0.0
0.2
0.0
- 0.1
-6
-4
-2
6
1.0
0.2
0.8
0.1
0.6
0.4
0.0
0.2
0.0
- 0.1
-8 -6 -4 -2
Figura 3.6: Curvas de los coeficientes (izquierda) y de las funciones de ganancia (derecha)
de las medias mviles compuestas utilizadas en X-11 para la estimacin de los coeficientes
estacionales. (La media mvil
esta representada en la parte superior del grfico, la media mvil
en el medio y la media mvil
en la parte inferior del mismo).
1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
41
0.0
0.0
30
60
90 120 150 180
1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
30
60
90 120 150 180
30
60
90 120 150 180
30
60
90 120 150 180
0.0
0.0
30
60
90 120 150 180
1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
30
60
90 120 150 180
y . (La media mvil

Figura 3.7: Funciones de ganancia de las medias mviles
est representada en la parte superior del grfico, la media mvil en la parte central y la media
en la parte inferior del mismo. Las funciones de ganancia del filtro aplicado a cada mes figuran
mvil
a la izquierda, las de los filtros aplicados a toda la serie figuran a la derecha).
42

si
si
si

La transformada de esa serie con una media mvil

de coeficientes , est dada por:
centrada, de orden

Esta transformada ser entonces lisa si la curva de los coeficientes de la media

mvil es lisa. Como se puede constatar en la Figura 3.5 (cf. pg. 37) y en la Figura 3.6
(cf. pg. 40), las curvas de los coeficientes de las medias mviles simples compuestas no
son lisas. Es por ello que H ENDERSON [30, 31] propuso que se utilice la cantidad

en donde representa el operador diferencia primera4 para
evaluar la suavidad de la curva de los coeficientes. Esta cantidad es nula cuando
los coeficientes
se ubican sobre una parbola y, en el caso general, esa cantidad
mide el desvo entre la forma parablica y la forma de la curva de los coeficientes.
H ENDERSON busc entonces las medias centradas, de orden
, que conserven

los polinomios de orden 2 y que minimicen la cantidad .
Con las notaciones la Seccin 3.1.6, la media mvil de Henderson de orden
ser la solucin del siguiente programa de minimizacin:

Minimizar, en funcin de los ,
, con las restricciones:

$

$

$

Los coeficientes de esas medias mviles pueden ser calculados explcitamente y
, imponiendo que
:
se obtiene, para una media de orden
$ $ $ $ $ $ $ $

$

$
$ $

Esa formula es la expresin racional de los coeficientes de las medias mviles de

Henderson utilizadas en X-11, que son presentados en la Tabla 3.5 (cf. pg. 43).
En razn de la simetra de los mismos, se presentan nicamente los coeficientes
necesarios.
5 trminos :
7 trminos :
9 trminos :
13 trminos :
23 trminos :

3.3. Las medias mviles asimtricas de Musgrave
43
La Tabla 3.5 presenta los coeficientes, en decimales, de las medias mviles de Henderson empleadas en X-115 y los valores de los criterios de reduccin de la varianza
y de alisado, asociados a los mismos. Las curvas de los coeficientes representadas
en la Figura 3.8 (cf. pg. 44) son lisas y las funciones de ganancia de esas medias
se acercan ms a la forma ideal de paso-bajo que en el caso de las medias mviles
compuestas expuestas precedentemente.
i
5 trminos
7 trminos
9 trminos
13 trminos
23 trminos
-11
-10
-9
-8
-7
-6
-5
-4
-3
-2
-1
0
1
2
3
4
5
6
7
8
9
10
11
.
.
.
.
.
.
.
.
.
-0.07343
0.29371
0.55944
0.29371
-0.07343
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
-0.05874
0.05874
0.29371
0.41259
0.29371
0.05874
-0.05874
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
-0.04072
-0.00987
0.11847
0.26656
0.33114
0.26656
0.11847
-0.00987
-0.04072
.
.
.
.
.
.
.
.
.
.
.
.
-0.01935
-0.02786
0.00000
0.06549
0.14736
0.21434
0.24006
0.21434
0.14736
0.06549
0.00000
-0.02786
-0.01935
.
.
.
.
.
-0.00428
-0.01092
-0.01569
-0.01453
-0.00495
0.01343
0.03893
0.06830
0.09740
0.12195
0.13832
0.14406
0.13832
0.12195
0.09740
0.06830
0.03893
0.01343
-0.00495
-0.01453
-0.01569
-0.01092
-0.00428
0.4963
1.4965
0.3566
0.2629
0.2833
0.0675
0.2038
0.0083
0.1217
0.0003

Tabla 3.5: Coeficientes de las medias mviles de Henderson utilizadas en X-11, poder de
reduccin de la varianza,
, y criterio de Henderson,
.
3.3 Las medias mviles asimtricas de Musgrave

Por construccin, la aplicacin de una media mvil centrada de orden

no permite calcular las estimaciones de la serie alisada en los primeros y los ltimos
instantes de la misma. Lo cual es, por lo menos, molesto. Es por ello que, en la
prctica, para hacer esas estimaciones se emplean las medias mviles no centradas.
M USGRAVE [55, 56] estudi ese problema en el marco del mtodo X-11 y propuso un
conjunto de medias asimtricas que completan las medias mviles de Henderson.
Supongamos que la serie que debe ser alisada se termina en julio de 1999. Si
utilizamos una media mvil simtrica de orden 13, el ltimo punto alisado con esa
media ser el punto correspondiente a enero de 1999. Los seis ltimos meses deben
ser estimados con medias mviles asimtricas. Seis meses ms tarde, es decir en enero
del 2000, se podr finalmente calcular el valor alisado de julio de 1999 con la media
5 X-12-A RIMA
permite utilizar cualquier media mvil de Henderson de orden impar inferior a 101.
44
0.6
1.0
0.4
0.8
0.6
0.2
0.4
0.0
0.2
- 0.2
-5 -4 -3 -2 -1 0
0.0
1
0.6
1.0
0.4
0.8
30
60
90
120 150 180
30
60
90
120 150 180
30
60
90
120 150 180
30
60
90
120 150 180
30
60
90
120 150 180
0.6
0.2
0.4
0.0
0.2
- 0.2
-5 -4 -3 -2 -1 0
0.0
1
0.4
1.0
0.8
0.2
0.6
0.4
0.0
0.2
- 0.2
-6
0.0
-4
-2
0.4
1.0
0.8
0.2
0.6
0.4
0.0
0.2
- 0.2
-8
0.0
-6
-4
-2
8
1.0
0.2
0.8
0.1
0.6
0.4
0.0
0.2
- 0.1
-12
0.0
-8
-4
12
Figura 3.8: Curvas de los coeficientes y funciones de ganancia de las medias mviles simtricas
de Henderson sobre 5, 7, 9, 13 y 23 trminos empleadas en X-11 (Las medias mviles estn
ordenadas de arriba hacia abajo del grfico. Las curvas de los coeficientes a la izquierda del mismo y las
funciones de ganancia a la derecha).
3.3. Las medias mviles asimtricas de Musgrave
45
mvil simtrica de orden 13. Tendremos entonces siete estimaciones diferentes del
valor del mes de julio de 1999. Cada una de ellas habr sido calculada con una media
mvil diferente y sera de esperar que las mismas no difieran demasiado del valor final
obtenido con la media mvil simtrica.
La idea de M USGRAVE fue, precisamente, de construir esas medias mviles asimtricas que minimicen las revisiones de las estimaciones. Para ello, formul las siguientes hiptesis:

$
La serie a alisar puede ser modelizada linealmente bajo la forma:

, en donde et son las constantes, y los son variables aleatorias no
correlacionadas, de media nula y de varianza .

, de suma igual a 1 (por ejem Se dispone de una serie de puntos

plo, es una media mvil centrada de Henderson) y se busca una serie de pesos

, con , tambin de suma igual a 1.

Esta nueva media mvil debe, adems, minimizar las revisiones de las estimaciones. Es decir que, por ejemplo, debe minimizar el criterio siguiente:

Admitiendo esas hiptesis, se puede demostrar (D OHERTY [21], F INDLEY e alii. [22])
que los pesos pueden ser calculados explcitamente en funcin de la relacin
:
$ $
$

$

(3.1)
3.3.1 Medias mviles asimtricas de Musgrave asociadas a las medias simtricas de Henderson
En la ecuacin (3.1) el valor de es desconocido. Pero, M USGRAVE seala que en
X-11, la eleccin del orden de las medias mviles de Henderson se hace con el valor
# , en donde: designa la media de las variaciones absolutas
de la razn

mensuales en la parte irregular de la serie; y designa la media de las variaciones
absolutas mensuales de la tendencia de la serie6 . Suponiendo la normalidad de los ,

se demuestra que
# , lo cual permite calcular numricamente las medias
mviles asimtricas.
En las Tablas 3.8 hasta 3.12 (cf. pp. 48-50) se presentan los coeficientes de esas
# que figumedias mviles, calculados en funcin de los valores del cociente
ran en la Tabla 3.6 (cf. pg. 47). Esas son las medias mviles asimtricas que utiliza
X-12-A RIMA. El paquete X-11-A RIMA emplea las mismas medias mviles asimtricas, salvo en lo que hace a la media de Henderson sobre 5 trminos. Los coeficientes
de la media mvil utilizadas figuran en la Tabla 3.7 (cf. pg. 48). Para calcular esos coeficientes, las observaciones son previstas con la media de las dos ltimas. De modo
que la media mvil simtrica de Henderson de 5 trminos es aplicada sobre la serie
prolongada.

6 Para
mayores detalles, referirse a la explicacin de la Tabla B7, Seccin 4.1.7, pg. 76.
46
3.3.2 Comentarios sobre las medias mviles de Musgrave

An cuando se suponga que la serie a alisar sigue un modelo lineal en fin de perodo,
las medias mviles de Musgrave no conservan las rectas. Slo conservan las constantes. En efecto, para ello hubiera
sido necesario imponer a los coeficientes una

restriccin suplementaria:

.

Como se muestra en la Figura 3.9, las medias asimtricas de Musgrave aportan
estimaciones prudentes de la serie alisada, atenuando la evolucin observada en los
primeros o en los ltimos puntos de la serie.

12
10
8
6
4
2
0
0
10
12
Figura 3.9: Alisado de una recta con una media mvile de Henderson sobre 13 trminos,
completada con las medias mviles asimtricas de Musgrave (La lnea recta est representada con
tringulos vacos; la serie alisada est representada con tringulos ligados con una lnea).
3.3.3 Medias mviles asimtricas asociadas a las medias mviles compuestas

El primer trabajo de M USGRAVE trataba el tema de la generacin de filtros asimtricos
asociados a las medias mviles compuestas que sirven para estimar los coeficientes
estacionales. Es curioso, sin embargo, que esas recomendaciones no hayan sido aplicadas en el mtodo X-11.

Los filtros asimtricos asociados a las medias
figuran en las
y
Tablas 3.13 hasta 3.15 (cf. pp. 50-51). No sabemos como han sido calculados esos filtros
asimtricos y no conocemos ninguna publicacin cientfica que explique claramente

el modo de eleccin de esos coeficientes. Los filtros
y
no se completan
con medias asimtricas.

3.4 El filtro media mvil de X-11

Si se deja de lado el procedimiento de deteccin y correccin de puntos atpicos y el
procedimiento de estimacin de los efectos de calendario, el mtodo X-11 puede ser
visto como una aplicacin sucesiva de varias medias mviles.
3.4. El filtro media mvil de X-11
47
*
*
*
*
*
Media de Henderson sobre 5 trminos

*

Tabla 3.6: Valores por defecto del cociente
utilizado en X-12-A RIMA para el clculo
de las medias mviles asimtricas de Musgrave.
El operador que permite pasar de la serie bruta a la serie corregida de variaciones

estacionales es tambin una media mvil.
Por ejemplo, en el caso de una serie mensual, el algoritmo de base presentado en
la Tabla 2.2 (cf. pg. 24) puede ser resumido a travs de la aplicacin de una sola media
mvil, la cual puede ser calculada matricialmente (G OURIROUX y M ONFORT [27]).
:

$
$ con $
$

1. Estimacin de la tendencia-ciclo con la media mvil


$
$

en donde
designa el operador de identidad
que transforma la serie en ella

misma. Aqu, sera la media mvil
.
mes:
sobre cada
Aplicar la media mvil

a los valores de un mes dado, equivale a aplicar a
la serie de los coeficientes estacionales la media
, sobre 49 meses, definida
as:

En consecuencia,

$
$

Despus se normalizan los coeficientes de manera tal que la suma de los mismos
para todo perodo de 12 meses consecutivos sea aproximadamente nula:

$

$
$
$ $
$
$
$
$
48
_ _ _
i
-2
-1
0
1
2
-0.07343
0.29371
0.55944
0.29371
-0.07343
-0.073
0.294
0.522
0.257
0
-0.073
0.403
0.670
0
0
Tabla 3.7: Coeficientes de las medias mviles asimtricas asociados en X-11-A RIMA a la
media de Henderson sobre 5 trminos. (La notacin _ significa que la media mvil es de orden

, con puntos pasados y puntos futuros).

-2
-1
0
1
2
_
_
-0.07343
0.29371
0.55944
0.29371
-0.07343
-0.03671
0.29371
0.52273
0.22028
0
_
-0.18357
0.36713
0.81643
0
0

Tabla 3.8: Coeficientes de las medias mviles asimtricas de Musgrave asociados en X-12
A RIMA a la media de Henderson sobre 5 trminos,
(La notacin _ significa que la
media mvil es de orden


_
i
-3
-2
-1
0
1
2
3
-0.05874
0.05874
0.29371
0.41259
0.29371
0.05874
-0.05874
_
-0.05314
0.05818
0.28699
0.39972
0.27468
0.03356
0
_
-0.05421
0.06101
0.29371
0.41032
0.28917
0
0

_
-0.03379
0.11601
0.38329
0.53449
0
0
0
Tabla 3.9: Coeficientes de las medias mviles asimtricas de Musgrave asociados en X-12 (La notacin _ significa que la


_
i
-4
-3
-2
-1
0
1
2
3
4
-0.04072
-0.00987
0.11847
0.26656
0.33114
0.26656
0.11847
-0.00987
-0.04072
_
-0.03082
-0.00426
0.11980
0.26361
0.32391
0.25504
0.10267
-0.02995
0
49
_
-0.02262
-0.00021
0.11969
0.25933
0.31547
0.24244
0.08590
0
0
_
-0.04941
-0.01056
0.12578
0.28187
0.35445
0.29786
0
0
0
_
-0.15554
-0.03384
0.18536
0.42429
0.57972
0
0
0
0

, con puntos en el pasado y puntos en el futuro).

_
_
_
_
_ $
_
_
-6
-5
-4
-3
-2
-1
0
1
2
3
4
5
6
-0.01935
-0.02786
0
0.06549
0.14736
0.21434
0.24006
0.21434
0.14736
0.06549
0
-0.02786
-0.01935
-0.01643
-0.02577
0.00127
0.06594
0.14698
0.21314
0.23803
0.21149
0.14368
0.06099
-0.00532
-0.03401
0
-0.01099
-0.02204
0.00330
0.06626
0.14559
0.21004
0.23324
0.20498
0.13547
0.05108
-0.01694
0
0
-0.00813
-0.02019
0.00413
0.06608
0.14441
0.20784
0.23002
0.20076
0.13024
0.04483
0
0
0
-0.01603
-0.02487
0.00267
0.06784
0.14939
0.21605
0.24144
0.21540
0.14810
0
0
0
0
-0.04271
-0.03863
0.00182
0.07990
0.17436
0.25392
0.29223
0.27910
0
0
0
0
0
-0.09186
-0.05811
0.01202
0.11977
0.24390
0.35315
0.42113
0
0
0
0
0
0


, con puntos en el pasado y puntos en el futuro).

50
i H
_
_

_
_
-11 -0.00428 -0.00390 -0.00282 -0.00103 0.00108 0.00268 0.00258 -0.00065 -0.00861 -0.02293 -0.04520 -0.07689
-10 -0.01092 -0.01059 -0.00968 -0.00817 -0.00642 -0.00511 -0.00519 -0.00776 -0.01396 -0.02486 -0.04130 -0.06385
-9 -0.01569 -0.01542 -0.01467 -0.01344 -0.01205 -0.01103 -0.01109 -0.01300 -0.01744 -0.02491 -0.03554 -0.04893
-8 -0.01453 -0.01431 -0.01372 -0.01279 -0.01175 -0.01101 -0.01106 -0.01230 -0.01500 -0.01904 -0.02385 -0.02808
-7 -0.00495 -0.00479 -0.00436 -0.00372 -0.00303 -0.00258 -0.00261 -0.00319 -0.00413 -0.00475 -0.00373 0.00119
-6 0.01343 0.01354 0.01380 0.01416 0.01448 0.01465 0.01464 0.01472 0.01554 0.01834 0.02518 0.03925
-5 0.03893 0.03898 0.03908 0.03916 0.03913 0.03900 0.03902 0.03976 0.04233 0.04856 0.06121 0.08444
-4 0.06830 0.06830 0.06823 0.06802 0.06764 0.06723 0.06726 0.06866 0.07299 0.08264 0.10112 0.13350
-3 0.09740 0.09734 0.09711 0.09661 0.09587 0.09517 0.09522 0.09729 0.10337 0.11644 0.14074 0.18228
-2 0.12195 0.12184 0.12144 0.12066 0.11956 0.11858 0.11865 0.12137 0.12921 0.14571 0.17583 0.22652
-1 0.13832 0.13815 0.13759 0.13652 0.13507 0.13380 0.13389 0.13728 0.14687 0.16679 0.20273 0.26258
0 0.14406 0.14384 0.14312 0.14176 0.13995 0.13839 0.13850 0.14255 0.15390 0.17724 0.21901 0.28801
1 0.13832 0.13804 0.13716 0.13551 0.13334 0.13150 0.13163 0.13634 0.14945 0.17622 0.22380
0
2 0.12195 0.12162 0.12057 0.11864 0.11611 0.11399 0.11413 0.11951 0.13437 0.16456
0
0
3 0.09740 0.09701 0.09580 0.09358 0.09070 0.08829 0.08845 0.09449 0.11111
0
0
0
4 0.06830 0.06786 0.06649 0.06398 0.06075 0.05805 0.05823 0.06493
0
0
0
0
5 0.03893 0.03844 0.03690 0.03411 0.03052 0.02753 0.02773
0
0
0
0
0
6 0.01343 0.01288 0.01118 0.00810 0.00415 0.00088
0
0
0
0
0
0
7 -0.00495 -0.00555 -0.00742 -0.01078 -0.01509
0
0
0
0
0
0
0
8 -0.01453 -0.01519 -0.01721 -0.02087
0
0
0
0
0
0
0
0
9 -0.01569 -0.01640 -0.01859
0
0
0
0
0
0
0
0
0
10 -0.01092 -0.01169
0
0
0
0
0
0
0
0
0
0
11 -0.00428
0
0
0
0
0
0
0
0
0
0
0



i
-2
-1
0
1
2
_
_ _
1/9 3/27 5/27

2/9 7/27 11/27
3/9 10/27 11/27
2/9 7/27
0
1/9
0
0
Tabla 3.13: Coeficientes de las medias mviles asimtricas asociados a la media mvil simtri (La notacin _ significa que la media mvil es de orden , con puntos pasados y
ca
puntos futuros).

i
-3
-2
-1
0
1
2
3
_
_
_
_
1/15 4/60 4/60 9/60

2/15 8/60 11/60 17/60
3/15 13/60 15/60 17/60
3/15 13/60 15/60 17/60
3/15 13/60 15/60
0
2/15 9/60
0
0
1/15
0
0
0
ca
puntos futuros).

i
-5
-4
-3
-2
-1
0
1
2
3
4
5
_

1/27
2/27
3/27
3/27
3/27
3/27
3/27
3/27
3/27
2/27
1/27
51
_
35/1026
75/1026
114/1026
116/1026
117/1026
119/1026
120/1026
121/1026
123/1026
86/1026
0
35/1026
77/1026
116/1026
120/1026
126/1026
131/1026
135/1026
141/1026
145/1026
0
0

33/1026
81/1026
136/1026
136/1026
147/1026
158/1026
167/1026
177/1026
0
0
0
29/1026
94/1026
148/1026
164/1026
181/1026
197/1026
213/1026
0
0
0
0
52/1026
115/1026
177/1026
202/1026
227/1026
252/1026
0
0
0
0
0
ca

puntos futuros. Tanto en X-11-A RIMA como en X-12-A RIMA , se presentan en forma decimal las medias
mviles asimtricas ligadas a la

, con slo 3 dgitos despus de la coma. En esta tabla presentamos las
fracciones ms cercanas a la expresin decimal. Se puede obtener una buena aproximacin de esas medias
aplicando la frmula de Musgrave, con


$
$
$ $

$
$

5. Estimacin de la tendencia-ciclo con una media mvil de Henderson sobre 13

trminos:
$

$
$ $

$

$

$
$ $


mes:

sobre cada
Aplicar la media mvil

sobre los valores de un mes dado, equivale a aplicar
la media
a la serie de los coeficientes estacionales, sobre 73 meses, la cual
es definida as:

52
$

$
$ $
$
En consecuencia,

Despus se normalizan los coeficientes de manera tal que la suma de los mismos, para todo perodo de 12 meses, sea aproximadamente nula.
$
$ $
$ $
$
$
$
$ $

$
$
$ $

$
$
$
$ $
$
$
$
$ $

$
$ $ Orden

Orden

$
$ $ Orden
Orden

,
=

$
$
$
$ $
Orden
Orden $
$ .
Se puede calcular el orden de esta media por aproximaciones sucesivas:

Orden
Orden

Orden
Orden

,
,
,
En la Figura 3.10 (cf. pg. sig.) se presentan los coeficientes y la funcin de ganancia de una media mvil de orden 169. Para poder emplear ese filtro es estrictamente
necesario disponer de 84 observaciones, es decir 7 aos, de un lado y del otro de cada
punto. Es por eso que se lo completa con 84 medias asimtricas.
En la Figura 3.11(cf. pg. sig.) se presentan los coeficientes y la funcin de ganancia
del filtro central de X-11 empleado en el caso trimestral. Ese filtro es de orden 57, el
empleo del mismo requiere tambin 7 aos de un lado y del otro de cada punto.
Comentario
Se pueden obtener las medias mviles centrales de X-11 desestacionalizando las variables indicadoras ad hoc con los paquetes X-11-A RIMA o X-12-A RIMA. En el caso
mensual en el que el filtro central de X-11 es una media mvil de orden 169 (cuando

se emplea una media de Henderson sobre 13 trminos, una
y una
), se puede
53
1.0
0.8
0.6
0.4
0.2
0.0
- 0.2
-84 -60 -36 -12 12 36 60 84
1.0
0.8
0.6
0.4
0.2
0.0
0
30
60
90 120 150 180
Figura 3.10: Curva de los coeficientes y funcin de ganancia del filtro mensual simtrico de
X-11 (La curva de los coeficientes se ubica a la izquierda del grfico y la funcin de ganancia a la derecha).
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-28 -20 -12 -4
1.0
0.8
0.6
0.4
0.2
0.0
4
12 20 28
30
60
90 120 150 180
Figura 3.11: Curva de los coeficientes y funcin de ganancia del filtro trimestral simtrico de
X-11 (La curva de los coeficientes se ubica a la izquierda del grfico y la funcin de ganancia a la derecha).

utilizar una serie de
observaciones, en la cual todas ellas son nulas,

excepto la del medio (la 97sima ) que es igual a 1. Se desestacionaliza la serie con un
modelo de descomposicin aditiva, especificando las medias mviles que deben ser
utilizadas para la tendencia (por ejemplo una Henderson sobre 13 trminos) y para la

componente estacional (una
y una
) y desactivando el procedimiento de
correccin automtica de los puntos atpicos (se puede fijar el valor de los dos lmites

). La serie desestacionalizada de la Tabla D11
utilizados, seleccionando el valor:
es entonces la serie de los coeficientes que corresponden al filtro central de X-11. Los
12 ceros agregados al inicio y al fin de la serie son necesarios para tomar en cuenta la
manera en que X-11 aplica la media
en diferentes tablas.
Se debe emplear otro algoritmo para obtener el conjunto de coeficientes de los
filtros simtricos y asimtricos utilizados por X-11 para ajustar una serie de observaciones. Considerando nuevamente el ejemplo precedente, es necesario ante todo
desestacionalizar cada columna de la matriz idntica de orden 169, con las opciones de
ajuste apropiadas. Se reemplaza entonces cada columna de la matriz identidad con la
serie desestacionalizada correspondiente. Las lneas de la matriz resultante contienen
las 169 medias mviles buscadas. La media mvil simtrica central figura en la 85 sima
lnea.
Los prrafos siguientes detallan ese algoritmo.

54

$
$ $ $ $

$
la serie bruta a desestacionalizar;

la
Sea:

serie corregida de variaciones estacionales ; y
la matriz de pesos tal que
.

El objetivo es calcular .

En la fecha , el valor de la serie desestacionalizada es
. En

consecuencia, si se desestacionaliza la serie
, entonces

y
es la primera columna de . Igualmente, si se utiliza la se

es la segunda
rie
, entonces
y

columna de ... y as siguiendo, hasta que el empleo de
conduz

.
ca a
y a la ltima columna de ,

$

Captulo 4
Las diferentes tablas

En este captulo se presenta detalladamente un ejemplo completo de desestacionalizacin con el mtodo X-11. La serie que ser descompuesta es una serie mensual.
Las opciones de tratamiento propuestas por los paquetes disponibles, para ese tipo de
series, son numerosas y muy complejas.
La serie tratada
es la evolucin del ndice mensual de produccin industrial en
Francia, desde octubre de 1985 hasta marzo de 1995 1 .
Las Figuras siguientes representan la serie y sus diferentes componentes tales como sern obtenidas al fin del tratamiento:
En la Figura 4.1 (cf. pg. 56) estn representadas

la serie bruta

regida de variaciones estacionales
(cf. Tabla D11, pg. 157).
y la serie cor-
En la Figura 4.2 (cf. pg. 56) se muestra una vez ms la serie desestacionalizada
y la tendencia
(cf. Tabla D12, pg. 167).
La Figura 4.3 (cf. pg. 57) representa los coeficientes estacionales
pg. 154).
La Figura 4.4 (cf. pg. 57) representa los efectos de das hbiles
pg. 130).
La componente irregular
Figura 4.52 (cf. pg. 57).

(cf. Tabla D13,
pg. 169)
(cf. Tabla D10,
(cf. Tabla C18,
est representada en la
En este ejemplo, el esquema de descomposicin utilizado es multiplicativo y se lo

puede formular de la siguiente manera:

1 Los

#
datos figuran en la Tabla B1 (cf. Tabla 4.16, pg. 61)

56
Captulo 4: Las diferentes tablas
130
120
110
100
90
80
70
'86
'87
'88
'89
'90
'91
'92
'93
'94
'95
Figura 4.1: ndice mensual de la produccin industrial francesa: Serie bruta (trazo punteado);
Serie desestacionalizada (trazo grueso).
120
115
110
105
100
'86
'87
'88
'89
'90
'91
'92
'93
'94
'95
Figura 4.2: ndice mensual de la produccin industrial francesa: Serie desestacionalizada

(trazo punteado); Tendencia-ciclo (trazo grueso).
57
1.1
1.0
0.9
0.8
0.7
'86
'87
'88
'89
'90
'91
'92
'93
'94
'95
Figura 4.3: ndice mensual de la produccin industrial francesa: Componente estacional.
1.02
1.00
0.98
'86
'87
'88
'89
'90
'91
'92
'93
'94
'95
Figura 4.4: ndice mensual de la produccin industrial francesa: Efectos de das hbiles.
1.06
1.04
1.02
1.00
0.98
0.96
0.94
'86
'87
'88
'89
'90
'91
'92
'93
'94
'95
Figura 4.5: ndice mensual de la produccin industrial francesa: Irregular.
58
Advertencias previas
1. En lo que sigue, nos concentramos en la parte X-11 de los paquetes actuales. Es
decir que no haremos referencia a la modelizacin A RIMA a priori de la serie a
desestacionalizar 3 .
2. A continuacin, para describir el contenido de las tablas, nos referimos casi
exclusivamente al esquema de descomposicin multiplicativa.
Sin embargo, en la traduccin en frmulas matemticas de esas explicaciones,
utilizaremos un lenguaje simblico que permite el tratamiento de los dos esquemas. Para ello, se utilizarn las correspondencias que detallamos en la tabla
siguiente.
Smbolo

Modelo
Aditivo
Modelo
Multiplicativo
Significado
Estas dos primeras lneas traducen las

operaciones de base de ambos esquemas.
Para algunos estimadores por ejemplo, los coeficientes estacionales se
supone que son de media nula en el caso
aditivo y de media igual a en el caso
multiplicativo. Esos valores medios intervienen en muchos lugares del algoritmo de clculo del mtodo X-11.
En algunas tablas y nicamente en el caso multiplicativo, las estimaciones son
multiplicadas por 100 y son interpretadas en porcentajes.

3. Se admite que la serie tiene

observaciones. Segn el caso, una observacin
podr ser designada con:
, en donde
vara de 1 a
;

y . El ndice representa el ao

, en donde

y vara de 1 a
, nmero de observaciones del mes (o del trimestre) .

El ndice se refiere al perodo (mes o trimestre) y vara entre 1 y . El

nmero de perodos es
, en el caso trimestral, o
en el ca
so mensual. El nmero total de observaciones es entonces
.

En el caso en el que se tienen nicamente observaciones de aos comple

tos, designa el nmero de aos. En ese caso, es tambin el nmero
3 En el caso en que la serie es modelizada a priori, el funcionamiento de los paquetes es ligeramente

diferente (cf. Seccin2.7) y la mayora de los clculos que vamos a detallar se efectan sobre una serie
completada con previsiones y a veces con retropolaciones.
59
comn de observaciones de cada mes (o de cada trimestre) y

4. Este captulo presenta las Etapas B, C, D, E y F de la versin actual del mtodo

X-11. La Etapa G (grficos) es ventajosamente reemplazada por los programas
grficos actuales 4 . La Etapa A (ajustes previos de la serie) es sensiblemente
diferente en X-11-A RIMA y en X-12-A RIMA.
5. En el mtodo X-11 se repiten algunos tratamientos relativamente complejos.
Los mismos son presentados detalladamente en la primera tabla en la cual son
utilizados. Principalmente, se trata de:
Tratamiento
Localizacin y correccin de los valores atpicos
Regresin para corregir los efectos de das hbiles
Extraccin de la tendencia-ciclo
Tablas
B4, B9, B17, C17
B15, C15
B7, C7, D7, D12
6. Las salidas comentadas en este trabajo pueden obtenerse ejecutando las siguientes instrucciones en los paquetes X-11-A RIMA y X-12-ARIMA 5 .
En X-12-A RIMA:
series{data=(115.7 109.8 ... 130.2)
start= 1985.10
period= 12
print=none
decimals=3}
X11{mode=mult
print=(all)}
X11regression{variables=td
print=(all)}
En X-11-A RIMA:
DATA ipi
12 85 10 ;
..... (los datos) ....

;
TITLE ipi;
RANGE 12 85 10 95 3 ;
SA (ipi, 0 ,1) TDR 2 00 00 CHART 1 PRTDEC 3 PRINT 5;
END;
4 El programa X-12-Graph, que utiliza SAS/GRAPH c (SAS Institute [62]), permite producir los grficos
a partir de los resultados de X-12-A RIMA . Se puede obtener ese programa gratuitamente, con el paquete
X-12-A RIMA (Hood [35]).
5 X-11-A RIMA versin 2000 y X-12-A RIMA versin 0.2.7.
60

Sin embargo, los dos programas no producen estrictamente el mismo diagnstico. Las diferencias son explicadas en cada etapa en las que se presentan. Los
datos son los que figuran en la Tabla B1 (cf. Tabla 4.16, pg. 61).
4.1 ETAPA B: Estimacin preliminar de los puntos

atpicos y de los efectos de calendario
4.1.1 Tabla B1: Serie bruta o serie bruta ajustada a priori
Descripcin y modalidades de clculo
Esta tabla presenta la serie bruta, o la serie que fue ajustada a priori con los elementos
de la Etapa A. Esos coeficientes de correccin, suministrados por el utilizador, son los
coeficientes de ajustes permanentes o temporarios 6 y las ponderaciones asociadas a
cada da de la semana.
Comentarios
Segn el paquete empleado, los coeficientes de ajuste a priori de la Etapa A
figuran en tablas diferentes.
Factores de ajuste
Ajustes mensuales permanentes
Ajustes mensuales temporarios
Efectos mensuales debidos a los pesos
diarios suministrados por el utilizador
X-11-A RIMA
X-12-A RIMA
Tabla A2
Tabla A4
Tabla A6
Tabla A2p
Tabla A2t
Tabla A4
Despus de la Tabla B1, X-11-A RIMA y X-12-A RIMA proponen un test estadstico de existencia de una estacionalidad. Ese test puede ser calculado nicamente a partir de la primera estimacin de la componente estacional-irregular
de la Tabla B3 (cf. Seccin 4.1.3).
Ejemplo
La serie bruta figura en la Tabla B1 (cf. Tabla 4.16, pg. 61) y el test de estacionalidad
estable figura en la Tabla 4.17 (cf. pg. 61).
6 Con el mtodo X-11 y con un ajuste temporario, la serie es primero modificada y luego descompuesta.
Las modificaciones son reintroducidas despus en la serie desestacionalizada y ajustada de los das hbiles
y/o del efecto de Pascua. En el caso de un ajuste permanente, la serie bruta es definitivamente modificada
antes de ser desestacionalizada.
4.1. B: Estimacin preliminar: puntos atpicos y efectos de calendario
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
106.600
100.500
107.700
117.900
121.100
123.300
123.500
113.700
116.300
124.100
Feb
.
98.700
103.200
110.200
112.200
112.500
112.800
116.900
113.100
111.500
116.300
Mar
.
103.900
112.900
118.700
120.200
123.600
119.300
124.000
122.700
124.000
130.200
Abr
.
109.500
107.100
108.100
114.700
116.100
119.400
120.000
114.200
115.400
.
May
.
97.700
100.000
107.400
110.500
115.600
113.300
109.800
107.900
114.000
.
Jun
Jul
.
103.700
108.300
114.700
120.300
116.800
116.700
118.700
117.100
121.000
.
.
99.700
101.800
101.200
105.600
111.800
115.300
112.100
108.100
109.500
.
Ago
.
65.700
68.700
76.000
79.400
83.300
81.600
80.000
79.700
85.400
.
Sep
Oct
61
Nov
109.800
108.300
114.700
121.300
126.800
127.100
124.800
122.100
121.700
127.700
.
Dic
.
105.200
108.700
114.600
114.200
114.600
116.400
119.300
114.800
120.600
.
115.700
117.100
116.900
117.900
126.700
132.000
132.400
129.000
121.000
126.400
.
100.600
104.400
110.000
114.700
112.700
110.800
115.800
113.800
114.800
120.000
.
Suma de Cuadrados g.d.l. Media de Cuadrados
PROB F
183.698
0.000
Tabla 4.16: B1: Serie bruta.
Entre los meses

Residuo
Total
10897.091
485.351
11382.442
11
90
101
990.645
5.393
Tabla 4.17: Test de presencia de una estacionalidad estable.

4.1.2 Tabla B2: Estimacin preliminar de la tendencia-ciclo
La primera estimacin de la componente tendencia-ciclo se obtiene aplicando a los
datos de la Tabla B1 una media mvil centrada simple de orden 12. Por construccin,
en un modelo de composicin aditiva, esa media mvil elimina las estacionalidades
mensuales constantes. Se la compone con una media mvil simple sobre 12 trminos
(es decir de coeficientes
) y con una media mvil simple sobre 2 trminos, la
cual permite recentrar el resultado. La media mvil que se emplea es entonces una

, sobre 13 trminos y de coeficientes
.

Comentarios
X-11-A RIMA y X-12-A RIMA proponen tambin una media mvil centrada sobre 24 trminos elaborada por C HOLETTE [12].
En este estadio del clculo, no se han imputado los 6 primeros y los 6 ltimos
puntos de la serie, para los cuales no se puede obtener una estimacin de la
tendencia-ciclo en razn de la simetra de la media mvil.
Ejemplo
El valor de la tendencia-ciclo de abril de 1986 el primero que puede ser calculado
se obtiene con los valores de la Tabla B1, desde octubre de 1985 hasta octubre de 1986.
62

Es decir, seis meses antes y seis meses despus:

#

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
.
102.788
107.275
111.975
114.517
115.513
116.467
113.583
113.583
.
Feb
.
.
103.000
107.554
112.300
114.938
115.588
116.267
113.404
113.879
.
Mar
Abr
.
.
103.271
108.104
112.425
115.117
115.592
116.321
113.204
114.358
.
May
.
101.458
103.408
108.392
112.775
115.354
115.683
116.300
112.683
114.825
.
.
101.454
103.667
108.708
113.371
115.588
115.604
116.046
112.333
115.300
.
Jun
.
101.550
104.167
109.179
113.517
115.521
115.717
115.850
112.358
115.767
.
Jul
.
101.454
104.700
109.800
113.567
115.533
115.933
115.358
112.508
116.308
.
Ago
.
101.388
105.292
110.308
113.713
115.638
116.113
114.792
112.550
116.833
.
Sep
Oct
.
101.950
105.825
110.454
113.867
115.471
116.479
114.579
112.538
117.292
.
Nov
.
102.225
106.108
110.792
114.067
115.429
116.700
114.283
112.642
.
.
.
102.221
106.458
111.196
114.338
115.471
116.579
113.963
112.946
.
.
Dic
.
102.508
107.033
111.558
114.404
115.371
116.517
113.817
113.363
.
.
Tabla 4.18: B2: Tendencia-ciclo, media mvil centrada sobre 12 trminos.
4.1.3 Tabla B3: Estimacin preliminar de la componente estacional-irregular

sin modificaciones
Segn el esquema de composicin adoptado, la componente tendencia-ciclo es retirada por substraccin o por divisin de la serie analizada, para obtener una primera
estimacin de la componente estacional-irregular (SI).

Se obtiene as:
op
.
El test de estacionalidad estable que es editado despus de la Tabla B1, se funda
en la Tabla B2. Se trata de un test de anlisis de la varianza con un factor. Se dispone
de muestras (las estimaciones estacionales-irregulares de cada uno de los

meses o de los
trimestres), cuyos tamaos son, respectivamente:
.
Cada una de esas muestras corresponde a un nivel diferente del factor 7 A que es aqu
la estacionalidad. Se supone que ese factor influye nicamente sobre la media de las
distribuciones y no sobre la varianza de las mismas. Se trata entonces de un test de
. Si se considera que cada muestra es
comparacin de las medias
extrada de una variable aleatoria , que sigue una Ley de media
y de desviacin
estndar , el problema es entonces probar las hiptesis:

$
$

$
al menos para un par #

$ $

La ecuacin llamada ecuacin del anlisis de la varianza se formula as:

$
7 Cuidado: las letras X y A han sido ya utilizadas para designar la serie bruta y la serie desestacionalizada. No confunda la notacin!
63
$ $
$
o sea que:
La varianza total se descompone en: la varianza de las medias; la varianza debida

al factor estacionalidad; y en una varianza residual. Admitiendo la hiptesis , se
puede demostrar que la cantidad:
$
$

sigue la Ley de Fisher
, con
grados de libertad. Lo
y
cual permite formular el siguiente test: si la cantidad

calculada con los datos de
la Tabla B3 (cf. Tabla 4.19, pg. 64) es mayor que el valor crtico de la Ley de Fisher,
se concluye que existe una influencia significativa del factor estacionalidad (i.e.: las
medias mensuales o trimestrales no son todas iguales).
Comentarios
Una vez ms, no se hace la estimacin de los 6 valores de inicio y de los 6
valores finales de la serie.
Indudablemente, no se respetan algunas hiptesis del modelo de anlisis de la
varianza que se emplea para someter a prueba la existencia de una estacionalidad. Por ejemplo, a este nivel del anlisis, la componente irregular puede ser
autocorrelacionada. Es por ello que, usualmente, se eligen valores crticos elevados y slo se rechaza la hiptesis nula cuando la probabilidad asociada al

valor de la estadstica
es menor que
.

El rechazo de la hiptesis nula lleva a probar la existencia de estacionalidad. Sin

embargo, aceptar la hiptesis nula no significa que no haya estacionalidad. Por
ejemplo, una fuerte evolucin de los coeficientes estacionales producira una
varianza tal que sera imposible distinguir estadsticamente las medias.
En X-12-A RIMA ese test es propuesto en opcin.
Ejemplo
El valor de abril de 1986 de la Tabla B3 se obtiene entonces simplemente:

En la Tabla 4.17 (cf. pg. 61), el valor de la estadstica

es muy elevado. Por ello,
se rechaza la hiptesis de igualdad de la media de los coeficientes estacionales. Como
lo muestra la Figura 4.6 (cf. pg. 64), eso se debe esencialmente al mes de agosto, que
presenta un coeficiente estacional muy diferente de los coeficientes estacionales de los
otros meses.
64
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
.
97.775
100.396
105.291
105.749
106.742
106.039
100.103
102.392
.
Feb
.
.
100.194
102.460
99.911
97.879
97.588
100.545
99.732
97.911
.
Mar
.
.
109.324
109.802
106.916
107.369
103.208
106.602
108.388
108.431
.
Abr
.
107.926
103.570
99.731
101.707
100.647
103.213
103.181
101.346
100.501
.
May
.
96.300
96.463
98.796
97.468
100.011
98.007
94.618
96.053
98.873
.
Jun
.
102.117
103.968
105.057
105.976
101.107
100.850
102.460
104.220
104.521
.
Jul
Ago
.
98.271
97.230
92.168
92.985
96.769
99.454
97.175
96.082
94.146
.
.
64.801
65.247
68.898
69.825
72.035
70.277
69.691
70.813
73.096
.
Sep
.
103.188
102.717
103.753
100.293
99.246
99.932
104.120
102.010
102.821
.
Oct
.
114.551
110.170
106.416
111.075
114.356
113.453
112.877
107.420
.
.
Nov
.
105.947
107.742
109.087
110.900
110.071
107.052
107.141
107.751
.
.
Dic
.
101.845
102.772
102.816
98.510
96.038
99.385
99.985
101.268
.
.
Tabla 4.19: B3: Relaciones estacional-irregulares sin modificaciones.

110
100
90
80
70
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
Figura 4.6: Componentes estacional-irregulares (SI) de cada mes. (En este grfico se representan
las 12 columnas de la Tabla B3: la primera curva muestra la componente estacional-irregular del mes de
enero, para los aos 1987 hasta 1994; la recta representa el valor medio de esos 8 valores; las otras curvas
corresponden a los otros meses).
4.1.4 Tabla B4: Valores de remplazo para los puntos atpicos de la componente
estacional-irregular
Esta tabla presenta los resultados del procedimiento automtico del mtodo X-11,
para la deteccin y correccin de los puntos atpicos de la componente estacionalirregular. Figuran en ella los valores de remplazo propuestos para los puntos atpicos
que fueron detectados. Pero tambin figuran, en margen de la tabla, las desviaciones
estndar mviles que sirvieron para determinar los valores de remplazo. No cabe duda
que esa tabla es la que presenta las modalidades de clculo ms difciles a desmontar. En efecto, el clculo resulta de un algoritmo bastante complejo que comporta las
seis etapas que presentamos a continuacin.
Etapa 1: Estimacin de la componente estacional
Esta componente estacional es estimada mediante el alisado de la componente
estacional-irregular, pero interesndose en los valores de cada mes. Se alisan los valores correspondientes al mes de enero, luego los valores del mes de febrero,... y as
65

siguiendo, con una media
de coeficientes
. Esta media mvil,
simtrica, se apoya en 5 trminos y por ello no permite estimar los valores de los
coeficientes estacionales de los 2 primeros y de los 2 ltimos aos. Estas estimaciones
se calculan entonces mediante las medias mviles asimtricas ad hoc (cf. Tabla 3.13,
pg. 50). Se obtiene as una serie de coeficientes provisorios: fspro.
Etapa 2: Normalizacin de los coeficientes estacionales

Los coeficientes estacionales provisorios son normalizados de manera tal que, para
las observaciones de un ao, la media sea aproximadamente igual a 0 (en el caso de un
esquema aditivo) o a 1 (en el caso esquema multiplicativo). Para ello, se calcula una
media mvil centrada sobre 12 trminos:
fspro . Los seis valores qui faltan al
inicio (al fin) de esta serie son tomados iguales al primer (al ltimo) valor calculado
con esta media mvil. La serie fsnorm de los coeficientes normalizados es entonces
fspro .
definida de la siguiente manera: fsnorm fspro op
$
$
$
$
Etapa 3: Estimacin de la componente irregular

Se retira de la componente estacional-irregular la estimacin inicial de los coeficientes estacionales, para obtener una estimacin de la componente irregular:

op fsnorm.

Etapa 4: Clculo de una desviacin estndar mvil

Se calcula una desviacin estndar mvil de la componente irregular sobre intervalos de cinco aos. Cada desviacin estndar es asociada al ao central con referencia
al cual fue calculada. Los valores de este ao central que se alejan en ms de
veces esa desviacin estndar (en valor absoluto de su desvo a la media
), son
considerados atpicos y se les afecta un peso nulo. La desviacin estndar mvil es
calculada nuevamente sin tener en cuenta esos valores, lo cual permite una estimacin
ms robusta de esa desviacin estndar. Para los dos primeros aos, se emplea en las
comparaciones la desviacin estndar asociada al tercer ao. De manera similar, para
los dos ltimos aos, se considera la desviacin estndar asociada al antepenltimo
ao.

Etapa 5: Deteccin de los valores atpicos y ponderacin de lo irregular

A cada valor de la componente irregular se le afecta un peso, en funcin de la
desviacin estndar asociada a esos valores, el cual es calculado de la siguiente manera
(cf. Figura 4.7):

A los valores que son mayores que , en valor absoluto de sus desvos a la
media
, se les afecta un peso nulo.

A los valores que son menores que , en valor absoluto de sus desvos a la
media
, se les afecta un peso igual a 1.

Los valores que, en valor absoluto de sus desvos a la media

, estn comprendidos entre y reciben un peso que vara linealmente entre 0 y 1,
en funcin de sus posiciones.
66

pt
1
It - xbar
-2.5
-1.5
1.5
2.5
Figura 4.7: Funcin de pesos de X-11 para el remplazo de los valores atpicos.
Etapa 6: Correccin de los valores atpicos de la componente estacional-irregular
Se corrige y se reemplaza todo valor de la componente estacional-irregular cuyo
irregular no recibi una ponderacin ntegra y que, en consecuencia, fue considerado
atpico.
La correccin y el remplazo se hace con una media ponderada de los cinco valores
siguientes:
el valor mismo, afectndole su peso;
los dos valores precedentes para el mismo mes, que tengan una ponderacin
ntegra;
y los dos valores siguientes para el mismo mes, que tengan una ponderacin
ntegra.
Para los dos primeros y los dos ltimos aos, los valores de remplazo son calculados con la media ponderada de: el valor considerado; y los cuatro valores ms
prximos 8 , del mismo mes, que hayan recibido la ponderacin 1.
Comentarios
A propsito de las medias mviles:
El utilizador puede seleccionar la media mvil que desea emplear. En ese caso,
X-11-A RIMA permite elegir entre una media mvil simple sobre 3 trminos,

una
, una
, una
y una estacionalidad estable (una media simple).

X-12-A RIMA propone, adems, una
.
Para completar la media mvil utilizada, X-11-A RIMA y X-12-A RIMA emplean
medias mviles asimtricas algo diferentes, en razn de problemas de redondeo.
En el Captulo 3 se presentan los coeficientes de esa medias mviles.
8 Para corregir un punto atpico al inicio y al fin de la serie es decir en los dos primeros y los dos
ltimos aos Census X-11 utiliza los 3 valores ms prximos con ponderacin ntegra (y no los 4 valores
ms prximos como lo hacen X-11-A RIMA o X-12-A RIMA ). Adems, el paquete Census X-11 presenta en
esto errores de clculo.
67
A propsito del clculo de los pesos y de la correccin de los valores atpicos:

Se determina el carcter atpico de un valor de lo irregular comparando el va

lor de +
+ a los lmites y , en donde es la desviacin
estndar del ao de la observacin ,
y
son los parmetros seleccionados por el utilizador (por defecto: y ).

Si no existen cuatro puntos del mismo peso que hayan recibido una ponderacin
ntegra, el valor atpico es reemplazado con la media de los valores del mes.
A propsito del clculo de las desviaciones estndar mviles:

Se calcula la desviacin estndar9 suponiendo conocida la media de lo irregular

, es decir para un esquema aditivo y para un esquema multiplicativo. En ese caso, un estimador sin sesgo de la varianza est dado por:

, en donde
es el nmero de observaciones uti
lizadas (cf. infra).
$

$
No olvidemos que el propsito es localizar los valores atpicos. Utilizando aqu

una estimacin de la media, se correra el riesgo que los valores atpicos influencien fuertemente esa estimacin.

Cuando se calcula la segunda desviacin estndar correspondiente a un ao,

se excluyen los valores
de lo irregular del ao que verifica la condicin:
+
+
, en donde es la primera estimacin de la desviacin
estndar del ao de la observacin .

En principio, la desviacin estndar es calculada sobre las observaciones de 5

aos completos. Se hace una pequea excepcin al inicio y al fin de la serie,
en particular a causa de los valores ausentes generados por el uso de medias
mviles simtricas.
De modo entonces que, si la serie bruta comienza en enero de 1970, la primera
estimacin de la componente estacional-irregular de la Tabla B3 comenzar en
julio de 1970. Con X-11-A RIMA y con X-12-A RIMA, la desviacin estndar de
1972 ser calculada con las observaciones de 1970 y de los cinco primeros aos
completos (de 1971 a 1975), o sea sobre 66 observaciones. Esta es la desviacin
estndar que ser atribuida a los aos 1970 y 1971. La desviacin estndar de
1973 ser calculada sobre menos observaciones, las 60 que corresponden a los
aos 1971 hasta 1975 10 .
Ejemplo
La Tabla B4 (cf. pg. 68) presenta el resultado de los clculos. Para facilitar la comprensin de los mismos, exponemos a continuacin las etapas de clculo que se hacen sobre tablas que, desgraciadamente, no pueden ser recuperadas en las versiones usuales
9 La desviacin estndar es calculada a partir de los valores de lo irregular incluyendo los valores atpicos. En la versin antigua del paquete Census X-11, la desviacin estndar mvil era calculada, para los
aos precedentes, despus de la correccin de los valores atpicos.
10 Ntese que, en el paquete Census X-11, la primera desviacin estndar sobre cinco aos que puede ser
calculada es la de 1973 y su valor ser tambin afectado a los aos 1970, 1971 y 1972. Las seis primeras
observaciones no sern incorporadas en ese clculo.
68
de los programas de la familia X-11 (se trata de las Tablas que designamos aqu: B4a
hasta B4f).
Ao
Ene Feb
1985
.
1986
.
1987 103.375
1988
.
1989
.
1990
.
1991
.
1992
.
1993 104.841
1994
.
1995
.
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct Nov
Dic
.
.
.
.
.
.
.
.
.
.
. 102.584
.
.
.
.
. 112.451
.
.
.
.
.
.
.
.
.
.
. 101.798
.
. 95.684
.
. 112.038
.
.
.
. 103.387
.
.
.
.
.
.
.
.
.
. 70.119
.
.
. 106.783
.
.
. 96.339
.
.
.
.
.
. 97.354
.
.
. 101.594
.
.
.
.
.
.
.
.
. 112.788
.
.
. 98.075
.
. 70.649
.
.
.
.
.
.
.
.
.
.
.
DE
.
. 1.427
.
. 1.427
.
. 1.427
.
. 1.427
.
. 1.371
. 99.580 1.396
.
. 1.294
.
. 1.285
.
. 1.285
.
. 1.285
.
. 1.285
Tabla 4.20: B4 : Valores de remplazo para los puntos atpicos de la componente estacionalirregular.

Los datos de la Tabla B3 son alisados columna por columna (mes por mes), con

una media mvil
de coeficientes
, para componer la Tabla B4a
(cf. pg. 70). Los valores disponibles de la componente estacional-irregular para los
meses de abril (de 1986 hasta 1994) son los siguientes (cf. Tabla B3, pg. 64):

El factor estacional del mes de abril de 1988 ser entonces estimado con:

#

Esta media mvil simtrica puede ser aplicada para estimar los valores de los coeficientes estacionales de los aos 1988 hasta 1992. Para el inicio (aos 1986 y 1987)
y el fin (aos 1993 y 1994) de la serie, se utilizan las medias asimtricas definidas
precedentemente (cf. Tabla 3.13, pg. 50):

#

(el punto actual y dos puntos futuros)

(un punto pasado, el punto actual y dos puntos futuros)

(un punto futuro, el punto actual y dos puntos pasados)

#

(el punto actual y dos puntos pasados).

69

Para obtener la Tabla B4b (cf. pg. 70) se aplica a la Tabla B4a una media mvil
centrada sobre 12 meses. El primer trmino que se puede calcular es entonces el del
mes de octubre de 1986 y el ltimo es el del mes de marzo de 1994.
De modo que, por ejemplo:

Los seis primeros valores (de abril a setiembre de 1986), que no pueden ser calculados con esta media mvil simtrica, sern considerados iguales al primer valor
calculable: octubre de 1986. Se procede de la misma manera con el fin de la serie. El

es repetido en los meses siguientes.
valor calculado para marzo de 1994
Se obtienen entonces los coeficientes estacionales normalizados dividiendo la Tabla
B4a con la Tabla B4b, para lograr la Tabla B4c (cf. pg. 70) .
#

Con lo cual:
.


Para obtener la Tabla B4d (cf. pg. 70) es suficiente dividir la componente irregular
de la Tabla B3 con
los coeficientes estacionales normalizados de la Tabla B4c.

#

Por ejemplo:

.


La desviacin estndar que corresponde al ao 1989 ser calculada con los datos
de los aos 1987 hasta 1991 (dos aos antes y dos aos despus), segn la frmula
siguiente11 :

$
" $

Las desviaciones estndar de los aos 1990 y 1991 sern calculadas siguiendo el
mismo principio.
Con X-11-A RIMA y X-12-A RIMA, la desviacin estndar de 1988 es calculada
con todas las informaciones disponibles desde 1986 hasta 1991, es decir 69 observaciones. Esta es la desviacin estndar que ser asociada a los aos 1986 y 1987. De
manera similar, la desviacin estndar de 1992 emplea todos los datos, desde 1989
hasta 1994 y ser asociada a los aos 1993 y 1994. Esas primeras estimaciones de las
desviaciones estndar son presentadas en la columna Desviacin estndar 1 de la
Tabla B4e.
Ese primer clculo sirve para localizar la presencia eventual de puntos atpicos.
Para un ao dado, un valor ser considerado atpico si se aleja, en valor absoluto de
su desvo a la media terica (que es aqu igual a 1), en ms de veces la desviacin

11 La media terica es considerada aqu igual a 100, para tomar en cuenta el hecho que los valores de lo
irregular han sido ya multiplicados por 100.
70
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
Feb
.
.
100.235
101.580
103.631
105.305
105.466
104.438
102.973
102.135
.
Mar
.
.
101.065
100.703
99.799
99.071
98.806
99.118
99.232
99.140
.
Abr
.
.
109.073
108.659
107.513
106.529
105.874
106.533
107.361
108.075
.
May
.
104.634
103.497
102.035
101.407
101.632
102.261
102.201
101.810
101.342
.
.
96.829
97.137
97.840
98.276
98.266
97.422
96.762
96.629
96.936
.
Jun
.
103.416
103.993
104.254
103.897
102.721
102.209
102.572
103.467
104.017
.
Jul
Ago
.
96.717
95.716
94.664
94.835
96.058
97.257
97.057
96.238
95.496
.
.
65.741
66.587
68.186
69.652
70.544
70.547
70.709
71.054
71.535
.
Sep
.
103.101
102.838
102.190
101.058
100.673
100.981
102.035
102.537
102.731
.
Oct
.
111.260
110.433
110.072
110.933
112.380
112.591
111.776
110.761
.
.
Nov
.
107.260
107.976
108.951
109.534
109.149
108.248
107.601
107.373
.
.
Dic
.
102.403
102.070
100.988
99.488
98.523
98.887
99.724
100.397
.
.
Tabla 4.21: B4a : Factores estacionales provisorios (media mvil 3 x 3).

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
.
100.082
100.014
99.972
99.970
99.997
100.003
99.997
99.969
.
Feb
Mar
.
.
100.075
100.037
100.040
100.058
100.047
100.001
99.977
99.958
.
.
.
100.099
100.076
100.054
100.079
100.060
100.052
100.013
99.987
.
Abr
.
100.097
100.054
100.034
100.043
100.123
100.082
100.062
99.991
99.987
.
May
.
100.097
100.050
100.060
100.103
100.168
100.053
100.001
99.939
99.987
.
Jun
.
100.097
100.066
100.055
100.064
100.111
100.031
100.009
99.958
99.987
.
Jul
.
100.097
100.108
100.096
100.072
100.078
100.003
99.983
99.951
99.987
.
Ago
Sep
.
100.097
100.149
100.144
100.111
100.073
99.973
99.927
99.912
99.987
.
Oct
.
100.097
100.116
100.058
100.040
100.035
100.014
99.966
99.938
99.987
.
Nov
.
100.097
100.038
99.984
100.008
100.034
100.039
99.984
99.948
.
.
Dic
.
100.062
100.007
99.976
100.017
100.025
100.009
99.962
99.942
.
.
.
100.099
100.047
99.979
99.968
99.969
99.996
99.994
99.977
.
.
Tabla 4.22: B4b : Media mvil centrada sobre 12 meses.

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
Feb
.
.
100.153
101.566
103.660
105.337
105.469
104.435
102.976
102.166
.
Mar
.
.
100.989
100.666
99.759
99.014
98.760
99.117
99.255
99.182
.
Abr
.
.
108.964
108.577
107.456
106.445
105.811
106.478
107.347
108.089
.
May
.
104.532
103.441
102.001
101.363
101.507
102.177
102.138
101.819
101.355
.
.
96.735
97.089
97.782
98.176
98.102
97.370
96.761
96.688
96.949
.
Jun
.
103.315
103.925
104.196
103.830
102.607
102.178
102.563
103.511
104.031
.
Jul
Ago
.
96.623
95.613
94.573
94.767
95.984
97.254
97.074
96.285
95.509
.
.
65.678
66.488
68.088
69.574
70.493
70.566
70.761
71.117
71.545
.
Sep
.
103.001
102.719
102.131
101.018
100.638
100.967
102.070
102.600
102.745
.
Oct
.
111.152
110.391
110.089
110.924
112.342
112.548
111.794
110.818
.
.
Nov
Dic
.
107.193
107.969
108.977
109.515
109.122
108.238
107.642
107.435
.
.
.
102.301
102.022
101.009
99.521
98.554
98.890
99.730
100.419
.
.
Nov
Dic
Tabla 4.23: B4c : Factores estacionales normalizados.

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
.
97.625
98.848
101.573
100.391
101.207
101.535
97.210
100.221
.
Feb
.
.
99.213
101.782
100.152
98.854
98.814
101.441
100.481
98.719
.
Mar
.
.
100.330
101.128
99.498
100.869
97.540
100.116
100.970
100.316
.
Abr
.
103.246
100.125
97.775
100.339
99.152
101.014
101.022
99.535
99.157
.
May
.
99.550
99.355
101.038
99.279
101.946
100.654
97.785
99.344
101.984
.
Jun
.
98.840
100.041
100.826
102.066
98.539
98.701
99.900
100.685
100.471
.
Jul
.
101.705
101.692
97.456
98.120
100.818
102.261
100.105
99.789
98.574
.
Ago
.
98.665
98.134
101.189
100.360
102.189
99.590
98.488
99.573
102.168
.
Sep
.
100.182
99.998
101.589
99.282
98.617
98.974
102.009
99.425
100.074
.
Oct
.
103.058
99.800
96.663
100.137
101.793
100.804
100.969
96.934
.
.
Tabla 4.24: B4d : Componente Irregular provisoria.
.
98.838
99.790
100.101
101.264
100.870
98.904
99.534
100.294
.
.
.
99.555
100.735
101.789
98.985
97.447
100.500
100.256
100.845
.
.
71
estndar correspondiente a ese ao. La Figura 4.8 (cf. pg. 72) representa el desvo de lo
irregular a su media terica y los dos lmites de confianza. Se puede constatar que
ningn valor es considerado realmente atpico. En el caso contrario, esos valores seran
eliminados y se hara nuevamente el clculo de la desviacin estndar (por ejemplo,
ver el caso de la Tabla B17, Seccin 4.1.17). Ese nuevo clculo produce la columna
Desviacin estndar 2 de la Tabla B4e, idntica a la columna 1.
Ao Desviacin estndar 1 Desviacin estndar 2
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1.4265
1.4265
1.4265
1.3705
1.3958
1.2941
1.2847
1.2847
1.2847
1.4265
1.4265
1.4265
1.3705
1.3958
1.2941
1.2847
1.2847
1.2847
Tabla 4.25: B4e : Desviaciones estndar mviles sobre 5 aos.

La Figura 4.8 (cf. pg.72) permite ubicar los valores de lo irregular con respecto a
los lmites de confianza, superiores e inferiores, que son calculados con las desviaciones estndar estimadas anteriormente. Ningn valor es considerado realmente excepcional, pero todos los valores que se sitan entre los dos lmites son considerados
atpicos y sern corregidos. En la Tabla B4f estn indicados los pesos asociados a esos
valores (multiplicados por 100).

+ + +
Por ejemplo, para enero de 1987, se obtiene: +

,y

.

Este valor es juzgado moderadamente atpico y se le atribuye un peso proporcional
al desvo a la media constante que es:

Del mismo modo, para el valor de junio de 1989, que se ubica un poco ms all del

lmite de confianza inferior, se obtiene: +

+
+
+
,

y
.

En consecuencia:


En fin, la correccin de la componente estacional-irregular (Tabla B3) se hace con
esos pesos. Por ejemplo, el valor de junio de 1989 ser reemplazado con la media de:
ese valor afectado de su peso; y de dos valores anteriores y posteriores del mismo mes
72
3
2
1
0
-1
-2
-3
'87

'88
'89
'90
'91
'92
'93
'94
Figura 4.8: B4d : Desvo de lo irregular a su media terica y lmites de confianza asociados

.
y
que hayan recibido una ponderacin ntegra, es decir que no hayan sido considerados
atpicos.
Como lo muestra la Tabla B4f, se trata de los valores de los meses de junio de
1987, de 1988, de 1990 y de 1991. Lo que lleva a:

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
.
83.535
100.000
100.000
100.000
100.000
100.000
32.820
100.000
.
Feb
.
.
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
.
Mar
Abr
.
.
100.000
100.000
100.000
100.000
59.928
100.000
100.000
100.000
.
.
22.419
100.000
94.011
100.000
100.000
100.000
100.000
100.000
100.000
.
May
.
100.000
100.000
100.000
100.000
100.000
100.000
77.601
100.000
95.570
.
Jun
.
100.000
100.000
100.000
99.217
100.000
100.000
100.000
100.000
100.000
.
Jul
.
100.000
100.000
71.692
100.000
100.000
75.258
100.000
100.000
100.000
.
Ago
.
100.000
100.000
100.000
100.000
93.192
100.000
100.000
100.000
81.282
.
Sep
.
100.000
100.000
100.000
100.000
100.000
100.000
93.624
100.000
100.000
.
Oct
.
35.633
100.000
16.096
100.000
100.000
100.000
100.000
11.350
.
.
Nov
.
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
.
.
Dic
.
100.000
100.000
100.000
100.000
67.113
100.000
100.000
100.000
.
.
Tabla 4.26: B4f : Pesos asociados a los valores de lo irregular.

El valor de enero de 1987 tambin fue considerado atpico. Pero, tratndose del
valor de inicio de la serie, fue corregido de manera algo diferente. Se lo reemplaz
con la media de: ese valor afectado de su peso; y de los cuatro valores ms prximos
del mismo mes que hayan recibido una ponderacin ntegra. En este caso se trata de
los valores de los meses de enero de 1988, de 1989, de 1990 y de 1991 (cf. Tabla B4f).
Con algn error de redondeo, se obtiene entonces:

73
Esos valores de remplazo se editan en la Tabla B4 que fue presentada al principio

de este ejemplo (cf. pg. 68).
4.1.5 Tabla B5: Estimacin de la componente estacional
Esta estimacin se obtiene con los valores de la componente estacional-irregular de la
Tabla B3, corregidos con los valores de la Tabla B4.
Se procede en tres etapas que son detalladas a continuacin, de las cuales las dos
primeras son idnticas a las dos primeras etapas de clculo de la Tabla B4.
Etapa 1: Estimacin de la componente estacional con una
Etapa 2: Normalizacin de los coeficientes estacionales con una
.
Etapa 3: Estimacin de los coeficientes estacionales faltantes.

Habindose empleado en la Tabla B2 una media mvil centrada sobre 12 trminos,
no se estimaron los coeficientes estacionales de los seis valores situados en cada extremo de la serie. Se estiman los coeficientes estacionales de los 12 valores faltantes,
duplicando el valor ms prximo calculado para el mes considerado.
Comentario
El utilizador puede seleccionar la media mvil que ser utilizada.
En ese caso, X-11-A RIMA permite elegir entre: una media mvil simple sobre 3

trminos; una
; una
; una
; o una estacionalidad estable (una media

simple). X-12-A RIMA propone, adems, una
.
Ejemplo
Esa estimacin se hace con la componente estacional-irregular corregida que figura en
la Tabla B4g.
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
.
103.375
100.396
105.291
105.749
106.742
106.039
104.841
102.392
.
Feb
.
.
100.194
102.460
99.911
97.879
97.588
100.545
99.732
97.911
.
Mar
.
.
109.324
109.802
106.916
107.369
106.783
106.602
108.388
108.431
.
Abr
.
102.584
103.570
101.798
101.707
100.647
103.213
103.181
101.346
100.501
.
May
.
96.300
96.463
98.796
97.468
100.011
98.007
97.354
96.053
98.075
.
Jun
.
102.117
103.968
105.057
103.387
101.107
100.850
102.460
104.220
104.521
.
Jul
Ago
.
98.271
97.230
95.684
92.985
96.769
96.339
97.175
96.082
94.146
.
.
64.801
65.247
68.898
69.825
70.119
70.277
69.691
70.813
70.649
.
Sep
.
103.188
102.717
103.753
100.293
99.246
99.932
101.594
102.010
102.821
.
Oct
.
112.451
110.170
112.038
111.075
114.356
113.453
112.877
112.788
.
.
Nov
.
105.947
107.742
109.087
110.900
110.071
107.052
107.141
107.751
.
.
Dic
.
101.845
102.772
102.816
98.510
99.580
99.385
99.985
101.268
.
.
Tabla 4.27: B4g : Componente estacional-irregular corregida.

Los datos de la tabla precedente son alisados, columna por columna (mes por mes),

con una media mvil
de coeficientes
, para obtener la Tabla B5a.

74

El factor estacional del mes de abril de 1988 es estimado as:

#

Se puede aplicar esta media mvil simtrica para estimar los valores de los coeficientes estacionales de los aos 1988 hasta 1992.
Para el inicio de la serie (aos 1986 y 1987) y para el fin de la serie (aos 1993 y
1994), se emplean medias mviles predefinidas (cf. Tabla 3.13,pg. 50):

(el punto actual y dos puntos futuros)

(un punto pasado, el punto actual y dos puntos futuros)

#

(un punto futuro, el punto actual y dos puntos pasados)

(el punto actual y dos puntos pasados).

Se aplica a la Tabla B5a (cf. pg. 75), una media mvil centrada sobre 12 meses, lo
cual produce la Tabla B5b (cf. pg. 75). El primer trmino que se puede calcular es el
del mes de octubre de 1986 y el ltimo es el del mes de marzo de 1994. Se obtiene as:

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
Feb
.
.
102.516
103.032
104.253
105.305
105.993
105.492
104.728
104.065
.
Mar
.
.
101.065
100.703
99.799
99.071
98.806
99.118
99.232
99.140
.
Abr
.
.
109.073
108.659
107.911
107.323
107.066
107.328
107.758
108.075
.
May
.
102.840
102.648
102.131
101.866
101.862
102.261
102.201
101.810
101.342
.
.
96.829
97.137
97.840
98.276
98.570
98.030
97.585
97.132
97.118
.
Jun
.
103.416
103.706
103.678
103.034
102.146
101.921
102.572
103.467
104.017
.
Jul
Ago
.
97.368
96.627
95.836
95.270
95.757
96.219
96.365
95.892
95.496
.
.
65.741
66.587
67.973
69.226
69.906
70.121
70.225
70.420
70.538
.
Sep
.
103.101
102.838
102.190
101.058
100.393
100.420
101.192
101.881
102.263
.
Oct
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
.
100.258
100.258
100.242
100.172
100.185
100.186
100.213
100.206
.
Feb
.
.
100.262
100.282
100.270
100.221
100.213
100.197
100.202
100.194
.
Mar
.
.
100.286
100.313
100.275
100.221
100.223
100.233
100.239
100.215
.
Abr
.
100.247
100.271
100.301
100.248
100.228
100.232
100.265
100.258
100.215
.
May
.
100.247
100.297
100.357
100.292
100.246
100.202
100.237
100.239
100.215
.
Jun
.
100.247
100.313
100.369
100.270
100.206
100.163
100.229
100.242
100.215
.
Jul
.
100.247
100.321
100.392
100.268
100.211
100.141
100.215
100.226
100.215
.
Ago
Sep
.
100.247
100.327
100.405
100.281
100.229
100.133
100.188
100.194
100.215
.
Nov
.
111.445
111.346
111.712
112.182
113.004
113.188
113.168
112.948
.
.
Tabla 4.28: B5a : Factores estacionales provisorios (media mvil
.
107.260
107.976
108.951
109.534
109.149
108.248
107.601
107.373
.
.
Dic
.
102.403
102.070
101.382
100.276
99.704
99.674
100.117
100.397
.
.
).
Oct
.
100.247
100.295
100.336
100.226
100.207
100.157
100.211
100.203
100.215
.
75
Nov
.
100.247
100.256
100.294
100.202
100.213
100.166
100.212
100.197
.
.
Dic
.
100.251
100.264
100.301
100.214
100.207
100.145
100.177
100.177
.
.
.
100.276
100.292
100.292
100.189
100.175
100.153
100.196
100.199
.
.
Tabla 4.29: B5b : Media mvil centrada sobre 12 trminos.
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
102.253
102.253
102.767
104.002
105.124
105.797
105.295
104.505
103.852
103.852
Feb
.
100.801
100.801
100.419
99.530
98.853
98.596
98.924
99.033
98.948
98.948
Mar
.
108.761
108.761
108.320
107.614
107.086
106.828
107.078
107.501
107.843
107.843
Abr
.
102.587
102.370
101.824
101.614
101.630
102.024
101.931
101.548
101.124
.
May
.
96.590
96.850
97.492
97.991
98.328
97.832
97.355
96.900
96.910
.
Jun
.
103.161
103.382
103.297
102.757
101.936
101.755
102.338
103.218
103.793
.
Jul
Ago
.
97.128
96.319
95.462
95.016
95.555
96.083
96.158
95.676
95.291
.
.
65.580
66.370
67.699
69.032
69.746
70.028
70.093
70.284
70.387
.
Sep
.
102.847
102.536
101.848
100.830
100.185
100.262
100.980
101.675
102.044
.
Tabla 4.30: B5 : Coeficientes estacionales.
Oct
111.171
111.171
111.062
111.385
111.956
112.764
113.000
112.928
112.725
112.725
.
Nov
106.991
106.991
107.692
108.624
109.301
108.924
108.091
107.411
107.183
107.183
.
Dic
102.120
102.120
101.773
101.087
100.086
99.529
99.521
99.922
100.197
100.197
.
76
Los seis primeros valores, de abril hasta setiembre de 1986, que no pueden ser
calculados con esa media mvil simtrica sern tomados iguales al primer valor calculable: el valor del mes de octubre de 1986. Se procede de la misma manera para el fin
de la serie: el valor calculado para marzo de 1994
es repetido en los seis
meses siguientes.
Los coeficientes estacionales normalizados se obtienen dividiendo la Tabla B5a
con la Tabla B5b (cf. Tabla B5, pg. 75) .
#

Por ejemplo:

.

Etapa 3: Estimacin de los coeficientes estacionales faltantes

Los valores faltantes desde octubre de 1985 hasta marzo de 1986 en razn del
empleo de la media mvil centrada de orden 12, se obtienen duplicando el primer valor
calculado para el mes considerado. De la misma manera, para los valores faltantes
desde octubre de 1994 hasta marzo de 1995, se duplica el ltimo valor calculado para
el mes considerado.
4.1.6 Tabla B6: Estimacin de la serie corregida de variaciones estacionales
Esta estimacin se obtiene simplemente (cf. Tabla B6), retirando a la serie inicial de
la Tabla B1, la estimacin de la componente estacional de la Tabla B5 y se obtiene:

op .
Ejemplo
Por ejemplo,
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
104.251
98.286
104.800
113.363
115.197
116.544
117.289
108.799
111.987
119.498
#
Feb
.
97.916
102.380
109.740
112.730
113.805
114.406
118.172
114.205
112.685
117.536

.

Mar
.
95.530
103.805
109.583
111.695
115.421
111.675
115.804
114.138
114.982
120.731
Abr
.
106.739
104.620
106.164
112.878
114.238
117.031
117.727
112.459
114.117
.
May
.
101.149
103.253
110.163
112.766
117.566
115.810
112.784
111.352
117.635
.
Jun
.
100.522
104.757
111.039
117.072
114.582
114.687
115.988
113.449
116.578
.
Jul
.
102.648
105.691
106.011
111.140
117.000
120.000
116.579
112.985
114.911
.
Ago
Sep
.
100.183
103.511
112.261
115.019
119.433
116.525
114.134
113.398
121.329
.
.
102.288
106.011
112.520
113.260
114.388
116.096
118.143
112.909
118.184
.
Oct
104.074
105.333
105.257
105.849
113.169
117.058
117.168
114.232
107.340
112.131
.
Nov
102.626
101.224
106.507
111.669
116.010
116.687
115.458
113.676
113.544
119.142
.
Dic
98.511
102.232
108.084
113.467
112.603
111.324
116.357
113.889
114.574
119.764
.
Tabla 4.31: B6 : Serie corregida de variaciones estacionales.

4.1.7 Tabla B7: Estimacin de la componente tendencia-ciclo
En esa tabla se presenta una estimacin de la componente tendencia-ciclo que fue realizada con la serie desestacionalizada de la tabla precedente. Se trata de un problema
de alisado y para resolverlo, el programa emplea una media mvil de Henderson.
Etapa 1: Eleccin de la media mvil, clculo del ratio

77
En esta etapa X-11 emplea, segn el caso y para una serie mensual, una media
mvil de Henderson sobre 9 o sobre 13 trminos. Salvo cuando el utilizador interviene, la eleccin del orden de la media mvil es automtica y se funda en el valor de
. Se puede decir que este indicador evala la imporun indicador llamado: razn
tancia de la componente irregular en la serie. Cuanto ms grande es su importancia,
mayor es el orden de la media mvil que ser elegida.
Para calcular esa razn, se hace
una primera descomposicin de la serie corregida

de variaciones estacionales
mediante una media mvil de Henderson sobre 13
trminos, sin ocuparse por el momento de los 6 puntos perdidos
al inicio y al

fin de la serie. Se obtiene entonces: la tendencia-ciclo:
; y lo irregular:
op . Se calcula, para cada serie e , la media del valor absoluto de las
tasas de crecimiento mensuales (en el esquema multiplicativo) o de los crecimientos

mensuales (en el esquema aditivo), designadas y .
Se obtiene entonces:

+
$ + op

+
$ + op

y adems:
Se calcula luego la razn
Si esa razn es menor que 1, se elige una media mvil de Henderson sobre 9
trminos.
En el caso contrario se elige una media mvil de Henderson sobre 13 trminos.
Etapa 2: Alisado de la serie desestacionalizada con una media mvil de Henderson

La serie desestacionalizada
de la Tabla B6 es alisada con la media mvil de
Henderson que fue elegida. En este estadio, se estiman los puntos que no pueden ser
calculados con la media simtrica al inicio y al fin de la serie (4 o 6 puntos segn el
caso), mediante las medias mviles asimtricas ad hoc.
Comentarios
Ntese que el clculo de la razn es hecho sin preocuparse de los 6 primeros y
de los 6 ltimos meses, para los cuales la media mvil de Henderson sobre 13
trminos no permite obtener una estimacin de la tendencia-ciclo.
En este estadio, el programa elige nicamente entre una media sobre 9 trminos
y una media sobre 13 trminos.
El utilizador puede especificar la longitud de la media mvil de Henderson que
desea utilizar. En ese caso, X-11-A RIMA permite seleccionar una media mvil
sobre 9, 13 o 23 trminos. X-12-A RIMA permite elegir cualquier media de Henderson de orden impar inferior a 101.
78

Los coeficientes de las medias mviles utilizadas (simtricas o no) son con
una diferencia de redondeo los mismos en X-11-A RIMA y en X-12-A RIMA.
Los coeficientes de las medias mviles simtricas se calculan con la frmula
exacta de Henderson. Para los filtros asimtricos, X-11-A RIMA utiliza valores
con 7 decimales derivados de una frmula que fue establecida por L ANIEL [46],
mientras que X-12-A RIMA utiliza directamente la frmula que fue propuesta
por D OHERTY [21], la cual se funda en los trabajos de M USGRAVE [55, 56].
Esos diferentes filtros fueron presentados en las Secciones 3.2.2 y 3.3.1 12 .
Por ltimo, ntese que el clculo de esta tendencia-ciclo se hace sin excluir los
puntos de la serie desestacionalizada que fueron considerados atpicos. X-11A RIMA propone una opcin de correccin de la tendencia-ciclo por huelgas.
En ese caso, el programa busca y corrige esos valores atpicos de la misma
manera que en la Tabla B4: estimacin de la componente irregular retirando la
tendencia-ciclo de la serie desestacionalizada; clculo de una desviacin estndar mvil sobre 5 aos; etc. X-12-A RIMA no propone esta opcin.
Ejemplo

Etapa 1: Eleccin de la media mvil, clculo de la razn

En primer lugar se alisa la Tabla B6 con una media mvil de Henderson sobre 13

trminos, cuyos coeficientes figuran en la columna
_ de la Tabla 3.11 (cf. pg. 49).
El primer trmino que se puede calcular con el filtro simtrico de Henderson es el
de abril de 1986 y se obtiene:

En esta etapa del clculo, el programa no se ocupa en estimar los 6 puntos que no
pueden ser calculados con el filtro simtrico al inicio y al fin de la serie. Se deduce
una estimacin de la tendencia-ciclo (cf. Tabla B7a, pg. 80) y mediante la divisin con
la Tabla B6, se deduce la componente irregular (cf. Tabla B7b, pg. 80). De modo que,
el valor de lo irregular para el mes de abril de 1986 es el siguiente:

12 En Census X-11, los coeficientes de las medias mviles simtricas y asimtricas son redondeados al
tercer decimal. No se sabe como se calculan los filtros asimtricos.
79
Puesto que el esquema es multiplicativo, se calcula:

+
$+

+
$+
Utilizando los totales en lnea de la Tabla B7c (pg. 81) y de la Tabla B7d (pg. 81),
se obtiene:

y tambin,

.
de modo que:

Etapa 2: Alisado de la serie desestacionalizada con una media mvil de Henderson

Como la razn es mayor que 1, se elige una media mvil de Henderson sobre 13
trminos cuyos coeficientes, as como los coeficientes de las medias mviles asimtricas asociadas, figuran en la Tabla 3.11 (cf. pg. 49). La estimacin de la tendencia para
octubre de 1985 se hace con la serie corregida de variaciones estacionales de la Tabla
B6, utilizando el punto actual y seis puntos futuros, a los cuales se les aplica los coe
ficientes de la media mvil
(cf. Tabla 3.11).
Por ejemplo:

Lo cual conduce a la Tabla B7 (cf. pg. 80).
80
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
100.543
101.671
107.460
112.343
114.366
114.232
116.829
112.640
112.954
118.787
Feb
.
100.309
102.029
107.972
112.722
114.521
114.160
116.824
112.448
113.648
119.246
Mar
.
100.463
102.691
108.320
113.066
114.877
114.487
116.503
112.498
114.346
119.901
Abr
.
100.809
103.528
108.737
113.268
115.348
115.084
116.091
112.798
115.193
.
May
.
101.258
104.218
109.126
113.389
115.889
115.871
115.767
112.965
116.069
.
Jun
.
101.649
104.567
109.403
113.645
116.472
116.538
115.602
112.853
116.819
.
Jul
.
102.031
104.799
109.568
113.835
116.816
116.921
115.688
112.539
117.188
.
Ago
.
102.287
104.992
109.760
113.913
116.862
117.008
115.709
112.212
117.307
.
Tabla 4.32: B7 : Tendencia-ciclo (La razn I/C es igual a

Henderson sobre 13 trminos).
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
.
101.671
107.460
112.343
114.366
114.232
116.829
112.640
112.954
.
Feb
.
.
102.029
107.972
112.722
114.521
114.160
116.824
112.448
113.648
.
Mar
.
.
102.691
108.320
113.066
114.877
114.487
116.503
112.498
114.346
.
Abr
.
100.809
103.528
108.737
113.268
115.348
115.084
116.091
112.798
115.193
.
May
.
101.258
104.218
109.126
113.389
115.889
115.871
115.767
112.965
116.069
.
Jun
.
101.649
104.567
109.403
113.645
116.472
116.538
115.602
112.853
116.819
.
Jul
.
102.031
104.799
109.568
113.835
116.816
116.921
115.688
112.539
117.188
.
Sep
.
102.241
105.302
110.159
113.901
116.614
116.831
115.381
112.024
117.362
.
Oct
102.405
102.092
105.774
110.671
113.920
116.065
116.619
114.694
111.941
117.495
.
Nov
101.784
101.939
106.319
111.282
113.989
115.337
116.632
113.877
111.996
117.801
.
Dic
101.095
101.700
106.848
111.855
114.155
114.704
116.735
113.108
112.314
118.258
.
, se seleccion una media mvil de
Ago
.
102.287
104.992
109.760
113.913
116.862
117.008
115.709
112.212
117.307
.
Sep
.
102.241
105.302
110.159
113.901
116.614
116.831
115.381
112.024
117.362
.
Oct
.
102.092
105.774
110.671
113.920
116.065
116.619
114.694
111.941
.
.
Nov
.
101.939
106.319
111.282
113.989
115.337
116.632
113.877
111.996
.
.
Dic
.
101.700
106.848
111.855
114.155
114.704
116.735
113.108
112.314
.
.
Tabla 4.33: B7a : Tendencia-ciclo (Media mvil de Henderson sobre 13 trminos).
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
.
96.670
97.525
100.908
100.727
102.024
100.394
96.590
99.144
.
Feb
.
.
100.344
101.638
100.007
99.375
100.216
101.154
101.563
99.152
.
Mar
.
.
101.085
101.166
98.787
100.473
97.544
99.400
101.458
100.556
.
Abr
.
105.882
101.055
97.634
99.656
99.037
101.692
101.409
99.700
99.066
.
May
.
99.893
99.074
100.951
99.451
101.447
99.947
97.423
98.573
101.350
.
Jun
.
98.891
100.182
101.495
103.016
98.378
98.412
100.334
100.528
99.793
.
Jul
.
100.605
100.851
96.753
97.632
100.158
102.634
100.770
100.396
98.057
.
Ago
.
97.944
98.590
102.279
100.971
102.200
99.587
98.639
101.057
103.428
.
Sep
.
100.046
100.674
102.143
99.437
98.091
99.371
102.393
100.790
100.701
.
Tabla 4.34: B7b : Componente irregular.
Oct
.
103.174
99.510
95.643
99.341
100.856
100.471
99.598
95.890
.
.
Nov
.
99.298
100.178
100.348
101.773
101.171
98.994
99.823
101.382
.
.
Dic
.
100.524
101.157
101.441
98.640
97.053
99.676
100.691
102.012
.
.
Ao Ene
Feb
Mar
Abr May
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
.
0.352
0.477
0.337
0.136
0.063
0.005
0.170
0.615
.
.
.
0.649
0.322
0.305
0.311
0.286
0.274
0.045
0.614
.
.
.
0.814
0.385
0.178
0.410
0.522
0.354
0.266
0.741
.
.
.
0.028
0.573
0.437
0.184
0.412
0.081
0.414
0.570
.
.
0.445
0.667
0.358
0.106
0.469
0.684
0.279
0.148
0.760
.
Jun
.
0.387
0.335
0.255
0.226
0.503
0.575
0.143
0.099
0.647
.
Jul Ago
.
0.375
0.222
0.151
0.168
0.295
0.329
0.075
0.278
0.316
.
.
0.251
0.184
0.175
0.069
0.040
0.075
0.018
0.291
0.102
.
Sep
Oct
Nov
Dic
Total
.
0.044
0.295
0.364
0.011
0.212
0.151
0.284
0.167
0.047
.
.
0.146
0.449
0.465
0.017
0.471
0.182
0.596
0.074
.
.
.
0.150
0.514
0.552
0.061
0.627
0.011
0.712
0.049
.
.
.
0.235
0.498
0.514
0.146
0.549
0.089
0.675
0.284
.
.
.
2.033
5.008
4.589
2.060
4.207
3.379
3.496
2.285
4.410
.
Tabla 4.35: B7c : Tasa de crecimiento de la tendencia-ciclo (en % y en valor absoluto).
Ao Ene
Feb
Mar
Abr May
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
.
3.801
4.217
0.893
1.342
1.772
0.758
5.148
0.009
.
.
.
0.738
0.464
1.219
1.105
2.666
1.735
0.103
1.416
.
.
.
0.029
3.492
0.879
1.429
4.252
2.022
1.733
1.482
.
.
.
3.833
3.591
0.526
2.116
5.122
0.720
4.073
2.812
.
.
5.657
1.961
3.397
0.205
2.433
1.715
3.931
1.130
2.305
.
Jun
.
1.002
1.118
0.539
3.585
3.025
1.536
2.988
1.984
1.536
.
Jul Ago
.
1.733
0.668
4.672
5.226
1.810
4.290
0.434
0.131
1.740
.
.
2.645
2.242
5.711
3.420
2.039
2.968
2.115
0.658
5.478
.
Sep
Oct
Nov
Dic
.
2.146
2.114
0.133
1.519
4.020
0.218
3.806
0.264
2.637
.
.
3.128
1.156
6.364
0.097
2.818
1.107
2.730
4.862
.
.
.
3.757
0.671
4.920
2.448
0.312
1.470
0.227
5.728
.
.
.
1.234
0.978
1.090
3.079
4.070
0.689
0.869
0.622
.
.
Total
.
21.302
19.307
38.591
23.096
26.519
27.805
22.334
26.435
19.415
.
Tabla 4.36: B7d : Tasa de crecimiento de lo irregular (en % y en valor absoluto).
81
82
4.1.8 Tabla B8: Componente estacional-irregular sin modificaciones

Esta tabla es similar a la Tabla B3 (cf. pg. 64): la componente tendencia-ciclo es retirada
de la serie analizada (por substraccin o por divisin, segn el esquema de composicin adoptado) para obtener una estimacin de la componente estacional-irregular. Se
obtiene as:
op .
Comentario
Contrariamente a lo indicado a propsito de la Tabla B3, en esta tabla los puntos del
inicio y del fin de la serie han sido estimados con las medias mviles asimtricas de
Henderson para la tendencia-ciclo. Por ello se dispone de una estimacin completa de
la componente estacional-irregular.
Ejemplo
El valor del mes de abril de 1986 se obtiene entonces simplemente:

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
Feb
.
106.024
98.848
100.224
104.946
105.888
107.938
105.710
100.941
102.962
104.473
.
98.396
101.148
102.064
99.537
98.235
98.809
100.065
100.580
98.110
97.530

Mar
.
103.421
109.941
109.583
106.309
107.593
104.204
106.435
109.069
108.443
108.590

Abr

May
.
108.622
103.451
99.414
101.264
100.652
103.750
103.367
101.243
100.180
.
.
96.487
95.953
98.419
97.453
99.751
97.781
94.846
95.517
98.218
.
Jun
.
102.017
103.570
104.841
105.856
100.282
100.139
102.680
103.763
103.579
.
Jul
Ago
.
97.716
97.138
92.362
92.766
95.706
98.614
96.898
96.055
93.439
.
.
64.231
65.434
69.242
69.702
71.281
69.739
69.139
71.026
72.800
.
Sep
.
102.894
103.227
104.031
100.263
98.273
99.631
103.396
102.478
102.759
.
Oct
112.983
114.700
110.518
106.532
111.218
113.729
113.533
112.474
108.092
107.579
.
Nov
107.876
106.240
107.883
109.002
111.239
110.199
107.003
107.221
108.664
108.403
.
Dic
99.511
102.655
102.950
102.544
98.725
96.596
99.199
100.612
102.213
101.473
.
Tabla 4.37: B8 : Componente estacional-irregular sin modificaciones.

4.1.9 Tabla B9 : Valores de remplazo para los valores atpicos de la componente
estacional-irregular
Por la segunda vez en esta Etapa B, el programa detecta y corrige automticamente
los valores atpicos de la componente estacional-irregular. La estrategia utilizada es
similar a la empleada para la Tabla B4 (cf. Seccin 4.1.4). La deteccin se hace con
los datos de la Tabla B8 y contrariamente a lo hecho para la Tabla B4 para la

primera estimacin de la componente estacional se emplea una media mvil
, de

coeficientes
.

Comentarios
La media mvil simtrica

, sobre 7 trminos, no permite estimar los coeficientes estacionales de los 3 primeros y de los 3 ltimos aos. Se utilizan para
ello las medias mviles asimtricas ad hoc (cf. Tabla 3.14, pg. 50).
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene Feb
.
104.457
103.337
.
.
.
105.353
.
104.314
.
.
Mar
Abr May Jun
.
.
.
. 107.611 101.329
.
.
.
.
.
.
.
.
.
.
.
.
. 106.753
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Jul
Ago
Sep
Oct Nov
.
.
.
.
.
.
. 68.245
.
.
.
.
.
.
.
.
.
.
. 111.877
.
.
.
.
.
.
.
. 101.123
.
. 95.836
.
.
.
.
.
.
.
.
.
.
.
.
.
. 95.015 70.697
.
.
.
.
.
.
.
Dic
83
DE
.
. 2.077
.
. 2.077
.
. 2.077
.
. 2.104
.
. 1.885
. 99.679 1.808
.
. 1.609
.
. 1.625
.
. 1.603
.
. 1.603
.
. 1.603
Tabla 4.38: B9 : Valores de remplazo para los puntos atpicos de la componente estacionalirregular.
La aplicacin de esas medias mviles asimtricas presenta un problema cuando

no hay bastantes aos de observacin. Supongamos que, para un mes dado,
slo disponemos de observaciones sobre 5 aos. No se puede estimar el punto
central, puesto que no se dispone de 3 puntos futuros, ni de 3 puntos pasados,
lo cual sera necesario para poder utilizar una media mvil asimtrica. En ese
caso, habra que estimar ese valor con la media simple de las 5 observaciones
disponibles.
Los otros comentarios que se pueden hacer en este estadio son los mismos que
los que fueron hechos a propsito de la Tabla B4 (cf. Seccin 4.1.4).
Ejemplo
La tabla editada por X-11 es la Tabla B9. Para facilitar la comprensin de la misma,
vamos a detallar a continuacin las etapas de clculo que se realizan a partir de tablas
que desgraciadamente no pueden ser recuperadas en las versiones actuales de los
programas de la familia X-11 (se trata de las tablas que fueron designadas aqu desde
B9a hasta B9f).
Los datos de la tabla B8 son alisados, columna por columna (mes por mes), con

una media mvil
, cuyos coeficientes y los coeficientes de las medias asimtricas
asociadas figuran en la Tabla 3.14 (cf. pg. 50). De modo que los valores de la componente estacional-irregular de los meses de abril de 1986 hasta 1994 son los siguientes:

El factor estacional del mes de abril de 1989 ser entonces estimado as:

#
Se puede aplicar esta media mvil simtrica para estimar los valores de los coeficientes estacionales de los aos 1989 hasta 1991. Para el inicio de la serie (aos 1986
84
hasta 1988) y para el fin de la serie (aos 1992 hasta 1994), se emplean las medias
asimtricas definidas anteriormente (cf. Tabla B9a, pg. 85). Por ejemplo, el valor del
coeficiente estacional para el mes de abril de 1987 (con un punto pasado, el punto
actual y tres puntos futuros) es el siguiente:

#


Se aplica a la Tabla B9a una media mvil centrada sobre 12 meses para obtener la
Tabla B9b (cf. pg. 85). El primer trmino que se puede calcular es entonces el del mes
de abril de 1986 y el ltimo es el del mes de setiembre de 1994. De modo que:

#

Los seis primeros valores (desde octubre de 1985 hasta marzo de 1986) que no
pueden ser calculados con esta media mvil simtrica, son tomados iguales al primer
valor calculable, el del mes de abril de 1986. Se procede de la misma manera para el

fin de la serie: el valor calculado para setiembre de 1994
es repetido para los
seis meses siguientes.
Los coeficientes estacionales normalizados se calculan dividiendo la Tabla B9a
con la Tabla B9b, para obtener la Tabla B9c (cf. pg. 85).
#

Por ejemplo:
.


Para obtener la Tabla B9d (cf. pg. 85) es suficiente dividir la componente estacionalirregular de la Tabla B8 con los coeficientes estacionales normalizados de la Tabla
B9c.

#

.
Se obtiene as:

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
Feb
.
102.186
102.573
103.089
103.899
104.532
104.905
104.726
104.205
103.670
103.230
Mar
.
100.386
100.199
100.040
99.859
99.715
99.449
99.208
99.083
98.987
98.939
Abr
.
107.447
107.399
107.403
107.240
107.024
106.899
107.073
107.544
107.985
108.361
May
.
103.444
103.147
102.525
102.025
101.817
101.861
102.010
101.929
101.920
.
.
97.028
97.231
97.520
97.711
97.530
97.314
96.961
96.722
96.432
.
Jun
.
103.833
103.700
103.441
103.004
102.747
102.464
102.391
102.550
102.861
.
Jul
Ago
.
95.293
95.192
95.150
95.241
95.532
95.807
96.134
96.058
95.937
.
.
66.812
67.258
68.070
68.959
69.692
70.265
70.550
70.779
70.801
.
Sep
.
102.916
102.471
101.809
101.314
101.004
101.078
101.394
101.975
102.391
.
Oct
111.803
111.496
111.238
111.212
111.314
111.471
111.463
111.103
110.432
110.004
.
Tabla 4.39: B9a : Factores estacionales provisorios (media mvil
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
100.034
100.023
99.985
99.958
99.949
99.946
99.960
99.969
99.981
99.976
Feb
Mar
.
100.034
100.037
100.017
99.998
99.992
99.981
99.985
99.975
99.977
99.976
.
100.034
100.037
100.023
100.015
100.009
100.008
100.010
100.009
99.995
99.976
Abr
.
100.034
100.008
99.995
99.999
100.003
100.011
100.009
100.005
99.995
.
May
.
100.034
100.017
100.012
100.010
100.009
100.000
99.978
99.965
99.973
.
Jun
.
100.041
100.021
100.004
99.992
99.991
99.990
99.981
99.977
99.985
.
Jul
.
100.050
100.028
100.011
99.994
99.990
99.982
99.978
99.979
99.983
.
Ago
Sep
.
100.058
100.042
100.037
100.015
99.994
99.965
99.951
99.953
99.963
.
Nov
107.583
107.899
108.370
108.809
108.970
108.955
108.699
108.329
108.036
107.932
.
Dic
101.831
101.660
101.295
100.658
100.077
99.669
99.674
100.121
100.701
101.098
.
).
Oct
.
100.048
100.036
100.023
100.000
99.978
99.962
99.966
99.967
99.976
.
85
Nov
100.034
100.034
100.010
99.995
99.982
99.974
99.975
99.982
99.985
99.976
.
Dic
100.034
100.030
99.996
99.982
99.966
99.967
99.967
99.969
99.973
99.976
.
100.034
100.033
99.998
99.972
99.948
99.946
99.949
99.965
99.973
99.976
.
Tabla 4.40: B9b : Media mvil centrada sobre 12 meses.
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
Feb
.
102.151
102.550
103.104
103.943
104.585
104.961
104.768
104.237
103.689
103.254
Mar
.
100.352
100.162
100.023
99.860
99.724
99.468
99.223
99.108
99.010
98.962
Abr
.
107.411
107.359
107.378
107.224
107.014
106.890
107.062
107.534
107.990
108.386
May
.
103.409
103.139
102.530
102.027
101.814
101.850
102.001
101.923
101.925
.
.
96.994
97.215
97.509
97.702
97.522
97.314
96.982
96.756
96.458
.
Jun
.
103.791
103.678
103.437
103.012
102.756
102.475
102.410
102.574
102.876
.
Jul
Ago
.
95.246
95.165
95.140
95.247
95.542
95.824
96.155
96.078
95.953
.
.
66.774
67.229
68.045
68.949
69.697
70.290
70.584
70.812
70.827
.
Sep
.
102.866
102.434
101.786
101.314
101.027
101.117
101.429
102.009
102.415
.
Oct
111.765
111.458
111.226
111.217
111.334
111.499
111.490
111.123
110.449
110.030
.
Nov
107.547
107.867
108.374
108.828
109.008
108.990
108.735
108.363
108.066
107.958
.
Dic
101.796
101.627
101.298
100.686
100.130
99.723
99.725
100.155
100.728
101.122
.
Tabla 4.41: B9c : Factores estacionales normalizados.
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
103.792
96.390
97.206
100.965
101.246
102.836
100.899
96.838
99.299
101.180
Feb
.
98.051
100.984
102.040
99.676
98.507
99.338
100.849
101.485
99.091
98.553
Mar
.
96.285
102.405
102.054
99.147
100.541
97.488
99.414
101.427
100.419
100.188
Abr
.
105.041
100.303
96.961
99.252
98.859
101.865
101.340
99.333
98.288
.
May
.
99.477
98.702
100.933
99.745
102.286
100.480
97.798
98.720
101.824
.
Jun
.
98.291
99.896
101.358
102.761
97.592
97.721
100.264
101.160
100.683
.
Jul
.
102.593
102.073
97.081
97.395
100.173
102.912
100.773
99.976
97.380
.
Ago
.
96.192
97.330
101.760
101.092
102.273
99.216
97.952
100.302
102.785
.
Sep
.
100.027
100.774
102.206
98.962
97.275
98.531
101.940
100.459
100.336
.
Oct
101.090
102.909
99.363
95.787
99.896
102.000
101.832
101.215
97.866
97.772
.
Tabla 4.42: B9d : Componente irregular provisoria.
Nov
100.306
98.491
99.547
100.160
102.047
101.109
98.408
98.946
100.554
100.413
.
Dic
97.755
101.011
101.631
101.845
98.597
96.865
99.472
100.456
101.475
100.347
.
86

de los aos 1987 hasta 1991 (dos aos antes y dos aos despus) conforme a la
siguiente frmula 13 :

$
" $

Las desviaciones estndar de los aos 1988, 1990, 1991 y 1992 son calculadas con
el mismo principio.
En X-11-A RIMA, como en X-12-A RIMA, la desviacin estndar de 1987 se calcula con el conjunto de observaciones disponibles desde 1985 hasta 1990, o sea 63
observaciones. Esas primeras estimaciones de las desviaciones estndar mviles son
presentadas en la Tabla B9e (cf. pg. 87), en la columna Desviacin estndar 1.
Ese primer clculo sirve para localizar, eventualmente, los puntos atpicos. El valor de un ao dado ser considerado atpico si se aleja, en valor absoluto de su desvo
a la media terica, en ms de veces la desviacin estndar que corresponde a ese
ao. Como se puede ver en la Figura 4.9, en el caso de nuestro ejemplo, ningn valor
es considerado atpico.

4
2
0
-2
-4
'86

'87
'88
'89
'90
'91
'92
'93
'94
'95
Figura 4.9: B9d : Desvo de lo irregular a su media terica y lmites de confianza asociados

.
y
El clculo de la desviacin estndar conduce a los mismos resultados (columna

Desviacin estndar 2 de la Tabla B9e, cf. pg. 87).
Los valores de lo irregular son ubicados con respecto a los lmites de confianza superiores e inferiores que fueron calculados anteriormente con las desviaciones
estndar estimadas. Todos los valores situados ms all de los lmites de confianza
inferiores sern considerados atpicos. Esos valores son corregidos diferentemente.
Los pesos asociados a los mismos (multiplicados por 100) figuran en la Tabla B9f.
13 Aqu la media terica es considerada igual a 100 para tener en cuenta que los valores de lo irregular ya
han sido multiplicados por 100.
87

1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
2.0774
2.0774
2.0774
2.1038
1.8846
1.8082
1.6093
1.6246
1.6030
1.6030
1.6030
2.0774
2.0774
2.0774
2.1038
1.8846
1.8082
1.6093
1.6246
1.6030
1.6030
1.6030
Tabla 4.43: B9e : Desviaciones estndar mviles sobre 5 aos.

y

.

Por ejemplo, para el mes de octubre de 1988, se obtiene:

+ + +
+ ,

A este valor, que se considera atpico, se le atribuye un peso proporcional a su

desvo a la media constante siguiente:

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
67.475
76.235
100.000
100.000
100.000
73.758
100.000
52.737
100.000
100.000
Feb
.
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
Mar
.
71.178
100.000
100.000
100.000
100.000
93.885
100.000
100.000
100.000
100.000
Abr
.
7.340
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
.
May
.
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
.
Jun
.
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
.

Jul
.
100.000
100.000
100.000
100.000
100.000
69.057
100.000
100.000
86.573
.
Ago
.
66.711
100.000
100.000
100.000
100.000
100.000
100.000
100.000
76.236
.
Sep
.
100.000
100.000
100.000
100.000
99.273
100.000
100.000
100.000
100.000
.
Oct
100.000
100.000
100.000
49.731
100.000
100.000
100.000
100.000
100.000
100.000
.
Nov
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
.
Dic
100.000
100.000
100.000
100.000
100.000
76.630
100.000
100.000
100.000
100.000
.
Tabla 4.44: B9f : Pesos asociados a los valores de lo irregular.

Por ltimo, la correccin de la componente estacional-irregular (Tabla B8) se hace
con esos pesos. Por ejemplo, el valor del mes de octubre de 1988 ser reemplazado con
la media: de este valor afectada de su peso; y de los dos valores anteriores y siguientes
del mismo mes que hayan recibido una ponderacin ntegra, es decir que no hayan
sido considerados atpicos.
Como lo muestra la Tabla B9f, se trata de los valores de los meses de octubre de
1986, 1987, 1990 y 1991. Lo que lleva a resultado siguiente:

El valor del mes de enero de 1986 tambin fue considerado atpico. Pero, como
est ubicado al inicio de la serie, se lo corrige de otra manera: ese valor es reemplazado
88
con la media: del valor afectado con su peso; y de los cuatro valores ms prximos,
del mismo mes, que hayan recibido una ponderacin ntegra. En este caso, se trata
como lo muestra la Tabla B9f de los valores del mes de enero de 1988, 1989,
1990 y 1992.
Lo que lleva a resultado siguiente (cf. Tabla B9g):

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
104.457
103.337
100.224
104.946
105.888
105.353
105.710
104.314
102.962
104.473
Feb
.
98.396
101.148
102.064
99.537
98.235
98.809
100.065
100.580
98.110
97.530
Mar
.
107.611
109.941
109.583
106.309
107.593
106.753
106.435
109.069
108.443
108.590
Abr
.
101.329
103.451
99.414
101.264
100.652
103.750
103.367
101.243
100.180
.

May
.
96.487
95.953
98.419
97.453
99.751
97.781
94.846
95.517
98.218
.
Jun
.
102.017
103.570
104.841
105.856
100.282
100.139
102.680
103.763
103.579
.
Jul
Ago
.
97.716
97.138
92.362
92.766
95.706
95.836
96.898
96.055
95.015
.
.
68.245
65.434
69.242
69.702
71.281
69.739
69.139
71.026
70.697
.

Sep
.
102.894
103.227
104.031
100.263
101.123
99.631
103.396
102.478
102.759
.
Oct
112.983
114.700
110.518
111.877
111.218
113.729
113.533
112.474
108.092
107.579
.

Nov
107.876
106.240
107.883
109.002
111.239
110.199
107.003
107.221
108.664
108.403
.
Dic
99.511
102.655
102.950
102.544
98.725
99.679
99.199
100.612
102.213
101.473
.
Tabla 4.45: B9g : Componente estacional-irregular corregida.

Todos esos clculos llevan a producir la Tabla B9 que fue presentada al comenzar
este ejemplo (cf. pg. 83).
4.1.10 Tabla B10: Estimacin de la componente estacional
Esta estimacin se obtiene de la misma manera que la Tabla B5 (cf. Seccin 4.1.5), es
decir con los valores de la componente estacional-irregular de la Tabla B8, corregidos
con los valores de la Tabla B9. Para ello, se procede en dos etapas: estimacin de la
componente estacional y luego normalizacin de los coeficientes estacionales.
Como en el caso de la Tabla B9, pero contrariamente a lo hecho en el caso de la
Tabla B5 (cf. pg. 75), la estimacin de la componente estacional se hace aqu con una

media mvil
.
Comentario
El utilizador puede seleccionar la media mvil que ser utilizada. En ese caso, X-11-A RIMA

permite elegir entre una media mvil simple sobre 3 trminos, una
, una
,

y una estacionalidad estable. X-12-A RIMA propone, adems, una media
una

mvil
.
Ejemplo
La estimacin se hace con la componente estacional-irregular corregida que figura en
la Tabla B9g.
89

Los datos de la Tabla B9g son alisados, columna por columna (mes por mes), con

una media mvil
(cf. Tabla 3.14, pg. 50), para producir la Tabla B10a (cf. pg. 90).
El factor estacional del mes de abril de 1989 es estimado as:

#

Para el inicio de la serie (aos 1986 hasta 1988) y para el fin de la misma (aos
1992 hasta 1994), se emplean las medias asimtricas definidas anteriormente.
Por ejemplo:

#

(un punto en el pasado, el punto actual y tres puntos en el futuro).

Etapa 2: normalizacin de los coeficientes estacionales
En la Tabla B10a se aplica una media mvil centrada sobre 12 meses para obtener
la Tabla B10b (cf. pg. 90). El primer trmino que se puede calcular es entonces el del
mes de abril de 1986 y el ltimo es el del mes de setiembre 1994.
De modo que:

#

Los seis primeros valores, desde octubre de 1985 hasta marzo de 1986, que no
pueden ser calculados con esa media mvil simtrica, sern tomados iguales al primer
valor calculable, el del mes de abril de 1986. Se procede del mismo modo para el fin de

la serie: el valor calculado para setiembre de 1994
es repetido para los seis
meses siguientes. Los coeficientes estacionales normalizados se obtienen dividiendo
la Tabla B10a con la Tabla B10b, lo que lleva a producir la Tabla B10 (cf. pg. 89).
Obtenemos por ejemplo:

90
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
Feb
.
103.013
103.304
103.654
104.048
104.539
104.837
104.883
104.591
104.341
104.185
Mar
.
100.386
100.199
100.040
99.859
99.715
99.449
99.208
99.083
98.987
98.939
Abr
.
108.635
108.447
108.201
107.859
107.534
107.408
107.583
107.883
108.155
108.361
May
.
101.378
101.324
101.431
101.539
101.817
101.861
102.010
101.929
101.920
.
.
97.028
97.231
97.520
97.711
97.530
97.314
96.961
96.722
96.432
.
Jun
.
103.833
103.700
103.441
103.004
102.747
102.464
102.391
102.550
102.861
.
Jul
Ago
.
95.293
95.192
94.965
94.871
94.976
95.356
95.769
95.943
95.967
.
.
67.950
68.261
68.672
69.227
69.692
70.125
70.235
70.253
70.205
.
Sep
.
102.916
102.661
102.189
101.884
101.574
101.648
101.774
102.165
102.391
.
Oct
112.605
112.476
112.396
112.281
112.383
112.184
111.819
111.103
110.432
110.004
.
Nov
Tabla 4.46: B10a : Componente estacional preliminar (media mvil
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
100.199
100.196
100.213
100.163
100.164
100.099
100.098
100.049
100.037
100.016
Feb
.
100.199
100.204
100.221
100.182
100.187
100.133
100.120
100.057
100.036
100.016
Mar
.
100.199
100.207
100.218
100.193
100.194
100.154
100.130
100.074
100.043
100.016
Abr
.
100.199
100.193
100.194
100.184
100.173
100.142
100.105
100.062
100.035
.
May
.
100.207
100.209
100.207
100.195
100.164
100.116
100.060
100.022
100.013
.
Jun
.
100.213
100.222
100.207
100.186
100.146
100.106
100.055
100.026
100.016
.
Jul
.
100.218
100.230
100.206
100.191
100.141
100.108
100.053
100.031
100.018
.
Ago
Sep
.
100.222
100.238
100.215
100.206
100.143
100.100
100.035
100.016
100.009
.
Oct
.
100.206
100.221
100.193
100.186
100.126
100.097
100.042
100.024
100.016
.
Dic
107.583
107.899
108.370
108.809
108.970
108.955
108.699
108.329
108.036
107.932
.
101.831
101.660
101.501
101.069
100.694
100.286
100.291
100.532
100.906
101.098
.
).
Nov
100.199
100.196
100.215
100.183
100.184
100.123
100.110
100.052
100.035
100.016
.
Dic
100.199
100.202
100.232
100.196
100.188
100.116
100.102
100.038
100.022
100.016
.
100.199
100.205
100.233
100.185
100.170
100.095
100.084
100.035
100.023
100.016
.
Tabla 4.47: B10b : Media mvil centrada sobre 12 trminos.
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
102.809
103.102
103.433
103.879
104.368
104.734
104.780
104.540
104.302
104.169
Feb
.
100.187
99.995
99.820
99.677
99.529
99.317
99.089
99.027
98.952
98.923
Mar
.
108.419
108.223
107.966
107.652
107.326
107.243
107.443
107.804
108.108
108.343
Abr
.
101.177
101.129
101.235
101.352
101.641
101.717
101.902
101.865
101.884
.
May
.
96.828
97.028
97.319
97.521
97.371
97.201
96.902
96.700
96.419
.
Jun
.
103.613
103.470
103.227
102.812
102.597
102.356
102.335
102.524
102.844
.
Jul
Ago
.
95.086
94.973
94.770
94.690
94.842
95.253
95.718
95.913
95.950
.
.
67.799
68.099
68.525
69.085
69.593
70.055
70.210
70.242
70.199
.
Sep
.
102.704
102.435
101.992
101.694
101.446
101.550
101.731
102.141
102.374
.
Tabla 4.48: B10 : Componente estacional.
Oct
112.382
112.255
112.154
112.076
112.177
112.046
111.696
111.046
110.394
109.987
.
Nov
107.370
107.681
108.120
108.596
108.766
108.828
108.588
108.287
108.012
107.915
.
Dic
101.629
101.452
101.265
100.882
100.523
100.190
100.207
100.497
100.883
101.082
.
91
4.1.11 Tabla B11: Estimacin de la serie corregida de variaciones estacionales

Esta estimacin se obtiene simplemente (cf. Tabla B11, pg. sig.), retirando a la serie
inicial de la Tabla B1 (cf. pg. 61), la estimacin estacional de la Tabla B10. Se obtiene:
op
.

Ejemplo
Por ejemplo, el valor del mes de abril de 1986 es el siguiente:

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
103.687
97.476
104.125
113.498
116.032
117.727
117.866
108.762
111.503
119.134
Feb
Mar
.
98.516
103.205
110.399
112.563
113.033
113.576
117.975
114.211
112.681
117.566
Abr
.
95.832
104.322
109.942
111.656
115.163
111.243
115.410
113.818
114.700
120.173

.
108.226
105.905
106.781
113.169
114.225
117.385
117.760
112.109
113.266
.
May
Jun
.
100.901
103.063
110.359
113.309
118.722
116.563
113.310
111.582
118.234
.
.
100.084
104.668
111.115
117.010
113.843
114.014
115.991
114.217
117.654
.
Jul
.
104.853
107.188
106.785
111.522
117.881
121.046
117.114
112.706
114.123
.
Ago
.
96.904
100.882
110.908
114.931
119.696
116.480
113.944
113.466
121.655
.
Sep
.
102.430
106.117
112.362
112.297
112.967
114.624
117.270
112.393
117.803
.
Oct
102.953
104.316
104.231
105.197
112.947
117.809
118.536
116.168
109.607
114.923
.
Nov
102.263
100.575
106.086
111.698
116.581
116.789
114.930
112.755
112.672
118.334
.
Dic
98.988
102.906
108.626
113.697
112.114
110.589
115.561
113.238
113.795
118.716
.
Tabla 4.49: B11 : Serie corregida de variaciones estacionales.

4.1.12 Tabla B13: Estimacin de la componente irregular
Esta estimacin (cf. Tabla B13, pg. 92) se obtiene simplemente, retirando a la serie
corregida de variaciones estacionales de la Tabla B11, la estimacin de la componente

tendencia-ciclo de la Tabla B7 (cf. pg. 80):
op .

Ejemplo
Por ejemplo, el valor del mes de abril de 1986 es el siguiente:

4.1.13 Estimacin del efecto debido a la composicin diaria del mes (TradingDay)
Algunas series econmicas por ejemplo el ndice mensual de volumen de negocios
de una firma minorista pueden estar fuertemente influenciadas por la composicin
diaria del mes: un sbado de ms o de menos en un mes, puede hacer variar de manera
no despreciable el ndice mensual del volumen de negocios. Esos efectos de los das
hbiles, as como la estacionalidad, pueden hacer delicadas las comparaciones de los
valores de la serie entre un mes y otro de un mismo ao, o las comparaciones de los
valores de un mismo mes entre un ao dado y otro. Es por ello que, generalmente,
92
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
103.127
95.874
96.897
101.028
101.457
103.060
100.887
96.558
98.715
100.292
Feb
.
98.213
101.153
102.248
99.859
98.700
99.489
100.985
101.568
99.149
98.592
Mar
.
95.390
101.588
101.498
98.753
100.249
97.167
99.061
101.173
100.309
100.227
Abr
.
107.358
102.296
98.202
99.913
99.026
101.999
101.438
99.389
98.327
.
May
.
99.648
98.892
101.130
99.930
102.444
100.597
97.878
98.776
101.865
.
Jun
.
98.460
100.097
101.564
102.961
97.743
97.834
100.337
101.209
100.715
.
Jul
.
102.766
102.280
97.460
97.968
100.912
103.528
101.233
100.148
97.384
.
Ago
.
94.737
96.086
101.047
100.893
102.425
99.549
98.474
101.117
103.706
.
Sep
.
100.185
100.774
101.999
98.592
96.873
98.111
101.637
100.329
100.376
.
Oct
100.535
102.178
98.541
95.053
99.146
101.503
101.645
101.286
97.915
97.811
.
Nov
100.471
98.661
99.781
100.374
102.274
101.259
98.541
99.015
100.604
100.452
.
Dic
97.916
101.186
101.664
101.647
98.212
96.413
98.994
100.115
101.319
100.387
.
Tabla 4.50: B13 : Componente irregular.

cuando se considera que esos efectos son estadsticamente significativos, se los retira
de la serie durante el proceso de desestacionalizacin.
Por ejemplo, la componente irregular de la Tabla B13 no contiene, por construccin, ni tendencia, ni estacionalidad. En consecuencia, si existen efectos ligados a los
das hbiles, no es en esta componente que se los podr encontrar 14 . De modo que es
bastante natural que se utilice un estimador de la componente irregular para identificar
la presencia eventual de efectos de das hbiles, por ejemplo empleando un modelo de
regresin lineal.
El utilizador puede, si lo demanda, hacer una estimacin y correccin automtica
de esos efectos. Es lo que se hace en las Tablas B14, B15, B16, B18 y B19 de la Etapa
B y en las tablas equivalentes de la Etapa C.
Algunas particularidades de nuestro calendario
Nuestro calendario se funda en el ritmo solar. La Tierra efecta un giro completo
alrededor del Sol en 365 das y unas 6 horas. Para tomar en cuenta esas 6 horas suplementarias, el calendario admite 365 das para 3 de cada 4 aos. Para el cuarto ao
(llamado ao bisiesto) el calendario agrega un da ms: el 29 de febrero . La regla
que se respeta es que el ao bisiesto debe corresponder a todo ao cuya expresin
numrica es mltiple de 4. Sin embargo, esta correccin es muy fuerte. Por eso es
que los aos seculares no son bisiestos, salvo cuando son divisibles por 400 (1600,
2000, 2400, ...). An as subsiste un pequeo error que es estimado a un da cada 4000
aos... Nuestro calendario, expresado en meses, es entonces peridico de perodo
4 al menos entre 1901 y 2099.
Para una fecha dada, el da que le corresponde sufre un desfase temporal: si el
primero de enero de un ao no bisiesto es un sbado, el ao siguiente ser un domingo;
y si el ao de referencia es bisiesto, el ao siguiente ser un lunes. Hay que esperar 28
) para encontrar la misma estructura anual en trminos de fechas y de das.
aos (
Los efectos de das hbiles
la notacin de F
e alii. [22], admitiremos a continuacin que el
Retomando
designa el lunes,
das de la semana tiene un efecto , en donde
INDLEY
-simo
14 En efecto, las caractersticas espectrales de los efectos de los das hbiles son tales, que stos pueden
ser eliminados con las medias mviles de Henderson (es por ello que no pueden subsistir en la componente tendencia-ciclo) y con las medias mviles aplicadas sobre cada mes para extraer los coeficientes
estacionales (es por ello que no pueden subsistir en la componente estacional).

93
el domingo. Cada
el martes,
y
representa, por ejemplo, el promedio de
ventas del da . Si
representa el nmero de das en el mes , la longitud del mes

ser
y el efecto acumulado para ese mes (las ventas totales del mes)

es el efecto promedio
.
Por
otra parte, ntese que
ser

diario, es decir el promedio de ventas de un da.

Como por construccin
, podemos escribir:

(4.1)
El efecto acumulado del mes se descompone en un efecto directamente ligado a la

longitud del mes y en un efecto neto de cada da de la semana.

Se puede sealar que, en realidad, la suma
hace intervenir

nicamente los das de la semana que aparecen 5 veces en el mes.
Todo mes contiene: 4 semanas completas para las cuales por definicin se
anula el efecto ligado a los das; ms 0, 1, 2 o 3 das que participan al efecto de das
hbiles del mes.

El modelo de regresin
La ecuacin (4.1) debe ser corregida de esos efectos para ser homognea con la variable a explicar, la componente irregular de la Tabla B13, la cual no contiene ni estacionalidad ni tendencia.

de esa ecuacin contiene potencialmente tales componentes,

El trmino
puesto que los meses tienen diferente longitud y que como vimos preceden es peridica, de perodo 48 meses (4 aos). Se puede
temente la variable

resumir esos efectos para la cantidad , en donde representa la media,

sobre 4 aos, de la longitud del mes . En otros trminos, es igual a:
oa

, si el mes considerado no es un mes de febrero; y es igual a en el caso

. En esta expresin
contrario. Se obtiene entonces:
el segundo trmino se anula, salvo para el mes de febrero.

El segundo trmino de la ecuacin (4.1) hace intervenir los

, nmero de
veces que el da est presente en el mes . Esas variables son peridicas, de
perodo 336 meses (28 aos) y de medias iguales para un mes dado 15. En ese

trmino de la ecuacin interviene la diferencia
y como esas variables
tienen todas el mismo comportamiento, en esa diferencia no hay ni estacionalidad ni tendencia.

La manera de corregir la ecuacin (4.1) de esos efectos depende del esquema de

composicin que fue adoptado.
15 Para
un mes de 31 das, esta media

es igual a

para el mes de febrero es igual a

.

; para un mes de 30 das es igual a
94

En un esquema multiplicativo, se eliminan los efectos estacionales y tenden

,
ciales dividiendo la ecuacin (4.1) con . Suponiendo que
se obtiene:

(4.2)

Si es una estimacin de la componente irregular, Census-X11 y los progra

mas directamente
derivados de l, estiman los coeficientes

(y
) ajustando el siguiente modelo con los mnimos cuadrados

habituales:

(4.3)
Lo cual corresponde al modelo propuesto por YOUNG [67].

En un esquema aditivo se debe, lgicamente, substraer
(4.1). Lo que conduce a:

en donde

a la ecuacin

.
para

(4.4)
En Census X-11 y en X-11-A RIMA, se omite el primer regresor

se estiman 6 parmetros.

y slo
Estimacin de los parmetros

En el caso del esquema aditivo como en el caso del esquema multiplicativo, en
Census X-11 y en X-11-A RIMA, se puede escribir el modelo de la siguiente manera:

En esa expresin:

aditivo,
.

$

en el esquema multiplicativo; y en el esquema

, siendo los los residuos de la regresin, la resoluDesignando
cin con los mnimos cuadrados habituales 16 conduce a los siguientes resultados:

Parmetros

$

$
$

Varianza

16 El empleo de los CM y de los tests asociados se apoya en una hiptesis suplementaria: la componente
irregular que se trata de explicar, no presenta ninguna (o una baja) autocorrelacin.
95
Se dispone de los tests de Student (test T), para someter a prueba la nulidad de
un coeficiente y del test de Fisher (test F), para someter a prueba la existencia de un
efecto global debido a los das hbiles:
Hiptesis

Estadstica

Test y Ley seguida

test T, Ley de Student con grados
de libertad.
test F, Ley de Fisher con y grados
de libertad.
4.1.14 Tabla B14: Valores de la componente irregular excluidos de la regresin

para das hbiles
A la demanda del utilizador, el programa puede estimar en la serie un efecto debido a la
composicin diaria del mes. Este efecto de calendario ser buscado en la componente
irregular y ser evaluado por regresin lineal. Antes de eso, X-11 localiza los valores
atpicos de la componente irregular y los excluye de los clculos, haciendo as ms
robustos los resultados de la regresin.
La localizacin de los valores atpicos se hace en tres fases:
Etapa 1: Clculo de la media de lo irregular por tipo de mes
Se distinguen aqu 15 tipos de meses diferentes:
Los meses de 31 das que comienzan en un lunes, en un martes, en un mircoles,
etc., o sea 7 categoras;
Los meses de 30 das que comienzan en un lunes, en un martes, en un mircoles,
etc., o sea otras 7 categoras;
Los meses de febrero de 28 das (no se toman en cuenta los meses de febrero de
29 das).

Se agrupan en esas 15 clases los valores de la componente irregular y se calculan

las medias
de cada clase. Se obtiene entonces
datos que se reparten en 15

grupos,
cuyos efectivos son
, siendo:
y

.

Etapa 2: Primer clculo de una desviacin estndar global y localizacin de los

valores atpicos
Se calculan en cada clase los cuadrados de las desvos a la media de la clase. La
media de cada clase aporta una estimacin de la desviacin estndar global:

.

Se considera que un valor de lo irregular es atpica si se aleja demasiado de la
media
de la clase a la cual pertenece. En otros trminos, ese valor es atpico si

verifica que: +
+
, en donde es la desviacin estndar global calculada
anteriormente; y es un parmetro que puede ser modificado por el utilizador (por
defecto,
).
$

$

96
Etapa 3: Clculo final de la desviacin estndar global y localizacin de los valores atpicos
Se recomienzan las dos etapas precedentes, excluyendo los valores atpicos que
hayan sido localizados en la primera iteracin: clculo de las medias de las clases; y
estimacin de la desviacin estndar. En la Tabla B14 (cf. pg. 100) figuran los valores
atpicos que fueron localizados de esta manera y que fueron excluidos de la regresin
para das hbiles.
Comentarios
, el nmero de observaciones que intervienen en el clculo de la desviacin
estndar es menor que

, que es el nmero total de observaciones de la serie,
puesto que aqu no se toman en cuenta los aos bisiestos.
Tericamente, nos situamos aqu en el marco de un modelo de anlisis de la varianza con un factor y se busca evaluar el efecto de los das hbiles de cada uno
de los 15 tipos de meses que fueron establecidos. Se admite entonces que, en
cada clase , lo irregular de la Tabla B13 sigue una Ley Normal de media variable
y de desviacin estndar constante. En ese caso, la estimacin hecha en
la etapa 2 es una estimacin sesgada de la desviacin estndar desconocida,
pero constante. Para obtener un estimador sin sesgo sera necesario dividir la

primera estimacin por

.

Para los meses de febrero de los aos bisiestos no se calcula la media de la clase.
Esta media es tomada igual a xbar (0 en un esquema aditivo, 1 en un esquema
multiplicativo).
En la etapa 3, se compara a la media terica xbar los valores que fueron identificados atpicos durante la etapa 2.
Excepcin hecha de los valores identificados atpicos, se utilizan todas las observaciones para la regresin.
Ejemplo
Etapa 1: Clculo de la media de lo irregular por tipo de mes
En primer lugar, se clasifican los meses segn el nmero de das y el da que
corresponde al primero de cada mes. Se distinguen as 15 clases de meses, lo cual
conduce a la Tabla B14a.
Se calcula para cada grupo la media de los valores de lo irregular B13. Esas medias
figuran en la ltima columna de la Tabla B14a.
Por ejemplo, para los meses de febrero de 28 das, se obtiene:

Feb

Longitud
del mes Mes de referencia
28
Media
FEB86 FEB87 FEB89 FEB90 FEB91 FEB93 FEB94 FEB95
30
99.590
Domingo
Lunes
Martes
Mircoles
Jueves
Viernes
Sbado
JUN86 NOV87 ABR90 SEP91 NOV92

SEP86 JUN87 ABR91 JUN92 NOV93
ABR86 SEP87 NOV88 SEP92 JUN93 NOV94
ABR87 JUN88 NOV89 ABR92 SEP93 JUN94
SEP88 JUN89 NOV90 ABR93 SEP94
NOV85 ABR88 SEP89 JUN90 NOV91 ABR94
NOV86 ABR89 SEP90 JUN91
98.879
100.644
101.967
101.436
101.197
98.646
98.320
Domingo
DIC85 MAR87 MAY88 ENE89 OCT89 JUL90 DIC91 MAR92

AGO93 MAY94 ENE95
DIC86 AGO88 MAY89 ENE90 OCT90 JUL91 MAR93 AGO94
OCT85 JUL86 DIC87 MAR88 AGO89 MAY90 ENE91 OCT91
DIC92 MAR94
ENE86 OCT86 JUL87 MAR89 AGO90 MAY91 ENE92 JUL92
DIC93 MAR95
MAY86 ENE87 OCT87 DIC88 MAR90 AGO91 OCT92 JUL93
DICC94
AGO86 MAY87 ENE88 JUL88 DIC89 MAR91 MAY92 ENE93
OCT93 JUL94
MAR86 AGO87 OCT88 JUL89 DIC90 AGO92 MAY93 ENE94
OCT94
100.277
Lunes
Martes
31
97
Mircoles
Jueves
Viernes
Sbado
101.691
101.493
101.303
99.703
97.310
97.188
Tabla 4.51: B14a : Reparticin de los meses por tipo.

Etapa 2: Primer clculo de una desviacin estndar global y localizacin de los
valores atpicos
Se calcula luego el valor absoluto del desvo de cada valor de lo irregular a la
media de la clase a la cual pertenece (cf. Tabla B14b, pg. 99). Se obtiene, por ejemplo:

+ + y FEB88 +
+ .
La media del cuadrado de esos valores, excepto aquellos que corresponden a los
meses de febrero de aos bisiestos (cf. Tabla B14c, pg. 99), aporta la primera estimacin de la desviacin estndar:

" $

$

. Esta desviacin estndar servir para determinar el
en donde

lmite con el cual un punto de lo irregular ser considerado atpico. Por defecto, este

lmite est igual a veces el valor de la desviacin estndar, o sea .

Los dos nicos puntos que se alejan de ms en valor absoluto de

(o sea ) son los valores de abril de 1986 (mes de 30 das que comienza un martes)

y de enero de 1987 (mes de 31 das que comienza un jueves). Se excluyen esos dos
puntos y se rehacen los clculos de las dos primeras etapas.
Se afectan nicamente las medias de los tipos de meses concernidos por los valores
excluidos (cf. Tabla B14d, pg. 99). El clculo del cuadrado de los desvos a la media
98

" $

$

conduce a una nueva estimacin de la desviacin estndar:

media de los meses de 30 das que comienzan un martes es ahora de

. El cuadrado del$ desvo a $ esta nueva media, para
La nueva
, en lugar de

, en lugar de
$
setiembre de 1987, ser
de $
.

En fin, ntese que en la Tabla B14e (cf. pg. 100), los puntos considerados atpicos
en la etapa precedente, son comparados a la media terica (que es aqu 100, para tener
en cuenta el hecho que lo irregular fue multiplicado por 100). Por ejemplo, el desvo

absoluto para enero de 1987 es: +
+ .
El nuevo lmite que permite juzgar el carcter atpico de un punto es entonces

el siguiente:
. Los nicos valores de lo irregular que se alejan
suficientemente de sus medias son los valores de abril de 1986 y de enero de 1987.
Esos valores figuran en la Tabla B14 (cf. pg. 100).

4.1.15 Tabla B15: Regresin previa para das hbiles

Se estiman ahora los pesos diarios mediante una regresin por los mnimos cuadrados habituales, sobre los datos que no fueron considerados atpicos de la Tabla B13,
siguiendo la metodologa expuesta en la Seccin 4.1.13.
Formulacin del modelo de regresin
Segn el esquema adoptado y con la notacin definida en la Seccin 4.1.13, se
obtienen los modelos siguientes.

Para un esquema multiplicativo:

Para un esquema aditivo:

Deduccin de los pesos diarios

En el caso aditivo, se emplean los
calculados con el modelo anterior para los
pesos que sern utilizados en la desestacionalizacin.
En el caso multiplicativo, se agrega 1 a las estimaciones precedentes, o bien se
emplean los pesos diarios a priori si fueron indicados en la Etapa A.
Comentarios
En el caso aditivo, el paquete X-12-A RIMA introduce una variable explicativa
suplementaria. Sin embargo, el principio de estimacin sigue siendo el mismo.
Ao Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
1.378
1.563
2.248
0.269
0.890
0.102
0.985
1.978
0.441
0.999
.
1.798
1.310
0.005
2.550
0.546
0.143
1.216
0.518
1.184
1.075
.
5.391
0.860
0.444
1.593
0.148
1.355
0.002
1.808
0.319
.
.
0.055
1.582
0.853
1.761
0.951
0.706
0.568
1.589
1.588
.
.
0.419
0.547
0.128
1.764
0.903
0.486
0.307
0.759
0.721
.
.
1.273
0.977
0.150
0.781
0.634
1.837
0.070
0.445
0.074
.
.
2.572
1.101
0.645
0.599
1.123
0.154
1.287
0.840
2.015
.
.
0.459
1.194
0.802
0.054
1.448
0.768
0.330
1.107
0.821
.
0.958
0.875
1.162
2.134
1.131
0.188
0.152
1.582
0.605
0.623
.
1.825
0.341
0.903
1.594
0.838
0.063
0.105
0.137
0.041
1.515
.
2.361
0.505
0.171
1.944
0.902
0.774
1.283
1.378
0.016
0.684
.
.
1.825
3.829
0.413
0.751
0.234
1.567
0.416
0.752
1.528
0.015
99
Tabla 4.52: B14b : Desvos a la media en valor absoluto.
Ao
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
1985
.
.
.
.
.
.
.
.
. 0.917 3.332 5.576
1986 3.330 1.898 3.231 29.061 0.003 0.175 1.620 6.617 0.211 0.766 0.116 0.255
1987 14.661 2.442 1.717 0.740 2.504 0.300 0.955 1.212 1.425 1.350 0.815 0.029
1988 0.171 5.052 0.000 0.197 0.727 0.016 0.022 0.415 0.644 4.555 2.540 3.779
1989 0.564 0.072 6.501 2.536 3.101 3.112 0.609 0.359 0.003 1.280 0.702 0.813
1990 0.055 0.792 0.298 0.022 0.905 0.815 0.403 1.260 2.095 0.035 0.004 0.600
1991 2.456 0.010 0.021 1.835 0.498 0.236 3.374 0.024 0.590 0.023 0.011 1.646
1992 0.173 0.971 1.478 0.000 0.323 0.094 0.005 1.656 0.109 2.504 0.019 1.899
1993 0.565 3.912 0.268 3.267 2.524 0.575 0.198 0.706 1.225 0.366 0.002 0.000
1994 2.334 0.195 1.401 0.102 2.522 0.520 0.005 4.060 0.675 0.389 2.296 0.468
1995 0.000 0.998 1.156
.
.
.
.
.
.
.
.
.
Tabla 4.53: B14c : Cuadrado de los desvos a la media.

Longitud
del mes Mes de referencia
28
30
FEB86 FEB87 FEB89 FEB90 FEB91 FEB93 FEB94 FEB95

Domingo
Lunes
Martes
Mircoles
Jueves
Viernes
Sbado
Domingo
31
JUN86 NOV87 ABR90 SEP91 NOV92

SEP86 JUN87 ABR91 JUN92 NOV93
SEP87 NOV88 SEP92 JUN93 NOV94
ABR87 JUN88 NOV89 ABR92 SEP93 JUN94
SEP88 JUN89 NOV90 ABR93 SEP94
NOV85 ABR88 SEP89 JUN90 NOV91 ABR94
NOV86 ABR89 SEP90 JUN91
DIC85 MAR87 MAY88 ENE89 OCT89 JUL90 DIC91 MAR92

AGO93 MAY94 ENE95
Lunes
DIC86 AGO88 MAY89 ENE90 OCT90 JUL91 MAR93 AGO94
Martes
OCT85 JUL86 DIC87 MAR88 AGO89 MAY90 ENE91 OCT91
DIC92 MAR94
Mircoles ENE86 OCT86 JUL87 MAR89 AGO90 MAY91 ENE92 JUL92
DIC93 MAR95
Jueves
MAY86 OCT87 DIC88 MAR90 AGO91 OCT92 JUL93 DIC94
Viernes
AGO86 MAY87 ENE88 JUL88 DIC89 MAR91 MAY92 ENE93
OCT93 JUL94
Sbado
MAR86 AGO87 OCT88 JUL89 DIC90 AGO92 MAY93 ENE94
OCT94
Media
99.590
98.879
100.644
100.889
101.436
101.197
98.646
98.320
100.277
101.691
101.493
101.303
100.182
97.310
97.188
Tabla 4.54: B14d : Reparticin de los meses que corresponden a valores de lo irregular que
no fueron excluidos, por tipo de mes.
100
Ao Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
1.378
1.563
2.248
0.269
0.890
0.102
0.985
1.978
0.441
0.999
.
1.798
1.310
0.005
2.550
0.067
0.143
1.216
0.518
1.184
1.075
.
7.358
0.860
0.444
1.593
0.148
1.355
0.002
1.808
0.319
.
.
0.534
1.582
0.853
1.761
0.951
0.706
0.568
1.589
1.588
.
.
0.419
0.547
0.128
1.764
0.903
0.486
0.307
0.320
0.721
.
.
1.273
0.977
0.150
0.781
0.634
1.837
0.070
0.033
0.074
.
.
2.572
1.101
0.645
0.599
1.123
0.633
1.287
0.840
2.015
.
.
0.459
0.115
0.802
0.054
1.448
0.768
0.748
1.107
0.821
.
0.958
0.875
1.641
2.134
1.131
0.188
0.152
1.104
0.605
0.623
.
1.825
0.341
0.903
0.515
0.838
0.063
0.105
0.137
0.041
0.437
.
2.361
0.505
0.171
1.465
0.902
0.774
1.283
1.378
0.016
0.205
.
.
1.825
4.126
0.413
0.751
0.234
1.567
0.416
0.752
1.528
0.015
Tabla 4.55: B14e : Desvos a la media en valor absoluto.
Ao
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
1985
.
.
.
.
.
.
.
.
. 0.917 3.332 5.576
1986 3.330 1.898 3.231 54.144 0.285 0.175 1.620 6.617 0.211 0.766 0.116 0.255
1987 17.022 2.442 1.717 0.740 2.504 0.300 0.955 1.212 0.013 2.692 0.815 0.029
1988 0.171 5.052 0.000 0.197 0.727 0.016 0.022 0.415 0.644 4.555 0.266 2.147
1989 0.564 0.072 6.501 2.536 3.101 3.112 0.609 0.359 0.003 1.280 0.702 0.813
1990 0.055 0.792 0.004 0.022 0.905 0.815 0.403 1.260 2.095 0.035 0.004 0.600
1991 2.456 0.010 0.021 1.835 0.498 0.236 3.374 0.401 0.590 0.023 0.011 1.646
1992 0.173 0.971 1.478 0.000 0.323 0.094 0.005 1.656 0.560 1.218 0.019 1.899
1993 0.565 3.912 0.268 3.267 2.524 0.102 0.001 0.706 1.225 0.366 0.002 0.000
1994 2.334 0.195 1.401 0.102 2.522 0.520 0.005 4.060 0.675 0.389 0.191 0.042
1995 0.000 0.998 1.156
.
.
.
.
.
.
.
.
.
Tabla 4.56: B14f : Cuadrado de los desvos a la media.
Ao
Ene
1985
.
1986
.
1987 95.874
1988
.
1989
.
1990
.
1991
.
1992
.
1993
.
1994
.
1995
.
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
107.358
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Tabla 4.57: B14 : Valores de la componente irregular que fueron excluidos de la regresin
para das hbiles.
101
El modelo estimado es entonces el siguiente:

En el caso multiplicativo, si se hace un ajuste diario a priori,

iguales a la suma mensual de los pesos diarios a priori.

son
X-12-A RIMA permite introducir en la regresin otras variables predefinidas, o

definidas por el utilizador. Ejemplos de variables predefinidas: el efecto de Pascua (cf. Captulo 5); las variables indicadoras que modelizan los puntos atpicos; las variables que estiman los efectos de algunos asuetos festivos (Fiesta de
Pentecosts, Da del Trabajo); etc.
Ejemplo
No haremos aqu la presentacin bastante fastidiosa del conjunto de clculos
intermedios de la regresin que conducen a la Tabla B15 (cf. pg. 102). Se utilizan los
mtodos conocidos de regresin por mnimos cuadrados. Fijando un riesgo de primera
especie, por ejemplo de 1%, los test se interpretan de la siguiente manera:
El test F (de Fisher) rechaza la hiptesis nula de igualdad de los coeficientes
diarios: se puede admitir entonces la existencia de un efecto debido a la composicin diaria del mes. Efectivamente, la probabilidad de obtener un valor de

la estadstica de Fisher mayor que el valor calculado (
), es casi nula e
inferior en consecuencia al riesgo de primera especie que ha sido fijado.
En ese caso, se est en la regin crtica del test, lo que no permite aceptar la
hiptesis nula de igualdad de los coeficientes diarios.

Los tests T (de Student) se interpretan de la misma manera, pero tomando

en cuenta que la Ley de Student es simtrica. Es necesario comparar el valor
Prob
+ + a la mitad del riesgo de primera especie, o sea . Todos los
tests que conduzcan a un valor inferior a
no permiten aceptar la hiptesis
nula de igualdad de los coeficientes diarios. En nuestro caso, los coeficientes del
martes, jueves, sbado y domingo son juzgados significativamente diferentes de
cero.

4.1.16 Tabla B16: Coeficientes de ajuste para das hbiles

extrados de la regresin
Los coeficientes mensuales

de ajuste para das hbiles se deducen directamente
de las estimaciones de la regresin, utilizando las ecuaciones (4.2) y (4.4) de la Seccin 4.1.13:

Para un esquema multiplicativo:

Para un esquema aditivo:
102
Pesos
Pesos
Coeficientes Desviacin estndar
Combinados a priori de la regresin
Lunes
Martes
Mircoles
Jueves
Viernes
Sbado
Domingo
1.081
1.273
1.047
1.319
1.066
0.565
0.649
1.000
1.000
1.000
1.000
1.000
1.000
1.000
0.081
0.273
0.047
0.319
0.066
-0.435
-0.351
0.093
0.091
0.095
0.095
0.092
0.091
0.093
Suma de
Media de
cuadrados g.d.l. cuadrados
Regresin
Error
Total

En donde
23.436
13.246
36.682
6
106
112
3.906
0.125
0.872
2.990
0.494
3.362
0.717
-4.772
-3.760
Prob
Prob
31.257
0.192
0.002
0.311
0.001
0.237
0.000
0.000
0.000
Tabla 4.58: B15 : Regresin previa para das hbiles.
es igual al nmero de das del mes, si fueron dados los coeficientes

de ajuste a priori. En el caso contrario, es igual a 31, 30 o 28.25, segn que el mes
tenga, respectivamente, 31 o 30 das, o bien que se trate de un mes de febrero.
La componente irregular de la Tabla B13 es entonces corregida de esos efectos

de calendario, lo que lleva a una Tabla B16bis (cf. pg. 103):
op
.
Desgraciadamente, los programas disponibles no permiten editar esta tabla.

Ejemplo
Consideremos, por ejemplo, el mes de abril de 1986.
Lunes Martes Mircoles Jueves Viernes Sbado Domingo N de das
Pesos 1.0809 1.2732
Nmero de das
4
5
Se obtiene:

1.0469
5

1.3187 1.0663 0.5653

4
4
4

0.6487
4

30

O bien, como los das Martes y Mircoles figuran 5 veces:

#

Se obtiene luego un valor corregido de la componente irregular (Tabla B16bis):

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
101.393
99.840
97.678
100.009
101.294
102.061
101.393
97.678
97.726
100.009
Feb
.
99.115
99.115
102.941
99.115
99.115
99.115
101.116
99.115
99.115
99.115
Mar
.
97.726
100.009
102.061
101.393
99.840
97.678
100.009
101.294
102.061
101.393
Abr
.
101.067
101.219
98.772
97.380
99.099
101.180
101.219
101.283
98.772
.
May
.
99.840
97.678
100.009
101.294
102.061
101.393
97.678
97.726
100.009
.
Jun
.
99.099
101.180
101.219
101.283
98.772
97.380
101.180
101.067
101.219
.
Jul
.
102.061
101.393
97.678
97.726
100.009
101.294
101.393
99.840
97.678
.
Ago
.
97.678
97.726
101.294
102.061
101.393
99.840
97.726
100.009
101.294
.
Sep
.
101.180
101.067
101.283
98.772
97.380
99.099
101.067
101.219
101.283
.
Oct
102.061
101.393
99.840
97.726
100.009
101.294
102.061
99.840
97.678
97.726
.
Nov
98.772
97.380
99.099
101.067
101.219
101.283
98.772
99.099
101.180
101.067
.
103
Dic
100.009
101.294
102.061
99.840
97.678
97.726
100.009
102.061
101.393
99.840
.
Tabla 4.59: B16 : Coeficientes de ajuste para das hbiles extrados de la regresin.
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
101.710
96.028
99.200
101.019
100.161
100.979
99.501
98.853
101.013
100.283
Feb
.
99.090
102.056
99.326
100.751
99.582
100.377
99.870
102.475
100.034
99.472
Mar
.
97.610
101.578
99.448
97.396
100.410
99.476
99.053
99.881
98.284
98.850
Abr
.
106.225
101.064
99.423
102.601
99.927
100.809
100.216
98.130
99.550
.
May
.
99.808
101.243
101.121
98.654
100.376
99.215
100.204
101.075
101.856
.
Jun
.
99.356
98.929
100.341
101.657
98.958
100.467
99.167
100.140
99.502
.
Jul
.
100.691
100.874
99.776
100.248
100.902
102.206
99.842
100.309
99.699
.
Ago
.
96.989
98.323
99.756
98.856
101.018
99.709
100.766
101.108
102.382
.
Sep
.
99.016
99.710
100.707
99.818
99.479
99.003
100.564
99.121
99.104
.
Oct
98.505
100.774
98.699
97.265
99.137
100.207
99.592
101.448
100.242
100.087
.
Nov
101.721
101.316
100.689
99.314
101.042
99.977
99.766
99.916
99.430
99.392
.
Dic
97.907
99.894
99.612
101.810
100.546
98.657
98.985
98.093
99.926
100.548
.
Tabla 4.60: B16bis : Componente irregular corregida de los efectos de das hbiles, extrados
de la regresin.
4.1.17 Tabla B17: Pesos preliminares para la correccin

de lo irregular
Con la estimacin de la componente irregular de la Tabla B16bis, o con la estimacin
de la Tabla B13 (si no se seleccion ninguna correccin especfica para das hbiles)
se busca ahora identificar y corregir los puntos atpicos. Para ello, se emplean los
algoritmos de deteccin de los puntos atpicos y de clculo de pesos correctivos que
fueron presentados detalladamente con las Tablas B4 y B9 (cf. Secciones 4.1.4 y
4.1.9, respectivamente). Puesto que se dispone ya de una estimacin de lo irregular,
slo se aplican las etapas 4 y 5.
Comentarios
Son vlidos aqu los comentarios hechos a propsito de la Tabla B4 (cf. pg. 67) y de la
Tabla B9 (cf. pg. 83), relativos al clculo de las desviaciones estndar mviles y a los
pesos correctivos.
Ejemplo
Clculo de una desviacin estndar mvil
La desviacin estndar que corresponde al ao 1989 es calculada con los datos
de los aos 1987 hasta 1991 17 (dos aos antes y dos aos despus), segn la frmula
17 La media terica es considerada aqu igual 100 para tomar en cuenta el hecho que los valores de lo
irregular ya han sido multiplicados por 100.
104
siguiente:

$
" $

Las desviaciones estndar de los aos 1988, 1990, 1991 y 1992 son calculadas
segn el mismo principio.
Para X-11-A RIMA y X-12-A RIMA, la desviacin estndar de 1987 es calculada
con el conjunto de las observaciones disponibles desde 1985 hasta 1990, o sea 63 valores. Los resultados del clculo figuran en la Tabla B17a, en la columna Desviacin
estndar 1.
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1.5282
1.5282
1.5282
1.5142
1.1979
1.0200
1.0173
0.9484
0.9399
0.9399
0.9399
1.2322
1.2322
1.2322
1.1965
1.0918
1.0200
0.9740
0.8527
0.8479
0.8479
0.8479
Tabla 4.61: B17a : Desviaciones estndar mviles sobre 5 aos.

Este primer clculo sirve para localizar los eventuales puntos atpicos. Como lo
muestra la Figura 4.10 (cf. pg. 105), los valores de los meses de abril de 1986, enero
de 1987, febrero de 1993 y agosto de 1994, son considerados muy atpicos. Efecti#
vamente, se obtiene por ejemplo: +
+ + +
'

,y +
+ +
+

. En consecuencia, esos puntos son eliminados del
segundo clculo de la desviacin estndar mvil. Lo que lleva a los resultados de la
columna Desviacin estndar 2 de la Tabla B17a.

Deteccin y correccin de los valores atpicos

Los valores de lo irregular son situados con respecto a los lmites de confianza, superiores e inferiores, que fueron calculados con las nuevas estimaciones de
las desviaciones estndar. Todos los valores que se sitan ms all de los lmites
de confianza inferiores (cf. Figura 4.11, pg. 105) son considerados atpicos y en
consecuencia sern corregidos diferentemente.
Los pesos, multiplicados por 100, asociados a cada uno de esos valores figuran en
la Tabla B17.
Los valores que fueron considerados atpicos precedentemente, siguen sindolo y
#
se les afecta un peso nulo. Por ejemplo +
+ +
+

. El mes de octubre de 1988 est ubicado entre
los dos lmites de confianza, por eso se considera que es moderadamente atpico y

se obtiene +

+ + + , y

.

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
100.000
0.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
Feb
Mar
.
100.000
83.133
100.000
100.000
100.000
100.000
100.000
0.000
100.000
100.000
Abr
.
56.025
100.000
100.000
11.498
100.000
100.000
100.000
100.000
47.606
100.000
.
0.000
100.000
100.000
11.770
100.000
100.000
100.000
29.466
100.000
.
May
.
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
31.094
.
Jun
.
100.000
100.000
100.000
98.258
100.000
100.000
100.000
100.000
100.000
.
Jul
.
100.000
100.000
100.000
100.000
100.000
23.528
100.000
100.000
100.000
.
Ago
.
5.658
100.000
100.000
100.000
100.000
100.000
100.000
100.000
0.000
.
Sep
.
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
.
Oct
100.000
100.000
100.000
21.455
100.000
100.000
100.000
80.157
100.000
100.000
.
105
Nov
Dic
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
.
80.138
100.000
100.000
98.701
100.000
100.000
100.000
26.391
100.000
100.000
.
Tabla 4.62: B17 : Pesos preliminares para la correccin de lo irregular (Los lmites adoptados
hasta .)
son: desde
6
4
2
0
-2
-4
'86
'87
'88
'89
'90
'91
'92
'93
'94
'95
Figura 4.10: B17: Desvo a la media de lo irregular y lmites superiores de confianza

Primera estimacin.
-2
-4
'86
'87
'88
'89
'90
'91
'92
'93
'94
Figura 4.11: B17: Desvo a la media de lo irregular y lmites de confianza (

Segunda estimacin.

'95
y

).
106
Puesto que este valor es considerado moderadamente atpico, se le atribuye un

peso proporcional a su desvo a la media constante, es decir que:

4.1.18 Tabla B18: Coeficientes para das hbiles combinados (procedentes del
ajuste a priori y de la regresin para das hbiles)
Si se seleccion una opcin de coeficientes diarios de correccin a priori de los efectos
de das hbiles (nicamente en un esquema multiplicativo) con la opcin de una regresin para das hbiles, la Tabla B18 (cf. pg. sig.) presenta el resultado combinado de
esas dos correcciones, por simple adicin de ambos efectos. Esos pesos diarios combinados permiten estimar los coeficientes de correccin para cada mes, de la misma
manera que en la Tabla B16.
En el caso de un esquema aditivo, no se edita esa tabla puesto que no se puede
emplear en ese caso la correccin a priori.
, en
En el caso de un esquema multiplicativo, se calcula

donde:
es el nmero de das (lunes, martes, mircoles, , domingo) contenidos
en el mes;
son los pesos combinados de cada da (columna pesos

combinados de la Tabla B15, cf. pg. 102); y es igual al nmero de das del mes si
los coeficientes de ajuste a priori fueron dados o en el caso contrario es igual a
31, 30 o 28.25, segn que el mes tenga respectivamente 31 o 30 das o que se trate del
mes de febrero.

Comentario
En X-12-A RIMA, pueden ser estimados otros efectos en el momento de hacer la regresin sobre la componente irregular (Pascua, Da del Trabajo, Fiesta de Pentecosts,
etc.). En ese caso, la Tabla B18 toma en cuenta el conjunto de esos efectos.
Ejemplo
En nuestro caso, la Tabla B18 es idntica a la Tabla B16 (cf. pg. 103).
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
101.393
99.840
97.678
100.009
101.294
102.061
101.393
97.678
97.726
100.009
Feb
.
99.115
99.115
102.941
99.115
99.115
99.115
101.116
99.115
99.115
99.115
Mar
.
97.726
100.009
102.061
101.393
99.840
97.678
100.009
101.294
102.061
101.393
Abr
.
101.067
101.219
98.772
97.380
99.099
101.180
101.219
101.283
98.772
.
May
.
99.840
97.678
100.009
101.294
102.061
101.393
97.678
97.726
100.009
.
Jun
.
99.099
101.180
101.219
101.283
98.772
97.380
101.180
101.067
101.219
.
Jul
.
102.061
101.393
97.678
97.726
100.009
101.294
101.393
99.840
97.678
.
Ago
.
97.678
97.726
101.294
102.061
101.393
99.840
97.726
100.009
101.294
.
Sep
.
101.180
101.067
101.283
98.772
97.380
99.099
101.067
101.219
101.283
.
Oct
102.061
101.393
99.840
97.726
100.009
101.294
102.061
99.840
97.678
97.726
.
Tabla 4.63: B18 : Coeficientes para das hbiles combinados.
Nov
98.772
97.380
99.099
101.067
101.219
101.283
98.772
99.099
101.180
101.067
.
Dic
100.009
101.294
102.061
99.840
97.678
97.726
100.009
102.061
101.393
99.840
.
107
4.1.19 Tabla B19: Serie bruta corregida de los efectos

de das hbiles
La serie de la Tabla B1 (cf. pg. 61) o la serie de la Tabla A1 si no se pidi ningn
ajuste previo es corregida con los efectos de das hbiles estimados precedente
mente (Tabla B18). Se obtiene as:
op .

Ejemplo
Se obtiene por ejemplo:
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
105.135
100.661
110.260
117.889
119.553
120.810
121.803
116.403
119.007
124.089
Feb
.
99.581
104.121
107.051
113.202
113.504
113.807
115.610
114.110
112.496
117.338
Mar
.
106.318
112.890
116.303
118.548
123.799
122.136
123.989
121.133
121.496
128.411

Abr
.
108.344
105.810
109.444
117.786
117.156
118.007
118.555
112.753
116.835
.
.

May
.
97.857
102.377
107.390
109.089
113.266
111.743
112.410
110.411
113.990
.
Jun
.
104.643
107.037
113.319
118.776
118.252
119.840
117.315
115.864
119.543
.
Jul
.
97.687
100.401
103.605
108.058
111.790
113.827
110.560
108.274
112.103
.
Ago
.
67.262
70.299
75.029
77.797
82.155
81.731
81.862
79.693
84.309
.
Sep
.
103.973
107.552
113.148
115.620
117.683
117.459
118.040
113.418
119.072
.
Oct
113.364
115.491
117.088
120.644
126.689
130.314
129.727
129.207
123.876
129.342
.
Nov
111.165
111.214
115.743
120.019
125.273
125.490
126.352
123.211
120.280
126.352
.
Dic
100.591
103.067
107.779
114.884
115.379
113.379
115.790
111.502
113.223
120.193
.
Tabla 4.64: B19 : Serie bruta corregida de los efectos de das hbiles.
4.1.20 Tabla B20: Valores de correccin de los puntos atpicos

de lo irregular
Se calcula el peso corrector de los valores de la componente irregular B16bis (o de
B13 si no se pidi una regresin para das hbiles) que fueron considerados atpicos
durante el clculo de la Tabla B17. Esos valores
de la siguiente manera:
son corregidos

Esquema aditivo:

Esquema multiplicativo:
.
o bien, con la notacin simblica:

op xbar
xbar

Comentario
Se trata de los valores que servirn para corregir la serie inicial. Un punto considerado
atpico recibe un peso 0 y un valor de correccin igual al valor de lo irregular. Dicho de
otra manera, en ese caso se retira lo irregular de la serie inicial para esa fecha (cf. Tabla
C1, Seccin 4.2.1).
108
Ejemplo

Puesto que empleamos aqu un esquema multiplicativo, el valor del mes de octubre de

1988 (que fue considerado atpico y al cual se le afect un peso igual a
) ser
corregido de la siguiente manera:

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
100.000
96.028
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000

Feb
Mar
.
100.000
100.341
100.000
100.000
100.000
100.000
100.000
102.475
100.000
100.000

Abr
.
98.935
100.000
100.000
97.689
100.000
100.000
100.000
100.000
99.093
100.000
.
106.225
100.000
100.000
102.288
100.000
100.000
100.000
98.674
100.000
.
May

Jun
.
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
101.272
.
.
100.000
100.000
100.000
100.028
100.000
100.000
100.000
100.000
100.000
.
Jul
.
100.000
100.000
100.000
100.000
100.000
101.678
100.000
100.000
100.000
.
Ago
.
97.155
100.000
100.000
100.000
100.000
100.000
100.000
100.000
102.382
.

Sep
.
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
.
Oct
100.000
100.000
100.000
97.839
100.000
100.000
100.000
100.284
100.000
100.000
.
Nov
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
.
Dic
99.577
100.000
100.000
100.023
100.000
100.000
100.000
98.589
100.000
100.000
.
Tabla 4.65: B20 : Valores de correccin de los puntos atpicos.
4.2 ETAPA C: Estimacin final de los puntos atpicos

y de los efectos de calendario
4.2.1 Tabla C1: Serie bruta ajustada para tener en cuenta los ajustes a priori,
los ajustes ligados a las correcciones para das hbiles y los ajustes ligados
a los puntos atpicos detectados
Esta tabla presenta la serie bruta, corregida de los diversos efectos que fueron evidenciados durante la Etapa B (puntos considerados atpicos y efectos ligados a los das
hbiles) y ajustada a priori con los elementos de la Etapa A.
De modo que la Tabla C1 (cf. Tabla 4.66, pg. 109) es calculada sobre la base de: la
Tabla B19 que toma en cuenta los efectos debidos a los das hbiles o de la Tabla
B1, si no se seleccion la regresin por das hbiles; y de la Tabla B20, la cual aporta
las correcciones que deben ser introducidas para los puntos considerados atpicos. Se

obtiene as:
op
.

Ejemplo
El valor del mes de abril de 1986 por ejemplo que es considerado atpico, es
transformado as:

4.2. C: Estimacin final de los puntos atpicos y de los efectos de calendario 109
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
Feb
.
105.135
104.825
110.260
117.889
119.553
120.810
121.803
116.403
119.007
124.089
.
99.581
103.768
107.051
113.202
113.504
113.807
115.610
111.354
112.496
117.338
Mar
.
107.463
112.890
116.303
121.354
123.799
122.136
123.989
121.133
122.608
128.411
Abr
.
101.995
105.810
109.444
115.151
117.156
118.007
118.555
114.269
116.835
.
May
.
97.857
102.377
107.390
109.089
113.266
111.743
112.410
110.411
112.558
.
Jun
.
104.643
107.037
113.319
118.742
118.252
119.840
117.315
115.864
119.543
.
Jul
.
97.687
100.401
103.605
108.058
111.790
111.949
110.560
108.274
112.103
.
Ago
.
69.231
70.299
75.029
77.797
82.155
81.731
81.862
79.693
82.348
.
Sep
.
103.973
107.552
113.148
115.620
117.683
117.459
118.040
113.418
119.072
.
Oct
113.364
115.491
117.088
123.308
126.689
130.314
129.727
128.841
123.876
129.342
.
Nov
111.165
111.214
115.743
120.019
125.273
125.490
126.352
123.211
120.280
126.352
.
Dic
101.018
103.067
107.779
114.858
115.379
113.379
115.790
113.098
113.223
120.193
.
Tabla 4.66: C1: Serie bruta ajustada para tener en cuenta los ajustes a priori, as como los ajustes ligados a las correcciones para das hbiles y de los puntos atpicos
detectados.
4.2.2 Tabla C2: Estimacin previa de la tendencia-ciclo
Se obtiene una nueva estimacin de la componente tendencia-ciclo (Tabla C2, cf.
Tabla 4.67, pg. 110) aplicando a los datos de la Tabla C1 una media mvil centrada
simple de orden 12, como para la Tabla B2 (cf. Seccin 4.1.2).
Comentarios
X-11-A RIMA y X-12-A RIMA proponen adems una media mvil centrada sobre 24 trminos propuesta por C HOLETTE [12].
En este estadio del clculo, no se imputan los 6 primeros y los 6 ltimos puntos
de la serie.
Ejemplo
Por ejemplo, el valor del mes de abril de 1986 se obtiene con los valores de la Tabla
C1, desde octubre de 1985 hasta octubre de 1986 (6 meses antes y 6 meses despus):

#

4.2.3 Tabla C4: Estimacin preliminar de la componente estacional-irregular

modificada
La componente tendencia-ciclo es retirada de la serie analizada para obtener una estimacin de la componente estacional-irregular (Tabla C4).
Se obtiene as:
op
.

110
Ao
Ene
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Feb
.
.
103.227
107.019
112.302
114.684
115.603
115.999
113.658
113.644
.
.
.
103.385
107.350
112.603
115.021
115.592
115.947
113.473
113.914
.
Mar
.
.
103.578
107.780
112.821
115.289
115.565
115.977
113.190
114.260
.
Abr
.
101.181
103.794
108.273
113.065
115.526
115.531
115.964
112.790
114.723
.
May
Jun
.
101.272
104.049
108.710
113.425
115.686
115.542
115.796
112.461
115.204
.
.
101.359
104.434
109.183
113.665
115.612
115.679
115.553
112.344
115.748
.
Jul
.
101.432
104.857
109.796
113.756
115.581
115.821
115.216
112.458
116.250
.
Ago
Sep
.
101.593
105.220
110.370
113.838
115.646
115.937
114.814
112.614
116.663
.
Oct
.
101.994
105.500
110.837
113.953
115.589
116.089
114.517
112.723
117.107
.
Nov
.
102.379
105.793
111.285
114.138
115.555
116.189
114.220
112.892
.
.
Dic
.
102.726
106.153
111.594
114.396
115.527
116.240
113.958
113.088
.
.
.
103.014
106.624
111.890
114.549
115.530
116.163
113.814
113.331
.
.
Tabla 4.67: C2 : Tendencia-ciclo, media mvil centrada sobre 12 trminos.

Comentarios
Una vez ms, no se estiman los 6 valores del inicio y los 6 valores del fin de la
serie.
Esa tabla es equivalente a la Tabla B4g (cf. Seccin 4.1.4). Aqu no se hace
el clculo de los valores de remplazo de los puntos atpicos de la componente
estacional-irregular, puesto que esos valores ya han sido ponderados con los
pesos de la Tabla B20.
Ejemplo

El valor del mes de abril de 1986, por ejemplo, se obtiene simplemente as:

#

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
.
101.548
103.028
104.976
104.246
104.505
105.003
102.414
104.719
.
Feb
.
.
100.370
99.722
100.532
98.681
98.456
99.709
98.132
98.755
.
Mar
.
.
108.990
107.908
107.563
107.381
105.686
106.908
107.018
107.306
.
Abr
.
100.804
101.943
101.082
101.846
101.411
102.143
102.234
101.311
101.840
.
May
.
96.628
98.393
98.786
96.177
97.908
96.712
97.075
98.177
97.703
.
Jun
.
103.240
102.492
103.788
104.467
102.284
103.597
101.525
103.132
103.279
.
Jul
Ago
.
96.308
95.751
94.362
94.991
96.720
96.657
95.959
96.279
96.433
.
.
68.146
66.811
67.980
68.340
71.041
70.496
71.300
70.766
70.586
.
Sep
.
101.940
101.946
102.085
101.463
101.812
101.180
103.076
100.616
101.678
.
Oct
.
112.807
110.676
110.804
110.996
112.772
111.651
112.801
109.730
.
.
Nov
.
108.262
109.034
107.550
109.509
108.623
108.699
108.119
106.360
.
.
Dic
.
100.051
101.083
102.652
100.724
98.138
99.679
99.370
99.905
.
.
Tabla 4.68: C4 : Componente estacional-irregular modificada.

4.2.4 Tabla C5: Estimacin de la componente estacional
Esta estimacin se obtiene con los valores de la componente estacional-irregular de la
Tabla C4. Se procede en tres etapas que son similares a las etapas que se cumplen para
el clculo de la Tabla B5 (cf. Seccin 4.1.5):
Etapa 1: Estimacin de la componente estacional con una media mvil
Etapa 2: Normalizacin de los coeficientes estacionales con una media mvil

centrada sobre 12 trminos.
Etapa 3: Estimacin de los coeficientes estacionales faltantes.
Comentario
El utilizador puede seleccionar la media mvil que ser empleada.
En ese caso, X-11-A RIMA permite elegir entre una media mvil simple sobre 3

trminos, una
, una
y una estacionalidad constante (media
, una

simple). X-12-A RIMA propone adems una
.
Ejemplo
Se hace la estimacin con la componente estacional-irregular modificada que figura
en la Tabla C4.
Se alisan los datos de la tabla precedente, columna por columna (mes por mes),

con una media mvil
, de coeficientes
, para obtener la Tabla C5a
(cf. Tabla 4.70, pg. 113).
El coeficiente estacional del mes de abril de 1988 ser estimado de la siguiente
manera:

#

Se puede aplicar esta media mvil para estimar los coeficientes estacionales de
los aos 1988 hasta 1992. Para el inicio de la serie (aos 1986 y 1987) y para el fin
de la serie (aos 1993 y 1994), se emplean las medias asimtricas predefinidas (cf.
Tabla 3.13, pg. 50).
Por ejemplo, para abril de 1987, se emplea un punto pasado, el punto actual y dos
puntos futuros:

#

112

Para obtener la Tabla C5b (cf. Tabla 4.71, pg. 113) se aplica a la Tabla C5a una
media mvil centrada sobre 12 meses. El primer trmino que se puede calcular es el
del mes de octubre de 1986 y el ltimo es el del mes de marzo de 1994.
De modo que:

#

Los seis primeros valores, desde abril hasta setiembre de 1986, que no pueden
ser calculados con esta media mvil simtrica, sern tomados iguales al primer valor

calculable, el del mes de octubre de 1986 (
). Se procede de manera similar para

el fin de la serie: el valor calculado para marzo de 1994 (
) es repetido en los
Se obtienen los coeficientes estacionales normalizados dividiendo la Tabla C5a
con la Tabla C5b, para obtener la tabla C5. De modo que, por ejemplo:

Etapa 3: Estimacin de los coeficientes estacionales faltantes

Se estiman los valores faltantes en razn del uso de la media mvil centrada
sobre 12 meses entre octubre de 1985 y marzo de 1986, duplicando el primer valor
calculado para cada uno de esos meses. Igualmente, para los valores de octubre de
1994 hasta marzo de 1995, se duplica el ltimo valor calculado para cada uno de esos
meses.
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
102.808
102.808
103.296
103.943
104.426
104.365
104.203
103.933
103.903
103.903
Feb
.
100.166
100.166
99.980
99.646
99.220
98.930
98.848
98.760
98.746
98.746
Mar
.
108.317
108.317
108.014
107.473
106.943
106.615
106.726
106.952
107.194
107.194
Abr
.
101.355
101.457
101.428
101.553
101.598
101.807
101.846
101.839
101.773
.
May
.
97.780
97.841
97.763
97.366
97.123
97.110
97.403
97.692
97.853
.
Jun
.
103.072
103.282
103.407
103.444
103.033
102.858
102.643
102.904
102.971
.
Jul
Ago
.
95.754
95.459
95.251
95.444
95.906
96.278
96.352
96.365
96.354
.
.
67.595
67.626
68.122
68.885
69.967
70.587
70.929
70.896
70.844
.
Sep
.
102.005
101.938
101.847
101.673
101.733
101.714
101.860
101.685
101.580
.
Oct
111.607
111.607
111.319
111.250
111.373
111.888
111.870
111.752
111.433
111.433
.
Tabla 4.69: C5 : Coeficientes estacionales.
Nov
108.476
108.476
108.522
108.512
108.726
108.635
108.373
107.912
107.599
107.599
.
Dic
100.972
100.972
101.194
101.093
100.517
99.684
99.401
99.475
99.716
99.716
.
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
Feb
.
.
102.786
103.284
103.947
104.414
104.378
104.201
103.915
103.833
.
Mar
.
.
100.136
99.984
99.692
99.272
98.979
98.860
98.739
98.678
.
Abr
.
.
108.285
108.040
107.549
107.051
106.691
106.758
106.916
107.115
.
May
.
101.319
101.414
101.449
101.623
101.725
101.875
101.874
101.780
101.698
.
.
97.746
97.791
97.782
97.447
97.263
97.162
97.402
97.606
97.780
.
Jun
.
103.037
103.241
103.423
103.515
103.144
102.890
102.622
102.805
102.895
.
Jul
Ago
.
95.720
95.451
95.288
95.505
95.975
96.289
96.322
96.278
96.282
.
.
67.571
67.630
68.159
68.930
70.008
70.586
70.895
70.828
70.792
.
Sep
.
101.969
101.927
101.870
101.701
101.765
101.710
101.812
101.592
101.504
.
Oct
.
111.568
111.297
111.260
111.385
111.913
111.870
111.704
111.337
.
.
Nov
.
108.445
108.502
108.514
108.734
108.662
108.383
107.869
107.510
.
.
Tabla 4.70: C5a : Coeficientes estacionales provisorios (media mvil
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
.
99.979
99.989
100.005
99.988
100.012
99.998
99.983
99.932
.
Feb
.
.
99.970
100.004
100.046
100.053
100.049
100.013
99.978
99.931
.
Mar
.
.
99.971
100.024
100.071
100.100
100.071
100.030
99.966
99.926
.
Abr
.
99.965
99.958
100.020
100.069
100.125
100.067
100.027
99.942
99.926
.
May
.
99.965
99.949
100.019
100.084
100.144
100.054
99.999
99.911
99.926
.
Jun
.
99.965
99.961
100.015
100.068
100.107
100.030
99.979
99.905
99.926
.
Jul
.
99.965
99.991
100.039
100.064
100.072
100.011
99.969
99.909
99.926
.
Ago
.
99.965
100.005
100.054
100.066
100.059
99.999
99.952
99.903
99.926
.
Sep
.
99.965
99.989
100.022
100.027
100.031
99.997
99.953
99.909
99.926
.
Oct
.
99.965
99.980
100.009
100.011
100.023
99.999
99.956
99.914
.
.
Dic
.
100.953
101.182
101.084
100.502
99.694
99.409
99.452
99.645
.
.
Nov
.
99.971
99.981
100.002
100.007
100.025
100.009
99.961
99.918
.
.
Tabla 4.71: C5b : Media mvil centrada sobre 12 trminos.
).
Dic
.
99.981
99.988
99.992
99.984
100.010
100.008
99.977
99.929
.
.
114
4.2.5 Tabla C6: Estimacin de la serie corregida de variaciones estacionales


Esta estimacin se obtiene simplemente, retirando a la serie inicial de la Tabla C1 la

estimacin de la componente estacional de la Tabla C5:
cf. .
Ejemplo
De modo que:
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
102.264
101.962
106.742
113.418
114.486
115.757
116.890
111.997
114.536
119.428

Feb
.
99.416
103.595
107.073
113.603
114.397
115.038
116.957
112.752
113.924
118.829
.

Mar
.
99.212
104.222
107.674
112.915
115.761
114.558
116.175
113.259
114.379
119.793
Abr
.
100.632
104.291
107.903
113.391
115.313
115.913
116.406
112.205
114.800
.
May
.
100.078
104.636
109.848
112.040
116.621
115.069
115.407
113.019
115.029
.
Jun
.
101.524
103.635
109.586
114.789
114.771
116.509
114.294
112.594
116.094
.
Jul
.
102.019
105.177
108.771
113.216
116.562
116.277
114.745
112.357
116.345
.
Ago
.
102.421
103.952
110.140
112.938
117.420
115.788
115.415
112.407
116.238
.
Sep
.
101.929
105.507
111.096
113.717
115.679
115.480
115.885
111.539
117.220
.
Oct
101.574
103.480
105.182
110.839
113.751
116.469
115.962
115.292
111.166
116.071
.
Nov
102.479
102.524
106.654
110.605
115.219
115.515
116.589
114.177
111.786
117.429
.
Dic
100.046
102.075
106.507
113.616
114.785
113.738
116.487
113.695
113.545
120.535
.
Tabla 4.72: C6 : Serie corregida de variaciones estacionales provisoria.

4.2.6 Tabla C7: Estimacin de la componente tendencia-ciclo
Esta tabla presenta una estimacin de la componente tendencia-ciclo que es calculada
con la serie desestacionalizada de la Tabla C6. Como para la Tabla B7 (cf. Seccin
4.1.7), el programa utiliza una media mvil de Henderson cuyo orden depende del
.
valor de la razn

Etapa 1: eleccin de la media mvil, clculo de la razn

Si la razn es menor que 1, se elige una media mvil de Henderson con 9 trminos.
Si la razn es mayor que
trminos.
, se elige una media mvil de Henderson con 23
En los otros casos, se elige una media mvil de Henderson con 13 trminos.
Etapa 2: Alisado de la serie corregida de variaciones estacionales con una media

mvil de Henderson
Comentarios
En esta etapa, contrariamente a lo hecho en la Etapa B, el programa elige entre:
una media con 9 trminos; una media con 13 trminos; y una media con 23
trminos.
El utilizador puede especificar la longitud de la media mvil de Henderson que
ser utilizada. En ese caso, X-11-A RIMA permite elegir entre una media mvil
sobre 9, 13 o 23 trminos. X-12-A RIMA permite seleccionar cualquier media
de Henderson de orden impar inferior a 101.
La serie de la Tabla C1 corresponde a una serie corregida al menos parcialmente de efectos indeseables, en particular de los efectos de puntos atpicos.
. ste, en princiEvidentemente, eso se refleja en el numerador de la razn
pio, ser menor que el que fue calculado en la Etapa B.

Ejemplo

Etapa 1: Eleccin de la de la media mvil, clculo de la razn

En primer lugar se alisa la Tabla C6 con una media mvil de Henderson sobre 13
trminos, cuyos coeficientes figuran en la Tabla 3.11 (cf. pg. 49).
El primer trmino que se puede calcular es el del mes de abril de 1986 y se obtiene:

En este estadio del clculo, no importa que no se puedan estimar los 6 puntos del
inicio y del fin de la serie que no pueden ser calculados. Se deduce una estimacin
de la tendencia-ciclo (Tabla C7a, cf. Tabla 4.73, pg. 116) y de la componente irregular
(Tabla C7b, cf. Tabla 4.74, pg. 116), en relacin con la Tabla C6. Siendo un esquema
multiplicativo, se calculan las tasas de crecimiento (cf. Seccin 4.1.7).
Utilizando los totales en lnea de la Tabla C7c (cf. Tabla 4.75, pg. 116) y de la
Tabla C7d (cf. Tabla 4.76, pg. 116), se obtiene:

(en B7 esta cantidad era igual a )

116
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
.
102.881
106.850
112.988
114.852
114.922
116.732
113.087
113.584
.
Feb
.
.
103.274
107.321
113.249
115.028
114.947
116.654
112.747
114.142
.
Mar
.
.
103.699
107.802
113.355
115.234
115.150
116.328
112.638
114.586
.
Abr
.
100.198
104.070
108.319
113.338
115.503
115.426
115.875
112.664
114.967
.
May
Jun
.
100.587
104.311
108.846
113.257
115.820
115.680
115.474
112.668
115.342
.
Jul
.
101.166
104.422
109.307
113.240
116.153
115.834
115.233
112.524
115.681
.
.
101.772
104.534
109.680
113.358
116.348
115.909
115.181
112.229
116.010
.
Ago
Sep
.
102.244
104.765
110.054
113.564
116.353
115.959
115.203
111.935
116.382
.
.
102.449
105.141
110.537
113.811
116.189
116.015
115.108
111.829
116.837
.
Oct
.
102.498
105.593
111.161
114.073
115.874
116.137
114.803
111.980
.
.
Nov
.
102.511
106.028
111.891
114.323
115.489
116.345
114.281
112.387
.
.
Dic
.
102.620
106.428
112.540
114.591
115.137
116.579
113.645
112.970
.
.
Tabla 4.73: C7a : Tendencia-ciclo (media mvil de Henderson sobre 13 trminos).
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
.
99.107
99.899
100.381
99.681
100.727
100.135
99.036
100.839
.
Feb
.
.
100.311
99.768
100.313
99.451
100.079
100.260
100.004
99.809
.
Mar
.
.
100.504
99.881
99.612
100.458
99.485
99.869
100.552
99.819
.
Abr
.
100.433
100.212
99.616
100.046
99.836
100.422
100.458
99.593
99.855
.
May
Jun
.
99.494
100.311
100.921
98.926
100.692
99.472
99.942
100.312
99.729
.
Jul
.
100.354
99.247
100.255
101.368
98.810
100.583
99.185
100.063
100.357
.
.
100.243
100.615
99.170
99.875
100.184
100.317
99.621
100.115
100.289
.
Ago
Sep
.
100.173
99.224
100.079
99.449
100.917
99.852
100.184
100.422
99.876
.
.
99.493
100.349
100.505
99.917
99.561
99.539
100.675
99.740
100.329
.
Oct
.
100.958
99.610
99.710
99.718
100.513
99.849
100.426
99.274
.
.
Nov
.
100.013
100.590
98.851
100.784
100.023
100.210
99.909
99.466
.
.
Dic
.
99.469
100.074
100.956
100.169
98.785
99.921
100.044
100.509
.
.
Tabla 4.74: C7b : Componente irregular.
Ao Ene
Feb
Mar
Abr May
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
.
0.382
0.441
0.231
0.153
0.022
0.067
0.301
0.491
.
.
.
0.411
0.448
0.094
0.178
0.177
0.280
0.097
0.389
.
.
.
0.358
0.479
0.015
0.233
0.239
0.389
0.023
0.332
.
.
.
0.255
0.397
0.398
0.228
0.187
0.132
0.491
0.543
.
.
0.389
0.232
0.486
0.072
0.274
0.221
0.346
0.004
0.326
.
Jun
.
0.575
0.106
0.424
0.015
0.288
0.133
0.209
0.128
0.294
.
Jul Ago
.
0.600
0.108
0.342
0.104
0.167
0.064
0.045
0.262
0.285
.
.
0.464
0.221
0.340
0.182
0.004
0.044
0.019
0.261
0.321
.
Sep
Oct
Nov
Dic
Total
.
0.200
0.358
0.439
0.218
0.141
0.048
0.083
0.095
0.390
.
.
0.048
0.431
0.564
0.230
0.271
0.106
0.265
0.134
.
.
.
0.012
0.412
0.657
0.219
0.333
0.179
0.454
0.364
.
.
.
0.106
0.377
0.580
0.235
0.305
0.201
0.557
0.519
.
.
.
2.394
3.650
5.598
2.012
2.576
1.620
2.845
2.679
3.372
Tabla 4.75: C7c : Crecimiento de la tendencia-ciclo (en valor absoluto y en porcentaje).
Ao Ene
Feb
Mar
Abr May
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
.
1.215
0.130
0.067
0.230
0.643
0.124
0.978
1.021
.
.
.
0.193
0.113
0.699
1.012
0.593
0.390
0.547
0.010
.
.
.
0.290
0.265
0.436
0.619
0.941
0.591
0.954
0.035
.
.
.
0.364
0.176
0.570
0.487
1.966
0.214
1.007
0.328
.
.
0.935
0.098
1.309
1.120
0.858
0.946
0.515
0.722
0.126
.
Jun
Jul
Ago
Sep
Oct
Nov
Dic
.
0.865
1.061
0.660
2.469
1.869
1.117
0.757
0.248
0.630
.
.
0.111
1.379
1.082
1.473
1.391
0.264
0.440
0.052
0.068
.
.
0.069
1.383
0.916
0.427
0.732
0.464
0.564
0.306
0.411
.
.
0.679
1.134
0.426
0.471
1.344
0.314
0.491
0.678
0.453
.
.
1.473
0.736
0.791
0.199
0.956
0.311
0.248
0.468
.
.
.
0.937
0.984
0.862
1.069
0.488
0.362
0.514
0.193
.
.
.
0.544
0.513
2.130
0.610
1.237
0.288
0.135
1.049
.
.
Total
.
5.614
9.350
8.859
9.611
11.223
8.210
4.983
7.202
3.083
.
Tabla 4.76: C7d : Crecimiento de lo irregular (en valor absoluto y en porcentaje).
y tambin:

(en B7, esta cantidad era igual a ).
.
en consecuencia,

(en B7 esta cantidad era igual a ).


mvil de Henderson

Como la razn es mayor que 1 y menor que , se elige una media mvil de Henderson sobre 13 trminos, cuyos coeficientes y los de las medias mviles asimtricas
asociadas, figuran en la Tabla 3.11 (cf. pg. 49).
Por ejemplo, la estimacin de la tendencia para el mes de octubre de 1985 se
hace utilizando el punto actual y seis puntos futuros, a los cuales se les aplica los

_ de la Tabla 3.11.
coeficientes de la media mvil

Lo que lleva a la Tabla C7 siguiente.
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
100.683
102.881
106.850
112.988
114.852
114.922
116.732
113.087
113.584
119.188
Feb
.
100.300
103.274
107.321
113.249
115.028
114.947
116.654
112.747
114.142
119.603
Mar
.
100.105
103.699
107.802
113.355
115.234
115.150
116.328
112.638
114.586
119.876
Abr
.
100.198
104.070
108.319
113.338
115.503
115.426
115.875
112.664
114.967
.
May
.
100.587
104.311
108.846
113.257
115.820
115.680
115.474
112.668
115.342
.
Jun
.
101.166
104.422
109.307
113.240
116.153
115.834
115.233
112.524
115.681
.
Jul
.
101.772
104.534
109.680
113.358
116.348
115.909
115.181
112.229
116.010
.
Tabla 4.77: C7 : Tendencia-ciclo (la razn I/C es de

sobre 13 trminos).
Ago
.
102.244
104.765
110.054
113.564
116.353
115.959
115.203
111.935
116.382
.
Sep
.
102.449
105.141
110.537
113.811
116.189
116.015
115.108
111.829
116.837
.
Oct
101.801
102.498
105.593
111.161
114.073
115.874
116.137
114.803
111.980
117.399
.
Nov
101.494
102.511
106.028
111.891
114.323
115.489
116.345
114.281
112.387
118.026
.
Dic
101.102
102.620
106.428
112.540
114.591
115.137
116.579
113.645
112.970
118.651
.
, se eligi una media mvil de Henderson
118
4.2.7 Tabla C9: Estimacin de la componente estacional-irregular

Esta tabla es similar a la Tabla C4: la componente tendencia-ciclo es retirada de la
serie analizada por substraccin o por divisin segn el esquema de composicin
adoptado, para obtener una nueva estimacin de la componente estacional-irregular.

Se obtiene as:
op .

Comentario
Contrariamente a lo hecho para la Tabla C4, se dispone de una estimacin completa de la componente estacional-irregular, puesto que los puntos del inicio y del fin
de la serie para la tendencia-ciclo fueron estimados con las medias mviles de
Henderson asimtricas.
Ejemplo
Por ejemplo, el valor del mes de abril de 1986 se obtiene simplemente as:

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
104.422
101.889
103.191
104.338
104.093
105.124
104.344
102.932
104.774
104.112
Feb
.
99.284
100.478
99.748
99.959
98.675
99.008
99.104
98.764
98.558
98.106

Mar
.
107.350
108.863
107.886
107.056
107.433
106.066
106.586
107.542
107.001
107.120

Abr
.
101.794
101.672
101.039
101.600
101.432
102.236
102.313
101.425
101.625
.

May
.
97.285
98.145
98.663
96.320
97.795
96.597
97.346
97.997
97.587
.
Jun
.
103.438
102.504
103.670
104.859
101.807
103.458
101.807
102.968
103.338
.
Jul
Ago
.
95.986
96.046
94.461
95.325
96.083
96.584
95.988
96.476
96.632
.
.
67.712
67.101
68.175
68.505
70.609
70.483
71.059
71.195
70.757
.
Sep
.
101.487
102.294
102.362
101.589
101.286
101.245
102.548
101.420
101.913
.
Oct
111.358
112.676
110.886
110.928
111.060
112.462
111.701
112.228
110.624
110.173
.
Nov
109.528
108.490
109.163
107.264
109.579
108.660
108.601
107.814
107.024
107.055
.
Dic
99.917
100.436
101.269
102.059
100.687
98.473
99.323
99.518
100.224
101.300
.
Tabla 4.78: C9 : Componente estacional-irregular modificada.

4.2.8 Tabla C10: Estimacin de la componente estacional
Esta estimacin se obtiene de manera similar a lo hecho para la Tabla B10, con los valores de la componente estacional-irregular de la Tabla C9. Se procede en dos etapas:

estimacin de la componente estacional, mediante una media mvil
; seguida de
la normalizacin de los coeficientes estacionales.
Comentario
El utilizador puede elegir la media mvil que ser empleada.
En ese caso, X-11-A RIMA permite elegir entre una media mvil simple sobre 3

trminos, una
, una
, una
y una estacionalidad constante (media

.
Ejemplo
Etapa 1: estimacin de la componente estacional
Se alisan los datos de la Tabla C9, columna por columna (mes por mes), con una

media mvil
(cf. Tabla 3.14, pg. 50), lo que lleva a la Tabla C10a (cf. Tabla 4.80,
pg. 120).
El factor estacional del mes de abril de 1989 es entonces estimado as:

#

Se emplean las medias mviles asimtricas predefinidas para el inicio de la serie

(aos 1986 hasta 1988) y para el fin de la serie (aos 1992 hasta 1994).
Por ejemplo:

#

(un punto pasado, el punto actual y tres puntos futuros).

Etapa 2: normalizacin de los coeficientes estacionales
Se obtiene la Tabla C10b (cf. Tabla 4.81, pg. 120) aplicando a la Tabla C10a una
media mvil centrada sobre 12 meses. El primer trmino que se puede calcular es
entonces el del mes de abril de 1986, el ltimo es el del mes de setiembre de 1994.
De modo que:

Los seis primeros valores que no se pueden calcular con esta media mvil simtrica desde octubre de 1985 hasta marzo de 1986 sern tomados iguales al primer
valor calculable, el del mes de abril de 1986. Se procede de la misma manera con el

fin de la serie: el valor calculado para setiembre de 1994 (
) es repetido en los
Se obtienen los coeficientes estacionales normalizados dividiendo la Tabla C10a
con la Tabla C10b, para obtener la Tabla C10. Por ejemplo:

#

120
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
103.332
103.444
103.603
103.870
104.063
104.240
104.243
104.198
104.105
104.019
Feb
Mar
.
99.844
99.772
99.681
99.497
99.316
99.066
98.868
98.722
98.636
98.588
.
107.875
107.796
107.631
107.364
107.098
106.921
106.882
106.939
107.033
107.145
Abr
May
.
101.505
101.500
101.524
101.578
101.675
101.744
101.818
101.839
101.862
.
.
97.768
97.691
97.565
97.468
97.327
97.319
97.353
97.474
97.504
.
Jun
.
103.444
103.408
103.366
103.200
103.110
102.924
102.860
102.801
102.835
.
Jul
Ago
.
95.457
95.495
95.565
95.649
95.822
96.050
96.298
96.399
96.411
.
.
67.778
68.004
68.412
69.048
69.703
70.329
70.701
70.896
70.940
.
Sep
.
101.968
101.910
101.833
101.799
101.743
101.727
101.718
101.806
101.872
.
Oct
111.521
111.463
111.485
111.475
111.580
111.590
111.603
111.435
111.252
111.133
.
Nov
108.779
108.761
108.689
108.709
108.576
108.478
108.206
107.947
107.645
107.512
.
Dic
100.758
100.829
100.806
100.629
100.348
100.034
99.832
99.849
100.048
100.212
.
Tabla 4.79: C10 : Coeficientes estacionales.
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
103.343
103.444
103.591
103.844
104.037
104.212
104.226
104.184
104.092
104.000
Feb
Mar
.
99.855
99.782
99.690
99.500
99.325
99.074
98.877
98.721
98.627
98.570
.
107.886
107.814
107.656
107.394
107.134
106.956
106.908
106.950
107.027
107.126
Abr
May
.
101.516
101.515
101.543
101.609
101.707
101.777
101.836
101.846
101.855
.
.
97.775
97.702
97.583
97.497
97.353
97.340
97.352
97.462
97.486
.
Jun
.
103.452
103.414
103.378
103.212
103.120
102.925
102.850
102.783
102.818
.
Jul
Ago
.
95.472
95.505
95.578
95.656
95.826
96.044
96.288
96.386
96.398
.
.
67.789
68.014
68.423
69.054
69.704
70.319
70.688
70.882
70.925
.
Sep
.
101.979
101.913
101.831
101.788
101.726
101.702
101.694
101.784
101.853
.
Oct
111.533
111.471
111.482
111.464
111.562
111.566
111.576
111.411
111.232
111.112
.
Nov
108.791
108.766
108.683
108.696
108.556
108.457
108.183
107.930
107.627
107.493
.
Tabla 4.80: C10a : Coeficientes estacionales provisorios (media mvil
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
100.011
99.999
99.989
99.974
99.975
99.973
99.984
99.987
99.988
99.982
Feb
.
100.011
100.010
100.009
100.004
100.009
100.008
100.009
99.999
99.990
99.982
Mar
.
100.011
100.017
100.023
100.029
100.033
100.033
100.024
100.011
99.995
99.982
Abr
.
100.011
100.014
100.018
100.031
100.031
100.032
100.017
100.007
99.993
.
May
.
100.007
100.011
100.018
100.029
100.027
100.021
100.000
99.987
99.982
.
Jun
.
100.009
100.006
100.011
100.011
100.010
100.001
99.990
99.983
99.983
.
Jul
.
100.015
100.011
100.014
100.007
100.004
99.994
99.989
99.987
99.986
.
Ago
.
100.016
100.013
100.016
100.008
100.001
99.986
99.981
99.979
99.980
.
Sep
.
100.010
100.003
99.998
99.990
99.983
99.976
99.976
99.979
99.982
.
Oct
100.011
100.007
99.998
99.990
99.983
99.979
99.976
99.979
99.982
99.982
.
Tabla 4.81: C10b : Media mvil centrada sobre 12 trminos.
Dic
100.768
100.829
100.793
100.607
100.320
100.007
99.808
99.835
100.035
100.194
.
).
Nov
100.011
100.004
99.994
99.989
99.981
99.981
99.979
99.984
99.984
99.982
.
Dic
100.011
99.999
99.987
99.978
99.971
99.972
99.977
99.985
99.986
99.982
.
4.2.9 Tabla C11: Estimacin de la serie corregida de variaciones estacionales
Esta estimacin se obtiene simplemente, retirando a la serie inicial de la Tabla B1
(y no de la Tabla C1), la estimacin de la componente estacional de la Tabla C10:
cf.
.
Dado que se emplea la serie B1, esta serie corregida de variaciones estacionales
trae consigo los valores atpicos localizados precedentemente.

Ejemplo
Por ejemplo, para el mes de abril de 1986, tenemos que:

.
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
103.163
97.154
103.955
113.507
116.371
118.284
118.474
109.120
111.714
119.305
Feb
Mar
.
98.854
103.436
110.553
112.768
113.275
113.863
118.238
114.564
113.042
117.965
Abr
.
96.315
104.735
110.284
111.956
115.408
111.578
116.015
114.739
115.852
121.517
.
107.876
105.517
106.477
112.919
114.187
117.353
117.857
112.138
113.290
.
May
Jun
.
99.931
102.364
110.080
113.370
118.775
116.421
112.786
110.696
116.919
.
.
100.248
104.731
110.965
116.569
113.277
113.385
115.400
113.910
117.665
.
Jul
.
104.445
106.603
105.897
110.404
116.674
120.042
116.410
112.138
113.576
.
Ago
.
96.934
101.023
111.092
114.992
119.507
116.026
113.152
112.418
120.384
.
Sep
.
103.169
106.663
112.537
112.182
112.636
114.424
117.285
112.764
118.384
.
Oct
103.747
105.058
104.858
105.763
113.550
118.290
118.635
115.762
108.762
113.738
.
Nov
100.938
99.576
105.530
111.582
116.784
117.167
115.336
113.111
113.057
118.777
.
Dic
99.844
103.541
109.121
113.983
112.309
110.762
115.995
113.972
114.745
119.746
.
Tabla 4.82: C11 : Serie desestacionalizada provisoria.

4.2.10 Tabla C13: Estimacin de la componente irregular
Esta estimacin se obtiene simplemente (cf. Tabla C13, pg. 122), retirando a la serie
corregida de variaciones estacionales de la Tabla C11, la estimacin de la componente

tendencia-ciclo de la Tabla C7:
cf. .

Ejemplo
El valor del mes de abril de 1986 es entonces:

4.2.11 Tabla C14: Valores de la componente irregular excluidos de la regresin

para das hbiles.
Las Tablas C14, C15 y C16 se refieren a la estimacin final del efecto de la composicin diaria del mes. X-11 localiza en la Tabla C14 los valores atpicos de la componente irregular y los excluye de los clculos.
La bsqueda se hace en dos etapas:
122
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
102.463
94.433
97.290
100.459
101.323
102.926
101.492
96.492
98.354
100.098
Feb
.
98.559
100.157
103.011
99.576
98.475
99.057
101.357
101.612
99.036
98.631
Mar
.
96.214
100.999
102.302
98.765
100.151
96.898
99.731
101.865
101.105
101.369
Abr
May
.
107.663
101.390
98.300
99.630
98.861
101.670
101.710
99.533
98.542
.
Jun
.
99.347
98.133
101.134
100.100
102.552
100.640
97.672
98.250
101.367
.
.
99.093
100.296
101.516
102.940
97.524
97.885
100.145
101.232
101.715
.
Jul
.
102.626
101.979
96.550
97.394
100.281
103.566
101.066
99.920
97.902
.
Ago
.
94.806
96.428
100.944
101.258
102.711
100.058
98.220
100.431
103.439
.
Sep
Oct
.
100.703
101.448
101.809
98.569
96.942
98.629
101.892
100.835
101.325
.
101.911
102.497
99.303
95.144
99.542
102.085
102.151
100.836
97.127
96.882
.
Nov
99.452
97.137
99.531
99.724
102.153
101.453
99.133
98.976
100.597
100.637
.
Dic
98.755
100.898
102.530
101.282
98.008
96.200
99.499
100.288
101.571
100.923
.
Tabla 4.83: C13 : Componente irregular.

Etapa 1: Clculo de una desviacin estndar global y localizacin de los valores
atpicos
La Etapa B aporta una primera estimacin del efecto das hbiles, el cual est
resumido en la Tabla B16 (o en la Tabla B18, si el utilizador pidi que se haga una
correccin a priori), cf. Seccin 4.1.16. La componente irregular de la Tabla C13 es
#

entonces corregida de ese efecto, para obtener un residuo 18 :
.
Se calcula luego una estimacin de la varianza de ese residuo con la media de
cuadrados de los mismos. Lo que significa admitir que los residuos son de media nula.
Se obtiene as:

# $
$
$

#
Un valor de lo irregular es considerado atpico, si el residuo asociado

es muy
#
grande. Ms precisamente, el valor es considerado atpico si: + +
, en donde
es la desviacin estndar global calculada anteriormente; y es un parmetro que
puede ser modificado por el utilizador (por defecto
).

Se rehacen los clculos anteriores, excluyendo los valores atpicos que fueron localizados. Se obtiene as una nueva desviacin estndar y nuevos valores atpicos que
sern excluidos de la regresin para das hbiles. Esos valores figuran en la Tabla C14
(cf. pg. 124).
Comentarios
El clculo hecho aqu es sensiblemente diferente del clculo hecho para la Tabla
B14. Puesto que los coeficientes correctores fueron calculados con la estructura
diaria del mes y no con 15 tipos nicamente (como es el caso en la Etapa B), el
empleo de los coeficientes de la Tabla B16 permite distinguir todos los tipos de
meses.
18 Se trata aqu de una substraccin, puesto que el modelo adoptado para el efecto das hbiles es un
modelo de regresin lineal.
Fuera de los valores considerados atpicos, se utilizan en la regresin todas las
observaciones. En X-11-A RIMA, cuando se demanda una extrapolacin A RIMA,
los coeficientes diarios son estimados con el conjunto de los datos disponibles
hasta el ltimo mes de diciembre 19 .
Ejemplo
Etapa 1: Primer clculo de una desviacin estndar global y localizacin
de los valores atpicos
Para obtener los residuos en valor absoluto de la tabla C14a, se corrige la componente irregular de la Tabla C13 con los coeficientes para das hbiles de la Tabla
B16.
Por ejemplo, para el mes
de abril de 1986 se obtiene:

# +

+ .
La media de cuadrados de los elementos de la Tabla C14a aporta una primera
estimacin de la desviacin estndar:

" $
# $

(o sea )
Los dos nicos puntos que se alejan ms, en valor absoluto, de
son los valores de abril de 1986 y de enero de 1987. Se excluyen entonces esos dos
puntos.
Etapa 2: Clculo final de la desviacin estndar global y localizacin

de los valores atpicos
La nueva desviacin estndar se calcula simplemente, retirando los residuos cor
respondientes. Se obtiene
.

(o sea ), es decir
Ese nuevo clculo lleva a definir un lmite igual a
que hace eliminar 6 puntos: ABR86, AGO86, ENE87, OCT88, MAR89 y FEB93 (cf.
Tabla C14, pg. 124).

Ao Ene
Feb
Mar
Abr May
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
0.556
1.042
0.070
0.460
0.640
0.058
0.241
2.497
0.079
0.485
.
1.511
0.990
0.241
2.628
0.312
0.781
0.278
0.572
0.955
0.024
.
6.596
0.171
0.472
2.250
0.238
0.489
0.492
1.750
0.230
.
.
1.070
5.407
0.388
0.450
0.029
0.865
0.098
1.187
0.629
0.089
.
0.493
0.455
1.125
1.193
0.491
0.753
0.007
0.524
1.358
.
Jun
.
0.006
0.884
0.298
1.657
1.248
0.505
1.036
0.165
0.496
.
Jul Ago
.
0.565
0.586
1.128
0.331
0.272
2.272
0.327
0.080
0.223
.
.
2.872
1.298
0.350
0.803
1.318
0.218
0.494
0.422
2.145
.
Sep
.
0.477
0.381
0.526
0.203
0.438
0.469
0.824
0.383
0.041
.

Oct Nov
0.149
1.104
0.536
2.581
0.467
0.791
0.090
0.996
0.552
0.844
.
0.680
0.243
0.432
1.343
0.935
0.170
0.361
0.123
0.584
0.430
.
Dic
1.254
0.396
0.469
1.442
0.330
1.525
0.510
1.773
0.178
1.084
.
Tabla 4.84: C14a : Desvos absolutos a la media.

19 Salvo si se demanda tambin una correccin del efecto de Pascua. En ese caso se utilizan todos los
puntos.
124
Ao
Ene
Feb
Mar
Abr May Jun Jul
1985
.
.
.
.
1986
.
.
. 107.663
1987 94.433
.
.
.
1988
.
.
.
.
1989
.
. 98.765
.
1990
.
.
.
.
1991
.
.
.
.
1992
.
.
.
.
1993
. 101.612
.
.
1994
.
.
.
.
1995
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Ago Sep
.
.
. 94.806
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Oct Nov Dic

.
.
.
.
.
.
. 95.144
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Tabla 4.85: C14 : Valores de la componente irregular excluidos de la regresin para das
hbiles.
4.2.12 Tabla C15: Regresin final para das hbiles

Siguiendo la misma metodologa que la empleada para la Tabla B15 (cf. Seccin
4.1.15), se estiman ahora los pesos diarios mediante una regresin por los mnimos
cuadrados habituales (cf. Tabla C15, pg. 125), con los datos que no fueron considerados
atpicos de la Tabla C13.
Ejemplo
Si se fija, por ejemplo, un riesgo de primera especie de 1%, los tests se interpretan de
la siguiente manera:
El test F de Fisher rechaza la hiptesis nula de igualdad de los coeficientes
diarios: se puede entonces admitir la existencia de un efecto debido a la composicin diarias del mes. Efectivamente, la probabilidad de obtener un valor de

la estadstica de Fisher que sea mayor que el valor calculado ( ) es casi
nula y en consecuencia es menor que el riesgo de primera especie que fue fijado. Se est entonces en la regin crtica del test, lo que no permite aceptar la
hiptesis nula de igualdad de los coeficientes diarios.

Se interpreta de la misma manera el test T de Student, pero teniendo en cuenta

que la Ley de Student es simtrica. De modo que es necesario comparar el valor
Prob
+ + a la mitad del riesgo de primera especie, o sea . Todos los
tests que lleven a un valor menor que 0.005 no permiten aceptar la hiptesis de
nulidad de un coeficiente diario. En nuestro caso, los coeficientes del martes,
jueves, sbado y domingo son considerados significativamente diferentes de 0.

Por ltimo, es de sealar que la correccin de los valores atpicos permiti aumentar la precisin de las estimaciones, con respecto a los resultados de la Tabla B15.
4.2.13 Tabla C16: Coeficientes de ajuste para das hbiles,
extrados de la regresin
Con las estimaciones de la regresin se deduce la Tabla C16 similar a la Tabla

B16 de los coeficientes mensuales
de ajuste para das hbiles.
Pesos
Pesos
Combinados a priori de la regresin
Lunes
Martes
Mircoles
Jueves
Viernes
Sbado
Domingo
1.092
1.242
1.083
1.356
1.076
0.518
0.632
1.000
1.000
1.000
1.000
1.000
1.000
1.000
0.092
0.242
0.083
0.356
0.076
-0.482
-0.368
0.067
0.066
0.068
0.068
0.068
0.066
0.067
Suma de
Media de
cuadrados g.d.l. cuadrados
Regresin
Error
Total
26.115
6.505
32.620
6
106
112
4.352
0.064
1.373
3.649
1.210
5.215
1.126
-7.281
-5.458
Prob
68.245
Prob
0.086
0.000
0.114
0.000
0.131
0.000
0.000
0.000
Tabla 4.86: C15 : Regresin finale para das hbiles.

La componente irregular de la Tabla C13 es corregida de sus efectos de calendario,
lo que lleva a la Tabla C16bis. Desgraciadamente, esta tabla no puede ser editada con

los paquetes usuales:
op
.

Comentarios
X-11-A RIMA presenta adems una Tabla C16A en donde se repiten los coeficientes de cada da que son obtenidos con la regresin.
X-12-A RIMA y X-11-A RIMA presentan tambin una Tabla C16C en la que se
estiman los coeficientes de correccin de los doce meses siguientes.
Ejemplo
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
101.662
99.839
97.504
99.895
101.347
102.198
101.662
97.504
97.557
99.895
Feb
.
99.115
99.115
102.982
99.115
99.115
99.115
100.947
99.115
99.115
99.115
Mar
.
97.557
99.895
102.198
101.662
99.839
97.504
99.895
101.347
102.198
101.662
Abr
.
101.084
101.463
98.646
97.167
99.083
101.116
101.463
101.441
98.646
.
May
.
99.839
97.504
99.895
101.347
102.198
101.662
97.504
97.557
99.895
.
Jun
Jul
.
99.083
101.116
101.463
101.441
98.646
97.167
101.116
101.084
101.463
.
Ago
.
102.198
101.662
97.504
97.557
99.895
101.347
101.662
99.839
97.504
.
.
97.504
97.557
101.347
102.198
101.662
99.839
97.557
99.895
101.347
.
Sep
.
101.116
101.084
101.441
98.646
97.167
99.083
101.084
101.463
101.441
.
Oct
102.198
101.662
99.839
97.557
99.895
101.347
102.198
99.839
97.504
97.557
.
Nov
98.646
97.167
99.083
101.084
101.463
101.441
98.646
99.083
101.116
101.084
.
Dic
99.895
101.347
102.198
99.839
97.504
97.557
99.895
102.198
101.662
99.839
.
Tabla 4.87: C16 : Coeficientes de ajuste para das hbiles extrados de la regresin.
Consideremos, por ejemplo, los meses de abril de 1986 y de febrero de 1989.
Lunes Martes Mircoles Jueves Viernes Sbado Domingo N de das
Pesos 1.092
Nmero de das
ABR86
4
FEB89
4
1.242
1.083
1.356
1.076
0.518
0.632
5
4
5
4
4
4
4
4
4
4
4
4
30
28
126

Los coeficientes de correccin para esos meses sern entonces:

#

o bien, ms simplemente, puesto que Martes y Mircoles son los nicos das que
intervienen 5 veces en el mes:

#

y para el mes de febrero, de 28 das:

Se obtiene luego un valor corregido de la componente irregular (Tabla C16bis), por

ejemplo:

#

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
100.788
94.585
99.781
100.565
99.976
100.712
99.833
98.962
100.818
100.204
Feb
.
99.439
101.051
100.028
100.465
99.355
99.941
100.406
102.519
99.920
99.511
Mar
.
98.624
101.106
100.102
97.151
100.313
99.378
99.837
100.511
98.931
99.712
Abr
.
106.509
99.928
99.649
102.535
99.776
100.547
100.244
98.119
99.895
.
May
.
99.508
100.645
101.241
98.770
100.346
98.995
100.172
100.710
101.474
.
Jun
.
100.010
99.189
100.052
101.478
98.863
100.739
99.039
100.147
100.248
.
Jul
.
100.419
100.312
99.022
99.834
100.387
102.189
99.415
100.081
100.408
.
Ago
.
97.234
98.843
99.602
99.080
101.033
100.220
100.680
100.537
102.064
.
Sep
.
99.592
100.360
100.363
99.922
99.769
99.542
100.799
99.381
99.885
.
Oct
99.720
100.822
99.464
97.527
99.647
100.728
99.954
100.999
99.613
99.308
.
Nov
100.817
99.969
100.452
98.655
100.680
100.012
100.494
99.892
99.486
99.558
.
Dic
98.860
99.557
100.325
101.446
100.517
98.610
99.604
98.131
99.911
101.086
.
Tabla 4.88: C16bis : Componente irregular corregida de los efectos de das hbiles extrados
de la regresin.
4.2.14 Tabla C17: Pesos finales para la correccin de la componente irregular

Se trata de localizar y corregir los puntos atpicos con la estimacin de la componente
irregular de la Tabla C16bis, o de la Tabla C13 si no se seleccion ninguna correccin
para das hbiles. Para ello, se emplea el algoritmo de deteccin de puntos atpicos y
de clculo de pesos de correccin que fue detallado para las Tablas B4 y B9 (cf. Seccin 4.1.4 y Seccin 4.1.9, respectivamente). Como se dispone ya de una estimacin
de lo irregular, se aplican nicamente las etapas 4 y 5.
Comentario
Son vlidos aqu los comentarios hechos a propsito de las Tablas B4 y B9, relativos
al clculo de las desviaciones estndar y de los pesos de correccin.
Ejemplo
Clculo de una desviacin estndar mvil
de los aos 1987 hasta 1991 (dos aos antes y dos aos despus), segn la frmula
siguiente 20 :

$
" $

Las desviaciones estndar de los aos 1988, 1990, 1991 y 1992 son calculadas
con el mismo principio. Para X-11-A RIMA y X-12-A RIMA, la desviacin estndar de
1987 se calcula con el conjunto de las observaciones disponibles desde 1985 hasta, o
sea 63 observaciones. Los resultados del clculo de X-11-A RIMA y de X-12-A RIMA
figuran en la Tabla C17a, en la columna Desviacin estndar 1.
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1.4389
1.4389
1.4389
1.4629
1.1712
0.9538
0.9526
0.8592
0.8420
0.8420
0.8420
0.9815
0.9815
0.9815
0.9889
0.9476
0.9538
0.9030
0.8021
0.7861
0.7861
0.7861
Tabla 4.89: C17a : Desviaciones estndar mviles sobre 5 aos.

Ese primer clculo sirve para localizar los eventuales puntos atpicos. Como lo
muestra la Figura 4.12 (cf. pg. 129), los valores de abril de 1986, enero de 1987 y
febrero de 1993 son considerados
muy atpicos.

#
+ +
+

Efectivamente, se obtiene: +

+
+
+

+

y+
+
+

+

.

Esos puntos son eliminados del clculo de la segunda desviacin estndar. Lo que
lleva a los resultados de la columna Desviacin estndar 2 de la Tabla C17a.
Deteccin y correccin de los valores atpicos
Se sitan los valores de lo irregular con respecto a los lmites de confianza,
superiores e inferiores, que han sido calculados con las nuevas estimaciones de las
desviaciones estndar. Todos los valores situados ms all de los lmites de confianza
inferiores (cf. Figura 4.13, pg. 129) son considerados atpicos y sern corregidos, con
diversos grados. Los pesos asociados, multiplicados por 100, de cada uno de esos
valores figuran en la Tabla C17.
Los valores que fueron considerados muy atpicos
siguen sin
# precedentemente,

dolo y se les afecta un peso nulo. Por ejemplo, +
+ +
+

20 La media terica es considerada aqu igual a 100, para tomar en cuenta el hecho que los valores de lo
irregular ya fueron multiplicados por 100.
128
. El mes de julio de 1991 se sita entre

los dos lmites de confianza. Se lo considera moderadamente atpico y se obtiene:

+ +
+ + , y . Se atribuye
a este valor, considerado
moderadamente atpico, un peso proporcional al desvo a la media constante:

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
100.000
0.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
Feb
.
100.000
100.000
100.000
100.000
100.000
100.000
100.000
0.000
100.000
100.000
Mar
.
100.000
100.000
100.000
0.000
100.000
100.000
100.000
100.000
100.000
100.000
Abr
.
0.000
100.000
100.000
0.000
100.000
100.000
100.000
10.773
100.000
.
May
.
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
62.449
.

Jun
.
100.000
100.000
100.000
94.034
100.000
100.000
100.000
100.000
100.000
.
Jul
.
100.000
100.000
100.000
100.000
100.000
7.552
100.000
100.000
100.000
.

Ago
.
0.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
0.000
.
Sep
.
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
.
Oct
100.000
100.000
100.000
0.000
100.000
100.000
100.000
100.000
100.000
100.000
.
Nov
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
.
Dic
100.000
100.000
100.000
100.000
100.000
100.000
100.000
16.963
100.000
100.000
.
Tabla 4.90: C17 : Pesos finales para la componente irregular (Los lmites utilizados son
).
4.2.15 Tabla C18: Coeficientes para das hbiles combinados

(extrados del ajuste a priori y de la regresin para das hbiles)
Tal como fue hecho para la Tabla B18, si se seleccionaron previamente los coeficientes
diarios de correccin a priori de los efectos de das hbiles (nicamente en un esquema
multiplicativo) y si se solicit tambin una regresin para das hbiles, la Tabla C18
presenta el resultado combinado de esas dos correcciones, por simple adicin de los
dos efectos. Los pesos combinados provienen de la Tabla C15.
Comentario
En X-12-A RIMA se pueden estimar otros efectos en el momento de hacer la regresin
sobre la componente irregular (Pascua, Da del Trabajo, Fiesta de Pentecosts, etc.).
En ese caso, la Tabla C18 toma en cuenta el conjunto de efectos.
6
4
2
0
-2
-4
'86
'87
'88
'89
'90
'91
'92
'93
'94
'95
Figura 4.12: C17: Desvo a la media de lo irregular y lmites superiores de confianza

). Primera estimacin.
(
6
4
2
0
-2
-4
'86

'87
'88
'89
'90
'91
'92
'93
'94
'95
Figura 4.13: C17: Desvo a la media de lo irregular y lmites superiores de confianza

y

(
). Segunda estimacin.
130
Ejemplo
En nuestro caso, la Tabla C18 es idntica a la Tabla C16.
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
Feb
.
101.662
99.839
97.504
99.895
101.347
102.198
101.662
97.504
97.557
99.895
.
99.115
99.115
102.982
99.115
99.115
99.115
100.947
99.115
99.115
99.115
Mar
.
97.557
99.895
102.198
101.662
99.839
97.504
99.895
101.347
102.198
101.662
Abr
May
.
101.084
101.463
98.646
97.167
99.083
101.116
101.463
101.441
98.646
.
.
99.839
97.504
99.895
101.347
102.198
101.662
97.504
97.557
99.895
.
Jun
.
99.083
101.116
101.463
101.441
98.646
97.167
101.116
101.084
101.463
.
Jul
.
102.198
101.662
97.504
97.557
99.895
101.347
101.662
99.839
97.504
.
Ago
Sep
.
97.504
97.557
101.347
102.198
101.662
99.839
97.557
99.895
101.347
.
.
101.116
101.084
101.441
98.646
97.167
99.083
101.084
101.463
101.441
.
Oct
102.198
101.662
99.839
97.557
99.895
101.347
102.198
99.839
97.504
97.557
.
Nov
98.646
97.167
99.083
101.084
101.463
101.441
98.646
99.083
101.116
101.084
.
Dic
99.895
101.347
102.198
99.839
97.504
97.557
99.895
102.198
101.662
99.839
.
Tabla 4.91: C18 : Coeficientes de correccin combinados para das hbiles.

4.2.16 Tabla C19: Serie bruta corregida de los efectos
de das hbiles
La serie de la Tabla B1 (o de la Tabla A1 si no se solicit ningn ajuste preliminar) es
corregida con los efectos de das hbiles estimados precedentemente (Tabla C18).

op .
Se obtiene as (cf. Tabla C19, pg. 131):

Ejemplo
Por ejemplo:

.
4.2.17 Tabla C20: Valores de correccin de los puntos atpicos de lo irregular

Los valores de la componente irregular de la Tabla C16bis (o de la tabla C13, si no
se solicit la regresin para das hbiles) que fueron considerados atpicos durante el
clculo de la Tabla C17 para los cuales se calcul un peso son corregidos de la
siguiente manera, tal como para la Tabla B20:

op xbar
xbar

Ejemplo
Puesto que estamos aqu en un esquema multiplicativo, el valor del mes de mayo de
1994 que fue considerado atpico y al cual se le afect un peso igual a 0.62449
ser corregido as (cf. Tabla C20, pg. 131):

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
104.858
100.663
110.457
118.024
119.490
120.648
121.482
116.611
119.213
124.231
Feb
.
99.581
104.121
107.009
113.202
113.504
113.807
115.803
114.110
112.496
117.338
Mar
.
106.502
113.019
116.147
118.236
123.800
122.354
124.131
121.069
121.333
128.072
Abr
.
108.326
105.555
109.584
118.044
117.174
118.082
118.269
112.578
116.984
.
May
.
97.858
102.560
107.513
109.031
113.114
111.448
112.611
110.602
114.120
.
Jun
.
104.660
107.105
113.046
118.591
118.404
120.103
117.390
115.845
119.255
.
Jul
.
97.556
100.136
103.791
108.245
111.918
113.767
110.268
108.275
112.303
.
Ago
.
67.382
70.421
74.990
77.692
81.939
81.732
82.004
79.784
84.265
.
Sep
.
104.039
107.535
112.972
115.768
117.941
117.477
118.021
113.144
118.887
.
Oct
113.212
115.186
117.089
120.853
126.834
130.246
129.553
129.209
124.098
129.566
.
Nov
111.307
111.458
115.761
119.999
124.971
125.294
126.513
123.230
120.357
126.331
.
Dic
100.706
103.012
107.634
114.886
115.585
113.575
115.922
111.353
112.924
120.194
.
Tabla 4.92: C19 : Serie original corregida de los efectos de das hbiles.
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
100.000
94.585
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
Feb
.
100.000
100.000
100.000
100.000
100.000
100.000
100.000
102.519
100.000
100.000
Mar
.
100.000
100.000
100.000
97.151
100.000
100.000
100.000
100.000
100.000
100.000
Abr
.
106.509
100.000
100.000
102.535
100.000
100.000
100.000
98.319
100.000
.
May
.
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.549
.
Jun
.
100.000
100.000
100.000
100.087
100.000
100.000
100.000
100.000
100.000
.
Jul
.
100.000
100.000
100.000
100.000
100.000
102.021
100.000
100.000
100.000
.
Ago
.
97.234
100.000
100.000
100.000
100.000
100.000
100.000
100.000
102.064
.
Sep
.
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
.
Oct
100.000
100.000
100.000
97.527
100.000
100.000
100.000
100.000
100.000
100.000
.
Nov
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
100.000
.
Dic
100.000
100.000
100.000
100.000
100.000
100.000
100.000
98.443
100.000
100.000
.
Tabla 4.93: C20: Valores de correccin de los puntos atpicos de lo irregular.
132
4.3 ETAPA D: Estimacin final de las diferentes

componentes
4.3.1 Tabla D1: Serie bruta ajustada para tener en cuenta el ajuste a priori, los
ajustes ligados a la correccin de das hbiles y de los puntos atpicos que
fueron detectados
Esta tabla presenta la serie bruta corregida de los diversos efectos evidenciados en
la Etapa C: puntos considerados atpicos; efectos liados a los das hbiles; y ajuste a
priori de los elementos de la Etapa A. Se calcula esta tabla con: la Tabla C19, la cual
toma en cuenta los efectos debidos a los das hbiles; o bien con la Tabla B1 si no se
solicit la regresin para das hbiles; y con la Tabla C20 que contiene las correcciones
que deben ser afectadas a los puntos considerados atpicos.

Se obtiene as:
op
.

Ejemplo
Por ejemplo, el valor del mes de abril de 1986, considerado atpico, se corrige as:

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
104.858
106.425
110.457
118.024
119.490
120.648
121.482
116.611
119.213
124.231
Feb
.
99.581
104.121
107.009
113.202
113.504
113.807
115.803
111.306
112.496
117.338

Mar
.
106.502
113.019
116.147
121.703
123.800
122.354
124.131
121.069
121.333
128.072

Abr
.
101.706
105.555
109.584
115.126
117.174
118.082
118.269
114.503
116.984
.

May
.
97.858
102.560
107.513
109.031
113.114
111.448
112.611
110.602
113.498
.
Jun
.
104.660
107.105
113.046
118.488
118.404
120.103
117.390
115.845
119.255
.
Jul
.
97.556
100.136
103.791
108.245
111.918
111.514
110.268
108.275
112.303
.
Ago
.
69.299
70.421
74.990
77.692
81.939
81.732
82.004
79.784
82.561
.
Sep
.
104.039
107.535
112.972
115.768
117.941
117.477
118.021
113.144
118.887
.
Oct
113.212
115.186
117.089
123.917
126.834
130.246
129.553
129.209
124.098
129.566
.
Nov
111.307
111.458
115.761
119.999
124.971
125.294
126.513
123.230
120.357
126.331
.
Dic
100.706
103.012
107.634
114.886
115.585
113.575
115.922
113.114
112.924
120.194
.
Tabla 4.94: D1: Serie original ajustada.

4.3.2 Tabla D2: Estimacin preliminar de la tendencia-ciclo
Tal como en B2 y en C2, se obtiene una nueva estimacin de la componente tendenciaciclo aplicando a los datos de la Tabla D1 una media mvil centrada simple de orden
12.
Comentarios
X-11-A RIMA y X-12-A RIMA permiten tambin elegir una media mvil centrada sobre 24 trminos, propuesta por C HOLETTE [12].
En este estadio del clculo, no se imputan los 6 primeros y los 6 ltimos puntos
de la serie.
4.3. D: Estimacin final de las diferentes componentes
133
Ejemplo
De modo que el valor del mes de abril de 1986, por ejemplo, se obtiene con los valores
de la Tabla D1, desde octubre de 1985 hasta octubre de 1986 (6 meses antes y 6 meses
despus):
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995

Ene
.
.
103.385
107.013
112.363
114.702
115.596
115.981
113.732
113.615
.
Feb
.
.
103.540
107.356
112.661
115.032
115.571
115.941
113.557
113.898
.
Mar
.
.
103.732
107.773
112.890
115.299
115.543
115.975
113.261
114.253
.
Abr
.
101.023
103.957
108.284
113.128
115.532
115.495
115.983
112.845
114.720
.
May
Jun
.
101.111
104.216
108.745
113.457
115.687
115.516
115.832
112.512
115.197
.
.
101.213
104.588
109.224
113.693
115.617
115.665
115.578
112.384
115.749
.
Jul
.
101.375
104.948
109.841
113.784
115.582
115.798
115.258
112.485
116.261
.
Ago
.
101.629
105.236
110.415
113.857
115.642
115.915
114.868
112.643
116.672
.
Sep
.
102.090
105.487
110.904
113.957
115.595
116.073
114.553
112.703
117.154
.
Oct
.
102.522
105.785
111.366
114.130
115.572
116.154
114.268
112.818
.
.
Nov
Dic
.
102.878
106.160
111.661
114.385
115.541
116.211
114.028
113.042
.
.
.
103.176
106.614
111.951
114.552
115.542
116.146
113.879
113.305
.
.
Tabla 4.95: D2 : Tendencia-ciclo (media mvil centrada sobre 12 trminos).
4.3.3 Tabla D4: Estimacin preliminar de la componente estacional-irregular

modificada
Se retira de la serie analizada la componente tendencia-ciclo, para obtener una estimacin de la componente estacional-irregular. Se obtiene entonces:
op
.
Comentario
Una vez ms, no se hace la estimacin de los 6 valores del inicio y del fin de la serie.
Ejemplo
El valor del mes de abril de 1986, por ejemplo, se obtiene entonces simplemente (cf.
Tabla D4, pg. 134):

#

134
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
Feb
.
.
102.940
103.218
105.039
104.175
104.371
104.743
102.531
104.927
.
.
.
100.562
99.677
100.480
98.672
98.474
99.881
98.018
98.769
.
Mar
.
.
108.953
107.770
107.806
107.373
105.895
107.033
106.894
106.197
.
Abr
.
100.677
101.538
101.201
101.766
101.422
102.240
101.971
101.470
101.974
.
May
.
96.783
98.411
98.867
96.099
97.776
96.478
97.219
98.303
98.525
.
Jun
.
103.405
102.407
103.499
104.217
102.410
103.836
101.568
103.079
103.029
.
Jul
Ago
.
96.233
95.415
94.492
95.132
96.830
96.301
95.671
96.257
96.596
.
.
68.188
66.917
67.917
68.237
70.855
70.510
71.390
70.829
70.764
.
Sep
.
101.909
101.941
101.865
101.589
102.030
101.210
103.028
100.391
101.479
.
Oct
.
112.353
110.686
111.269
111.131
112.696
111.535
113.075
109.998
.
.
Nov
Dic
.
108.339
109.045
107.468
109.255
108.442
108.865
108.070
106.471
.
.
.
99.841
100.957
102.622
100.902
98.297
99.807
99.328
99.664
.
.
Tabla 4.96: D4: Componente estacional-irregular modificada.

4.3.4 Tabla D5: Estimacin de la componente estacional
Esta estimacin se obtiene con los valores de la componente estacional irregular de la
Tabla D4. Una vez ms se procede en tres etapas, tal como se hizo para las Tablas B5
y C5:
Etapa 1: estimacin de la componente estacional con una media
Etapa 2: normalizacin de los coeficientes estacionales con una media mvil

centrada sobre 12 trminos.
Etapa 3: estimacin de los coeficientes estacionales faltantes.
Comentario
El utilizador puede seleccionar la media mvil que ser empleada.
En ese caso, X-11-A RIMA permite elegir entre: una media mvil simple sobre 3

trminos; una
; una
; una
; y una estacionalidad constante (media

.
Ejemplo
La estimacin se hace con la componente estacional-irregular modificada que figura
en la Tabla D4.
Etapa 1: estimacin de la componente estacional.
Se alisan los datos de la tabla precedente, columna por columna (mes por mes),

con una media mvil
, para obtener la tabla D5a (cf. pg. 136).
El coeficiente estacional del mes de abril de 1988 es estimado as:

#

Se puede aplicar esta media mvil simtrica para estimar los valores de los coeficientes estacionales anuales, desde 1988 hasta 1992. Para el inicio de la serie (aos
1986 y 1987) y para el fin de la serie (aos 1993 y 1994), se emplean las medias
135
mviles asimtricas predefinidas (cf. Tabla 3.13, pg. 50). Por ejemplo, para abril de
1987, se utiliza un punto pasado, el punto actual y dos puntos futuros:

#

Etapa 2: normalizacin de los coeficientes estacionales.

Se aplica a la Tabla D5a una media mvil centrada sobre 12 meses para obtener
la Tabla B5b (cf. pg. 136). El primer trmino que se puede calcular es entonces el de
octubre de 1986 y el ltimo es el de marzo de 1994. De modo que:

#

Los seis primeros valores que no pueden ser calculados con esta media mvil
simtrica, desde abril hasta setiembre de 1986, son tomados iguales al primer valor

calculable, el del mes de octubre de 1986 (
). Se procede de la misma manera

para el fin de la serie: el valor calculado para marzo de 1994 (
) es repetido
en los seis meses siguientes. Se obtienen los coeficientes estacionales normalizados
dividiendo la Tabla D5a con la Tabla D5b, lo que lleva a la Tabla D5 (cf. pg. 136).
Por ejemplo:

Etapa 3: estimacin de los coeficientes estacionales faltantes.

En razn de la aplicacin a la Tabla D2 de una media mvil centrada sobre 12
trminos (desde octubre de 1985 hasta marzo de 1986), los valores faltantes se obtienen duplicando el primer valor calculado para cada uno de esos meses. Igualmente,
para los valores de octubre de 1994 hasta marzo de 1995, se duplica el ltimo valor
calculado para cada uno de esos meses.
136
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
Feb
.
.
103.442
103.724
104.135
104.367
104.280
104.126
103.930
103.917
.
Mar
.
.
100.186
100.003
99.686
99.276
99.003
98.897
98.746
98.669
.
Abr
.
.
108.259
108.042
107.617
107.147
106.800
106.694
106.638
106.636
.
May
.
101.124
101.252
101.367
101.591
101.717
101.860
101.859
101.816
101.768
.
.
97.832
97.850
97.798
97.386
97.174
97.092
97.502
97.877
98.193
.
Jun
.
103.016
103.150
103.284
103.413
103.156
102.973
102.664
102.758
102.779
.
Jul
Ago
.
95.577
95.356
95.292
95.529
95.947
96.144
96.173
96.198
96.287
.
.
67.620
67.652
68.122
68.853
69.929
70.565
70.941
70.922
70.906
.
Sep
.
101.914
101.874
101.844
101.745
101.842
101.747
101.755
101.448
101.323
.
Oct
.
111.473
111.319
111.388
111.505
111.974
111.920
111.836
111.536
.
.
Nov
Tabla 4.97: D5a: Coeficientes estacionales provisorios (media mvil
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
.
99.991
99.996
100.008
99.990
100.014
99.998
99.984
99.936
.
Feb
.
.
99.983
100.013
100.048
100.052
100.049
100.015
99.984
99.939
.
Mar
.
.
99.983
100.032
100.074
100.101
100.072
100.031
99.971
99.933
.
Abr
.
99.982
99.974
100.033
100.075
100.125
100.065
100.028
99.946
99.933
.
May
.
99.982
99.968
100.034
100.088
100.142
100.055
100.005
99.919
99.933
.
Jun
.
99.982
99.981
100.031
100.075
100.108
100.033
99.983
99.910
99.933
.
Jul
.
99.982
100.004
100.048
100.065
100.072
100.012
99.973
99.915
99.933
.
Ago
Sep
.
99.982
100.008
100.051
100.057
100.057
100.002
99.959
99.911
99.933
.
Oct
.
99.982
99.992
100.021
100.021
100.031
99.993
99.950
99.908
99.933
.
Dic
.
108.465
108.476
108.420
108.610
108.567
108.372
107.903
107.566
.
.
.
100.811
101.093
101.080
100.590
99.807
99.471
99.425
99.553
.
.
).
Nov
.
99.982
99.987
100.012
100.006
100.022
99.988
99.946
99.906
.
.
Dic
.
99.988
99.990
100.004
100.003
100.025
100.005
99.960
99.917
.
.
.
99.994
99.994
99.993
99.983
100.014
100.010
99.979
99.931
.
.
Tabla 4.98: D5b: Media mvil centrada sobre 12 trminos.
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
103.452
103.452
103.728
104.127
104.378
104.265
104.128
103.947
103.984
103.984
Feb
.
100.203
100.203
99.989
99.638
99.224
98.955
98.882
98.762
98.729
98.729
Mar
.
108.278
108.278
108.008
107.537
107.039
106.723
106.661
106.669
106.707
106.707
Abr
.
101.143
101.278
101.334
101.515
101.590
101.794
101.831
101.871
101.836
.
May
.
97.850
97.881
97.765
97.300
97.036
97.038
97.498
97.956
98.259
.
Jun
.
103.034
103.170
103.252
103.335
103.045
102.940
102.681
102.851
102.848
.
Jul
Ago
.
95.594
95.352
95.247
95.467
95.878
96.132
96.199
96.279
96.351
.
.
67.632
67.646
68.087
68.814
69.890
70.564
70.970
70.985
70.954
.
Sep
.
101.932
101.882
101.823
101.724
101.811
101.755
101.806
101.541
101.391
.
Tabla 4.99: D5: Coeficientes estacionales.
Oct
111.493
111.493
111.333
111.374
111.498
111.949
111.933
111.896
111.641
111.641
.
Nov
108.478
108.478
108.487
108.416
108.608
108.540
108.366
107.947
107.655
107.655
.
Dic
100.817
100.817
101.100
101.088
100.607
99.793
99.461
99.445
99.622
99.622
.
137
4.3.5 Tabla D6: Estimacin de la serie corregida de variaciones estacionales

Esta estimacin se obtiene simplemente (cf. Tabla D6), retirando a la serie de la Tabla

D1 la estimacin de la componente estacional de la Tabla D5:
op .
Ejemplo
Por ejemplo:
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
101.359
102.874
106.487
113.347
114.479
115.714
116.665
112.183
114.646
119.472
#
Feb
.
99.379
103.910
107.020
113.613
114.392
115.010
117.112
112.702
113.943
118.848

.

Mar
.
98.360
104.379
107.536
113.173
115.659
114.646
116.379
113.499
113.707
120.022
Abr
.
100.557
104.223
108.142
113.408
115.340
116.001
116.143
112.400
114.875
.
May
.
100.008
104.780
109.971
112.056
116.569
114.850
115.501
112.910
115.509
.
Jun
.
101.577
103.814
109.485
114.664
114.905
116.673
114.325
112.634
115.953
.
Jul
.
102.052
105.017
108.970
113.385
116.730
116.001
114.625
112.459
116.556
.
Ago
.
102.465
104.101
110.138
112.902
117.240
115.827
115.547
112.396
116.359
.
Sep
.
102.067
105.548
110.950
113.806
115.843
115.451
115.927
111.427
117.256
.
Oct
101.542
103.312
105.171
111.262
113.754
116.344
115.742
115.472
111.158
116.055
.
Nov
102.608
102.746
106.705
110.685
115.067
115.436
116.746
114.158
111.798
117.348
.
Dic
99.890
102.178
106.463
113.649
114.888
113.811
116.550
113.745
113.352
120.650
.
Tabla 4.100: D6: Serie corregida de variaciones estacionales.
4.3.6 Tabla D7: Estimacin de la componente tendencia-ciclo

Esa tabla presenta la estimacin de la componente tendencia-ciclo que fue calculada con la serie desestacionalizada de la tabla precedente (cf. Tabla D7, pg. 139). La
metodologa seguida es la misma que la empleada para construir la Tabla C7 (cf. Seccin 4.2.6).
Comentario
El utilizador puede especificar la longitud de la media mvil de Henderson que ser
utilizada. En ese caso, X-11-A RIMA permite elegir entre una media mvil sobre 9, 13
o 23 trminos.
X-12-A RIMA permite elegir cualquier media de Henderson de orden impar inferior a 101.
Ejemplo

Etapa 1: eleccin de la media mvil, clculo de la razn

.
En primer lugar se alisa la Tabla D6 con una media mvil d Henderson sobre 13
trminos, cuyos coeficientes figuran en la Tabla 3.11 (cf. pg. 49).
138

Para el mes de abril de 1990 se obtiene as:

#

En esta etapa del clculo, no se estiman los 6 puntos que no pueden ser calculados al inicio y al fin de la serie. Se deduce una estimacin de la tendencia-ciclo (cf.
Tabla D7a, pg. 139) y de la componente irregular (cf. Tabla D7b, pg. 139) en relacin
con la Tabla D6.
Puesto que el esquema es multiplicativo, se calculan las tasas de crecimiento medias (cf. Seccin 4.1.7).
Con los totales en lnea de las Tablas D7c y D7d, se calcula:

Etapa 2: alisado de la serie corregida de variaciones estacionales con una media

mvil de Henderson.

Como la razn es mayor que 1 y menor que , se elige una media mvil de
Henderson sobre 13 trminos, cuyos coeficientes y los coeficientes de las medias
mviles asimtricas asociadas figuran en la Tabla 3.11 (cf. pg. 49). La estimacin de
la tendencia para el mes de octubre de 1985 se hace con la serie desestacionalizada de
la Tabla D6, utilizando el punto actual y seis puntos futuros, a los cuales se les aplica

los coeficientes de la media mvil
_ de la Tabla 3.11.

Lo que lleva a la Tabla D7 (cf. Tabla 4.101, pg. 139).
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
100.322
103.227
106.769
113.055
114.827
114.922
116.752
113.185
113.478
119.243
Feb
.
99.896
103.605
107.255
113.305
115.007
114.960
116.675
112.848
114.036
119.691
Mar
.
99.730
103.961
107.783
113.399
115.221
115.161
116.343
112.740
114.508
120.001
Abr
.
99.924
104.237
108.342
113.377
115.507
115.427
115.875
112.756
114.946
.
May
.
100.448
104.392
108.897
113.299
115.844
115.657
115.469
112.737
115.391
.
Jun
Tabla 4.101: D7 : Tendencia-ciclo (la razn

Henderson sobre 13 trminos).
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
.
103.227
106.769
113.055
114.827
114.922
116.752
113.185
113.478
.
Feb
.
.
103.605
107.255
113.305
115.007
114.960
116.675
112.848
114.036
.
Mar
.
.
103.961
107.783
113.399
115.221
115.161
116.343
112.740
114.508
.
Abr
.
100.448
104.392
108.897
113.299
115.844
115.657
115.469
112.737
115.391
.
.
101.793
104.568
109.753
113.379
116.387
115.845
115.197
112.240
116.130
.
Ago
Jun
.
101.139
104.458
109.373
113.273
116.190
115.784
115.236
112.564
115.783
.
Sep
.
102.277
104.811
110.132
113.577
116.378
115.893
115.241
111.920
116.484
.
I/C es igual a
May
.
99.924
104.237
108.342
113.377
115.507
115.427
115.875
112.756
114.946
.
Jul
.
101.139
104.458
109.373
113.273
116.190
115.784
115.236
112.564
115.783
.
139

Jul
.
102.510
105.176
110.620
113.823
116.190
115.954
115.170
111.807
116.891
.
Nov
Dic
101.327
102.727
105.986
111.976
114.322
115.462
116.330
114.359
112.336
118.042
.
100.829
102.919
106.358
112.620
114.577
115.118
116.583
113.735
112.886
118.680
.
, se eligi una media mvil de
Ago
.
101.793
104.568
109.753
113.379
116.387
115.845
115.197
112.240
116.130
.
Oct
101.743
102.619
105.595
111.245
114.082
115.852
116.098
114.874
111.956
117.414
.
Sep
.
102.277
104.811
110.132
113.577
116.378
115.893
115.241
111.920
116.484
.
.
102.510
105.176
110.620
113.823
116.190
115.954
115.170
111.807
116.891
.
Oct
.
102.619
105.595
111.245
114.082
115.852
116.098
114.874
111.956
.
.
Nov
.
102.727
105.986
111.976
114.322
115.462
116.330
114.359
112.336
.
.
Tabla 4.102: D7a: Tendencia-ciclo (media mvil de Henderson sobre 13 trminos).
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
.
99.659
99.737
100.258
99.697
100.689
99.926
99.115
101.029
.
Feb
.
.
100.295
99.781
100.272
99.466
100.043
100.375
99.871
99.919
.
Mar
.
.
100.402
99.771
99.800
100.380
99.553
100.031
100.673
99.300
.
Abr
.
100.633
99.987
99.816
100.027
99.855
100.497
100.231
99.684
99.939
.
May
.
99.562
100.372
100.986
98.903
100.626
99.301
100.028
100.153
100.102
.
Jun
.
100.433
99.383
100.102
101.228
98.894
100.767
99.209
100.062
100.147
.
Jul
.
100.254
100.430
99.286
100.005
100.294
100.135
99.503
100.195
100.367
.
Ago
.
100.183
99.323
100.005
99.406
100.740
99.943
100.265
100.426
99.893
.
Sep
.
99.568
100.354
100.298
99.985
99.702
99.567
100.658
99.660
100.313
.
Tabla 4.103: D7b: Componente irregular.
Oct
.
100.676
99.598
100.015
99.713
100.425
99.693
100.520
99.286
.
.
Nov
.
100.018
100.678
98.847
100.652
99.978
100.358
99.825
99.521
.
.
Dic
.
99.280
100.099
100.914
100.271
98.865
99.972
100.008
100.413
.
.
Dic
.
102.919
106.358
112.620
114.577
115.118
116.583
113.735
112.886
.
.
140
Ao Ene
Feb
Mar
Abr May
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
.
0.367
0.456
0.221
0.156
0.033
0.066
0.298
0.491
.
.
.
0.343
0.492
0.083
0.186
0.175
0.285
0.095
0.414
.
.
.
0.265
0.518
0.019
0.249
0.231
0.401
0.014
0.382
.
.
.
0.299
0.386
0.387
0.218
0.170
0.146
0.484
0.525
.
.
0.524
0.149
0.513
0.069
0.291
0.199
0.351
0.017
0.388
.
Jun
.
0.688
0.064
0.437
0.023
0.299
0.110
0.201
0.154
0.340
.
Jul Ago
.
0.646
0.105
0.347
0.093
0.169
0.053
0.034
0.288
0.299
.
.
0.476
0.232
0.345
0.175
0.008
0.041
0.038
0.285
0.305
.
Sep
Oct
Nov
Dic
Total
.
0.227
0.348
0.443
0.217
0.161
0.053
0.062
0.100
0.350
.
.
0.106
0.399
0.566
0.227
0.291
0.124
0.257
0.133
.
.
.
0.106
0.370
0.657
0.210
0.337
0.199
0.449
0.339
.
.
.
0.187
0.350
0.575
0.224
0.298
0.217
0.545
0.489
.
.
.
2.961
3.291
5.735
1.948
2.664
1.606
2.835
2.697
3.494
.
Tabla 4.104: D7c: Tasas de crecimiento de la tendencia-ciclo (en valor absoluto y en %).
Ao Ene
Feb
Mar
Abr May
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
.
0.638
0.044
0.014
0.232
0.641
0.450
0.762
1.099
.
.
.
0.107
0.010
0.471
0.920
0.490
0.343
0.804
0.619
.
.
.
0.414
0.045
0.227
0.523
0.948
0.200
0.983
0.643
.
.
.
0.382
0.362
0.650
0.573
1.845
0.047
0.893
0.613
.
.
1.065
0.385
1.173
1.124
0.772
1.190
0.203
0.471
0.164
.
Jun
.
0.875
0.985
0.876
2.351
1.721
1.476
0.819
0.091
0.044
.
Jul Ago
.
0.178
1.053
0.815
1.208
1.416
0.628
0.297
0.133
0.220
.
.
0.071
1.102
0.724
0.599
0.445
0.191
0.766
0.230
0.473
.
Sep
Oct
Nov
Dic
Total
.
0.615
1.038
0.293
0.582
1.031
0.377
0.392
0.762
0.420
.
.
1.113
0.754
0.283
0.272
0.725
0.127
0.137
0.375
.
.
.
0.653
1.085
1.168
0.942
0.445
0.668
0.692
0.236
.
.
.
0.739
0.575
2.092
0.378
1.113
0.385
0.184
0.896
.
.
.
5.308
8.518
7.884
8.817
9.916
8.965
4.527
6.637
4.295
.
Tabla 4.105: D7d: Tasas de crecimiento de lo irregular (en valor absoluto y en %).
141
4.3.7 Tabla D8: Estimacin de la componente estacional-irregular sin modificaciones

La componente tendencia-ciclo es retirada de la serie analizada de la tabla C19 o
de la Tabla B1 si no se eligi la opcin de correccin para das hbiles para obtener
una estimacin de la componente estacional irregular. Se obtienen los valores atpicos

presentes en esta serie, mediante:
op .
Se editan varios tests, paramtricos y no paramtricos, para evaluar la presencia
de estacionalidad. Los resultados de esos tests figuran tambin en la Tabla F2I (cf.
Tabla 4.161, pg. 185).

1. Para decidir entre las dos hiptesis siguientes, se proponen dos tests, uno paramtrico y el otro no paramtrico:

$
para al menos un par

en donde

son los coeficientes estacionales estables para los 12

meses, o los 4 trimestres.
El primero, llamado test de estacionalidad estable, es un test paramtrico

que se funda en un modelo de anlisis de la varianza con un factor, el
cual es estrictamente igual al que es editado despus de la Tabla B1 (cf.
Seccin 4.1.3).
$
El segundo es un test no paramtrico de Kruskal-Wallis: se admite

que los

datos de la Tabla D8 provienen de muestras independientes

(
si la serie es trimestral o
si la serie es mensual) de tamao
respectivamente.
El test se apoya en la estadstica siguiente:

$

$

en donde
es la suma de los rangos de las observaciones de la muestra

, en la serie de las
observaciones. Si se admite la hipte

sis nula, esta cantidad sigue una Ley del Chi-cuadrado, con
grados
de libertad.
2. Se hace luego un test de estacionalidad evolutiva que se funda en un modelo

de anlisis de la varianza con dos factores (el mes o el trimestre y el ao). Este
test fue propuesto por H IGGINSON [33].
El test se apoya en la modelizacin de los valores de la componente irregular de
la Tabla D8 (cf. Tabla 4.106, pg. 142), nicamente para los aos completos:
+
xbar
+

142
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
Feb
.
104.521
97.516
103.455
104.396
104.061
104.983
104.051
103.027
105.054
104.183
.
99.685
100.498
99.770
99.909
98.694
98.997
99.253
101.119
98.649
98.034
Mar
Abr
.
106.791
108.713
107.760
104.265
107.446
106.246
106.694
107.388
105.960
106.726
.
108.408
101.265
101.147
104.116
101.443
102.300
102.066
99.842
101.774
.
May
.
97.421
98.245
98.729
96.233
97.643
96.361
97.525
98.106
98.899
.
Jun
.
103.481
102.534
103.358
104.695
101.905
103.730
101.869
102.914
102.998
.
Jul
Ago
.
95.838
95.762
94.567
95.472
96.160
98.207
95.721
96.468
96.705
.
.
65.882
67.188
68.091
68.405
70.407
70.524
71.158
71.287
72.340
.
Sep
Oct
.
101.491
102.243
102.126
101.709
101.507
101.314
102.476
101.196
101.708
.
Nov
111.272
112.247
110.885
108.636
111.178
112.424
111.589
112.478
110.845
110.349
.
Dic
109.850
108.498
109.223
107.165
109.316
108.516
108.754
107.757
107.140
107.022
.
99.878
100.090
101.200
102.012
100.880
98.660
99.434
97.905
100.034
101.276
.
Tabla 4.106: D8: Valores finales de la componente estacional-irregular sin modificaciones.

siendo:

;
designa el efecto del ao , siendo

designa el efecto del mes o del trimestre
el nmero de aos
completos;

representa el efecto residual, realizacin de leyes independientes, de

media nula y de distribuciones idnticas.
$ $
$ $ , siendo:
$ es la suma total de cuadrados: $

$ con

;

$
$
$

es la suma de cuadrados inter-meses:

;
con
$

$
$
es la suma de cuadrados inter-aos:

;
con
$
de cuadrados:
$ es la suma
$

residual

.

El test se funda en la descomposicin

#$
Con la siguiente estadstica se puede someter a prueba la hiptesis nula

, es decir la hiptesis que la estacionalidad evoluciona en
el transcurso de los aos:

la cual admitiendo
grados de libertad.
$

$

sigue una Ley de Fisher con

y

3. Por ltimo, se completa esa batera con el test llamado de presencia de estacionalidad identificable, que se construye con los valores de la estadstica de

Fisher del test paramtrico de estacionalidad estable (estadstica
) y del test

de estacionalidad evolutiva (estadstica ) presentado en el prrafo anterior.
Ese test fue elaborado por L OTHIAN y M ORRY [48], a partir de consideraciones
tericas y prcticas.

" $

$

El valor de la estadstica de prueba
143
es el siguiente:
; siendo

$

No se hace aqu la presentacin detallada de los clculos complejos que llevan

a los valores de las diferentes estadsticas de prueba. En cambio, se explcita el test
combinado:

1. La estadstica
(cf. Tabla 4.107, pg. 144) es lo suficientemente grande como
para que se rechace la hiptesis de igualdad de los coeficientes estacionales.
2. La estadstica (cf. Tabla 4.108, pg. 144) muestra que la serie no comporta

ninguna componente estacional evolutiva. El test acepta la hiptesis .

3. Se obtiene:
;y

, es decir que las dos estadsticas son menores que 1.

$
4. El test no paramtrico de Kruskal-Wallis (cf. Tabla 4.109, pg. 144) confirma la

existencia de una estacionalidad.
El test combinado resuelve entonces la cuestin de la presencia de una estacionalidad identificable.
La versin final del test combinado se interpreta tal como est indicado en el diagrama de la Figura 4.14 (cf. pg. 145).
Ejemplo
El valor del mes de abril de 1986 se obtiene simplemente:

#

En la Figura 4.16 de la Seccin 4.3.10 (cf. pg. 156), se presentan con tringulos
llenos los valores de la componente estacional irregular sin modificaciones.
4.3.8 Tabla D9: Valores de remplazo para los puntos atpicos
de la componente estacional-irregular.
La Tabla D8 contiene una estimacin de la componente estacional-irregular sin modificaciones, que incluye los valores atpicos, puesto que es extrada de la serie de la
Tabla C19 corregida de los efectos de das hbiles (o bien de la serie de la T B1 si no
se solicit ninguna correccin), de la cual se retir la componente tendencia-ciclo de
la Tabla D7.
La serie D1 que es la serie bruta D1 corregida de los valores atpicos y de los
efectos de das hbiles puede aportar otra estimacin de la componente estacional
irregular, siempre por extraccin de la componente tendencia-ciclo de la Tabla D7.
La comparacin de esas dos estimaciones de la componente estacional irregular (corregida o no de los valores atpicos) nos permite localizar los valores de remplazo que
sern utilizados para los puntos considerados atpicos. Esos valores son editados en la
Tabla D9 (cf. Tabla 4.110, pg. 144).

Se comparan entonces la series:
op y
op .
144

Entre los meses
Residuo
Total
11264.919
209.670
11474.589
11
102
113
1024.084
2.056
PROB F
498.194
0.000
Tabla 4.107: Test de la presencia de una estacionalidad estable.

Entre los aos
Residuo
20.628
131.614
8
88
2.578
1.496
PROB F
1.724
0.104
Tabla 4.108: Test de la presencia de una estacionalidad evolutiva.
Estadstica W de Kruskal-Wallis g.d.l. PROB W

104.780
11
0.000
Tabla 4.109: Test no paramtrico de la presencia de una estacionalidad estable.
Ao
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago Sep
1985
.
.
.
.
.
.
.
.
1986
.
.
. 101.783
.
.
. 67.756
1987 103.098
.
.
.
.
.
.
.
1988
.
.
.
.
.
.
.
.
1989
.
. 107.322 101.542
. 104.604
.
.
1990
.
.
.
.
.
.
.
.
1991
.
.
.
.
.
. 96.261
.
1992
.
.
.
.
.
.
.
.
1993
. 98.634
. 101.549
.
.
.
.
1994
.
.
.
. 98.359
.
. 70.878
1995
.
.
.
.
.
.
.
.
Oct Nov
.
.
.
.
.
.
. 111.390
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Dic
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 99.453
.
.
.
.
.
.
Tabla 4.110: D9: Valores finales de remplazo de los valores atpicos de la componente
estacional-irregular.
Test de presencia de una

estacionalidad estable, con un umbral de
Rechazo
145
Aceptacin (presencia de estacionalidad)
Test de presencia de una

estacionalidad evolutiva, con un umbral de
Rechazo

Rechazo si
Rechazo

Aceptacin

Rechazo si
Aceptacin
o bien
Rechazo
No hay estacionalidad
identificable
Rechazo
Probablemente no hay
estacionalidad identificable
Aceptacin
Test no paramtrico
de Kruskal-Wallis, con un umbral de
Aceptacin
estacionalidad
identificable
Figura 4.14: Test para la presencia de estacionalidad identificable
146
Ejemplo
Se extrae de la serie D1 la estimacin de la tendencia de la Tabla D7, para obtener la
Tabla D9bis.

#

.
Por ejemplo:

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
104.521
103.098
103.455
104.396
104.061
104.983
104.051
103.027
105.054
104.183
Feb
.
99.685
100.498
99.770
99.909
98.694
98.997
99.253
98.634
98.649
98.034
Mar
.
106.791
108.713
107.760
107.322
107.446
106.246
106.694
107.388
105.960
106.726
Abr
.
101.783
101.265
101.147
101.542
101.443
102.300
102.066
101.549
101.774
.

May
.
97.421
98.245
98.729
96.233
97.643
96.361
97.525
98.106
98.359
.
Jun
.
103.481
102.534
103.358
104.604
101.905
103.730
101.869
102.914
102.998
.
Jul
Ago
.
95.838
95.762
94.567
95.472
96.160
96.261
95.721
96.468
96.705
.
.
67.756
67.188
68.091
68.405
70.407
70.524
71.158
71.287
70.878
.
Sep
.
101.491
102.243
102.126
101.709
101.507
101.314
102.476
101.196
101.708
.
Oct
111.272
112.247
110.885
111.390
111.178
112.424
111.589
112.478
110.845
110.349
.
Nov
109.850
108.498
109.223
107.165
109.316
108.516
108.754
107.757
107.140
107.022
.
Dic
99.878
100.090
101.200
102.012
100.880
98.660
99.434
99.453
100.034
101.276
.
Tabla 4.111: D9bis: Componente estacional-irregular modificada final.

Esta tabla es comparada a la Tabla D8. Los valores que no coinciden corresponden
a los valores de remplazo de los puntos considerados atpicos. Esos valores son editados en la Tabla D9. En la Figura 4.16 de la Seccin 4.3.10 (cf. pg. 156), se representan
esos valores de remplazo con tringulos vacos.
4.3.9 Tabla D9A: Clculo de las razones de estacionalidad mvil (RSM)

Con la Tabla D9bis precedente que no es editada en las versiones actuales de los
paquetes se tratar de evaluar, para cada mes, la importancia de la componente
irregular con respecto a la componente estacional. Tendremos que alisar esa componente para estimar la componente estacional, segn la importancia de lo irregular en
la componente estacional irregular, mediante medias mviles ms o menos largas. Encontramos ya esta idea a propsito de la extraccin de la tendencia-ciclo, en donde la
serva para elegir la longitud de la media mvil de Henderson.
razn
La estimacin de las razones de estacionalidad mvil (RSM) se hace en dos etapas.

Etapa 1: estimacin de la componente irregular y de la componente estacional.

Se obtiene una estimacin de la componente estacional alisando la Tabla D9bis,
mes por mes (o sea columna por columna), con una media mvil simple sobre 7 trmi . Para no perder 3 puntos al inicio y al
nos, es decir de coeficientes
fin de cada columna, se completa de manera ficticia esos valores. Supongamos que la
.
columna que corresponde a un mes dado est compuesta de N valores
Esa columna ser transformada en una serie:
; siendo

y
.

Se obtienen as las estimaciones deseadas:
y
op .

$ $

$
$
$ $

Etapa 2: Clculo de las razones de estacionalidad mvil.

Para cada mes , nos interesamos a las medias de las evoluciones anuales de cada

componente, calculando:
147

(4.5)
+
$ + op

(4.6)
+
$ + op

en donde
designa el nmero de datos en el mes . La razn de estacionalidad mvil

#

. Esas razones son editados en la Tabla
del mes es definido con
D9A.

CS
FIS

$
6
7+
$ $ #$
$

$ $#

$ $$
$

$

y .
Tabla 4.112: Valores de las constantes
Comentarios
Esas razones sirven para evaluar la parte de ruido contenido en la componente estacional-irregular. La idea es disponer de un indicador para cada mes,
que permita elegir la media mvil apropiada para extraer el ruido y obtener una
buena estimacin del coeficiente estacional. Cuanto ms elevada sea la razn,
ms catica ser la serie y mayor tendr que ser el orden de la media mvil que
habr que emplear. El programa elige, por defecto, la misma media mvil para
alisar cada serie mensual. Pero se dispone de la posibilidad de seleccionar una
media mvil para cada mes.

El clculo de los RSM no es tan simple. Se incluye una correccin para cada
y . Esas cantidades son multiplicadas, respectimes en el clculo de los

vamente, por los parmetros
y
, cuyos valores dependen del nmero
de aos disponibles para cada mes. El clculo terico y la justificacin de estas
constantes son presentados en L OTHIAN [47]. En la Tabla 4.112 se presentan los
valores de esas constantes, en funcin del nmero de aos

disponibles
en cada columna (
para la columna ).

Ejemplo
Se puede detallar, por ejemplo, el clculo para el mes de abril con la Tabla D9bis. La
componente estacional-irregular para ese mes figura en la Columna 1 de la Tabla 4.113.

La media de los 3 primeros aos es

.

La media de los 3 ltimos aos es

.

148
Ao Columna 1 Columna 2
MM7
101.398
101.398
101.398
101.783
101.265
101.147
101.542
101.443
102.300
102.066
101.549
101.774
101.796
101.796
101.796
.
101.419
101.425
101.554
101.650
101.616
101.689
101.782
101.818
101.868
.
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
101.783
101.265
101.147
101.542
101.443
102.300
102.066
101.549
101.774
.
Tabla 4.113: RSM: Componente estacional-irregular y coeficientes estacionales del mes de

abril.
La serie a tratar es la serie de la Columna 2 de la Tabla 4.113. Alisndola con una

media mvil de orden 7, se obtiene para el mes de abril del ao 1986:

#

Esos clculos llevan a la estimacin de los coeficientes estacionales de la Tabla D9A1.

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
103.792
103.845
104.029
104.081
103.867
104.147
104.251
104.207
104.210
104.083
Feb
Mar
.
99.974
99.789
99.648
99.544
99.394
99.130
98.882
98.672
98.635
98.555
.
107.693
107.649
107.433
107.282
107.367
106.974
106.826
106.736
106.628
106.692
Abr
.
101.419
101.425
101.554
101.650
101.616
101.689
101.782
101.818
101.868
.
May
Jun
.
97.861
97.791
97.538
97.451
97.549
97.565
97.461
97.713
97.763
.
.
103.335
103.161
103.248
103.068
102.988
103.054
102.945
102.658
102.756
.
Jul
Ago
.
95.401
95.511
95.636
95.683
95.773
95.908
96.155
96.273
96.293
.
.
67.782
68.172
68.579
69.076
69.580
70.107
70.538
70.924
71.024
.
Sep
.
101.919
101.855
101.763
101.838
101.796
101.719
101.672
101.684
101.724
.
Oct
111.457
111.415
111.552
111.569
111.742
111.541
111.465
111.441
111.448
111.276
.
Nov
108.901
108.919
108.823
108.760
108.461
108.267
107.953
107.973
107.686
107.513
.
Dic
100.621
100.691
100.444
100.308
100.247
100.239
100.250
99.999
99.909
100.137
.
Tabla 4.114: D9A1: Coeficientes estacionales.

Retirando de la Tabla D9bis la estimacin de la Tabla D9A1, se obtiene la estimacin de la componente irregular de la Tabla D9A2 (cf. Tabla 4.115, pg. 149). Por
ejemplo:

#

Luego se calculan, columna por columna, las variaciones anuales medias de lo irregular y de la componente estacional, segn las frmulas (4.5) y (4.6) que corresponden al esquema multiplicativo. Los crecimientos absolutos anuales (en porcentajes)
de las componentes estacional e irregular figuran en la Tabla D9A3 (cf. Tabla 4.116,
pg. 149) y en la Tabla D9A4 (cf. Tabla 4.117, pg. 150), respectivamente.
Por ejemplo, en la Tabla D9A3, el valor para el mes de abril de 1988 es el siguiente:

+ +

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
Feb
.
100.703
99.281
99.448
100.303
100.187
100.803
99.808
98.868
100.809
100.097
Mar
.
99.711
100.711
100.122
100.367
99.296
99.867
100.375
99.962
100.014
99.471
Abr
.
99.162
100.989
100.304
100.038
100.073
99.320
99.877
100.611
99.374
100.032
.
100.359
99.842
99.599
99.895
99.830
100.601
100.279
99.736
99.907
.
May
.
99.551
100.465
101.221
98.750
100.097
98.765
100.066
100.403
100.610
.
Jun
.
100.141
99.391
100.106
101.490
98.949
100.656
98.955
100.250
100.236
.
Jul
149
Ago
.
100.458
100.263
98.883
99.779
100.404
100.369
99.549
100.202
100.428
.
.
99.961
98.557
99.289
99.029
101.189
100.594
100.879
100.511
99.794
.
Sep
Oct
.
99.581
100.381
100.357
99.873
99.717
99.601
100.791
99.520
99.983
.
99.834
100.746
99.402
99.840
99.496
100.792
100.111
100.931
99.459
99.167
.
Nov
100.871
99.614
100.368
98.534
100.788
100.230
100.742
99.800
99.493
99.543
.
Dic
99.261
99.403
100.753
101.699
100.631
98.425
99.186
99.455
100.125
101.137
.
Tabla 4.115: D9A2: Irregular.

En la Tabla D9A4, el valor para el mes de abril de 1988 es el siguiente:

#

+ +

Para calcular la razn de estacionalidad mvil del mes de abril, por ejemplo, con
8 aos de observaciones, se obtiene:

Ao
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
.
0.0509
0.1776
0.0493
0.2051
0.2689
0.0999
0.0422
0.0037
0.1226
.
.
0.1844
0.1413
0.1049
0.1508
0.2658
0.2502
0.2124
0.0369
0.0809
.
.
0.0410
0.2002
0.1410
0.0795
0.3663
0.1381
0.0844
0.1010
0.0596
.
.
0.0063
0.1270
0.0939
0.0329
0.0715
0.0912
0.0356
0.0495
.
.
.
0.0713
0.2588
0.0889
0.1004
0.0167
0.1072
0.2585
0.0517
.
.
.
0.1685
0.0839
0.1737
0.0785
0.0645
0.1059
0.2789
0.0959
.
.
.
0.1155
0.1305
0.0496
0.0941
0.1407
0.2577
0.1227
0.0204
.
.
.
0.5752
0.5963
0.7249
0.7302
0.7575
0.6148
0.5473
0.1411
.
.
.
0.0625
0.0898
0.0733
0.0415
0.0751
0.0468
0.0119
0.0401
.
.
0.0371
0.1226
0.0155
0.1544
0.1792
0.0686
0.0213
0.0059
0.1538
.
.
0.0165
0.0884
0.0572
0.2748
0.1790
0.2904
0.0186
0.2659
0.1605
.
.
0.0696
0.2454
0.1360
0.0604
0.0081
0.0108
0.2505
0.0893
0.2280
.
Tabla 4.116: D9A3: Tasas de crecimientos absolutos anuales de los coeficientes estacionales
(en porcentaje).

150
Ao
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
.
1.4115
0.1679
0.8598
0.1157
0.6148
0.9865
0.9421
1.9633
0.7066
.
.
1.0026
0.5841
0.2446
1.0674
0.5749
0.5093
0.4118
0.0523
0.5430
.
.
1.8419
0.6776
0.2659
0.0357
0.7530
0.5606
0.7348
1.2294
0.6625
.
.
0.5154
0.2434
0.2969
0.0648
0.7724
0.3196
0.5417
0.1714
.
.
.
0.9177
0.7531
2.4415
1.3638
1.3301
1.3171
0.3364
0.2061
.
.
.
0.7482
0.7193
1.3817
2.5036
1.7250
1.6898
1.3088
0.0140
.
.
.
0.1942
1.3761
0.9062
0.6266
0.0354
0.8170
0.6563
0.2256
.
.
.
1.4050
0.7425
0.2614
2.1809
0.5876
0.2832
0.3646
0.7141
.
.
.
0.8034
0.0241
0.4821
0.1564
0.1158
1.1944
1.2607
0.4654
.
.
0.9131
1.3343
0.4405
0.3446
1.3025
0.6751
0.8188
1.4584
0.2936
.
.
1.2463
0.7568
1.8274
2.2876
0.5536
0.5114
0.9352
0.3080
0.0508
.
.
0.1430
1.3578
0.9392
1.0502
2.1928
0.7735
0.2711
0.6735
1.0115
.
Tabla 4.117: D9A4: Tasas de crecimientos absolutos anuales de lo irregular (en %).
con lo cual se obtiene, por ltimo:
#

Los resultados de esos clculos figuran en la Tabla D9A.

Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
I
0.865 0.556 0.753 0.367 1.086 1.264 0.606 0.819 0.564 0.844 0.944 0.937
S
0.129 0.181 0.153 0.074 0.138 0.152 0.135 0.679 0.064 0.096 0.171 0.139
RSM 6.697 3.075 4.911 4.979 7.858 8.310 4.491 1.206 8.826 8.790 5.518 6.739
Tabla 4.118: D9A: Variaciones anuales de la componente irregular y de la componente estacional y relaciones de estacionalidad mvil.
4.3.10 Tabla D10: Estimacin finale de los coeficientes estacionales.
Esta estimacin final se hace en cuatro etapas.
Etapa 1: Clculo de la razn de estacionalidad mvil global.
Para calcular una razn de estacionalidad mvil global, el programa emplea el
conjunto de datos disponibles, hasta el ltimo ao completo, evitando as de tener que
cambiar de filtro en el transcurso de un ao dado. Calcula, para cada mes, los valores medios de las evoluciones de las componentes estacional e irregular, siguiendo
el mtodo expuesto precedentemente en la Tabla D9A. La razn global es deducida
ponderando esas cantidades con el nmero de meses de cada tipo:
#

Etapa 2: eleccin de una media mvil y estimacin de la componente estacional.

El programa selecciona automticamente, segn el valor de la razn, la media
mvil que ser aplicada -columna por columna (mes por mes) a la componente
estacional-irregular de la Tabla D8, modificada para los puntos atpicos con los valores
de la Tabla D9.
En X-11-A RIMA, la eleccin de la media mvil se apoya en la siguiente estrategia
(cf. Figura 4.15, pg. 151):
151
#

Si la razn de estacionalidad mvil global se ubica en la zona A (

),

se utiliza una media mvil
; si la razn se sita en la zona C

#

, se utiliza una media mvil
; si se ubica en la zona E
#

, se emplea una media mvil
.

Si la razn RSM se sita en la zona B o en D, se retira un ao de observaciones

y se calcula nuevamente el RSM. Si vuelve a situarse en las zonas B o D, se
rehace el procedimiento. Se prosigue de esa manera hasta retirar como mximo
5 aos de observaciones. Si no se obtiene lo deseado, es decir que la razn se

sita an en las zonas B o D, se elige una media mvil
.

Segn el caso, la media mvil simtrica que es elegida es de

o
trminos y no permite estimar los valores de los coeficientes estacionales de los 2 (o de los 3; o de los 5) primeros aos y de los 2 (o de los 3; o de los
5) ltimos aos. Estos valores son calculados con medias mviles asimtricas ad hoc.
Se obtiene entonces una serie de coeficientes provisorios fspro.

RSM global
D
?
B
?
(3 x 3)
(3 x 5)
2.5

3.5
5.5
6.5
Figura 4.15: Criterios de seleccin de la media mvil estacional.

Etapa 3: normalizacin de los coeficientes estacionales.
Se normalizan esos coeficientes estacionales provisorios con una media mvil centrada sobre 12 trminos.
Etapa 4: Previsin de los coeficientes estacionales.
Se calcula una previsin, sobre un ao, de los coeficientes estacionales mediante la
simple proyeccin lineal de los dos ltimos coeficientes estacionales de un mes dado.
Si
es el ltimo ao disponible, para un mes dado, se obtiene:

Esas previsiones se editan en la tabla D10A (cf. Tabla 4.122, pg. 154).
Comentarios
Cuando no se dispone de bastantes aos de observaciones se presenta un problema en la aplicacin de esas medias mviles asimtricas. Supongamos que, para

un mes dado, se tienen slo 5 aos de observaciones para una media mvil
.
El punto central no puede ser estimado puesto que no se dispone de 3 puntos
152

futuros ni de 3 puntos pasados, lo cual sera necesario para poder emplear una
media mvil asimtrica. En ese caso, el punto ser estimado con la media mvil
simple de las 5 observaciones disponibles. Cada vez que se encuentra un pro

blema de estimacin de ese tipo por ejemplo con una
y menos de 11
aos de observaciones los valores de los puntos centrales se estiman con la
media simple de las observaciones disponibles.
El procedimiento descrito en el prrafo anterior es utilizado por defecto. Pero el
utilizador puede seleccionar la media mvil que ser empleada para cada mes.
En ese caso, X-11-A RIMA permite elegir entre una media mvil simple sobre

3 trminos, una
, una
, una
y una estacionalidad estable (una

media simple). X-12-A RIMA propone, adems, una
.
Ejemplo
La Tabla D10msr es anloga a la Tabla D9A que fue calculada con los datos disponibles
hasta diciembre de 1994 (ltimo ao completo disponible).
Ene
Feb Mar
Abr
May Jun
Jul Ago
Sep
Oct Nov
Dic
I
0.883 0.544 0.765 0.367 1.086 1.264 0.606 0.819 0.564 0.844 0.944 0.937
S
0.128 0.168 0.168 0.074 0.138 0.152 0.135 0.679 0.064 0.096 0.171 0.139
RSM 6.894 3.248 4.549 4.979 7.858 8.310 4.491 1.206 8.826 8.790 5.518 6.739
Tabla 4.119: D10msr: Variaciones anuales de la componente irregular y de la componente

estacional, relaciones de estacionalidad mvil.
Se puede constatar que slo fueron modificados los valores de los 3 primeros
meses, es decir aquellos cuyos valores fueron excluidos. Se deduce fcilmente la razn
global:

#

La razn de estacionalidad mvil global calculado es igual a
. Se ubica en

la zona C por lo que se elige una media mvil
(cf. Tabla 3.14, pg. 50) para alisar
la componente estacional-irregular corregida de la Tabla D9bis (cf. Seccin 4.3.8) y
obtener as la Tabla D10bis (cf. Tabla 4.120, pg. 153).
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
103.797
103.845
103.924
104.031
104.097
104.176
104.199
104.191
104.141
104.082
Feb
Mar
.
99.973
99.885
99.750
99.537
99.332
99.089
98.886
98.734
98.626
98.561
.
107.690
107.655
107.584
107.399
107.204
106.953
106.790
106.681
106.662
106.692
Abr
May
.
101.420
101.428
101.470
101.558
101.673
101.769
101.843
101.865
101.872
.
Jun
.
97.847
97.751
97.585
97.465
97.305
97.357
97.453
97.673
97.751
.
.
103.346
103.314
103.299
103.165
103.108
102.927
102.855
102.756
102.764
.
Jul
Ago
.
95.401
95.456
95.538
95.614
95.766
95.972
96.189
96.282
96.292
.
.
67.787
67.994
68.384
69.003
69.666
70.308
70.723
70.954
71.020
.
153
Sep
.
101.917
101.879
101.829
101.807
101.749
101.702
101.651
101.686
101.721
.
Oct
111.456
111.434
111.489
111.504
111.643
111.669
111.684
111.518
111.371
111.279
.
Nov
108.887
108.827
108.679
108.650
108.480
108.398
108.145
107.934
107.652
107.524
.
Dic
100.633
100.720
100.725
100.606
100.364
100.072
99.850
99.838
99.998
100.131
.
Tabla 4.120: D10bis: Coeficientes estacionales provisorios.

El factor estacional del mes de abril de 1989 ser estimado as:

#
Para el inicio de la serie (aos 1986 hasta 1988) y para el fin de la serie (aos 1992
hasta 1994), se emplean las medias asimtricas predefinidas. Por ejemplo:

#

(un punto pasado, el punto actual y tres puntos futuros).

Esos coeficientes son ahora normalizados, aplicando una media mvil centrada de
orden 12, lo que lleva a la Tabla D10ter (cf. Tabla 4.121, pg. 154).
Se obtiene, por ejemplo:

#

Se debe corregir la Tabla D10bis con la Tabla D10ter, para obtener la estimacin
final de los coeficientes
de la Tabla D10 (cf. Tabla 4.122, pg. 154).

# estacionales

Por ejemplo:
.
Los coeficientes estacionales finales de cada mes estn representados en la Figura 4.16 (cf. pg. 156) con un trazo continuo pasando por el medio de los valores mensuales de la componente estacional-irregular. En esa figura, los valores atpicos de la
componente estacional-irregular estn representados con tringulos vacos. La componente estacional final est representada en la Figura 4.3 (cf. pg. 57).

154
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
100.012
99.999
99.990
99.975
99.976
99.974
99.983
99.983
99.980
99.973
Feb
.
100.012
100.010
100.009
100.004
100.009
100.010
100.009
99.997
99.984
99.973
Mar
.
100.012
100.017
100.023
100.029
100.035
100.035
100.025
100.008
99.988
99.973
Abr
.
100.012
100.018
100.022
100.034
100.033
100.033
100.016
100.003
99.985
.
May
.
100.009
100.014
100.021
100.033
100.031
100.023
100.000
99.985
99.976
.
Jun
.
100.010
100.008
100.015
100.016
100.015
100.004
99.991
99.980
99.976
.
Jul
Ago
.
100.015
100.012
100.015
100.008
100.006
99.995
99.990
99.985
99.979
.
.
100.014
100.009
100.010
100.003
100.000
99.988
99.983
99.978
99.974
.
Sep
.
100.009
100.001
99.994
99.986
99.979
99.973
99.972
99.973
99.973
.
Oct
100.012
100.007
100.000
99.990
99.983
99.973
99.969
99.968
99.972
99.973
.
Nov
100.012
100.004
99.994
99.988
99.981
99.979
99.976
99.979
99.976
99.973
.
Dic
100.012
99.998
99.987
99.978
99.972
99.973
99.977
99.984
99.980
99.973
.
Tabla 4.121: D10ter: Media mvil centrada sobre 12 trminos.
Ao
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
1995
.
.
. 101.899 97.818 102.795 96.320 71.073 101.766 111.262 107.490 100.229
1996 104.085 98.561 106.743
.
.
.
.
.
.
.
.
.
Tabla 4.122: D10A: Previsin de los coeficientes estacionales sobre 12 meses.
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
103.785
103.846
103.935
104.057
104.122
104.202
104.217
104.208
104.161
104.111
Feb
Mar
.
99.961
99.874
99.741
99.532
99.323
99.080
98.876
98.737
98.642
98.588
.
107.677
107.636
107.558
107.368
107.167
106.916
106.764
106.672
106.675
106.721
Abr
.
101.408
101.410
101.448
101.524
101.639
101.735
101.827
101.862
101.887
.
May
.
97.839
97.738
97.564
97.433
97.275
97.334
97.454
97.688
97.775
.
Jun
.
103.336
103.306
103.283
103.149
103.092
102.923
102.865
102.776
102.789
.
Jul
Ago
.
95.387
95.445
95.524
95.606
95.760
95.976
96.199
96.297
96.312
.
.
67.778
67.987
68.377
69.001
69.666
70.317
70.735
70.969
71.038
.
Sep
.
101.908
101.878
101.836
101.821
101.770
101.730
101.679
101.714
101.749
.
Oct
111.443
111.426
111.490
111.516
111.663
111.700
111.719
111.554
111.402
111.309
.
Nov
Tabla 4.123: D10: Coeficientes estacionales finales (Se eligi una media mvil
).
es igual a
Dic
108.874
108.823
108.686
108.662
108.501
108.421
108.171
107.957
107.678
107.553
.

100.621
100.721
100.739
100.628
100.393
100.099
99.873
99.854
100.018
100.158
.
, la razn I/S
155
Por ltimo, se puede prever por ejemplo el factor estacional del mes de abril
de 1995 de la siguiente manera:

#
# # #

Lo que conduce a la tabla D10A (cf. Tabla 4.122, pg. 154).

4.3.11 Tabla D11: Serie final corregida de variaciones estacionales y de los efectos de das hbiles
Se corrige la serie original (o bien la serie de la Tabla C19, si se seleccion la opcin
de correccin de das hbiles) de los coeficientes estacionales de la Tabla D10, para
obtener la serie desestacionalizada final (Tabla D11, cf. Tabla 4.124, pg. 157):

op
.
Se hace un test F de Fisher, idntico a los utilizados para las Tablas B3 y D8,
para verificar que no exista una estacionalidad residual en la serie D11. Para ello, en
primer lugar se extrae la tendencia por diferenciacin: para una serie trimestral se

emplean las diferencias primeras (
); para una serie mensual se utilizan las

diferencias terceras (
). El test se hace sobre la serie diferenciada completa,
pero tambin sobre los tres ltimos aos, o sea sobre las 36 ltimas observaciones de
una serie mensual y sobre las 12 ltimas observaciones de una serie trimestral.
Se edita nicamente las estadsticas de Fisher y el resultado del test para los niveles
de 1% y de 5%. Un mensaje previene aqu de la dificultad que existe para interpretar
ese test cuando la serie evoluciona fuertemente en los ltimos aos observados.

Ejemplo
El valor para el mes de abril de 1986 es el siguiente:

La serie desestacionalizada final est representada en la Figura 4.2 (cf. pg. 56) y la
serie original en la Figura 4.1 (cf. pg. 56).
La serie es entonces diferenciada sobre 3 meses, para extraer la tendencia antes de
efectuar el test de estacionalidad residual. Se obtiene as:

La serie as diferenciada figura en la Tabla D11dif (cf. Tabla 4.125, pg. 157). Se
editan entonces los resultados de los tests de Fisher (cf. Tabla 4.126, pg. 157).
156
1.04
1.08
1.00
0.98
0.985
0.980
0.975
0.970
0.965
1.08
1.06
1.04
1.02
1.00
0.985
0.980
0.975
0.970
0.965
1.04
0.98
0.97
0.72
0.96
0.68
0.95
0.66
1.024
1.020
1.016
1.012
1.12
1.09
1.02
1.11
0.70
1.08
1.10
1.09
1.07
1.07
1.06
1.05
1.03
1.02
1.02
1.01
1.00
0.99
0.98
Figura 4.16: Grficos mensuales de la componente estacional-irregular sin modificaciones de

la Tabla D8 (tringulos llenos), de los valores de remplazo de la Tabla D9 (tringulos vacos) y
de la componente estacional final de la Tabla (trazo continuo), desde enero (arriba, a la izquierda)
hasta diciembre (abajo, a la derecha). Ntese que la ordenada de los grficos tienen escalas diferentes.
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
Feb
.
101.034
96.935
106.275
113.423
114.759
115.783
116.566
111.902
114.450
119.326
.
99.620
104.252
107.287
113.734
114.279
114.864
117.119
115.569
114.044
119.019
Mar
Abr
.
98.909
105.001
107.985
110.122
115.521
114.439
116.267
113.496
113.741
120.007
.
106.822
104.088
108.020
116.272
115.285
116.068
116.147
110.520
114.818
.
May
.
100.020
104.934
110.198
111.904
116.283
114.501
115.553
113.221
116.718
.
Jun
.
101.281
103.677
109.453
114.971
114.852
116.692
114.120
112.715
116.020
.
Jul
157
Ago
.
102.274
104.916
108.654
113.220
116.874
118.537
114.624
112.439
116.603
.
Sep
.
99.415
103.579
109.671
112.595
117.617
116.234
115.931
112.420
118.619
.
.
102.091
105.552
110.936
113.697
115.890
115.479
116.072
111.238
116.844
.
Oct
101.587
103.374
105.022
108.373
113.586
116.603
115.963
115.827
111.397
116.402
.
Tabla 4.124: D11: Serie final corregida de variaciones estacionales (y
Nov
102.236
102.421
106.510
110.433
115.180
115.563
116.956
114.147
111.774
117.460
.
Dic
100.085
102.275
106.845
114.168
115.133
113.463
116.069
111.515
112.903
120.004
.
eventualmente de los
efectos de Pascua y de das hbiles).
Ao
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
-0.553
-6.440
1.253
5.050
1.173
-0.820
0.603
-3.925
3.054
2.924
.
-2.616
1.832
0.776
3.300
-0.901
-0.699
0.163
1.423
2.270
1.559
.
-1.176
2.726
1.140
-4.046
0.388
0.976
0.198
1.981
0.837
0.003
.
5.788
7.154
1.745
2.849
0.525
0.286
-0.419
-1.381
0.368
.
.
0.400
0.682
2.911
-1.830
2.004
-0.364
-1.566
-2.349
2.673
.
.
2.372
-1.324
1.467
4.849
-0.669
2.252
-2.147
-0.781
2.279
.
.
-4.548
0.827
0.634
-3.052
1.589
2.468
-1.523
1.919
1.785
.
.
-0.604
-1.355
-0.527
0.691
1.334
1.733
0.377
-0.800
1.901
.
.
0.810
1.875
1.483
-1.274
1.038
-1.212
1.951
-1.477
0.824
.
.
1.100
0.107
-0.281
0.366
-0.271
-2.574
1.202
-1.042
-0.201
.
.
3.005
2.931
0.763
2.585
-2.053
0.722
-1.784
-0.646
-1.159
.
.
0.184
1.293
3.233
1.436
-2.427
0.590
-4.556
1.665
3.160
.
Tabla 4.125: Serie desestacionalizada diferenciada (sobre 3 meses).
NO HAY ESTACIONALIDAD RESIDUAL DETECTADA EN LA SERIE F=0.52

COMPLETA, CON UN UMBRAL DE
NO HAY ESTACIONALIDAD RESIDUAL DETECTADA EN LOS 3 LTI- F=0.38
MOS AOS, CON UN UMBRAL DE
NO HAY ESTACIONALIDAD RESIDUAL DETECTADA EN LOS 3 LTIMOS AOS, CON UN UMBRAL DE
NOTA: LOS RESULTADOS DE ESE TEST SOBRE LOS 3 LTIMOS AOS

PUEDEN NO SER VLIDOS SI LA SERIE PRESENTA UNA FUERTE
EVOLUCIN.
Tabla 4.126: Test de la presencia de estacionalidad residual.
158
4.3.12 Tabla D11A: Serie desestacionalizada final con totales

anuales revisados
El utilizador puede demandar el ajuste de la serie desestacionalizada de la Tabla D11,
de manera tal que los totales anuales de la serie bruta (eventualmente ajustada a priori)
sean iguales a los totales anuales de la srie ajustada D11A. En ese caso, las diferencias anuales observadas entre D11 y A1 se las reparte sobre los valores de la serie
desestacionalizada, de manera que en las series D11 y D11A las evoluciones
mensuales (o trimestrales) sean lo ms semejantes posible.
Los detalles tericos del ajuste son tratados en C HOLETTE [11] o en C HOLETTE y
DAGUM [13].
Para simplificar, supongamos que nuestra serie original , la serie desestaciona puntos

lizada
y la serie ajustada sobre las sumas anuales , contienen

repartidos sobre aos completos de perodos (
meses o
trimestres).

La serie desconocida
debe evolucionar lo ms paralelamente posible de la serie
conocida , bajo la restriccin que sus sumas anuales sean iguales a las de la serie .
Si designa el operador diferencia primera21, el problema es minimizar la canti

dad

, con respecto a , respetando las restricciones:

, siendo
los valores desconocidos ajustados en el ao
y siendo
el total de las observaciones originales para el ao .
Se definen las siguientes matrices:

$
$

en donde es un vector 1, de tamao

.

El problema
es entonces minimizar
la cantidad

)

, con respecto a , respetando las siguientes restricciones:
.

Haciendo intervenir un vector de
multiplicadores de Lagrange, la solucin se
escribe as:

21

)

)


en donde
159

designa la matriz identidad de orden .

, no depende de
Como podemos
ver, la matriz , de tamao

los datos y , y se puede demostrar que la misma tiene siempre la forma:

en donde
es una matriz de tamao
Finalmente se obtiene:

#

En otros trminos, el coeficiente corrector aportado a la serie (es decir la serie

D11) es una media ponderada de las diferencias entre los totales anuales de la serie

(es decir la serie A1) y de la serie , sobre los aos.
Comentarios
El clculo anterior se hace algo complejo por el hecho que la inversa de la matriz
)
es indefinida. Se puede consultar en C HOLETTE y DAGUM [13] y
en B OURNAY y L AROQUE [7], una solucin, fundada en una regresin por los
mnimos cuadrados generalizados.
Como los coeficientes correctores dependen de todas las diferencias de totales
anuales observados, eso hace que cada nuevo ao de datos completos produzca
una revisin de toda la serie D11A. Lo que no es deseable. Por eso los pro
gramas X-11-A RIMA y X-12-A RIMA crean una matriz de pesos
que es
calculada para el caso de 5 aos de observaciones. Esa matriz es de tamao

, en el caso mensual y de tamao
, en el caso trimestral. Esta es
la matriz que se utiliza, cualquiera sea la longitud de la serie, para calcular la
serie ajustada D11A. En ese caso (cf. Tabla 4.127,pg. 160), el primer ao completo de datos es asociado a las 12 (para el caso mensual) primeras lneas de la

; el segundo ao es asociado a las 12 lneas siguientes. De la misma
matriz
manera, los dos ltimos aos son asociados a las 24 ltimas lneas de la matriz.
El resto de los aos, desde el tercero hasta el antepenltimo, son asociados a las

12 lneas centrales de la matriz
.

Si el ltimo ao est incompleto, las estimaciones de la tabla D11A para los

meses disponibles se hacen aplicndoles el ltimo factor correctivo calculado
(es decir el factor correctivo del mes de diciembre del ltimo ao completo).
160
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
0.10539496
0.10446930
0.10261797
0.09984099
0.09613833
0.09151002
0.08595605
0.07947641
0.07207110
0.06374014
0.05448351
0.04430122
-0.02790048
-0.02672983
-0.02438853
-0.02087658
-0.01619398
-0.01034074
-0.00331684
0.00487771
0.01424290
0.02477874
0.03648524
0.04936238
0.00737759
0.00706804
0.00644894
0.00552030
0.00428210
0.00273435
0.00087706
-0.00128979
-0.00376618
-0.00655213
-0.00964762
-0.01305266
-0.00191944
-0.00183890
-0.00167783
-0.00143622
-0.00111408
-0.00071140
-0.00022818
0.00033557
0.00097985
0.00170467
0.00251003
0.00339593
0.00038069
0.00036472
0.00033277
0.00028485
0.00022096
0.00014110
0.00004526
-0.00006655
-0.00019434
-0.00033810
-0.00049783
-0.00067353
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
0.03319327
0.02325596
0.01448931
0.00689330
0.00046795
-0.00478676
-0.00887082
-0.01178422
-0.01352698
-0.01409909
-0.01350055
-0.01173136
0.06341017
0.07505210
0.08428817
0.09111838
0.09554273
0.09756121
0.09717384
0.09438060
0.08918150
0.08157654
0.07156572
0.05914904
-0.01676725
-0.01892111
-0.01951423
-0.01854662
-0.01601827
-0.01192919
-0.00627938
0.00093117
0.00970246
0.02003448
0.03192723
0.04538072
0.00436236
0.00492273
0.00507704
0.00482530
0.00416749
0.00310363
0.00163371
-0.00024226
-0.00252430
-0.00521239
-0.00830655
-0.01180676
-0.00086521
-0.00097635
-0.00100696
-0.00095703
-0.00082656
-0.00061556
-0.00032402
0.00004805
0.00050066
0.00103380
0.00164748
0.00234170
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
-0.00879152
-0.00616123
-0.00384049
-0.00182930
-0.00012766
0.00126443
0.00234698
0.00311997
0.00358341
0.00373731
0.00358166
0.00311645
0.04432649
0.03106468
0.01936360
0.00922326
0.00064366
-0.00637522
-0.01183335
-0.01573076
-0.01806743
-0.01884336
-0.01805856
-0.01571303
0.06039494
0.07290679
0.08291627
0.09042338
0.09542812
0.09793049
0.09793049
0.09542812
0.09042338
0.08291627
0.07290679
0.06039494
-0.01571303
-0.01805856
-0.01884336
-0.01806743
-0.01573076
-0.01183335
-0.00637522
0.00064366
0.00922326
0.01936361
0.03106468
0.04432649
0.00311645
0.00358166
0.00373731
0.00358341
0.00311997
0.00234698
0.00126443
-0.00012766
-0.00182930
-0.00384049
-0.00616123
-0.00879152
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
0.00234170
0.00164748
0.00103380
0.00050066
0.00004805
-0.00032402
-0.00061556
-0.00082656
-0.00095703
-0.00100696
-0.00097635
-0.00086521
-0.01180676
-0.00830655
-0.00521239
-0.00252430
-0.00024226
0.00163371
0.00310363
0.00416749
0.00482530
0.00507704
0.00492273
0.00436236
0.04538072
0.03192723
0.02003448
0.00970246
0.00093117
-0.00627938
-0.01192919
-0.01601827
-0.01854662
-0.01951423
-0.01892111
-0.01676725
0.05914904
0.07156572
0.08157654
0.08918150
0.09438060
0.09717384
0.09756121
0.09554273
0.09111838
0.08428817
0.07505210
0.06341017
-0.01173136
-0.01350055
-0.01409909
-0.01352698
-0.01178422
-0.00887082
-0.00478676
0.00046795
0.00689330
0.01448931
0.02325596
0.03319327
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
-0.00067353
-0.00049783
-0.00033810
-0.00019434
-0.00006655
0.00004526
0.00014110
0.00022096
0.00028485
0.00033277
0.00036472
0.00038069
0.00339593
0.00251003
0.00170467
0.00097985
0.00033557
-0.00022818
-0.00071140
-0.00111408
-0.00143622
-0.00167783
-0.00183890
-0.00191944
-0.01305266
-0.00964762
-0.00655213
-0.00376618
-0.00128979
0.00087706
0.00273435
0.00428210
0.00552030
0.00644894
0.00706804
0.00737759
0.04936238
0.03648524
0.02477874
0.01424290
0.00487771
-0.00331684
-0.01034074
-0.01619398
-0.02087658
-0.02438853
-0.02672983
-0.02790048
0.04430122
0.05448351
0.06374014
0.07207110
0.07947641
0.08595605
0.09151002
0.09613833
0.09984099
0.10261797
0.10446930
0.10539496
Tabla 4.127: Matriz de pesos utilizada por X-11-A RIMA y X-12-A RIMA para la Tabla D11A,
caso mensual.
1
Q1
Q2
Q3
Q4
161
0.31010142 -0.07454766 0.01790831 -0.00424890 0.00078683

0.28606085 -0.04472860 0.01074499 -0.00254934 0.00047210
0.23797972 0.01490953 -0.00358166 0.00084978 -0.00015737
0.16585801 0.10436673 -0.02507163 0.00594845 -0.00110156
Q1 0.06969574
Q2 0.00335254
Q3 -0.03317160
Q4 -0.03987667
0.22364300 -0.05372493 0.01274669 -0.00236050

0.28189630 -0.04369627 0.01036731 -0.00191987
0.27912665 0.00501433 -0.00118969 0.00022031
0.21533404 0.09240688 -0.02192430 0.00406006
Q1 -0.01676268 0.09051848
Q2 -0.00081201 0.00438486
Q3 0.00797533 -0.04306681
Q4 0.00959936 -0.05183653
0.21848137 -0.05183653 0.00959936

0.28151862 -0.04306681 0.00797533
0.28151862 0.00438486 -0.00081201
0.21848137 0.09051848 -0.01676268
Q1 0.00406006 -0.02192430 0.09240688

Q2 0.00022031 -0.00118969 0.00501433
Q3 -0.00191987 0.01036731 -0.04369627
Q4 -0.00236050 0.01274669 -0.05372493
0.21533404 -0.03987667
0.27912665 -0.03317160
0.28189630 0.00335254
0.22364300 0.06969574
Q1 -0.00110156 0.00594845 -0.02507163 0.10436673

Q2 -0.00015737 0.00084978 -0.00358166 0.01490953
Q3 0.00047210 -0.00254934 0.01074499 -0.04472860
Q4 0.00078683 -0.00424890 0.01790831 -0.07454766
0.16585801
0.23797972
0.28606085
0.31010142
Tabla 4.128: Matriz de pesos utilizada por X-11-A RIMA y X-12-A RIMA para la tabla D11A,
caso trimestral.
162

X-12-A RIMA y X-11-A RIMA consideran nicamente el caso de un ajuste aditivo, lo cual no es necesariamente compatible con un esquema multiplicativo. De
modo que, para este esquema, no es imposible que la Tabla D11A presente algunos valores negativos. C HOLETTE y DAGUM [13] han propuesto la solucin
que debe ser aplicada en el caso multiplicativo, pero esa solucin an no est
disponible en las versiones actuales de los paquetes.
X-12-A RIMA permite ajustar los datos de la Tabla D11 sobre todo perodo de
12 meses, por ejemplo desde abril hasta marzo (ao fiscal).
Los pesos para el caso trimestral figuran en la Tabla 4.128 (cf. pg. 161).
Ejemplo
Debemos reconciliar las series D11 y B1. Los valores de los totales anuales de ambas
series y de sus diferencias (residuos R) figuran en la Tabla 4.129 siguiente. Como se
puede ver en esa tabla, las diferencias de los totales anuales son bastante reducidas.
Eso resulta del hecho que, regularmente, en el proceso de desestacionalizacin se han
normalizado22 las estimaciones de los coeficientes estacionales.
Anne
B1
D11
1986
1987
1988
1989
1990
1991
1992
1993
1994
1220.5
1252.8
1312.5
1361.2
1385.3
1391.1
1389.2
1348.8
1391.8
1219.53575
1251.31218
1311.45328
1363.83663
1386.98833
1391.58606
1383.88885
1349.59492
1395.72244
0.96425
1.48782
1.04672
-2.63663
-1.68833
-0.48606
5.31115
-0.79492
-3.92244
Tabla 4.129: B1 y D11: totales anuales.

Para los datos del primer ao de datos completos (1986), las matrices de peso y de
residuos utilizadas figuran en la Tabla 4.130 (cf. pg. 164).
Las correcciones introducidas se calculan con el producto de esas dos matrices.
As por ejemplo, para el mes de febrero de 1986 se obtiene:

Lo que conduce al valor ajustado siguiente:

Para el cuarto ao de datos completos (1989), las matrices de pesos y de residuos

utilizadas figuran en la Tabla 4.131 (cf. pg. 164).
22 Es decir que se hizo de tal manera que la suma de las mismas para todo perodo de un ao sea
ms o menos igual a 0 o a 12, segn el esquema.
163
Por ejemplo, para agosto de 1989 se obtiene:

'

Lo que lleva al siguiente valor ajustado:
'

'

Para el ltimo ao de datos completos (1994), las matrices de pesos y de residuos

utilizadas figuran en la Tabla 4.132 (cf. pg. 164).
Por ejemplo, para el mes de diciembre de 1994 se obtiene:

Lo que lleva al siguiente valor ajustado:

Este ltimo valor corrector servir para estimar los valores del ltimo ao de datos
incompletos: 1995. Se obtiene as:

De esta forma se obtiene la Tabla final D11A.

4.3.13 Tabla D12: Estimacin final de la componente tendencia-ciclo
Se retiraron ya los puntos atpicos y los efectos de das hbiles de la serie D1. Ahora,
la serie es corregida con los coeficientes estacionales de la Tabla D10 para obtener
una serie desestacionalizada modificada (Tabla D11bis). Esta serie es alisada con una
media mvil de Henderson, para obtener una estimacin final de la tendencia-ciclo.
La metodologa seguida es la misma que la empleada para construir la Tabla C7 (cf.
Seccin 4.2.6). Se obtiene as:
op
.

.

mvil de Henderson.
164
Mes
Pesos
3
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
0.10539496
0.10446930
0.10261797
0.09984099
0.09613833
0.09151002
0.08595605
0.07947641
0.07207110
0.06374014
0.05448351
0.04430122
-0.02790048
-0.02672983
-0.02438853
-0.02087658
-0.01619398
-0.01034074
-0.00331684
0.00487771
0.01424290
0.02477874
0.03648524
0.04936238
0.00737759
0.00706804
0.00644894
0.00552030
0.00428210
0.00273435
0.00087706
-0.00128979
-0.00376618
-0.00655213
-0.00964762
-0.01305266
-0.00191944
-0.00183890
-0.00167783
-0.00143622
-0.00111408
-0.00071140
-0.00022818
0.00033557
0.00097985
0.00170467
0.00251003
0.00339593
Residuos Ajustes
0.00038069
0.00036472 0.96425
0.00033277 1.48782
0.00028485 1.04672
0.00022096 -2.63663
0.00014110 -1.68833
0.00004526
-0.00006655
-0.00019434
-0.00033810
-0.00049783
-0.00067353
0.0723
0.0726
0.0733
0.0743
0.0757
0.0774
0.0794
0.0818
0.0845
0.0875
0.0909
0.0947
Tabla 4.130: Pesos para el primer ao, residuos y ajustes.
Mes
pesos
3
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
-0.00879152
-0.00616123
-0.00384049
-0.00182930
-0.00012766
0.00126443
0.00234698
0.00311997
0.00358341
0.00373731
0.00358166
0.00311645
0.04432649
0.03106468
0.01936360
0.00922326
0.00064366
-0.00637522
-0.01183335
-0.01573076
-0.01806743
-0.01884336
-0.01805856
-0.01571303
0.06039494
0.07290679
0.08291627
0.09042338
0.09542812
0.09793049
0.09793049
0.09542812
0.09042338
0.08291627
0.07290679
0.06039494
-0.01571303
-0.01805856
-0.01884336
-0.01806743
-0.01573076
-0.01183335
-0.00637522
0.00064366
0.00922326
0.01936361
0.03106468
0.04432649
Residuos Ajustes
0.00311645
-0.1009
0.00358166
-0.1401
0.00373731 1.48782 -0.1741
0.00358341 1.04672 -0.2027
0.00311997 -2.63663 -0.2261
0.00234698 -1.68833 -0.2442
0.00126443 -0.48606 -0.2570
-0.2645
-0.00012766
-0.00182930
-0.2667
-0.00384049
-0.2636
-0.2553
-0.00616123
-0.00879152
-0.2416
Tabla 4.131: Pesos para el cuarto ao, residuos y ajustes.
Mes
pesos
3
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
-0.00067353
-0.00049783
-0.00033810
-0.00019434
-0.00006655
0.00004526
0.00014110
0.00022096
0.00028485
0.00033277
0.00036472
0.00038069
0.00339593
0.00251003
0.00170467
0.00097985
0.00033557
-0.00022818
-0.00071140
-0.00111408
-0.00143622
-0.00167783
-0.00183890
-0.00191944
-0.01305266
-0.00964762
-0.00655213
-0.00376618
-0.00128979
0.00087706
0.00273435
0.00428210
0.00552030
0.00644894
0.00706804
0.00737759
0.04936238
0.03648524
0.02477874
0.01424290
0.00487771
-0.00331684
-0.01034074
-0.01619398
-0.02087658
-0.02438853
-0.02672983
-0.02790048
0.04430122
0.05448351
0.06374014
0.07207110
0.07947641
0.08595605
0.09151002
0.09613833
0.09984099
0.10261797
0.10446930
0.10539496
Residuos Ajustes
-1.68833
-0.48606
5.31115
-0.79492
-3.92244
Tabla 4.132: Pesos para el ltimo ao, residuos y ajustes.
-0.2828
-0.2943
-0.3048
-0.3142
-0.3225
-0.3298
-0.3361
-0.3413
-0.3455
-0.3486
-0.3507
-0.3518
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
101.106
97.033
106.432
113.322
114.556
115.616
116.880
112.143
114.167
118.974
Feb
Mar
.
99.693
104.355
107.445
113.594
114.095
114.694
117.502
115.736
113.750
118.667
Abr
.
98.982
105.108
108.141
109.948
115.355
114.273
116.705
113.594
113.436
119.655
.
106.896
104.200
108.168
116.070
115.133
115.915
116.626
110.554
114.504
.
May
Jun
.
100.095
105.050
110.335
111.678
116.144
114.368
116.060
113.197
116.395
.
.
101.358
103.798
109.574
114.727
114.723
116.587
114.642
112.639
115.690
.
Jul
.
102.353
105.041
108.756
112.963
116.752
118.468
115.146
112.316
116.267
.
Ago
.
99.497
103.710
109.749
112.331
117.499
116.210
116.440
112.257
118.278
.
165
Sep
.
102.175
105.688
110.986
113.430
115.774
115.507
116.554
111.040
116.498
.
Oct
.
103.462
105.163
108.391
113.323
116.487
116.051
116.270
111.168
116.053
.
Nov
.
102.512
106.656
110.415
114.925
115.444
117.112
114.536
111.522
117.109
.
Dic
.
102.369
106.996
114.109
114.891
113.337
116.301
111.838
112.633
119.652
.
Tabla 4.133: D11A: Serie desestacionalizada final ajustada sobre los totales anuales.
Comentario
El utilizador puede especificar la longitud de la media mvil de Henderson que ser
empleada. En ese caso, X-11-A RIMA permite elegir entre una media mvil sobre 9,
13 o 23 trminos. X-12-A RIMA permite elegir cualquier media mvil de Henderson
de orden impar inferior a 101.
Ejemplo
Primero se calcula una serie desestacionalizada modificada, que se presenta en la
Tabla D11bis. Por ejemplo:

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
101.034
102.484
106.275
113.423
114.759
115.783
116.566
111.902
114.450
119.326
Feb
.
99.620
104.252
107.287
113.734
114.279
114.864
117.119
112.730
114.044
119.019

Mar
.
98.909
105.001
107.985
113.351
115.521
114.439
116.267
113.496
113.741
120.007

Abr
.
100.294
104.088
108.020
113.398
115.285
116.068
116.147
112.410
114.818
.
May
.
100.020
104.934
110.198
111.904
116.283
114.501
115.553
113.221
116.081
.
Jun
.
101.281
103.677
109.453
114.871
114.852
116.692
114.120
112.715
116.020
.
Jul
.
102.274
104.916
108.654
113.220
116.874
116.189
114.624
112.439
116.603
.
Ago
.
102.244
103.579
109.671
112.595
117.617
116.234
115.931
112.420
116.220
.
Sep
.
102.091
105.552
110.936
113.697
115.890
115.479
116.072
111.238
116.844
.
Oct
101.587
103.374
105.022
111.120
113.586
116.603
115.963
115.827
111.397
116.402
.
Nov
102.236
102.421
106.510
110.433
115.180
115.563
116.956
114.147
111.774
117.460
.
Dic
100.085
102.275
106.845
114.168
115.133
113.463
116.069
113.279
112.903
120.004
.
Tabla 4.134: D11bis: Serie desestacionalizada modificada.


Primero se alisa la Tabla D11bis con una media mvil de Henderson sobre 13
trminos, cuyos coeficientes figuran en la Tabla 3.11 (cf. pg. 49). El primer trmino
que se puede calcular es entonces el del mes de abril de 1986, se obtiene:
166

En esta etapa del calculo, no se estiman los 6 puntos que no se pueden calcular
al inicio y al fin de la serie. Se deduce una estimacin de la tendencia (Tabla D12a,
cf. Tabla 4.136, pg. 168) y con respecto a la Tabla D11bis se deduce una estimacin de la componente irregular (Tabla D12b, cf. Tabla 4.137, pg. 168).
Como el esquema es multiplicativo, se calculan las tasas de crecimiento (cf. Seccin 4.1.7).

Etapa 2: Alisado de la serie desestacionalizada con una media mvil

de Henderson.

Puesto que la razn es mayor que 1 y menor que , se elige una media mvil de
Henderson sobre 13 trminos cuyos coeficientes y los coeficientes de las medias
mviles asimtricas asociadas figuran en la Tabla 3.11 (cf. pg. 49).
Para estimar la tendencia-ciclo para el mes de octubre de 1985, con los datos de la
Tabla D11bis, se emplea: el punto actual; y los seis puntos futuros, a los cuales se les

aplica los coeficientes de la media mvil
_ de la Tabla 3.11.

167
Lo que conduce a la Tabla D12, cuyos valores estn representados en la Figura 4.2
(cf. pg. 56), con los valores de la serie desestacionalizada de la Tabla D11.
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
100.356
103.273
106.900
113.206
114.915
114.825
116.647
113.033
113.367
119.144
Feb
Mar
.
99.967
103.736
107.438
113.457
115.024
114.818
116.562
112.734
113.993
119.619
Abr
.
99.809
104.129
107.964
113.517
115.159
115.012
116.246
112.717
114.565
119.961
.
99.974
104.379
108.469
113.439
115.400
115.309
115.807
112.815
115.078
.
May
Jun
.
100.452
104.447
108.927
113.287
115.752
115.604
115.447
112.839
115.541
.
.
101.097
104.388
109.284
113.193
116.179
115.821
115.279
112.665
115.902
.
Jul
.
101.732
104.399
109.565
113.251
116.475
115.971
115.308
112.313
116.190
.
Ago
.
102.206
104.597
109.900
113.435
116.536
116.074
115.399
111.950
116.476
.
Tabla 4.135: D12: Tendencia-ciclo final (la razn I/C es igual a

de Henderson sobre 13 trminos).
Sep
Oct
.
102.428
104.981
110.422
113.720
116.363
116.128
115.318
111.784
116.818
.
101.634
102.530
105.466
111.138
114.050
115.983
116.209
114.956
111.883
117.300
.
Nov
101.254
102.646
105.942
111.983
114.367
115.517
116.346
114.338
112.219
117.921
.
Dic
100.809
102.889
106.409
112.724
114.672
115.089
116.516
113.620
112.753
118.567
.
, se eligi una media mvil
4.3.14 Tableau D13: Estimacin final de la componente irregular

Esta estimacin final de la componente irregular se obtiene retirando la componente
tendencial (Tabla D12) de la estimacin de la serie desestacionalizada de la Tabla D11,

es decir que:
op
.

Ejemplo
Por ejemplo, para el valor del mes de abril de 1986, se obtiene:

Los valores de la componente irregular final estn representados en la Figura 4.5

(cf. pg. 57).
4.3.15 Tabla D16: Estimacin de los diferentes efectos estacionales y de calendario

Esta estimacin final de la componente estacional y de los efectos de calendario (Tabla
D16, cf. Tabla 4.141, pg. 169) se obtiene retirando la serie desestacionalizada (Tabla
D11) de los datos brutos (Tabla A1, o Tabla A3 si se solicitaron ajustes permanentes):

op
.

Ejemplo
El valor del mes de abril de 1986 es entonces el siguiente:

168
Ao
Ene
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
.
103.273
106.900
113.206
114.915
114.825
116.647
113.033
113.367
.
Feb
.
.
103.736
107.438
113.457
115.024
114.818
116.562
112.734
113.993
.
Mar
.
.
104.129
107.964
113.517
115.159
115.012
116.246
112.717
114.565
.
Abr
.
99.974
104.379
108.469
113.439
115.400
115.309
115.807
112.815
115.078
.
May
Jun
.
100.452
104.447
108.927
113.287
115.752
115.604
115.447
112.839
115.541
.
Jul
.
101.097
104.388
109.284
113.193
116.179
115.821
115.279
112.665
115.902
.
.
101.732
104.399
109.565
113.251
116.475
115.971
115.308
112.313
116.190
.
Ago
Sep
.
102.206
104.597
109.900
113.435
116.536
116.074
115.399
111.950
116.476
.
.
102.428
104.981
110.422
113.720
116.363
116.128
115.318
111.784
116.818
.
Oct
.
102.530
105.466
111.138
114.050
115.983
116.209
114.956
111.883
.
.
Nov
.
102.646
105.942
111.983
114.367
115.517
116.346
114.338
112.219
.
.
Dic
.
102.889
106.409
112.724
114.672
115.089
116.516
113.620
112.753
.
.
Tabla 4.136: D12a: Tendencia-ciclo (media mvil de Henderson sobre 13 trminos).

Ao
Ene
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
.
99.235
99.416
100.192
99.865
100.834
99.931
98.999
100.955
.
Feb
.
.
100.497
99.859
100.244
99.352
100.041
100.478
99.996
100.045
.
Mar
.
.
100.837
100.020
99.854
100.315
99.502
100.018
100.691
99.280
.
Abr
.
100.320
99.721
99.587
99.964
99.900
100.659
100.294
99.641
99.774
.
May
Jun
.
99.569
100.466
101.167
98.779
100.459
99.046
100.092
100.338
100.467
.
Jul
.
100.182
99.319
100.154
101.483
98.858
100.752
98.995
100.045
100.102
.
.
100.533
100.495
99.169
99.973
100.342
100.188
99.407
100.112
100.356
.
Ago
Sep
.
100.037
99.027
99.792
99.260
100.927
100.138
100.461
100.420
99.781
.
.
99.670
100.544
100.465
99.980
99.593
99.441
100.653
99.512
100.022
.
Oct
.
100.824
99.579
99.984
99.593
100.535
99.789
100.758
99.565
.
.
Nov
.
99.781
100.536
98.616
100.711
100.040
100.525
99.833
99.603
.
.
Dic
.
99.403
100.410
101.281
100.402
98.587
99.617
99.700
100.134
.
.
Tabla 4.137: D12b: Componente irregular.

Ao Ene
Feb
Mar
Abr May
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
.
0.448
0.504
0.221
0.095
0.007
0.073
0.264
0.552
.
.
.
0.379
0.489
0.053
0.117
0.169
0.
0.015
0.502
.
.
.
0.240
0.467
0.069
0.210
0.259
0.378
0.087
0.447
.
.
.
0.374
0.461
0.428
0.211
0.229
0.112
0.517
0.545
.
.
0.479
0.065
0.423
0.133
0.304
0.255
0.311
0.021
0.403
.
Jun
.
0.642
0.057
0.327
0.084
0.369
0.188
0.146
0.154
0.312
.
Jul Ago
.
0.628
0.010
0.257
0.051
0.255
0.130
0.025
0.312
0.249
.
.
0.466
0.190
0.306
0.163
0.052
0.089
0.079
0.323
0.246
.
Sep
Oct
Nov
Dic
Total
.
0.217
0.367
0.475
0.251
0.148
0.046
0.070
0.148
0.294
.
.
0.099
0.462
0.648
0.290
0.327
0.070
0.315
0.088
.
.
.
0.113
0.452
0.760
0.278
0.401
0.118
0.538
0.301
.
.
.
0.236
0.440
0.662
0.267
0.371
0.146
0.627
0.475
.
.
.
2.881
3.484
5.780
2.288
2.862
1.705
2.944
2.706
3.550
.
Tabla 4.138: D12c: Tasas de crecimiento de la tendencia-ciclo (en % y en valor absoluto).

Ao Ene
Feb
Mar
Abr May
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
.
1.272
0.446
0.053
0.514
0.786
0.547
1.007
0.902
.
.
.
0.338
0.161
0.389
0.969
0.538
0.458
0.695
0.764
.
.
.
1.107
0.433
0.110
0.414
1.162
0.276
1.043
0.498
.
.
.
0.169
0.990
1.076
0.535
2.279
0.315
0.703
0.821
.
.
0.749
0.747
1.587
1.186
0.560
1.602
0.201
0.700
0.694
.
Jun
Jul
Ago
Sep
Oct
Nov
Dic
.
0.615
1.142
1.001
2.738
1.594
1.722
1.096
0.293
0.364
.
.
0.350
1.184
0.984
1.488
1.502
0.560
0.416
0.068
0.254
.
.
0.493
1.461
0.628
0.713
0.583
0.050
1.060
0.308
0.573
.
.
0.366
1.532
0.675
0.725
1.322
0.695
0.192
0.905
0.241
.
.
1.157
0.959
0.478
0.386
0.945
0.349
0.104
0.054
.
.
.
1.035
0.961
1.368
1.122
0.492
0.738
0.918
0.038
.
.
.
0.378
0.126
2.702
0.307
1.452
0.903
0.134
0.532
.
.
Total
.
5.144
10.998
11.453
10.293
10.882
11.385
5.716
6.345
5.110
.
Tabla 4.139: D12d: Tasas de crecimiento de lo irregular (en % y en valor absoluto).
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
Feb
.
100.676
93.862
99.416
100.192
99.865
100.834
99.931
98.999
100.955
100.153
.
99.653
100.497
99.859
100.244
99.352
100.041
100.478
102.515
100.045
99.499
Mar
.
99.099
100.837
100.020
97.009
100.315
99.502
100.018
100.691
99.280
100.038
Abr
.
106.850
99.721
99.587
102.498
99.900
100.659
100.294
97.966
99.774
.
May
.
99.569
100.466
101.167
98.779
100.459
99.046
100.092
100.338
101.018
.
Jun
.
100.182
99.319
100.154
101.571
98.858
100.752
98.995
100.045
100.102
.
Jul
.
100.533
100.495
99.169
99.973
100.342
102.212
99.407
100.112
100.356
.
Ago
169
Sep
.
97.269
99.027
99.792
99.260
100.927
100.138
100.461
100.420
101.840
.
Oct
.
99.670
100.544
100.465
99.980
99.593
99.441
100.653
99.512
100.022
.
Nov
99.954
100.824
99.579
97.512
99.593
100.535
99.789
100.758
99.565
99.235
.
Dic
100.970
99.781
100.536
98.616
100.711
100.040
100.525
99.833
99.603
99.609
.
99.281
99.403
100.410
101.281
100.402
98.587
99.617
98.148
100.134
101.212
.
Tabla 4.140: D13: Componente irregular final.
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
105.509
103.678
101.341
103.947
105.525
106.493
105.949
101.607
101.616
104.001
Feb
.
99.077
98.991
102.715
98.651
98.444
98.203
99.813
97.863
97.769
97.715
Mar
.
105.046
107.523
109.922
109.152
106.993
104.248
106.651
108.109
109.020
108.494
Abr
.
102.507
102.894
100.074
98.648
100.707
102.870
103.317
103.330
100.507
.
May
.
97.681
95.298
97.461
98.746
99.413
98.951
95.021
95.301
97.672
.
Jun
.
102.388
104.459
104.794
104.635
101.696
100.007
104.013
103.890
104.293
.
Jul
Ago
.
97.483
97.030
93.140
93.270
95.659
97.269
97.798
96.141
93.908
.
.
66.086
66.326
69.298
70.518
70.823
70.203
69.007
70.895
71.995
.
Sep
.
103.046
102.982
103.303
100.443
98.887
100.797
102.781
103.202
103.215
.
Oct
113.892
113.278
111.310
108.791
111.545
113.205
114.174
111.373
108.621
108.589
.
Nov
107.399
105.740
107.689
109.840
110.089
109.983
106.706
106.968
108.880
108.718
.
Tabla 4.141: D16: Efectos estacionales y de calendario combinados.
Dic
100.515
102.078
102.953
100.466
97.887
97.653
99.768
102.049
101.680
99.997
.
170
4.3.16 Tabla D18: Efectos de calendario combinados

La Tabla D18 es editada nicamente en las salidas de X-12-A RIMA. Este paquete
propone un tratamiento de los efectos de calendario que es mucho ms sofisticado
que el tratamiento propuesto en X-11-A RIMA. Esos efectos pueden ser estimados mediante: una estimacin de la componente irregular (instruccin: X11regression); o bien
con la estimacin de la serie bruta antes de todo procedimiento de desestacionalizacin
(instruccin: Regression).
La Tabla D18 presenta los efectos de calendario combinados: efectos de das hbiles y efectos ligados a los das feriados; estimados con las instrucciones X11regression
o bien Regression.
Ejemplo
En nuestro ejemplo, esa tabla sera igual a la Tabla C18 (cf. Seccin 4.2.15). Los
valores finales de los efectos de das hbiles estn representados en la Figura 4.4
(cf. pg. 57).
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
101.662
99.839
97.504
99.895
101.347
102.198
101.662
97.504
97.557
99.895
Feb
Mar
.
99.115
99.115
102.982
99.115
99.115
99.115
100.947
99.115
99.115
99.115
.
97.557
99.895
102.198
101.662
99.839
97.504
99.895
101.347
102.198
101.662
Abr
.
101.084
101.463
98.646
97.167
99.083
101.116
101.463
101.441
98.646
.
May
.
99.839
97.504
99.895
101.347
102.198
101.662
97.504
97.557
99.895
.
Jun
.
99.083
101.116
101.463
101.441
98.646
97.167
101.116
101.084
101.463
.
Jul
.
102.198
101.662
97.504
97.557
99.895
101.347
101.662
99.839
97.504
.
Ago
.
97.504
97.557
101.347
102.198
101.662
99.839
97.557
99.895
101.347
.
Sep
.
101.116
101.084
101.441
98.646
97.167
99.083
101.084
101.463
101.441
.
Oct
102.198
101.662
99.839
97.557
99.895
101.347
102.198
99.839
97.504
97.557
.
Tabla 4.142: D18: Efectos de calendario combinados.
Nov
98.646
97.167
99.083
101.084
101.463
101.441
98.646
99.083
101.116
101.084
.
Dic
99.895
101.347
102.198
99.839
97.504
97.557
99.895
102.198
101.662
99.839
.
4.4. E: Componentes corregidas de los puntos ms atpicos
171
4.4 ETAPA E: Componentes corregidas de los puntos

ms atpicos
4.4.1 Tabla E1: Componentes corregidas de los puntos ms atpicos
Descripcin y mtodo de clculo
Esta tabla presenta la serie bruta corregida de los puntos atpicos que han recibido
un peso nulo en la etapa C17. Para una fecha dada, cuando un punto fue considerado
muy atpico, el valor de la serie bruta es reemplazado con el valor compuesto con: la
componente tendencial (Tabla D12); la estacionalidad (Tabla D10); y cuando es
necesario con los ajustes a priori y las correcciones de los efectos de calendario. Se

obtiene entonces:
invop
invop
.

Ejemplo
Por ejemplo, para el mes de abril de 1986 que es considerado muy atpico, se obtiene
as:

#

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
Feb
.
106.600
107.072
107.700
117.900
121.100
123.300
123.500
113.700
116.300
124.100
.
98.700
103.200
110.200
112.200
112.500
112.800
116.900
110.326
111.500
116.300
Mar
.
103.900
112.900
118.700
123.906
123.600
119.300
124.000
122.700
124.000
130.200
Abr
.
102.480
107.100
108.100
111.905
116.100
119.400
120.000
114.200
115.400
.

May
.
97.700
100.000
107.400
110.500
115.600
113.300
109.800
107.900
114.000
.
Jun
.
103.700
108.300
114.700
120.300
116.800
116.700
118.700
117.100
121.000
.

Jul
.
99.700
101.800
101.200
105.600
111.800
115.300
112.100
108.100
109.500
.
Ago
.
67.544
68.700
76.000
79.400
83.300
81.600
80.000
79.700
83.857
.
Sep
.
105.200
108.700
114.600
114.200
114.600
116.400
119.300
114.800
120.600
.
Oct
115.700
117.100
116.900
120.908
126.700
132.000
132.400
129.000
121.000
126.400
.
Nov
109.800
108.300
114.700
121.300
126.800
127.100
124.800
122.100
121.700
127.700
.
Dic
100.600
104.400
110.000
114.700
112.700
110.800
115.800
113.800
114.800
120.000
.
Tabla 4.143: E1: Serie bruta corregida de los puntos ms atpicos.

4.4.2 Tabla E2: Serie desestacionalizada corregida de los puntos ms atpicos
Esta tabla presenta la serie desestacionalizada de la Tabla D11 (cf. pg. 157), corregida
de los puntos atpicos que han recibido un peso nulo en la Etapa C17 (cf. pg. 128).
Para una fecha dada, cuando un punto fue considerado muy atpico, el valor de la serie
desestacionalizada es reemplazado con el valor de la componente tendencial (Tabla
D12, cf. pg. 167).
172
Ejemplo

En abril de 1986 se detect un punto atpico. El valor de la Tabla D11 para esta fecha

(
) es reemplazado con el valor correspondiente de la Tabla D12 (
).
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
101.034
103.273
106.275
113.423
114.759
115.783
116.566
111.902
114.450
119.326
Feb
.
99.620
104.252
107.287
113.734
114.279
114.864
117.119
112.734
114.044
119.019
Mar
.
98.909
105.001
107.985
113.517
115.521
114.439
116.267
113.496
113.741
120.007
Abr
.
99.974
104.088
108.020
113.439
115.285
116.068
116.147
110.520
114.818
.
May
Jun
.
100.020
104.934
110.198
111.904
116.283
114.501
115.553
113.221
116.718
.
.
101.281
103.677
109.453
114.971
114.852
116.692
114.120
112.715
116.020
.
Jul
.
102.274
104.916
108.654
113.220
116.874
118.537
114.624
112.439
116.603
.
Ago
.
102.206
103.579
109.671
112.595
117.617
116.234
115.931
112.420
116.476
.
Sep
.
102.091
105.552
110.936
113.697
115.890
115.479
116.072
111.238
116.844
.
Oct
101.587
103.374
105.022
111.138
113.586
116.603
115.963
115.827
111.397
116.402
.
Nov
102.236
102.421
106.510
110.433
115.180
115.563
116.956
114.147
111.774
117.460
.
Dic
100.085
102.275
106.845
114.168
115.133
113.463
116.069
111.515
112.903
120.004
.
Tabla 4.144: E2: Serie desestacionalizada final corregida de los puntos ms atpicos.
4.4.3 Tabla E3: Componente irregular final corregida de los puntos ms atpicos
Esta tabla (Tabla E3, cf. Tabla 4.145, pg. 173) presenta la componente irregular de la
Tabla D13, corregida de los puntos atpicos que han recibido un peso nulo en la Etapa
C17. Para una fecha dada, cuando un punto fue considerado muy atpico, el valor de la
componente irregular es reemplazado con la media terica (1 o 0, segn el esquema).
Ejemplo
Por ejemplo, para el mes de abril de 1986 que es considerado muy atpico, se obtiene
as:

#
i.e.

#
4.4.4 Tabla E4: Comparacin de los totales anuales de la serie bruta y de la

serie desestacionalizada
Esta tabla (Tabla E4, cf. Tabla 4.146, pg. 173) compara los totales anuales de la serie
bruta y de la serie desestacionalizada con dos pares de series: por un lado, con la
serie bruta A1 y la serie desestacionalizada final D11; por otro lado con las series
correspondientes corregidas de los puntos
atpicos (E1 y E2).
Para cada uno de esos

pares y para cada ao , se calcula:
op
, en donde
representa el total de
la serie A1 para el ao .

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
100.676
100.000
99.416
100.192
99.865
100.834
99.931
98.999
100.955
100.153
Feb
.
99.653
100.497
99.859
100.244
99.352
100.041
100.478
100.000
100.045
99.499
Mar
.
99.099
100.837
100.020
100.000
100.315
99.502
100.018
100.691
99.280
100.038
Abr
May
.
100.000
99.721
99.587
100.000
99.900
100.659
100.294
97.966
99.774
.
.
99.569
100.466
101.167
98.779
100.459
99.046
100.092
100.338
101.018
.
Jun
.
100.182
99.319
100.154
101.571
98.858
100.752
98.995
100.045
100.102
.
Jul
Ago
.
100.533
100.495
99.169
99.973
100.342
102.212
99.407
100.112
100.356
.
.
100.000
99.027
99.792
99.260
100.927
100.138
100.461
100.420
100.000
.
173
Sep
Oct
.
99.670
100.544
100.465
99.980
99.593
99.441
100.653
99.512
100.022
.
Nov
99.954
100.824
99.579
100.000
99.593
100.535
99.789
100.758
99.565
99.235
.
100.970
99.781
100.536
98.616
100.711
100.040
100.525
99.833
99.603
99.609
.
Dic
99.281
99.403
100.410
101.281
100.402
98.587
99.617
98.148
100.134
101.212
.
Tabla 4.145: E3: Componente irregular final corregida de los puntos ms atpicos.
Ejemplo

Por ejemplo, para el ao 1987, se obtiene:

, y entonces:

Ao A1 y D11 E1 y E2
1986
1987
1988
1989
1990
1991
1992
1993
1994
100.079 99.987
100.119 100.137
100.080 100.098
99.807 99.832
99.878 99.878
99.965 99.965
100.384 100.384
99.941 99.945
99.719 99.762
Tabla 4.146: E4: Relacin entre los totales anuales de la serie original y de la serie desestacionalizada.
4.4.5 Tableau E5: Evoluciones de la serie bruta

Esta tabla (Tabla E5, cf. Tabla 4.147, pg. 174) presenta la evolucin de la serie bruta. De
modo que, para una serie mensual, la tabla aporta los coeficientes mensuales cuando el
esquema de composicin es aditivo, o la tasa de crecimiento mensual en el caso
de un

esquema multiplicativo. Para una fecha dada, se obtiene as:
op
xbar .

174
Ejemplo
Por ejemplo, la tasa de crecimiento desde el mes de marzo hasta el mes de abril de
1986 es la siguiente:

#

Ao
Ene
Feb
Mar
Abr
May
Jun
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
5.964
-3.736
-2.091
2.790
7.453
11.282
6.649
-0.088
1.307
3.417
.
-7.411
2.687
2.321
-4.835
-7.102
-8.516
-5.344
-0.528
-4.127
-6.285
.
5.268
9.399
7.713
7.130
9.867
5.762
6.074
8.488
11.211
11.952
.
5.390
-5.137
-8.930
-4.576
-6.068
0.084
-3.226
-6.927
-6.935
.
.
-10.776
-6.629
-0.648
-3.662
-0.431
-5.109
-8.500
-5.517
-1.213
.
.
6.141
8.300
6.797
8.869
1.038
3.001
8.106
8.526
6.140
.

Jul
.
-3.857
-6.002
-11.770
-12.219
-4.281
-1.200
-5.560
-7.686
-9.504
.
Ago
Sep
Oct
Nov
.
-34.102
-32.515
-24.901
-24.811
-25.492
-29.228
-28.635
-26.272
-22.009
.
.
60.122
58.224
50.789
43.829
37.575
42.647
49.125
44.040
41.218
.
.
11.312
7.544
2.880
10.946
15.183
13.746
8.131
5.401
4.809
.
-5.099
-7.515
-1.882
2.884
0.079
-3.712
-5.740
-5.349
0.579
1.028
.
Dic
-8.379
-3.601
-4.098
-5.441
-11.120
-12.825
-7.212
-6.798
-5.670
-6.030
.
Tabla 4.147: E5: Evoluciones mensuales de la serie bruta.

4.4.6 Tabla E6 : Evoluciones de la serie desestacionalizada final
Esta tabla (Tabla E6, cf. Tabla 4.148, pg. 176) presenta la evolucin de la serie desestacionalizada final (Tabla D11), calculada de la misma manera que anteriormente. Para

op
xbar .
una fecha dada, se obtiene:

Ejemplo
La tasa de crecimiento desde el mes de marzo hasta abril de 1986 es entonces la
siguiente:

#

4.4.7 Tabla E7: Evoluciones de la tendencia-ciclo final

Esta tabla (Tabla E7, cf. Tabla 4.149, pg. 176) presenta la evolucin de la componente
tendencia-ciclo final (Tabla D12, cf. pg. 167), calculada de la misma manera que precedentemente.

Para una fecha dada, se obtiene:
op
xbar .

Comentario
Tabla E7 es editada nicamente por el paquete X-12-A RIMA.
Ejemplo
Por ejemplo, la tasa de crecimiento del mes de marzo hasta abril de 1986 es la siguiente:

#

175
4.4.8 Tabla E11: Estimacin robusta de la serie desestacionalizada final

Esta tabla presenta una estimacin robusta de la serie desestacionalizada final (Tabla
E11, cf. Tabla 4.150, pg. 176). Es equivalente a la Tabla E2, salvo en lo que hace a
los puntos considerados atpicos, es decir los puntos que han recibido un peso nulo
en la Tabla
C17. El valor de E2, en las fechas correspondientes, fue reemplazado por:

.

Comentarios
La Tabla E11 es editada nicamente por el paquete X-12-A RIMA.
En el caso de un esquema de composicin aditiva, la Tabla E11 es siempre igual
a la Tabla D11.
Ejemplo
Para el mes de abril de 1986, por ejemplo, se obtiene as:

176
Ao
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
0.948
-5.221
-0.533
-0.653
-0.324
2.045
0.428
0.346
1.370
-0.565
.
-1.400
7.549
0.952
0.274
-0.419
-0.793
0.474
3.278
-0.355
-0.257
.
-0.714
0.718
0.651
-3.176
1.087
-0.370
-0.727
-1.794
-0.266
0.830
.
8.000
-0.869
0.032
5.585
-0.205
1.424
-0.103
-2.622
0.947
.
.
-6.368
0.813
2.016
-3.757
0.866
-1.351
-0.511
2.443
1.655
.
.
1.261
-1.198
-0.677
2.741
-1.230
1.913
-1.240
-0.446
-0.598
.
.
0.980
1.194
-0.729
-1.523
1.760
1.581
0.442
-0.245
0.503
.
.
-2.795
-1.274
0.936
-0.552
0.635
-1.943
1.140
-0.016
1.728
.
.
2.691
1.905
1.153
0.978
-1.468
-0.649
0.122
-1.052
-1.497
.
.
1.257
-0.502
-2.310
-0.097
0.615
0.419
-0.211
0.142
-0.378
.
0.638
-0.923
1.417
1.901
1.403
-0.892
0.857
-1.450
0.339
0.909
.
-2.104
-0.143
0.314
3.382
-0.041
-1.818
-0.759
-2.305
1.010
2.166
.
Tabla 4.148: E6: Evoluciones mensuales de la serie desestacionalizada final.
Ao
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
-0.450
0.374
0.461
0.428
0.211
-0.229
0.112
-0.517
0.545
0.487
.
-0.388
0.448
0.504
0.221
0.095
-0.007
-0.073
-0.264
0.552
0.398
.
-0.158
0.379
0.489
0.053
0.117
0.169
-0.271
-0.015
0.502
0.286
.
0.166
0.240
0.467
-0.069
0.210
0.259
-0.378
0.087
0.447
.
.
0.479
0.065
0.423
-0.133
0.304
0.255
-0.311
0.021
0.403
.
.
0.642
-0.057
0.327
-0.084
0.369
0.188
-0.146
-0.154
0.312
.
.
0.628
0.010
0.257
0.051
0.255
0.130
0.025
-0.312
0.249
.
.
0.466
0.190
0.306
0.163
0.052
0.089
0.079
-0.323
0.246
.
.
0.217
0.367
0.475
0.251
-0.148
0.046
-0.070
-0.148
0.294
.
.
0.099
0.462
0.648
0.290
-0.327
0.070
-0.315
0.088
0.412
.
-0.375
0.113
0.452
0.760
0.278
-0.401
0.118
-0.538
0.301
0.529
.
-0.439
0.236
0.440
0.662
0.267
-0.371
0.146
-0.627
0.475
0.548
.
Tabla 4.149: E7: Evoluciones mensuales de la tendencia-ciclo final.
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
101.034
96.701
106.275
113.423
114.759
115.783
116.566
111.902
114.450
119.326
Feb
.
99.620
104.252
107.287
113.734
114.279
114.864
117.119
115.509
114.044
119.019
Mar
.
98.909
105.001
107.985
109.811
115.521
114.439
116.267
113.496
113.741
120.007
Abr
.
106.994
104.088
108.020
116.234
115.285
116.068
116.147
110.520
114.818
.
May
.
100.020
104.934
110.198
111.904
116.283
114.501
115.553
113.221
116.718
.
Jun
.
101.281
103.677
109.453
114.971
114.852
116.692
114.120
112.715
116.020
.
Jul
.
102.274
104.916
108.654
113.220
116.874
118.537
114.624
112.439
116.603
.
Ago
.
100.362
103.579
109.671
112.595
117.617
116.234
115.931
112.420
118.019
.
Sep
.
102.091
105.552
110.936
113.697
115.890
115.479
116.072
111.238
116.844
.
Oct
101.587
103.374
105.022
108.130
113.586
116.603
115.963
115.827
111.397
116.402
.
Nov
102.236
102.421
106.510
110.433
115.180
115.563
116.956
114.147
111.774
117.460
.
Tabla 4.150: E11: Estimacin robusta de la serie desestacionalizada final.
Dic
100.085
102.275
106.845
114.168
115.133
113.463
116.069
111.515
112.903
120.004
.
4.5. F: Evaluaciones de la calidad de la desestacionalizacin
177
4.5 ETAPA F: Evaluaciones de la calidad de la desestacionalizacin

4.5.1 Tabla F1: Alisado de la serie desestacionalizada con una
media mvil MCD
Esta tabla (Tabla F1, cf. Tabla 4.151, pg. 177) presenta un alisado de la serie desestacionalizada final (Tabla D11, cf. pg. 157) con una media mvil simple. En la Tabla F2E
se explica el clculo del orden de esta serie mvil, el cual es llamado MCD: Month
for Cyclical Dominance.
Comentarios
Cuando el parmetro MCD calculado es par, se emplea una media mvil simple
MCD.
centrada, es decir una
Cualquiera sea el orden de la media mvil, no se hace la estimacin de los
extremos de la serie.
En realidad, si el parmetro MCD calculado en la Tabla F2E es mayor que 6, el
valor del parmetro MCD es llevado a 6. En consecuencia, el orden de la media
mvil utilizada no puede ser superior a 7.
Ejemplo
En este caso, el parmetro MCD es igual a 5 (cf. Tabla F2E, pg. 182). La Tabla F1 se
obtiene simplemente con la Tabla D11, mediante una media mvil simple de orden 5.
El primer trmino que se puede calcular es, entonces, el del mes de diciembre de
1985.
Se obtiene:

Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Ene
.
100.377
102.177
106.981
112.376
114.974
114.822
116.596
113.326
113.383
119.163

Feb
.
101.294
102.510
107.283
113.544
114.995
114.924
116.434
112.601
113.991
119.163
Mar
.
101.281
103.042
107.953
113.091
115.225
115.131
116.331
112.942
114.754
119.163
Abr
.
101.330
104.391
108.589
113.401
115.244
115.313
115.841
113.104
115.068
.
May
.
101.861
104.523
108.862
113.298
115.763
116.047
115.343
112.478
115.580
.
Jun
.
101.962
104.239
109.199
113.792
116.182
116.406
115.275
112.263
116.556
.
Jul
.
101.016
104.532
109.782
113.277
116.303
116.289
115.260
112.407
116.961
.
Ago
.
101.687
104.549
109.417
113.614
116.367
116.581
115.315
112.042
116.898
.
Sep
.
101.915
105.116
109.613
113.656
116.509
116.634
115.320
111.854
117.186
.
Oct
100.912
101.915
105.502
110.716
114.038
115.827
116.140
114.698
111.947
117.866
.
Nov
100.912
101.419
106.041
111.467
114.471
115.460
116.207
113.892
112.353
118.007
.
Tabla 4.151: F1: Alisado de la serie desestacionalizada con una media mvil MCD
(MCD = 5).
Dic
100.912
101.851
106.388
112.026
114.587
115.255
116.535
113.792
112.914
118.442
.
178
4.5.2 Tabla F2A: Evoluciones en valor absoluto de las principales componentes

Esta tabla (Tabla F2A, cf. Tabla 4.152, pg. 178) presenta las evoluciones medias de
algunas series, sobre varios perodos: de 1 a 12 meses, para una serie mensual; de 1 a
4 trimestres, para una serie trimestral.
Consideremos por ejemplo la serie bruta de la Tabla A1. Para un plazo dado (de
1 a 12 meses, por ejemplo), se calcula:

+ op

xbar
+
es decir que, en el caso de un esquema multiplicativo, se calcula la media de las tasas

de crecimiento absoluto sobre meses.
Se hace ese clculo para cada plazo y para cada una de las 10 series que se
detallan a continuacin.
Tabla
Smbolo
A1 or B1
D11
D13
D12
D10
A2
C18
F1

La serie original.

E1
E2
E3
Series
La serie desestacionalizada final.

La componente irregular final.
La tendencia-ciclo final.
Los coeficientes estacionales finales.
Los coeficientes de ajustes preliminares.
Los coeficientes finales para das hbiles.
La serie desestacionalizada final alisada
con una media mvil MCD.
La serie original corregida de los valores atpicos.
La serie desestacionalizada final corregida de los valores atpicos.
La componente irregular final corregida de los valores atpicos.
Ejemplo
Time
Lag
1
2
3
4
5
6
7
8
9
10
11
12
A1
D11
D13
11.03
11.84
11.54
11.95
11.22
12.04
11.74
12.05
11.85
12.09
11.04
3.35
1.34
1.43
1.55
1.70
1.72
1.91
2.07
2.21
2.44
2.52
2.65
2.96
1.29
1.26
1.21
1.19
1.08
1.14
1.12
1.22
1.17
1.14
1.10
1.25
D12
0.29
0.57
0.83
1.07
1.30
1.50
1.70
1.89
2.07
2.26
2.44
2.60
D10
10.73
11.25
11.47
11.37
10.69
12.03
10.91
11.39
10.68
10.92
10.32
0.14
A2
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
C18
2.46
2.16
1.26
2.45
1.93
1.51
2.35
1.86
1.17
2.53
1.84
1.50
F1
0.34
0.58
0.78
1.00
1.23
1.44
1.64
1.85
2.03
2.22
2.40
2.58

E1

E2

E3
11.02
11.76
11.46
11.99
11.37
12.34
11.93
12.00
11.81
12.08
11.24
3.23
0.90
1.06
1.23
1.43
1.57
1.71
1.90
2.06
2.22
2.40
2.60
2.85
0.86
0.83
0.79
0.78
0.74
0.66
0.75
0.82
0.74
0.75
0.75
0.88
Tabla 4.152: F2A: Evoluciones absolutas medias (en %) de las componentes segn el plazo.
Puesto que el esquema utilizado aqu es multiplicativo, se emplean las tasa de

crecimiento para cada plazo. Se puede encontrar el valor
obtenido para la media

179
de las tasas de crecimiento mensuales absolutos de la serie original, tomando la media

de los valores absolutos de los datos de la Tabla E5 (cf. pg. 174).
4.5.3 Tabla F2B: Contribuciones relativas de las componentes
a las evoluciones de la serie bruta
Esta tabla (Tabla F2B, cf. Tabla 4.153, pg. 180) presenta la contribucin relativa de
cada componente a la evolucin de la serie bruta, para un plazo dado. Como las
componentes son independientes, se debe verificar (al menos aproximadamente) que:
$ $ $ $ $ $

$ $ $ $
$
Se calculan luego las relaciones
la contribucin relativa de cada componente.
Por ltimo, se calcula la relacin
$ $
$
$ $ , para obtener

$ $

, para evaluar la calidad de la
Los dos miembros de esta ecuacin no son estrictamente iguales, en realidad se

calcula:

aproximacin.
Comentarios
Para ese clculo, X-12-A RIMA utiliza la serie E3 en lugar de la serie D13
en tanto que estimacin de la componente irregular.
X-12-A RIMA calcula la cantidad
A1, como lo hace X-11-A RIMA.
$
con la serie E1 y no con la serie original
Ejemplo
$ $ $ $ $ $
$ $ $ $ $

De modo que, para el plazo 1, se obtiene:

en consecuencia,

$
$ $

$
y la contribucin de la componente estacional, por ejemplo, es igual a:

.
180
Plazo
1
2
3
4
5
6
7
8
9
10
11
12
D12
1.36
1.20
1.08
1.02
0.97
0.86
0.97
1.07
1.12
0.99
1.03
14.74
0.07
0.24
0.51
0.83
1.39
1.50
2.23
2.58
3.54
3.86
5.08
63.79
D13
D10
A2
C18

Total
Razn
100.00
100.00
100.00
100.00
100.00
100.00
100.00
100.00
100.00
100.00
100.00
100.00
101.17
94.97
101.72
96.57
96.01
103.85
93.30
95.20
86.32
90.30
95.97
94.63

93.65
95.04
97.23
93.81
94.56
96.13
92.49
93.84
94.20
90.30
91.00
0.18
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
4.92
3.52
1.17
4.34
3.08
1.51
4.30
2.51
1.14
4.86
2.89
21.28
Tabla 4.153: F2B: Contribuciones relativas de las componentes a las evoluciones de la serie
bruta.
4.5.4 Tabla F2C: Medias y desviaciones estndar de las evoluciones en funcin

del plazo
Se calcula, para cada plazo, la media y la desviacin estndar de las evoluciones,
teniendo en cuenta ahora el signo de la serie bruta y de sus componentes, pero tambin
de la serie media MCD de la Tabla F1.
Ejemplo
Por ejemplo, la media de las tasa de crecimiento mensuales de la serie bruta (1.38),
corresponde a la media de la Tabla E5 (cf. pg. 174).
Plazo
A1
D13
1
2
3
4
5
6
7
8
9
10
11
12
D12
D10
D11
F1
Med
ED
Med
ED
Med
ED
Med
ED
Med
ED
Med
ED
1.38
1.96
1.94
1.95
2.31
2.27
2.75
2.35
2.45
2.96
2.88
1.86
16.84
20.42
19.26
17.71
18.40
17.14
19.93
17.87
17.28
19.42
15.66
3.62
0.02
0.01
0.01
0.02
0.01
0.02
-0.05
-0.02
-0.02
-0.03
0.01
0.01
1.90
1.90
1.77
1.85
1.59
1.79
1.66
1.73
1.86
1.64
1.60
1.71
0.15
0.30
0.45
0.61
0.77
0.93
1.09
1.25
1.40
1.54
1.68
1.82
0.31
0.60
0.86
1.09
1.28
1.45
1.62
1.78
1.95
2.13
2.31
2.49
1.15
1.61
1.45
1.25
1.52
1.28
1.61
1.04
1.02
1.32
1.12
0.02
16.20
20.04
18.95
16.95
18.23
16.60
18.99
17.07
16.52
18.20
14.89
0.22
0.17
0.30
0.47
0.63
0.79
0.95
1.04
1.22
1.37
1.51
1.69
1.82
1.92
2.00
1.96
2.14
1.99
2.22
2.28
2.46
2.69
2.69
2.81
3.03
0.15
0.31
0.46
0.61
0.75
0.90
1.04
1.20
1.34
1.48
1.62
1.76
0.40
0.62
0.82
1.04
1.25
1.42
1.60
1.79
1.97
2.15
2.32
2.49
Tabla 4.154: F2C: Medias y desviaciones estndar de las evoluciones en funcin del plazo.
181
4.5.5 Tabla F2D: Duraciones medias de las fases de crecimiento y de decrecimiento

Para algunas series se calcula la duracin media de las fases de crecimiento y de
decrecimiento. Para ello, se considera la serie de las evoluciones de las tasa de crecimiento si el esquema es multiplicativo o las evoluciones de los crecimientos,
si el esquema es aditivo. La duracin de una fase de crecimiento (decrecimiento) es
el nmero de trminos positivos (negativos) sucesivos. Si un trmino es nulo, se lo
cuenta en la fase en curso.
Se calculan las duraciones medias para las siguientes series:
Tabla Smbolo

D11
D13
D12
F1
Serie
La serie desestacionalizada final.
La componente irregular final.
La tendencia-ciclo final.
La serie desestacionalizada final alisada con una media mvil MCD.
Ejemplo
Ao
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
-0.450
0.374
0.461
0.428
0.211
-0.229
0.112
-0.517
0.545
0.487
.
-0.388
0.448
0.504
0.221
0.095
-0.007
-0.073
-0.264
0.552
0.398
.
-0.158
0.379
0.489
0.053
0.117
0.169
-0.271
-0.015
0.502
0.286
.
0.166
0.240
0.467
-0.069
0.210
0.259
-0.378
0.087
0.447
.
.
0.479
0.065
0.423
-0.133
0.304
0.255
-0.311
0.021
0.403
.
.
0.642
-0.057
0.327
-0.084
0.369
0.188
-0.146
-0.154
0.312
.
.
0.628
0.010
0.257
0.051
0.255
0.130
0.025
-0.312
0.249
.
.
0.466
0.190
0.306
0.163
0.052
0.089
0.079
-0.323
0.246
.
.
0.217
0.367
0.475
0.251
-0.148
0.046
-0.070
-0.148
0.294
.
.
0.099
0.462
0.648
0.290
-0.327
0.070
-0.315
0.088
0.412
.
-0.375
0.113
0.452
0.760
0.278
-0.401
0.118
-0.538
0.301
0.529
.
-0.439
0.236
0.440
0.662
0.267
-0.371
0.146
-0.627
0.475
0.548
.
Tabla 4.155: F2D1: Tasas de crecimiento mensuales de la tendencia-ciclo (Tabla D12).

Consideremos por ejemplo la tendencia-ciclo de la Tabla D12 (cf. pg. 167).
La serie de las tasas de crecimiento mensuales figuran en la Tabla F2D1. La serie de
las duraciones de las fases de crecimiento o de decrecimiento es:

, sea una duracin media de meses. Se obtiene as la Tabla F2D
o
(cf. Tabla 4.156, pg. 182).

4.5.6 Tabla F2E: Clculo de la razn MCD (Months for Cyclical Dominance).

Con los datos de la tabla F2A se calculan las relaciones

para cada valor del
plazo . El valor MCD, utilizado en particular para la Tabla F1, es el valor del primer
plazo a partir del cual todas las razones incluso la del plazo son menores que
, para todo ).
1 (i.e.

182

D11 ( )
D13 ( )
D12 ( )
1.6377
1.5067
8.071
F1 (
3.2059
Tabla 4.156: F2D: Duraciones medias de las fases de crecimiento y de decrecimiento.

Ejemplo

Los diferentes valores de la razn se calculan fcilmente con las columnas D13 y D12

de la Tabla F2A. Por ejemplo, para el plazo 1, se obtiene:
.
Resulta as la Tabla F2E (cf. Tabla 4.157, pg. 182) y el valor del MCD es entonces: 5.
Comentario
En nuestro ejemplo, si el valor para el plazo 6 fuera superior a 1, el valor del MCD
sera 7.
1
10
11
12
4.46 2.22 1.45 1.11 0.84 0.76 0.66 0.65 0.56 0.51 0.45 0.48
Tabla 4.157: F2E: Ratios I/C y MCD.
4.5.7 Tabla F2F: Contribucin relativa de las componentes a la varianza de la
parte estacional de la serie original.
Para desestacionalizar la serie original se extrae una tendencia lineal si el esquema es
aditivo, o bien una tendencia exponencial si el esquema es multiplicativo. No se estima
esa tendencia sobre la serie bruta (Tabla A1) sino sobre la componente tendenciaciclo de la Tabla D12. Adems, esta serie es tambin desestacionalizada mediante la
extraccin de la misma tendencia. Por ltimo, se evala la contribucin relativa de
cada: componente-irregular D13; tendencia-ciclo desestacionalizada; estacionalidad
D10; coeficientes de ajuste a priori; y de cada coeficiente para das hbiles C18.
Comentarios

Para el clculo de las varianzas de esas componentes se utilizan las medias

tericas (
) de: la componente estacional; la componente irregular; los coeficientes para das hbiles; las medias empricas para la serie bruta; la componente
tendencia-ciclo; y de los coeficientes de ajuste a priori.
X-12-A RIMA utiliza la Tabla E3 en tanto que estimacin de la componente
irregular, mientras que X-11-A RIMA emplea con ese fin la Tabla D13.
Ejemplo
Sera fastidioso describir cada etapa de ese clculo que es bastante largo. Nos limitmos a resumir esas etapas. Como el esquema es aqu multiplicativo, nos situamos en
el caso en el que el mtodo de clculo es el ms complejo.
183

Se ajusta la recta
con los mnimos cuadrados habituales al logaritmo de
la componente tendencia-ciclo de la Tabla D12, lo cual es equivalente a ajustar
una tendencia exponencial a la serie D12.

Se desestacionaliza la serie original

y la serie tendencia-ciclo

ante la extraccin de esta tendencia exponencial:
op

op
.

y
medi-
Se dispone as de una serie

descompuesta aqu con 4 componentes inde
pendientes:
,
,
y . Se hace la transformacin logartmica de
esas variables para reducirse a una suma de variables aleatorias independientes,
lo que permite utilizar la siguiente igualdad aproximativa:

Var
Var
Var

Var
Var

Cada una de esas varianzas es calculada ahora utilizando las medias empricas

y
, y la media terica (que es ahora 0 en razn de
para

la transformacin logartmica) para
y
.

Por ltimo, se editan en la Tabla F2F las contribuciones de la varianza de cada

componente a la varianza de la srie original.
I
Total
1.09 5.36 91.50 0.00 1.91 99.86

Tabla 4.158: F2F: Contribucin relativa de las componentes a la varianza de la parte estacional
de la serie original.
4.5.8 Tabla F2G: Correlograma de la componente irregular

Esta tabla presenta las autocorrelaciones de la componente irregular D13, calculadas

para retardos que van desde hasta el nmero de perodos
(o sea para una serie

mensual, y para una serie trimestral). Se calculan las varianzas y las autocorrelaciones con la media terica
. Con
observaciones en la serie se obtiene:

Corr
$

Ejemplo
La media terica es aqu igual a 1. El clculo de las autocorrelaciones hasta el orden
14 lleva a la Tabla F2G (cf. Tabla 4.159, pg. 184).
184
10
11
12
13
14
-0.15 -0.15 0.00 -0.10 0.21 0.00 0.00 -0.07 -0.26 0.05 0.08 -0.05 0.02 -0.08
y
Tabla 4.159: F2G: Autocorrelaciones de la componente irregular.

4.5.9 Tabla F2H: Razones

En esta tabla figuran los valores de las razones
las Tablas D12 y D10, respectivamente.

Razn
Razn
y
que fueron calculados en
final para D12 2.74

final para D10 4.60
Tabla 4.160: F2H: Razones finales

y

.
4.5.10 Tabla F2I: Tests de existencia de estacionalidad

En esta tabla (Tabla F2I, cf. Tabla 4.161, pg. 185) figuran los valores de los test de existencia de estacionalidad que fueron realizados en: la Tabla B1 (cf. pg. 61), test F de
Fisher de estacionalidad estable; y en la Tabla D8 (cf. pg. 142), test F de Fisher de estacionalidad, test de estacionalidad de Kruskal-Wallis, test F de Fisher de estacionalidad
evolutiva.
Comentario
X-11-A RIMA edita tambin el resultado del test de existencia de un efecto ligado a los
das hbiles (Tabla C15, cf. pg. 125).
4.5.11 Tabla F3: Estadsticas de calidad del ajuste
Esta tabla presenta once estadsticas que permiten evaluar la calidad del ajuste estacional. El clculo y la justificacin de las mismas estn detallados en L OTHIAN y
M ORRY [49]. Esas estadsticas varian entre 0 y 3, pero se aceptan slo los valores
inferiores a 1. Se construye un indicador sinttico de la calidad de la desestacionalizacin por combinacin lineal de esas 11 estadsticas23 .
Estadstica M1: Es difcil identificar y extraer una componente estacional si es muy
fuerte la influencia de la componente irregular en la evolucin de la serie. La estadstica M1 evala la contribucin de lo irregular a la varianza total con los resultados de
la tabla F2B. L OTHIAN y M ORRY [49]) han demostrado que, para una serie mensual,
el retardo 3 es el que permite la mejor comparacin de las contribuciones respectivas
23 Se
puede consultar algunos consejos de uso de esas estadsticas en B AXTER [5].
Estadstica PROB
183.698
68.245
498.194
104.780
1.724
Test F de estacionalidad estable (B1)

Test F del efecto para das hbiles (C15)
Test F de estacionalidad estable (D8)
Test de Kruskal-Wallis de estacionalidad estable (D8)
Test F de estacionalidad evolutiva (D8)
185
Estad. (%)
0.000
0.000
0.000
0.000
10.386
Tabla 4.161: F2I: Tests de existencia de estacionalidad.

de las componentes irregular y estacional. Retomando las notaciones de la Tabla F2B
(cf. pg. 180), la estadstica M1 se define as:
$ $

$ $

Esta estadstica, que est asociada a la celdilla de la Tabla F2B, es conside
rada acceptable si no es superior al 10%. M1 es normalizada con un factor 10 (o

dividiendo por 10 el porcentaje de la Tabla F2B).
Estadstica M2: Se calcula esta estadstica, similar a la M1, con la contribucin de la
componente irregular a la varianza de la serie bruta previamente desestacionalizada.
Esta contribucin, en porcentaje, figura en la primera columna de la Tabla F2F. La
estadstica M2 se define as:

Contribucin
Contribucin
Se considera que esa estadstica es aceptable si no es superior al 10%. M2 es normalizada con un factor 10 (o dividiendo por 10 el porcentaje de la Tabla F2F).
Estadstica M3: X-11 estima sucesivamente cada una de las componentes para obtener una desestacionalizacin correcta. En particular, es de desear que en el momento de la extraccin de la componente tendencia-cicloo sea muy importante la
contribucin de lo irregular a la evolucin de la estimacin provisoria de la serie desestacionalizada. En el caso contrario, ser difcil separar esas dos componentes. La
de la Tabla D12, retomado
estadstica M3 evala esa contribucin con la razn
en la Tabla F2H. Se obtiene as:

Estadstica M4: Una de las hiptesis de base que condiciona la validez de los test
de Fisher que se hacen en el transcurso del tratamiento X-11, es que la componente
irregular sea aleatoria. La estadstica M4 prueba la presencia de autocorrelacin con la
duracin media de las secuencias (ADR, Average Duration of Runs) de lo irregular,
que figuran en la Tabla F2D, segn la siguiente frmula:

$

$

186
en donde
es el nmero total de observaciones de la serie.
Estadstica M5: El valor MCD que fue calculado en la Tabla F2E, evala el nmero
de meses que son necesarios para que las variaciones absolutas de la componente
tendencia-ciclo tengan mayor importancia que las de la componente irregular. Esta
estadstica como la M3 permite entonces comparar la importancia de las componentes tendencial e irregular.

El MCD es el nmero de meses tal que:
, para todo
. El valor que
se emplea aqu utiliza la siguiente interpolacin lineal:

Generalmente, se admite que para una serie mensual, este valor no debe ser mayor que
6, lo que permite definir la estadstica M5 de la siguiente manera:

Estadstica M6: X-11 alisa una estimacin de la componente estacional-irregular para

extraer la componente estacional. Por ejemplo, mediante una media mvil
. La
prctica mostr que, si las evoluciones anuales de la componente irregular son dbiles
con respecto a las evoluciones anuales de la componente estacional (la razn I/S es

baja), la media
no es lo bastante flexible como para seguir el movimiento esta
cional. L OTHIAN [47] demostr que esta media
funciona bien para los valores

de la razn I/S comprendidas entre y . La estadstica M6 es deducida de esos
valores y de la razn I/S de la Tabla D10, que son retomados en la Tabla F2H. Se
obtiene as:

Estadstica M7: M7 es el test combinado para la presencia de una estacionalidad

identificable que fue presentado en la seccin 4.3.7. Este test compara con los
tests F de Fisher de la Tabla D8 la contribucin relativa de la estacionalidad estable

(Estadstica ) y de la estacionalidad evolutiva (Estadstica ). La estadstica M2
permite ver si X-11 puede, o no, identificar la estacionalidad. Se obtiene:

Estadsticas M8 hasta M11: Los filtros estacionales empleados por X-11 funcionan ptimamente para las estacionalidades constantes. Pero, si el movimiento estacional evoluciona en el transcurso de los aos, las estimaciones de los coeficientes
estacionales pueden ser ms o menos errneas. Se consideran dos tipos de movimientos: aquel que resulta de variaciones casi aleatorias de corto plazo; y el movimiento
187
debido a evoluciones de ms largo plazo. La importancia del primer tipo de movimiento puede ser evaluada con la media de las evoluciones absolutas anuales (estadsticas
M8 y M10). En cambio, la media simple de las evoluciones anuales da una idea de la
importancia de un movimiento (lineal) sistemtico (estadsticas M9 y M11).
Estas cuatro ltimas estadsticas se calculan con los coeficientes estacionales normalizados. Se aplica a la componente estacional de la Tabla D10, la transformacin:

, en donde se utiliza la media terica
.
Empleando una notacin similar a la de la ecuacin (4.5) de la seccin 4.3.9, el
coeficiente estacional normalizado para la sima observacin del perodo se escribe:

,
,
, en donde el nmero de perodos es
en el caso
trimestral y
en el caso mensual.

Estadstica M8: La amplitud de las variaciones de la componente estacional se

evala con la variacin absoluta media:

$ + +

Si el lmite de tolerancia es de 10%, se obtiene as:

Estadstica M9: Si el lmite de tolerancia es de 10%, se obtiene:

$

+ +
Estadstica M10: Es equivalente a la estadstica M8, medida sobre los aos

recientes:

Estadstica M11: Es equivalente a la estadstica M9, medida sobre los aos

recientes:

$

Estadstica Q: Por ltimo, se calcula una estadstica global de calidad que es una
combinacin lineal de las estadsticas M1 hasta M11. Se obtiene as:

188
Comentarios
En el clculo de las estadsticas M1 y M2, X12-A RIMA utiliza la serie de la
Tabla E3 en tanto que estimacin de la componente irregular, en cambio X-11A RIMA emplea la serie de la Tabla D13.
La estadstica M6 slo tiene sentido cuando se utiliz una media mvil
En el caso contrario, el peso de la misma en la estadstica Q es nulo.

No se utilizan los valores de los dos ltimos aos en el clculo de las estadsticas
M10 et M11.
Las estadsticas M8 hasta M11 se calculan nicamente si la serie es, al menos,
de 6 aos. En el caso contrario, el vector de pesos que permite calcular la estadstica Q es el siguiente: (14, 15, 10, 8, 11, 10, 32, 0, 0, 0, 0).
X-12-A RIMA calcula tambin una estadstica global Q2, la cual se calcula de la
misma manera que la estadstica Q, pero sin tomar en cuenta la M2.
El valor de alguna de esas estadsticas M puede ser mayor que 3. En ese caso,
el programa las toma iguales a 3 para evitar que tengan un impacto demasiado
grande sobre la estadstica global Q.
Ejemplo
Las estadsticas de calidad de nuestro ejemplo se presentan en la Tabla 4.162, que es
la versin adaptada de la Tabla F3 producida por los paquetes estudiados.
Estadstica
Valor
M1
M2
M3
M4
M5
M6
M7
M8
M9
M10
M11
Q
0.108
0.109
0.871
0.029
0.779
0.241
0.111
0.126
0.099
0.163
0.151
0.270
Tabla 4.162: F3: Estadsticas de calidad.
189
Para nuestro ejemplo, se obtiene:

$

$

+
+

El clculo de las otras estadsticas necesita una estandarizacin de los coeficientes

estacionales de la Tabla D10 (cf. pg. 154). Con la frmula siguiente se calcula la
desviacin estndar de esa tabla:

" $

$

.
Luego se estandariza la Tabla D10 con la frmula:

Por ejemplo, el valor del mes de abril de 1986 es:

#

El resultado es la Tabla 4.163 siguiente que contiene los coeficientes estacionales estandarizados.
Ao Ene
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
0.378
0.384
0.393
0.405
0.412
0.420
0.421
0.420
0.416
0.411
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
.
-0.004
-0.012
-0.026
-0.047
-0.068
-0.092
-0.112
-0.126
-0.136
-0.141
.
0.767
0.763
0.755
0.736
0.716
0.691
0.676
0.667
0.667
0.671
.
0.141
0.141
0.145
0.152
0.164
0.173
0.182
0.186
0.188
.
.
-0.216
-0.226
-0.243
-0.256
-0.272
-0.266
-0.254
-0.231
-0.222
.
.
0.333
0.330
0.328
0.315
0.309
0.292
0.286
0.277
0.279
.
.
-0.461
-0.455
-0.447
-0.439
-0.424
-0.402
-0.380
-0.370
-0.368
.
.
-3.219
-3.198
-3.160
-3.097
-3.031
-2.966
-2.924
-2.901
-2.894
.
.
0.191
0.188
0.183
0.182
0.177
0.173
0.168
0.171
0.175
.
1.143
1.142
1.148
1.151
1.165
1.169
1.171
1.154
1.139
1.130
.
0.887
0.882
0.868
0.866
0.849
0.841
0.816
0.795
0.767
0.755
.
0.062
0.072
0.074
0.063
0.039
0.010
-0.013
-0.015
0.002
0.016
.
Tabla 4.163: Coeficientes estacionales estandarizados.
Se deducen de all las evoluciones anuales, retirando en la Tabla 4.163, la lnea

hasta la lnea . As, la evolucin de la estacionalidad entre los meses de abril de
1986 y abril de 1987 es prxima de 0. De esta manera se obtiene la Tabla 4.164 de las
variaciones anuales de los coeficientes estacionales estandarizados (en porcentaje).

190

La estadstica M8 se deduce de la media de los valores absolutos de la Tabla 4.164

(cf. pg. 190) , en realidad esta estadstica es 10 veces esa media, o sea
.
Ao
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
0.612
0.890
1.218
0.655
0.799
0.145
-0.085
-0.471
-0.506
.
-0.867
-1.333
-2.085
-2.095
-2.429
-2.031
-1.391
-0.951
-0.538
.
-0.406
-0.779
-1.902
-2.013
-2.500
-1.527
-0.912
0.030
0.453
.
0.018
0.380
0.761
1.153
0.955
0.922
0.347
0.249
.
.
-1.011
-1.736
-1.306
-1.582
0.594
1.193
2.338
0.870
.
.
-0.302
-0.227
-1.341
-0.568
-1.687
-0.581
-0.884
0.121
.
.
0.577
0.794
0.815
1.539
2.166
2.228
0.971
0.155
.
.
2.089
3.897
6.237
6.638
6.503
4.180
2.342
0.688
.
.
-0.299
-0.425
-0.141
-0.514
-0.400
-0.506
0.341
0.350
.
-0.168
0.636
0.259
1.470
0.370
0.188
-1.651
-1.518
-0.926
.
-0.501
-1.377
-0.232
-1.611
-0.803
-2.491
-2.138
-2.789
-1.255
.
1.003
0.173
-1.103
-2.350
-2.938
-2.254
-0.194
1.640
1.402
.
Tabla 4.164: Variaciones anuales (en %) de los coeficientes estacionales estandarizados.

Igualmente, la estadstica M10 se deduce de la media de los valores absolutos de
los datos de esa tabla, desde abril de 1990 hasta marzo de 1993. M10 es igual a 10

veces esta media, o sea
.
Para calcular M9, se puede por ejemplo hacer la media, multiplicada por 10,
de los valores absolutos de las medias mensuales de esa tabla.
As entonces, la media de la columna del mes de abril es:

Igualmente, se obtiene para los otros meses, en porcentaje:

Ene
Feb
Mar
Abr
May
Jun
Jul Ago
Sep
Oct
Nov
Dic
0.362 -1.525 -1.062 0.598 -0.080 -0.688 1.156 4.072 -0.199 -0.149 -1.466 -0.513
M9 es igual a 10 veces la media de los valores absolutos de esos datos:

Para M11, se hace lo mismo, pero sobre los datos de abril de 1990 hasta marzo de
1993. Lo que lleva al valor 0.151.
Por ltimo, se deduce el valor final de la estadstica Q:

Captulo 5
Modelizacin del efecto de Pascua

Los paquetes X-11-A RIMA y X-12-A RIMA proponen diferentes modelos de correccin del efecto de Pascua que se apoyan en una estimacin de la componente irregular. Ambos programas proponen modelos y metodologas bastante diferentes. Esa es
la razn por la cual no se integr el estudio de esa estimacin en el captulo anterior.
5.1 La Fiesta de Pascua

5.1.1 Un poco de historia
Segn los Evangelios, la resurreccin de Cristo se produjo durante la Pascua juda. Esta fiesta de la tradicin hebraica es celebrada despus del primer plenilunio de primavera, en el transcurso del cual a travs del sacrificio de un cordero 1 se conmemora el xodo de Egipto. La tradicin cristiana quiso conservar los lazos simblicos
entre ese sacrificio y el sacrificio de Jess. Esa es la razn por la cual, en el Concilio
de Nic en 325 de nuestra era, se decidi que la Fiesta cristiana de Pascua sera celebrada el primer domingo siguiente al solsticio de primavera. Desgraciadamente, el
calendario Juliano se fundaba en un ao un poco ms largo que en el calendario actual. Con lo cual, el solsticio de primavera se fue acercando, de ao en ao, a los
1 N.
de R.: Los autores se refieren aqu al siguiente pasaje del Antiguo Testamento:
Habl Jehov a Moiss y a Aarn en la tierra de Egipto, diciendo: Este mes os ser principio de los meses;
para vosotros ser ste el primero en los meses del ao. Habla d a toda la congregacin de Israel, diciendo:
En el diez de este mes tmese cada uno un cordero segn las familias de los padres, un cordero por familia.
Mas si la familia fuere tan pequea que no baste para comer el cordero, entonces l y su vecino inmediato
a su casa tomarn uno segn el nmero de las personas; conforme al comer de cada hombre, haris la
cuenta sobre el cordero. El animal ser sin defecto, macho de un ao; lo tomaris de las ovejas o de las
cabras. Y lo guardaris hasta el da catorce de este mes, y lo inmolar toda la congregacin del pueblo
de Israel entre las dos tardes. Y tomarn de la sangre, y la pondrn en los dos postes y en el dintel de las
casas en que lo han de comer. Y aquella noche comern la carne asada al fuego, y panes sin levadura; con
hierbas amargas lo comern. Ninguna cosa comeris de l cruda, ni cocida en agua, sino asada al fuego;
su cabeza con sus pies y sus entraas. Ninguna cosa dejaris de l hasta la maana; y lo que quedar hasta
la maana, lo quemaris en el fuego. Y lo comeris as: ceidos vuestros lomos, vuestro calzado en vuestros
pies, y vuestro bordn en vuestra mano; y lo comeris apresuradamente; es la Pascua de Jehov. Pues yo
pasar aquella noche por la tierra de Egipto, y herir a todo primognito en la tierra de Egipto, as de los
hombres como de las bestias; y ejecutar mis juicios en todos los dioses de Egipto. Yo Jehov. Y la sangre
os ser por seal en las casas donde vosotros estis; y ver la sangre y pasar de vosotros, y no habr en
vosotros plaga de mortandad cuando hiera la tierra de Egipto.(...) (xodo, 12 La Pascua. [43])
192
Captulo 5: Modelizacin del efecto de Pascua
meses de invierno. Es as que, en 1582, cuando el Papa Gregorio XIII introdujo el calendario en vigor actual, el solsticio de primavera se cumpla prcticamente en el mes
de febrero. Es muy probable que, uno de los principales objetivos de la instauracin
del calendario gregoriano, haya sido el de hacer coincidir la Fiesta de Pascua con la
primavera!
5.1.2 El clculo de las fechas de Pascua
La fijacin con anterioridad de las fechas de Pascua fue objeto de estudio de clebres
matemticos. Incluso el mismo G AUSS propuso con este fin algoritmos interesantes,
pero lastimosamente muy complejos. G ARDNER [25] menciona un algoritmo simple,
propuesto por Thomas H. OB EIRNE [58], que es vlido desde 1900 hasta 2099 incluido:

Sea el ao. Substraer
de ; sea el resultado de la resta.

Dividir por ; sea el resto de esta divisin.

Dividir
por ; sea el resultado de la divisin, del cual se ignora el
resto.

Dividir
por ; sea
el resto de esta divisin.

Dividir

por ; sea

Dividir
le resultado de la divisin, del cual se ignora el resto.

por ; sea
el resto de esta divisin.
La fecha de Pascua es entonces

. Si el resultado es positivo, se trata
del mes de abril, en el caso contrario, se trata del mes de marzo (se interpreta

como el de marzo, como el de marzo y as siguiendo hasta
que es

interpretado como el de marzo).

En la Tabla 5.165 siguiente se presentan las fechas de Pascua de los aos 1985
hasta 1995. Para 1989, por ejemplo, el algoritmo da el siguiente resultado:

y entonces

y entonces

y entonces

y entonces
y entonces

Puesto que el resultado es negativo, en 1989 Pascua acaeci en el mes de marzo,

el da 26
.

Existen otros algoritmos de clculo de las fechas de Pascua, algunos son incluso
ms generales. Se puede consultar esos algoritmos en las obras de M ONTES [54] y de
5.1. La Fiesta de Pascua
193
Ao Fechas de Pascua
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
7 abril
30 marzo
19 abril
3 abril
26 marzo
15 marzo
31 marzo
19 abril
11 abril
3 abril
16 abril
Tabla 5.165: Fechas de Pascua para los aos 1985 hasta 1995.

T NDERING [65]. En el calendario gregoriano, la sucesin de las fechas de Pascua se

repite, cada
aos. En la Figura 5.1 (cf. pg. 193), se representa la distribucin
de esas fechas en un ciclo completo. Ntese que el Domingo Pascual acaece mucho

ms a menudo en el mes de abril
que en el mes de marzo
.

22
26
29
10
13
16
19
22
25

Figura 5.1: Distribucin de las fechas de Pascua, entre el 22 de marzo y el 25 de abril,

en un ciclo completo de
aos.
5.1.3 Pascua y la desestacionalizacin

Porqu nos tenemos que interesar en la Fiesta de Pascua en el marco del anlisis de
series temporales y de la desestacionalizacin?
Simplemente porque Pascua produce un cambio de nivel de actividad en numerosos
sectores: el Viernes Santo y el Lunes de Pascua son asuetos; se modifican los hbitos
alimenticios (chocolate, carne de cordero,...); etc. Adems, el Domingo Pascual puede
acaecer tanto en el primer trimestre como en el segundo. Lo ms temprano que puede
194
acaecer el Domingo de Pascua es el 22 de marzo (la ltima vez que esto ocurri fue
en 1818 y la prxima vez ser en 2285) y lo ms tarde es el 25 de abril (la ltima
vez que esto ocurri fue en 1943 y la prxima vez ser en 2038). De modo que, los
efectos potenciales de esta fiesta, no estn completamente tomados en cuenta en la
estacionalidad de una serie.
Los modelos que fueron elaborados para tomar en cuenta el efecto de Pascua dependen de la naturaleza de la serie.
En 1997 el Domingo de Pascua acaeci en el mes de marzo (el 30). Es el ltimo
ao en que esto acontece desde 1991, en el que Pascua se festej el 31 de marzo.
En el caso de las ventas anuales de automviles, por ejemplo, la variacin observada entre marzo y abril de 1997, no es comparable a las variaciones observadas
entre los mismos meses de los aos precedentes. O bien, se observa que se registr, relativamente, un mayor nmero de casamientos en marzo de 1997. Para
esas series, el impacto de Pascua positivo o negativo es inmediato, es decir
que el mismo se concentra sobre el mes en el cual acaece Pascua.
Para otras series, las variaciones ligadas a Pascua pueden hacerse sentir durante
el feriado pascual, pero tambin durante los das o las semanas precedentes. Ese
efecto es llamado gradual. Se lo observa por ejemplo en las ventas de chocolate,
de flores, etc. En este caso, el efecto constante depende no solamente del hecho
que Pascua sea en marzo o en abril, sino tambin de la fecha en la cual acaece
en el mes de abril. Las cifras del mes de marzo sern tanto ms afectadas si la
Pascua se festeja en los primeros das del mes de abril.
Por ltimo, se pueden estimar los efectos de Pascua sobre los datos brutos mediante los modelos de regresin con errores A RIMA, o bien sobre una estimacin
preliminar de la componente irregular obtenida despus de haber eliminado los otros
efectos presentes en la serie (tendencia, estacionalidad, efectos de das hbiles, etc.).
El primer enfoque no es propuesto ms que en X-12-A RIMA, mediante su mdulo
Reg-A RIMA (F INDLEY e alii. [22]). El segundo enfoque es disponible en ambos paquetes X-11-A RIMA y X-12-A RIMA. Presentamos a continuacin los modelos que se
utilizan en este segundo enfoque.
Podemos distinguir los seis modelos siguientes:
Los 3 modelos propuestos por X-11-A RIMA, que estiman el efecto de Pascua
con la componente irregular de la Tabla D13: el modelo a efecto puntual; el
modelo a efecto puntual corregido; y el modelo a efecto gradual.
Los 3 modelos propuestos por X-12-A RIMA: el modelo de Bateman-Mayes,
que estima el efecto de Pascua con la Tabla D13; y los dos modelos a efecto
gradual, (Sceaster y Easter), los cuales estiman el efecto de Pascua con
las estimaciones de lo irregular de las Tablas B13 y C13 (cuando es debido, esa
estimacin se hace al mismo tiempo que los efectos de das hbiles).
Las componentes irregulares de la Tabla B13 (cf. Tabla 4.50, Seccin 4.1.12) y de
la Tabla D13 (cf. Tabla 4.140, Seccin 4.3.14) nos permitirn ilustrar esos diferentes
modelos.
5.2. Los modelos utilizados en X-11-A RIMA
195
5.2 Los modelos utilizados en X-11-A RIMA

Hemos visto anteriormente que es ms frecuente que Pascua se festeje en el mes de
abril. En los modelos que veremos a continuacin, este acaecer es considerado normal: si se detecta un efecto de Pascua, slo sern corregidos los datos de los aos
en los cuales Pascua afecta el mes de marzo. Esta correccin afectar los meses de
marzo y abril de los aos concernidos. Adems, como es de desear que el nivel de la
serie no se modifique, la correccin se har de manera tal que la suma de los coeficientes correctores sea igual a 0 (en el caso de un esquema aditivo) o a 2 (en el caso
de un esquema multiplicativo).
Por ltimo, ntese que cuando se trabaja con las estimaciones de la componente
irregular de la Tabla D13, se estima un efecto de Pascua residual.
5.2.1 El modelo a efecto puntual
El modelo a efecto puntual que presentamos a continuacin es una versin simplificada de los modelos que estn disponibles en los programas actuales.
Modelo y estimacin de los efectos

Sea
el valor de la componente irregular de la Tabla D13 que corresponde al
mes del ao .
y son los valores de la componente irregular de los

aos disponibles. Designamos2
meses de abril y de marzo, para los
sus diferencias.

Sea el nmero de das entre el Domingo de Pascua del ao y el 22 de marzo

(la fecha ms precoz de esta fiesta) y sea
la funcin definida as:

si
(Pascua acaece en marzo)

si
(Pascua acaece en abril)

A pesar de que la variable y la funcin
no intervienen siempre
explcitamente en los clculos relativos al modelo a efecto puntual, ambas permiten uniformizar la presentacin de los diferentes modelos, lo cual facilita la
comparacin de los mismos.
El efecto de Pascua se puede obtener explicando los valores de lo irregular con

la variable , es decir evaluando el impacto sobre lo irregular del hecho que Pascua
acontezca en el mes de marzo. Se obtiene entonces los siguientes modelos:

en donde: y
evalan el impacto de Pascua sobre los valores de los meses de
marzo y abril; y son los trminos de los errores de las regresiones. Para preservar

el nivel de la serie,
y
deben verificar que

.
2 Empleamos

en este captulo la notacin habitual de la regresin lineal.
196
De modo que, haciendo la diferencia entre esos modelos, se obtiene:

Se considera que el parmetro expresa un efecto medio de la Fiesta de Pascua

sobre la diferencia entre los irregulares. Es decir que ese parmetro expresa la
diferencia estructural entre los meses de marzo y de abril (o entre el primer y
el segundo trimestre). En principio, los datos de la Tabla D13 no presentan ni
tendencia ni estacionalidad. Tericamente, el parmetro debe ser nulo y su
estimacin debe ser prxima de cero.
El parmetro es el efecto suplementario debido al hecho que Pascua acaece

en marzo. De modo que es esta cantidad la que evala el efecto especfico a la
Fiesta de Pascua.
Sea el estimador del parmetro ; bajo la hiptesis de conservacin del nivel de

la serie, los coeficientes correctores que se aplican son los siguientes:

Esquema aditivo Esquema multiplicativo

Mes de marzo
Mes de abril

Slo sern corregidos los datos de los aos en los cuales Pascua acaece en marzo

y para los cuales
no ser nulo.

Se puede calcular explcitamente el estimador de , que se obtiene con los mnimos cuadrados habituales 3 .

Sean y
el nmero de aos en los cuales Pascua acaece, respectivamente,

.
en el mes de marzo y en el mes de abril. Claro est, tenemos que

Sean
y
las sumas de los valores
de los aos en los cuales Pascua
acaece, respectivamente, en el mes de marzo y en el mes de abril.
Se verifica fcilmente que:

Es evidente que debera ser prximo de cero. Efectivamente, el caso en el que

Pascua acaece en abril corresponde a la situacin normal en la cual el efecto de
Pascua de esos aos est comprendido en la estacionalidad, sin afectar los valores de
lo irregular de los meses de marzo y abril de esos mismos aos. Tericamente, estos
valores tienen media 0 o 1 (segn el esquema de composicin adoptado), con lo cual
la diferencia entre los mismos es nula. En consecuencia, se obtiene:

3 Con

.

!
las frmulas conocidas de mnimos cuadrados habituales:

;
;
siendo:
;
197
Por ltimo, con un test F de Fisher se puede someter a prueba la presencia de un

efecto de Pascua en una serie.
Ejemplo
Ao
Fecha de Pascua
1986
1987
1988
1989
1990
1991
1992
1993
1994
30 marzo
19 abril
3 abril
26 marzo
15 abril
31 marzo
19 abril
11 abril
3 abril

8
28
12
4
24
9
28
20
12
1
0
0
1
0
1
0
0
0
0.99099
1.00837
1.00020
0.97009
1.00315
0.99502
1.00018
1.00691
0.99280

1.06850
0.99721
0.99587
1.02498
0.99900
1.00659
1.00294
0.97966
0.99774
0.07751
-0.01116
-0.00433
0.05489
-0.00415
0.01156
0.00276
-0.02726
0.00494
Tabla 5.166: Efecto de Pascua, datos del modelo a efecto puntual.

nicamente los datos de 1986 hasta 1994 permiten calcular la diferencia entre los
irregulares de marzo y abril (cf. Tabla 5.166, pg. 197). Se deduce de esos datos:

En la Tabla 5.167 (cf. pg. 198) se presentan los resultados del anlisis de la varianza y del test F asociados a esta regresin. Se considera que el efecto de Pascua es
significativo, al nivel de confianza de 1%.
Los coeficientes correctores sern nulos para los aos en los que Pascua acaece en
el mes de abril. Como el modelo es multiplicativo, para los aos en los que Pascua
acaece en el mes de marzo, los coeficientes correctores son los siguientes:

para los datos del mes de abril;

para los datos del mes de marzo.
Lo que conduce a los coeficientes de la Tabla A11.

5.2.2 El modelo a efecto puntual corregido
X-11-A RIMA incluye un modelo a efecto puntual corregido, elaborado en la Oficina
Australiana de Estadstica (L AKER [44, 45]). Este modelo es algo diferente del precedente. Toma en cuenta el caso especfico en el que el fin de semana pascual acaece en
marzo y en abril. Es decir que el Domingo de Pascua es el 31 de marzo, el 1 o el 2 de
abril. En ese caso, se admite que ambos meses estn afectados por la fiesta pascual y
se considera entonces que el efecto de Pascua representa la mitad del efecto observado
cuando el fin de semana pascual acaece plenamente durante el mes de marzo.
198

Efecto de Pascua
Error
Total
0.0059
0.0029
0.0089
1
7
0.0059
0.0004
PROB F
14.2262
0.0070
Tabla 5.167: Efecto de Pascua, Test F del modelo a efecto puntual.

Ao
Marzo
Abril
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
97.274
100.000
100.000
97.274
100.000
97.274
100.000
100.000
100.000
100.000
.
102.726
100.000
100.000
102.726
100.000
102.726
100.000
100.000
100.000
.
Tabla 5.168: A11 : Efecto de Pascua, modelo a efecto puntual, valores para los meses
de marzo y abril (para los otros meses: 100).
Modelo
, en donde:

, el valor de la componente irregular de la Tabla D13 que

corresponde al mes del ao , y son los valores de la componente
aos disponibles, y
irregular de los meses de abril y marzo, de los
son sus diferencias.

Sea el nmero de das entre el Domingo de Pascua del ao y el 22 de marzo

la variable
(que es la fecha ms precoz para esta fiesta) y sea
definida con:

en el mes de marzo)
sisi (Pascua
(Pascua a horcajada entre marzo-abril)
si
(Pascua en el mes de abril).
Se formula el modelo de la siguiente manera:
Se puede calcular explcitamente el valor de .

Sean:
y , el nmero de aos en los cuales Pascua acaece, respectivamente, en el mes de marzo, a horcajadas entre marzo-abril y en el mes de

.
abril. Claro est, se obtiene:

Sean:
y
, las sumas de los valores para los aos en los cuales
Pascua acaece, respectivamente en el mes de marzo, a horcajadas
entre marzo

abril y en el mes de abril ; y sea
.

199

Se obtiene entonces:

siendo,

Tal como lo hace el programa X-11-A RIMA, aqu tambin se puede someter a
prueba la presencia de un efecto de Pascua con un test F de Fisher.
Estimacin de los efectos para un esquema aditivo
Para un esquema aditivo, la estimacin de las correcciones es, naturalmente, la misma
que la precedente:

Esquema aditivo

Mes de marzo
Mes de abril

De modo que, para un ao en el cual Pascua acaece a horcajadas entre marzo-abril,

la correccin ser la mitad ms dbil que la correccin que es introducida en el caso
de un ao en el cual Pascua se festeja en el mes de marzo.
Estimacin de los efectos para un esquema multiplicativo
En el caso de un esquema de composicin multiplicativa, el programa impone una
correccin suplementaria.
Para los aos en los que
Pascua acaece en el mes de abril y slo para
esos

aos designamos con
la media de los irregulares de abril ( ) y con
la

media de los irregulares de marzo ( ).
Entonces, los efectos correctores aplicados estn definidos as:

Esquema multiplicativo
Mes de marzo
Mes de abril
En la presentacin terica del modelo hecha por L AKER [44, 45], se estima el
efecto de Pascua con una estimacin de la componente estacional-irregular. En consecuencia, tal como lo hemos visto anteriormente, L AKER admite que:

o sea, haciendo la diferencia,

en donde:
200
y
designan los valores de la componente estacional-irregular para

los meses de marzo y abril,
es el efecto de Pascua,

es la media terica de la componente estacional-irregular para un mes de

marzo normal, es decir que no es afectado por un efecto de Pascua,

et
es la media terica de la componente estacional-irregular para un mes
de abril normal, es decir que no es afectado por un efecto de Pascua.

En esas condiciones, si es la estimacin de las diferencias extrada del modelo,

para el mes de marzo por ejemplo, tendremos (en el caso de un esquema multiplicativo):

o sea:
y entonces, la razn siguiente:

permite pasar de un valor de la componente estacional-irregular afectado por el efecto

de Pascua, hacia un valor corregido de dicho efecto. Desgraciadamente, la cantidad
es desconocida. L AKER propuso estimar esa cantidad con la media de los valores
de la componente estacional-irregular de los meses de marzo de los aos en los cuales
Pascua acaece en abril (es decir, de los meses de marzo normales).
Se propuso seguir la misma idea para corregir los valores de la componente estacional-irregular de los meses de abril.
En nuestro caso, la estimacin del efecto de Pascua se hace con las estimaciones de
la componente estacional-irregular. Por eso, siguiendo la propuesta de L AKER, adoptamos el mismo principio de correccin, lo que nos lleva a las frmulas del prrafo
precedente.
En realidad, esta correccin puede en nuestro ejemplo ser considerada superflua. Efectivamente, es intil estimarla puesto que se conoce la media terica de lo
irregular que, en nuestro caso, es igual a 1.

Ejemplo
Se pueden obtener los resultados de este ejemplo ejecutando las instrucciones siguientes en X-11-A RIMA:
DATA ipi
12 85 10 ;
..... (los datos) ....
;
Ao
Fecha de Pascua
1986
1987
1988
1989
1990
1991
1992
1993
1994
30 marzo
19 abril
3 abril
26 marzo
15 abril
31 marzo
19 abril
11 abril
3 abril
201

8
28
12
4
24
9
28
20
12
1
0
0
1
0
0.5
0
0
0
0.99099
1.00837
1.00020
0.97009
1.00315
0.99502
1.00018
1.00691
0.99280

1.06850
0.99721
0.99587
1.02498
0.99900
1.00659
1.00294
0.97966
0.99774
0.07751
-0.01116
-0.00433
0.05489
-0.00415
0.01156
0.00276
-0.02726
0.00494
Tabla 5.169: Efecto de Pascua, datos del modelo a efecto puntual corregido.
TITLE ipi;
RANGE 12 85 10 95 3 ;
SA (ipi, 0 ,1) TDR 2 EASTER 1 CHART 1 PRTDEC 3 PRINT 5;
END;

Los datos son los mismos que los del ejemplo presentado en la Seccin 5.2.1.

para el ao 1991, en el cual el Domingo de Pascua fue
Slo cambia la funcin
el 31 de marzo, o sea que ese ao el fin de semana pascual se produjo a horcajadas
entre marzo y abril (cf. Tabla 5.169).
Se obtiene as:

En la Tabla 5.170 se presentan los resultados del anlisis de la varianza y del test
de Fisher asociados a esta regresin. En consecuencia, se considera que el efecto de
Pascua es significativo.
Efecto de Pascua
0.0076
0.0076
Error
0.0012
0.0002
Total
0.0089
PROB F
43.8393
0.0003
Tabla 5.170: Efecto de Pascua, Test F para el modelo a efecto puntual corregido.
Puesto que en nuestro ejemplo adoptamos un esquema multiplicativo, para calcular los coeficientes correctores se necesita conocer las medias de los irregulares de los
aos para los cuales Pascua acaece en el mes de abril.
202

Se obtiene:
Los efectos correctores que se aplican son los siguientes:

Pascua en el mes de marzo

Mes de marzo
Mes de abril

!

Pascua a horcajadas en marzo-abril

Mes de marzo

Mes de abril

Lo que, con el programa X-11-A RIMA, conduce a la Tabla A11 (cf. Tabla 5.171).
Ao
Marzo
Abril
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
96.501
100.000
100.000
96.501
100.000
98.250
100.000
100.000
100.000
100.000
.
103.522
100.000
100.000
103.522
100.000
101.761
100.000
100.000
100.000
.
Tabla 5.171: A11 : Efecto de Pascua, modelo a efecto puntual corregido de X-11A RIMA, valores para los meses de marzo y abril (para los otros meses: 100).
5.2.3 El modelo a efecto gradual
La fiesta pascual puede tambin tener un cierto efecto sobre los das que preceden la
celebracin de Pascua. Por ejemplo, como es habitual que en ese perodo se ofrezca
y se consuma chocolate, o se ofrezcan flores, esos sectores econmicos adaptan la
produccin para poder responder a la demanda que se produzca a medida que se acerca
la fecha de Pascua.
203
Modelo y estimacin de los efectos

En el modelo a efecto gradual, se admite que el efecto vara linealmente durante los
das ( puede tomar el valor 1 hasta 9) que preceden el Domingo de Pascua.

Sean
y
, los valores de la componente irregular de los

meses de marzo y abril de la Tabla D13 (cf. pg. 169) para los aos disponibles,

sus diferencias.
y sean
y el 22 de
la funcin
Sea el nmero de das entre el Domingo de Pascua del ao

marzo (que es la fecha ms precoz para esta fiesta) y sea
definida de la siguiente manera:

si
si
si

(Pascua en marzo)
(Pascua en abril, antes del da )
(Pascua en abril, el da o despus)
El efecto de Pascua es estimado as, con los mnimos cuadrados habituales, medi
ante el siguiente modelo:
. No se utilizan en ese modelo los datos
de los aos en los cuales Pascua acaece entre el 1 y el del mes de abril.

Se puede calcular explcitamente el valor , utilizando los resultados del modelo

a efecto puntual estimado sobre los aos para los cuales
(o bien

). Ese modelo se formula as:

y
el nmero de aos en los cuales Pascua acaece, respectivamente, en
el mes de marzo y al fin del mes de abril,

e
la suma de los valores para los aos en los cuales Pascua acaece,
respectivamente, en el mes de marzo y al fin del mes de abril,
se obtiene entonces de inmediato que:

Se aplican ahora los siguientes coeficientes correctores:

Esquema aditivo Esquema multiplicativo

Mes de marzo
Mes de abril

Comentarios
Con el paquete X-11-A RIMA, el utilizador puede pedir que se elija automticamente el valor ptimo de , seleccionado entre los valores posibles, desde
1 hasta 9. En ese caso, el algoritmo selecciona el valor que conduzca al ms
pequeo error cuadrtico medio.
204

El utilizador puede pedir que el programa excluya los valores atpicos antes de
estimar el modelo. Esta opcin concierne nicamente los valores de los aos en
los cuales Pascua acaece en el mes de abril. Generalmente, son muy pocos los
aos en los cuales Pascua se festeja en el mes de marzo, de modo que no se
pueden identificar correctamente los valores atpicos para esos aos.

1. Se calcula la desviacin estndar de los valores
para los aos en los
cuales Pascua acaece el de abril o despus:

$
" $

2. Y se excluyen los valores de esos aos tales que:
(5.1)

Ese modelo es muy similar al modelo Sceaster (cf. Seccin 5.3.2) utilizado en
X-12-A RIMA, con una pequea diferencia: aqu la estimacin se hace de otra
manera.
Ejemplo
Supongamos por ejemplo que

. Los datos figuran a continuacin, en la Tabla 5.172
(cf. pg. 204).
Se pueden obtener los resultados de este ejemplo ejecutando las instrucciones
siguientes:
DATA ipi
12 85 10 ;
..... (los datos) ....
;
TITLE ipi;
RANGE 12 85 10 95 3 ;
SA (ipi, 0 ,1) TDR 2 EASTER 4 BUILDUP 5 EASTXM 0
CHART 1 PRTDEC 3 PRINT 5;
END;

Ao Fecha de Pascua

1986
1987
1988
1989
1990
1991
1992
1993
1994
30 marzo
19 abril
3 abril
26 marzo
15 abril
31 marzo
19 abril
11 abril
3 abril
8
28
12
4
24
9
28
20
12
1
0
0.4
1
0
1
0
0
0.4

0.99099
1.00837
1.00020
0.97009
1.00315
0.99502
1.00018
1.00691
0.99280

1.06850
0.99721
0.99587
1.02498
0.99900
1.00659
1.00294
0.97966
0.99774
0.07751
-0.01116
-0.00433
0.05489
-0.00415
0.01156
0.00276
-0.02726
0.00494
Tabla 5.172: Efecto de Pascua, datos del modelo a efecto gradual (

).

Los aos en los que Pascua acaece el 1 , el 2, el 3 o el 4 de abril estn afectados
con un peso diferente: 0 o 1. Es el caso de los aos 1988 y 1994, en los cuales Pascua
205
). Para esos aos, el valor de es:

La regresin se hace sobre los datos para los cuales
(Pascua en el

mes de marzo) o bien
(Pascua despus del 4 de abril), o sea 7 aos.
Se obtiene:

fue el 3 de abril (
Adems es igual a la media de las diferencias para los aos en los cuales Pascua
acaece despus del 4 de abril. De modo que:

En la Tabla 5.173 se presentan los resultados del anlisis de la varianza y del test F
de Fischer asociados a esta regresin. En consecuencia, el efecto de Pascua es considerado significativo.
Efecto de Pascua
0.0058
0.0058
Error
0.0027
0.0005
Total
0.0085
PROB F
10.4940
0.0230
Tabla 5.173: Efecto de Pascua, Test F para el modelo a efecto gradual (

).
Puesto que en nuestro ejemplo adoptamos un esquema multiplicativo, los coeficientes correctores correspondientes figuran en la tabla siguiente.

Pascua en el mes de marzo (86, 89, 91)

Mes de marzo

Mes de abril
Mes de marzo
Mes de abril

Pascua el 3 de abril (88, 94)

Para un valor de igual a 5, se obtiene as la Tabla A11 (cf. Tabla 5.174, pg. 206).

Los valores estimados para las diferencias son ahora los datos de
. Se puede as evaluar los errores de previsin para los aos en los cuales Pascua
206
Ao
Marzo
Abril
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
97.103
100.000
98.841
97.103
100.000
97.103
100.000
100.000
98.841
100.000
.
102.897
100.000
101.159
102.897
100.000
102.897
100.000
100.000
101.159
.
Tabla 5.174: A11: Efecto de Pascua, modelo a efecto gradual de X-11-A RIMA,
valores para los meses de marzo o abril (para los otros meses: 100).

acaece en el mes de abril. En la Tabla 5.175 se presentan estos errores. Para

media de los cuadrados de esos errores es igual a
.

Ao
1987
1988
1990
1992
1993
1994

-0.01116
-0.00433
-0.00415
0.00276
-0.02726
0.00494
0
0.4
0
0
0
0.4
0
0.02318
0
0
0
0.02318
-0.00995
0.01322
-0.00995
-0.00995
-0.00995
0.01322
Tabla 5.175: Efecto de Pascua, modelo a efecto gradual,

, la
-0.001206
-0.017553
0.005800
0.012709
-0.017303
-0.008284
, errores de previsin.
Seleccin ptima de la duracin

Si se solicita que el programa elija el valor ptimo, ste adopta el criterio del
error cuadrtico y selecciona el valor de que minimice esa cantidad.
En nuestro ejemplo, seran elegidos los valores que figuran en la Tabla 5.176

(cf. pg. 207). Para
se obtiene el valor mnimo.

, para los aos que nos interesan
Para igual a 1, 2 o 3, las funciones
(1986 hasta 1994), sern iguales y los resultados de las regresiones sern idnticos. Es
por eso que los 3 primeros errores cuadrticos son idnticos.

Se toma en cuenta los valores atpicos

Como vimos precedentemente,

y la desviacin estndar

de los valores
de la Tabla 5.177 (cf. pg. 207) se calculan, para los aos en
los que Pascua acaece el 5 de abril o despus (i.e.
), utilizando la frmula (5.1)
(cf. pg. 204):
$

" $

De modo que ningn valor se aleja de la media, en valor absoluto, en ms de
5.3. Los modelos de X-12-A RIMA
207
Error 0.01132 0.01132 0.01132 0.00958 0.01455 0.02065 0.02639 0.03144 0.03581

Tabla 5.176: Efecto de Pascua, modelo a efecto gradual, errores cuadrticos para diversos valores de (
).

-0.011159
-0.004152
0.002757
-0.027256

0
0
0
0
0.0001245
0.0000172
0.0000076
0.0007429

$

0.0012063
0.0058004
0.0127093
0.0173034
Tabla 5.177: Efecto de Pascua, modelo a efecto gradual, deteccin de los valores atpicos.

2 desviaciones estndar (o sea
) y entonces no se excluye ningn punto de la

regresin.
5.3 Los modelos de X-12-A RIMA

X-12-A RIMA propone algunos modelos de correccin del efecto de Pascua que son
diferentes de los que estn incluidos en X-11-A RIMA. Los modelos Sceaster y Easter
evalan el efecto de Pascua con las estimaciones de la componente irregular de las
Tablas B13 y C13. Slo el modelo de Bateman-Mayes [4] emplea los datos de la Tabla
D13.
El modelo Sceaster es muy parecido al modelo a efecto gradual que es disponible
en X-11-A RIMA y que fue discutido anteriormente (cf. Seccin 5.2.3). El modelo
Sceaster como los modelos de X-11-A RIMA considera normal la situacin en la
cual Pascua acaece en el mes de abril y slo corrige los datos de los aos en los que
Pascua afecta el mes de marzo. No es lo que hace el modelo Easter ni el modelo de
Bateman-Mayes, los cuales como lo veremos a continuacin corrigen los datos
de los meses de marzo, de abril y de febrero (eventualmente).
5.3.1 El modelo de Bateman-Mayes
El modelo de Bateman-Mayes se utiliza nicamente en el caso de un esquema de
composicin multiplicativa.
Modelo y estimacin
El efecto de Pascua se estima en las siguientes etapas, con los valores de la componente irregular de la Tabla D13 (cf. pg. 169), para los meses de marzo y abril:

Sean
y
, los valores de la componente irregular de la

Tabla D13 para los aos disponibles. Se transforman los valores de los meses

de abril utilizando las variables
y
.

208
Sea el nmero de das que separa el Domingo de Pascua del 22 de marzo, para
un ao dado.

$
'
'

Los aos se reparten en 4 grupos definidos en funcin de :
'
'
desde el 22 de marzo hasta el o de abril.

desde el 2 de abril hasta el 8 de abril.
grupo,
se calculan ahora las medias truncadas del conjunto de valores
En cada
y :
es la media de los valores del grupo '

; Es calculada
La media truncada

eliminando los valores que se alejan de la media simple del grupo en ms de dos

'
desviaciones estndar. La media truncada
, para el grupo , es calculada
de la misma manera.
Las medias truncadas
$ y
se calculan en varias etapas:
$ y , las medias simples de los grupos ' $ y ' .

de correccin del efecto de Pascua
Los coeficientes preliminares
1. Sean:
para el mes de marzo, que corresponden a cada observacin , son calculados as:

si

si

si

$

$#

El factor preliminar de correccin para el mes de abril (observacin

es deducido de all con
.
)

$

Las medias truncadas
y
son las medias de los valores de los
'
$
'

grupos
y
que no se alejan ms de dos desviaciones estndar de los
2. Se calculan los errores cuadrticos medios de los coeficientes correctores

y para

preliminares para
.
valores de los factores preliminares que les fueron afectados.

De modo que el efecto de Pascua para un mes de marzo se calcula as:

$

$#

si
si
si
si
si

Para el mes de abril

, tendremos
meses, el coeficiente corrector ser igual a 1.

, y para los otros
La funcin que asocia al efecto de Pascua para un mes de marzo es, entonces,
una funcin lineal por intervalos.
209
Esos coeficientes correctores deben luego ser ajustados, para tener en cuenta
la estacionalidad de Pascua, puesto que algunas fechas son ms frecuentes que
otras (cf. Figura 5.1, pg. 193). Para eso, se calcula la cantidad:

en donde
es la proporcin de aos en los cuales Pascua acaece el simo
da despus del 22 de marzo. A continuacin, en la Tabla 5.178 se presentan los
valores de
, calculados sobre el perodo 1583-1982, que son utilizados por
X-12-A RIMA.
k
0
1
2
3
4
5
6
w(k) 0.0100 0.0150 0.0050 0.0175 0.0300 0.0325 0.0250
k
7
8
9
10
11
12
13
w(k) 0.0300 0.0300 0.0400 0.0375 0.0350 0.0250 0.0275
k
14
15
16
17
18
19
20
w(k) 0.0425 0.0425 0.0275 0.0300 0.0225 0.0400 0.0425
k
21
22
23
24
25
26
27
w(k) 0.0325 0.0300 0.0350 0.0300 0.0425 0.0375 0.0350
k
28
29
30
31
32
33
34
w(k) 0.0300 0.0250 0.0350 0.0300 0.0100 0.0100 0.0100
Tabla 5.178: Efecto de Pascua, proporcin de aos en los cuales Pascua acaece el
simo da despus del 22 de marzo; calculados sobre el perodo 1583-1982.
Las estimaciones finales de los coeficientes correctores del efecto de Pascua son
entonces las siguientes:

si es un mes de marzo
si es un mes de abril
en el caso contrario.
Ejemplo
Se pueden obtener los resultados de este ejemplo, ejecutando las siguientes instrucciones:
series{ data=(115.7 109.8 .... 130.2)
start= 1985.10
period= 12
print=none
decimals=3}
X11 {mode=mult
print=(all)
x11easter=yes
print1stpass=yes }
X11regression { variables=td
210
print=(all)}
Los datos brutos (Tabla D13) y los datos transformados, figuran en la Tabla 5.179.
Por ejemplo, el dato transformado para el mes de abril de 1987 es calculado as:

#

Datos brutos
Datos transformados
Ao
Marzo
Abril
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
99.099
100.837
100.020
97.009
100.315
99.502
100.018
100.691
99.280
100.038
106.850
99.721
99.587
102.498
99.900
100.659
100.294
97.966
99.774
.
8 (G1)
28 (G4)
12 (G2)
4 (G1)
24 (G3)
9 (G1)
28 (G4)
20 (G3)
12 (G2)
25 (G4)
Marzo
Abril
0.99099
1.00837
1.00020
0.97009
1.00315
0.99502
1.00018
1.00691
0.99280
1.00038
0.93150
1.00279
1.00413
0.97502
1.00100
0.99341
0.99706
1.02034
1.00226
.
$

Tabla 5.179: Efecto de Pascua, datos para el modelo de Bateman-Mayes.

' ' ' y ' de los valores :
Se deducen los subconjuntos
'

$
'

'
'
Esos grupos tambin estn sealados en la Tabla 5.179.

Clculo de
.
'
Los datos de
son los siguientes:

marzo
abril
8 0.99099 0.93150
4 0.97009 0.97502
y

La media
9 0.99502 0.99341
y la desviacin estndar de esos seis valores son:
. La matriz de diferencias absolutas a es:
marzo

abril
0.01498 0.04451
0.00591 0.00098

0.01902 0.01741

Slo el primer valor de abril (
) se aleja en ms de dos desviaciones es

tndar de la media
(desvo de
). En consecuencia, debe ser eliminada del
211
clculo final. Se obtiene as:

Clculo de
.
'
Los datos para
son los siguientes:
marzo
abril
28 1.00837 1.00279
28 1.00018 0.99706
25 1.00038
y

La media

y la desviacin estndar de esos cinco valores son:

. La matriz de diferencias absolutas a es la siguiente:
marzo
abril
0.00661 0.00103
0.00158 0.00469
0.00136
Como aqu ningn punto fue considerado atpico, el valor de
$

Clculo de
y de
' y .para '
Los datos para
'
son los siguientes:
2-abril
es 1.00176.

'
marzo
marzo
2-abril
12 1.00020 1.00413 24 1.00315 1.00100

12 0.99280 1.00226 20 1.00691 1.02034
$ y
medias simples de esos dos grupos de 4 valores son
Las
. Las estimaciones preliminares de los efectos para los meses de marzo y de
abril son las siguientes:
'
marzo
$
'
abril
marzo

abril
12 0.99238 1.00762 24 1.00328 0.99672

12 0.99238 1.00762 20 1.00671 0.99329
212

$ ),
'
$
!

De modo que, para
(datos de

$

$

Del mismo modo, para los datos de G3, tenemos:

Las matrices de los desvos absolutos a las estimaciones preliminares de los efectos son las siguientes:
'
marzo
'
abril
marzo
abril
12 0.00782 0.00349 24 0.00013 0.00428

12 0.00043 0.00537 20 0.00020 0.02705
$ :
" $
$ $ $
Se deducen de all los errores cuadrticos medios. Para
$

!
Para
$

:
$ $ $ $
" $

$
213

Como ningn punto es considerado atpico, las medias de cada grupo son las me
.
dias simples:
y
Clculo de los efectos de Pascua.
Esos efectos se calculan de la siguiente manera:
'
Para los datos de

abril son iguales a
'
, los efectos de marzo son iguales a

( ) y los de

.

de marzo son iguales a

(1.00176) y los de
, los efectos
.
' $ y de ' , los efectos son iguales a los afectos preliminares
Para los datos de
Para los datos de
abril son iguales a
que fueron calculados precedentemente, puesto que no se detect ningn valor

atpico.
efectos de Pascua para todo valor de , con las medias
y calcular

Se $ puede
. En lalosFigura
5.2 se presenta la curva de esos efectos.
100.5
100.0
99.5
99.0
98.5
M22
M27
A01
A06
A11
A16
A21
A25
Figura 5.2: Efecto de Pascua de Bateman-Mayes segn la fecha de Pascua (desde el 22

de marzo hasta el 25 de abril).
Se puede entonces calcular el coeficiente de ajuste ligado a la distribucin de las

fechas de Pascua:

y los efectos corregidos que figuran en la tabla siguiente. Por ejemplo:

214
Ao
Efecto de Pascua Efecto de Pascua ajustado

marzo
abril
marzo
abril
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
98.491
100.176
99.238
98.491
100.328
98.491
100.176
100.671
99.238
100.176
101.509
99.824
100.762
101.509
99.672
101.509
99.824
99.329
100.762
99.824
98.770
100.460
99.519
98.770
100.613
98.770
100.460
100.957
99.519
100.460
101.223
99.543
100.478
101.223
99.391
101.223
99.543
99.049
100.478
99.543
Lo que conduce al resultado final que se presenta en la Tabla H1 (cf. Tabla 5.180,
pg. 214).
Ao
Marzo
Abril
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
98.770
100.460
99.519
98.770
100.613
98.770
100.460
100.957
99.519
100.460
.
101.223
99.543
100.478
101.223
99.391
101.223
99.543
99.049
100.478
.
Tabla 5.180: H1 : Efecto de Pascua, modelo de Bateman-Mayes de X-12-A RIMA,

valores de los meses de marzo y abril (para los otros meses: 100).
5.3.2 El modelo Sceaster
El modelo Sceaster forma parte del marco ms general de la estimacin de los efectos
de calendario, que es propuesta por el mtodo X-11 al fin de las Etapas B y C. Ms
precisamente, con las estimaciones de la componente irregular de las Tablas B13 y
C13.
Modelo y estimacin

Tal como en el modelo a efecto gradual de X-11-A RIMA (cf. Seccin 5.2.3) se admite

que preceden
que la Fiesta de Pascua tiene un impacto sobre los das
el Domingo Pascual y se define el siguiente modelo:

,
siendo:

es el valor de lo irregular (de la Tabla B13 o de la Tabla C13) que corresponde al ao y al perodo (mes o trimestre) .
215
Para un ao dado, sea el nmero de das entre los das antes de Pascua,
incluyendo Pascua que caen en el mes de marzo (o en el primer trimestre).
De modo que:

para un mes de marzo o un er trimestre (

para un mes de abril o un do trimestre (
en el caso contrario.
)
)
o

o

Las restricciones impuestas a
hacen que no se anulen nicamente
los valores de la regresin para marzo y abril (o las del primer y segundo trimestre) 4 .
Se estiman los valores de y de con los mnimos cuadrados habituales.
Se pueden hacer varios comentarios en este estadio del clculo.

En primer lugar, si Pascua acaece en el mes de marzo, el valor asociado

es igual a 1. Igualmente, si Pascua acaece despus del
de abril, el valor

es igual a 0. Generalizando, si se consideran los valores de la varia

, retomando la
ble
para los meses de marzo, se obtiene
notacin asociada a los modelos de X-11-A RIMA.

Considerando que la variable explicativa tiene una forma simple, se puede dar

una forma ms explcita al estimador .
Los nicos valores no nulos de la variable
son los de los meses de marzo
y abril, los cuales adems son opuestos. Si admitimos que la serie de los

no comienza en un mes de abril o que no se termina en marzo, a
valores
todo mes de marzo le corresponde un mes de abril y la suma de dos valores de

la variable de esos meses ser nula. La media es tambin nula en ese caso
y en el caso general ser prxima de 0.

Si la serie estudiada tiene

observaciones, se puede escribir:

siendo:

$

$

$

Vemos as que aparecen los valores de las diferencias, para cada ao, de los
irregulares de marzo y de abril.

Por ltimo, puesto que

y que la media
es prxima de 0, es

muy similar a , que es la media de la componente irregular (o sea prxima de
la media terica que es igual a 0 en un esquema aditivo, y a 1 en un esquema
multiplicativo).

4 En realidad, esto no es totalmente cierto puesto que en 2008 por ejemplo Pascua acaecer el 23
de marzo y si
, se tendr entonces un da en febrero.
216

Con
se deduce el efecto de Pascua. Lo que permite asegurar
que Pascua no tiene impacto fuera de los meses de marzo y abril.
El modelo que propone X-12-A RIMA se parece mucho al modelo a efecto gradual
de X-11-A RIMA 5 y al modelo a efecto puntual para
. Pero aqu se hace la estimacin del modelo de regresin utilizando todos los aos disponibles y no solamente
los aos en los cuales Pascua acaece en marzo o despus del de abril. Por otra parte,
en X-12-A RIMA, la estimacin se hace la primera vez con los datos de la Tabla B13 y
la segunda vez con los datos de la Tabla C13.
Por ltimo, debemos recordar que en esta etapa del tratamiento X-12-A RIMA
permite tambin buscar otros efectos de calendario en la componente irregular.

Ejemplo
Si se emplea ese modelo en X-12-A RIMA, la estimacin se hace la primera vez con
los datos de la Tabla B13 y la segunda vez con los datos de la Tabla C13.
series{ data=(100.535 100.471 ..... 100.227)
start= 1985.10
period= 12
print=none
decimals=3}
X11 {mode=mult
print=(all) }
X11regression { variables=sceaster[5]
print=(all)}
Los valores de la variable explicada son aqu los 114 valores de la Tabla B13
(divididos por 100). Se emplean los datos de la Tabla 4.50 (cf. pg. 92).
Si admitimos por ejemplo que
, se obtienen los valores de la variable
(siempre nulos, salvo para los meses de marzo y de abril) que se presentan en la
Tabla 5.181 (cf. pg. 217).
De modo que, para 1988, 2 das de los 5 anteriores a Pascua (incluyendo el da
de Pascua), eran das del mes de marzo (el 30 y el 31). En consecuencia, la variable

explicativa
es igual a:
, en marzo de 1988;
, en abril de
1988; y es igual a 0 para los otros meses de 1988.

Se obtiene
y
, lo que hace que
.
Adems:

$ $

5 Es por eso que en X-12-A RIMA se hace referencia a esta modelizacin con la expresin Sceaster, en la
cual las letras SC significan Statistique Canada.
217
Ao
Pascua
5 das
antes
Nmero de das
en marzo ( )
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
7 de abril
30 de marzo
19 de abril
3 de abril
26 de marzo
15 de abril
31 de marzo
19 de abril
11 de abril
3 de abril
16 de abril
3 de abril
26 de marzo
15 de abril
30 de marzo
22 de marzo
11 de abril
27 de marzo
15 de abril
7 de abril
30 de marzo
12 de abril
0
5
0
2
5
0
5
0
0
2
0

0
1
0
0.4
1
0
1
0
0
0.4
0
0
-1
0
-0.4
-1
0
-1
0
0
-0.4
0
si
Tabla 5.181: Efecto de Pascua, datos del modelo Sceaster.

y tambin:

o .

.
y entonces

El efecto de Pascua es estimado as:
,
lo que conduce a la Tabla B16H (cf. Tabla 5.183, pg. 218). Siendo, por ejemplo, para
el mes de marzo de 1988:

Los resultados del anlisis de la varianza y del test F de Fisher asociados a esta regresin son parcialmente editados por X-12-A RIMA, y se los presenta en la Tabla 5.182.
El efecto de Pascua es considerado significativo al nivel del 1%.
5.3.3 El modelo Easter

Como el modelo precedente, el modelo easter forma parte tambin del marco ms
general de la estimacin de los efectos de calendario que es propuesta por el mtodo X-11, al fin de las Etapas B y C. Ms precisamente, con las estimaciones de la
componente irregular de las Tablas B13 y C13.
218
Coeficiente Desviacin estndar

Constante
Sceaster[5]
0.99989
-0.02387
0.00183
0.00756
T
547.89
-3.16
Prob
0.000
0.001

Efecto de Pascua
Error
Total
0.0038
0.0425
0.0463
1
112
113
0.0038
0.0004
F
9.9642
Tabla 5.182: Efecto de Pascua (resultados de la regresin para el modelo Sceaster (

Ao
Marzo
Abril
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
97.613
100.000
99.045
97.613
100.000
97.613
100.000
100.000
99.045
100.000
.
102.387
100.000
100.955
102.387
100.000
102.387
100.000
100.000
100.955
.
Prob
0.0021
)).
Tabla 5.183: B16H : Estimaciones provisorias del efecto de Pascua con el modelo
Sceaster de X-12-A RIMA. (Valores de los meses de marzo y de abril, para los otros meses: 100).
Modelo y estimacin

Se admite aqu que la Fiesta de Pascua tiene todava un impacto sobre los das
anteriores al Domingo Pascual y se formula el siguiente modelo:

en el cual:

es el valor de lo irregular (de la Tabla B13 o de la Tabla C13), que corresponde al ao y al perodo (mes o trimestre) .

Para un ao dado, sea

el nmero de das, entre los das antes de Pascua
(incluyendo el Domingo de Pascua), que acaecen en el mes (o en el trimestre).

Se define en primer lugar, la variable
. Considerando las
restricciones definidas sobre , esa variable es nula, salvo para los meses de
febrero, de marzo y de abril. En cambio, esa variable posee una cierta estacionalidad: los valores que conciernen el mes de febrero, por ejemplo, sern

estructuralmente ms bajos. La variable
se obtiene retirando a

la media
que corresponde al mes y que es calculada sobre los aos

. De esta manera se

disponibles. Se obtiene as:
puede conservar el nivel de la serie, anulando el efecto de Pascua sobre los
meses concernidos. En consecuencia, la variable explicativa es de media nula y
sin estacionalidad.


219

En lugar de
se puede utilizar una media a largo plazo, calculada sobre el
perodo 1583-1982 (cf. Seccin 5.3.1).
Las restricciones definidas sobre el valor de
hacen que slo

puedan ser corregidos los meses de febrero, de marzo y de abril. Tal como fue hecho precedentemente, los valores de y son estimados con los mnimos cuadrados

habituales y el efecto de Pascua se deduce con:
.

Ejemplo
Si se emplea ese modelo en X-12-A RIMA, la estimacin se hace la primera vez con
los datos de la Tabla B13 y luego, la segunda vez, con los datos de la Tabla C13.
series{ data=(100.535 100.471 ..... 100.227)
start= 1985.10
period= 12
print=none
decimals=3}
X11 {mode=mult
print=(all) }
X11regression { variables=easter[5]
eastermeans=no
print=(all)}
Los valores de la variable explicada son aqu los 114 valores de la Tabla B13
(divididos por 100). Se emplean los datos que figuran en la Tabla 4.50 (cf. pg. 92).
Si admitimos, por ejemplo, que
, se obtienen los valores de la variable
(que es aqu siempre nula, salvo para los meses de marzo y de abril) que figuran en la
Tabla 5.184 siguiente.
Ao
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
Pascua
7 de abril
30 de marzo
19 de abril
3 de abril
26 de marzo
15 de abril
31 de marzo
19 de abril
11 de abril
3 de abril
16 de abril
5 das
antes
# de los das
en marzo (
)
# de los das
en abril ( )
2 de abril
25 de marzo
14 de abril
29 marzo
21 de marzo
10 de abril
26 de marzo
14 de abril
6 de abril
29 de marzo
11 de abril
0
5
0
3
5
0
5
0
0
3
0
5
0
5
2
0
5
0
5
5
2
0
Tabla 5.184: Efecto de Pascua (datos del modelo Easter.
0
1
0
0.6
1
0
1
0
0
0.6
0
y

1
0
1
0.4
0
1
0
1
1
0.4
1
.
0.6182
-0.3818
0.2182
0.6182
-0.3818
0.6182
-0.3818
-0.3818
0.2182
-0.3818
son nulos si

.
-0.6182
0.3818
-0.2182
-0.6182
0.3818
-0.6182
0.3818
0.3818
-0.2182
.
).
De modo que, en 1988, en el perodo de 5 das antes de Pascua, haba 3 das en

marzo (el 29, 30 y 31) y 2 das en abril (el 1 y el 2).

Las medias de
y
son las siguientes:

220
Corrigiendo la variable de esas medias mensuales, se obtiene la variable explicativa (cf. Tabla 5.184).
En el caso ms general, los valores de regresin para los meses de febrero, marzo
y abril pueden no ser nulos y el clculo de la estimacin de puede hacerse relativamente complejo. Como en el caso precedente, se puede percibir aqu que ese
clculo hace intervenir nicamente las diferencias entre los valores de lo irregular de
los meses de marzo y abril.
Utilizando los MCO (mnimos cuadrados habituales), se

obtiene
y
.

El efecto de Pascua es estimado as con
, lo que
conduce a la Tabla B16H (cf. Tabla 5.186, pg. 221). Por ejemplo, para el mes de marzo
de 1988 se obtiene:

Los resultados del anlisis de la varianza y del test F de Fisher, asociados a esta
regresin son parcialmente editados por X-12-A RIMA. Esos resultados figuran en la
Tabla 5.185 (cf. Tabla 5.185, pg. 221). En consecuencia, el efecto de Pascua es considerado significativo al nivel del 1%.
221

Constante
easter[5]
0.99980
-0.02639
0.00185
0.01014
T
540.55
-2.60

Efecto de Pascua
0.0026
0.0026
Error
0.0437
112
0.0004
Total
0.0463
113
Prob
0.000
0.005
F
6.7772
Tabla 5.185: Efecto de Pascua (resultados de la regresin para el modelo Easter (
Ao
Marzo
Abril
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
.
98.369
101.008
99.424
98.369
101.008
98.369
101.008
101.008
99.424
101.008
.
101.631
98.992
100.576
101.631
98.992
101.631
98.992
98.992
100.576
.
Prob
0.0105
)).
Tabla 5.186: B16H : Estimaciones provisorias del efecto de Pascua con el modelo
Easter de X-12-A RIMA. (Valores de los meses de marzo y abril, para los otros meses: 100).
222
Bibliografa
[1] A KAIKE, H. (1980), Seasonal Adjustment by a Bayesian Modeling, Journal of
Time Series Analysis, 1, 1-13.
[2] A RMATTE, M. (1992), Conjonctions, conjoncture et conjecture. Les baromtres
conomiques (1885-1930), Histoire et Mesure, 7, 99-149.
[3] BARTLETT, M. S. (1950), Periodogram Analysis and Continuous Spectra,
Biometrika, 35, 1-16.
[4] BATEMAN, D.V. y M AYES, F. (1970), Holiday Adjustment of Retail Sales, Unpublished memorandum, US Bureau of the Census, US Department of Commerce.
[5] BAXTER, M. A. (1994), A Guide to Interpreting X-11-ARIMA/88 Diagnostics,
Unpublished Memorandum, Central Statistical Office, United Kingdom.
[6] B ELL, W.R. y H ILLMER, S.C. (1984), Issues Involved With the Seasonal Adjustment of Economic Time Series,Journal of Business and Economic Statistics, 2, 291-394.
[7] B OURNAY, J. y L AROQUE, G. (1979), Rflexions sur la mthode dlaboration
des comptes trimestriels, Annales de lNSEE, 36.
[8] B OX, G. E. P. y J ENKINS, G. M. (1970), Time Series Analysis: Forecasting and
Control, San Francisco: Holden Day.
[9] B URMAN, J. P. (1980), Seasonal Adjustment by Signal Extraction, Journal of
the Royal Statistical Society, Series A, 143, 321-337.
[10] B UYS -BALLOT, C. (1847), Les changements priodiques de temprature,
Utrecht: Kemink et Fils.
[11] C HOLETTE, P. A. (1981), A Comparison and Assessment of Various Adjustment Methods of Sub-Annual Series to Yearly Benchmarks, Working paper,
Methodology Branch, Statistics Canada, Ottawa ON, Canada.
[12] C HOLETTE, P. A. (1981), A Comparison of Various tendance-cycle Estimators,
Time Series Analysis, O.D. Anderson & M.R. Perryman Editors, Amsterdam:
North-Holland.
224
BIBLIOGRAFA
[13] C HOLETTE, P. A. y DAGUM, E. B. (1994), Benchmarking Time Series with

Autocorrelated Survey Errors, International Statistical Review, 62, 365-377.
[14] C LEVELAND, W. S. (1979), Robust Locally Weighted Regression and Smoothing Scatterplots, Journal of The American Statistical Association, 74, 829-836.
[15] C LEVELAND, R. B., C LEVELAND, W. S., M C R AE J.E. y T ERPENNING, I.
(1990), STL a Seasonal-tendance Decomposition Procedure Based on Loess,
Journal of Official Statistics, 6, 3-73.
[16] C OOLEY, J.W. y T UKEY, J.W. (1965), An Algorithm for the Machine Calculation of Complex Fourier Series, Mathematics of Computation, 19, 297-301.
[17] C OURNOT, (1838), Recherches sur les principes mathmatiques de la thorie
des richesses, Librairie philosophique J. Vrin, ed. de 1980, Paris.
[18] DAGUM, E. B. (1975), Seasonal Factor Forecasts from ARIMA Models, Proceedings of the International Institute of Statistics, 40th Session, Contributed
Papers, 3, Warsaw, 206-219.
[19] DAGUM, E. B. (1980), The X-11-ARIMA Seasonal Adjustment Method, Statistique Canada, Catalogue 12-564E.
[20] DAGUM, E. B. (1988), The X-11-ARIMA/88 Seasonal Adjustment Method,
[21] D OHERTY, M. (1992), The Surrogate Henderson Filters in X-11, Technical Report, Department of Statistics, Wellington, New Zealand.
[22] F INDLEY, D. F., M ONSELL, B. C., B ELL, W. R., OTTO, M. C. y C HEN, B.
(1998), New Capabilities and Methods of the X-12-ARIMA Seasonal Adjustment Program, Journal of Business and Economic Statistics, 16, 127-177.
[23] F ISHER, A. (1937), A Brief Note on Seasonal Variation, Journal of Accountancy, 64, 54-59.
[24] F OURIER, J.B. (1822), Thorie analytique de la chaleur, Ed. Jacques Gabay,
ed. de 1988, Paris.
[25] G ARDNER, M. (1981) Mathematical Games, Scientific American, February
1981, 17-20.
[26] G OMEZ, V. y M ARAVALL, A. (1996), Programs TRAMO and SEATS, Banco
de Espaa, Documento de Trabajo 9628.
[27] G OURIROUX, C. y M ONFORT, A. (1997), Sries Temporelles et Modles Dynamiques, Ed. Economica, Paris.
[28] G RUN -R EHOMME, M. y L ADIRAY, D. (1994), Moyennes mobiles centres et
non centres : construction et comparaison, Revue de Statistique Applique,
XLII, 33-61.
BIBLIOGRAFA
225
[29] H ARVEY, A. C. (1989), Forecasting, Structural Time Series Models and the
Kalman Filter, Cambridge: Cambridge University Press.
[30] H ENDERSON, R. (1916), Note on Graduation by Adjusted Average, Transactions of the Actuarial Society of America, 17, 43-48.
[31] H ENDERSON, R. (1924), A New Method of Graduation, Transactions of the
Actuarial Society of America, 25, 29-40.
[32] H ERSCHEL, W. (1801), Observations Tending to Investigate the Nature of the
Sun in Ordre to Find the Causes or Symptoms of its Variable Emission of Light
and Heat with Remarks on the Use that May be Possibly be Drawn from Solar
Observation, Philosophical Transactions of the Royal Society of London, 91,
265-318.
[33] H IGGINSON J. (1975), An F-test for the Presence of Moving Seasonality when
Using Census Method II-X-11 Variant, Working Paper, Methodology Branch,
Statistics Canada, Ottawa ON, Canada.
[34] H ILLMER, S. C. y T IAO, G. C. (1982), An ARIMA Model Based Approach
to Seasonal Adjustment, Journal of the American Statistical Association, 77,
63-70.
[35] H OOD, C. C. (1998), X-12-Graph: A SAS/GRAPH Program for X-12-ARIMA
Output, US Bureau of the Census, Washington, D.C.
[36] H YLLEBERG, S. (1986), Seasonality in Regression, Orlando: Academic Press.
[37] H YLLEBERG, S. (1992), The Historical Perspective, in Modelling Seasonality,
London: Oxford University Press, 15-25.
[38] J EVONS, W.S. (1862), On the Study of Periodic Commercial Fluctuations, Investigations in currency and finance, London: Macmillan, 1884.
[39] K ENDALL, M. (1973), Time Series, London: Charles Griffin & Co.
[40] K ITAGAWA, G. y G ERSCH, W. (1984), A Smoothness Priors State Space Modelling of Time Series with Trend and Seasonality, Journal of the American Statistical Association, 79, 378-389.
[41] KOOPMAN, S. J., H ARVEY, A. C., D OORNIK, J. A. y S HEPARD, N. G. (2000),
STAMP, Structural Time Series Analyser, Modeller and Predictor, London:
Timberlake Consultants Press.
[42] KOOPMANS, L. H. (1974), The Spectral Analysis of Time Series, New York:
Academic Press.
[43] L A B IBLIA, Antiguo Testamento, Exodo [12] La Pascua, La Biblia Latinoamericana CD-ROM, Editorial San Pablo, 1995, Argentina.
[44] L AKER, L.G. (1976a), Mathematical Note on Easter Correction, Working Paper, Australian Bureau of Statistics.
226
BIBLIOGRAFA
[45] L AKER, L.G. (1976b), Slightly Less Mathematical Note on the Mathematical
Note on Easter Correction, Working Paper, Australian Bureau of Statistics.
[46] L ANIEL, N. (1985), Design Criteria for the 13-term Henderson End-Weights,
Working Paper, Methodology Branch, Statistics Canada, Ottawa ON, Canada.
[47] L OTHIAN, J. (1978), The Identification and Treatment of Moving Seasonality
in the X-11 Seasonal Adjustment Method, Working paper 78-10-004, Methodology Branch, Statistics Canada, Ottawa ON, Canada.
[48] L OTHIAN, J. y M ORRY, M. (1978a), A Test for the Presence of Identifiable Seasonality when Using the X-11 Program, Working Paper, Time Series Research
and Analysis Division, Statistics Canada, Ottawa ON, Canada.
[49] L OTHIAN, J. y M ORRY, M. (1978b), A Set of Quality Control Statistics for
the X-11-ARIMA Seasonal Adjustment Method, Working Paper 78-10-005,
[50] M ABALLE, Colette et Berthe (1906), Peaks and Peaks and Correlograms,
Zeitschrift fr Wahrscheinlichkeitstheorie und Verwandte Gebiete, 3, 139-167.
[51] M ACAULAY, F.R. (1931), The Smoothing of Time Series, National Bureau of
Economic Research.
[52] M ARCH, L. (1905), Comparaison numrique de courbes statistiques, Journal
de la Socit Statistique de Paris, 255-277.
[53] M ENDERHAUSEN, H. (1937), Annual Survey of Statistical Technique: Methods
of Computing and Eliminating Changing Seasonal Fluctuations, Econometrica,
5, 234-262.
[54] M ONTES, M.J. (1998-02-02), Calculation of the Ecclesiastical Calendar, Internet: http://www.smart.net/ mmontes/ec-cal.html.
[55] M USGRAVE, J. (1964a), A Set of End Weights to End all End Weights, Working
paper, US Bureau of the Census, Washington.
[56] M USGRAVE, J. (1964b), Alternative Sets of Weights for Proposed X-11 Seasonal Factor Curve Moving Averages, Working paper,US Bureau of the Census,
Washington.
[57] N ERLOVE, M., G RETHER, D.M. y C ARVALHO, J.L. (1979), Analysis of Economic Time Series : a Synthesis, New York: Academic Press.
[58] OB EIRNE, T. (1966), The Regularity of Easter, Bulletin of the Institute of
Mathematics and Its applications, 2, 46-49.
[59] P ERSONS, W. M. (1919), Indices of Business Conditions, Review of Economic
Statistics, 1, 5-107.
[60] P OYNTING, J.H. (1884), A Comparison of the Fluctuations in the Price of
Wheat and in the Cotton and Silk Imports into Great Britain, Journal of the
Royal Statistical Society, 47, 34-64.
BIBLIOGRAFA
227
[61] P RIESTLEY, M.B. (1965), Evolutionary Spectra and Nonstationary Processes,

Journal of the Royal Statistical Society, Series B, 27, 204-237.
[62] SAS Institute Inc. (1990), SAS/GRAPH Software Reference, version 6, First
Edition, Volume1, Carry, NC: SAS Institute.
[63] S HISKIN , J., YOUNG, A. y M USGRAVE, J. C. (1967), The X-11 Variant of the
Census Method II Seasonal Adjustment Program, Washington DC, Technical
Paper no 15, Bureau of the Census, US Department of Commerce.
[64] S LUTSKY, E. (1927), The Summation of Random Causes as the Source of
Cyclical Processes, Econometrica, 84, 105-146 (1937), translation of a Russian paper (Conjoncture Institute, Moscow).
[65] T NDERING, C. (2000), Frequently Asked Questions About Calendars, Internet: http//www.tondering.dk/claus/calendar.html.
[66] T UKEY, J. W. (1950), The Sampling Theory of Power Spectrum Estimates,
Proceedings of the Symposium on Applications of Autocorrelation Analysis to
Physical Problems, Washington DC, Department of the Navy, Office of Naval
Research.
[67] YOUNG, A.H. (1965), Estimating Trading-Day Variations in Monthly Economic Series, Washington DC, Technical Paper no 12, Bureau of Census, US Department of Commerce.
[68] Y ULE, G.U. (1921), On the Time Correlation Problem, With Especial Reference to the Variate-Difference Correlation Method, Journal of The Royal Statistical Society, 84, 497-526.
[69] Y ULE, G.U. (1927), On a Method of Investigating Periodicities in Disturbed
Series with Special Reference to Wolfers Sunspot Numbers, Philosophical
Transactions of The Royal Society, Series A, 226, 267-298.
ndice de Materias
ao bisiesto, 92
ajuste por huelgas, 78
Akaike, H., 17, 225
Anlisis de las series temporales
en el dominio de las frecuencias,
29
en el dominio del tiempo, 29
Armatte, M., 1113, 225
Bartlett, M.S., 15, 225
Bateman, D.V., 225
Bateman, D.V., 210
Baxter, M. A., 185, 225
BAYSEA, 17
Bell, W. R., 11, 12, 14, 15, 225, 226
Biblia, 227
Bournay, J., 159, 225
Box, G.E.P., 7, 15, 26, 225
Burman, J.P., 17, 225
Buys-Ballot, C., 11, 16, 225
BV4, 16
calidad
estadstica Q, 188
estadstica Q2, 188
estadsticas, 185
evaluaciones de X-11, 177
Carvalho, J.L., 11, 228
Census Method I, 14
Census Method II, 14
Variante X-11, 7
Variante X-11, 1416
Chen, B., 226
Cholette, P.A., 38, 61, 109, 132, 158,
159, 162, 225, 226
ciclo, 11, 12, 14, 19
extraccin, 13
y funcin de ganancia, 30
ciclo de negocios, 12
Cleveland, R. B., 16, 226
Cleveland, W.S., 16, 226
coeficientes estacionales, 55, 65, 73, 88,
111, 118, 134, 150, 187
en el mtodo de relative links,
13
en el mtodo de las medias mviles,
13
previsin, 151
componente estacional, 19, 21, 22, 26,
35, 38, 64, 73, 88, 111, 118,
134, 150, 167, 185, 186
14
Cooley, J.W., 15, 226
Cournot, 11, 226
das hbiles, 8, 14, 19, 23, 25, 26, 28,
55, 59, 91, 93, 95, 107, 121,
128, 130, 155, 170
coeficientes de ajuste, 101, 124
regresin, 98, 124
test F, 95, 184
test T, 95
Dagum, E.B., 7, 15, 16, 26, 28, 158,
159, 162, 226
DAINTIES, 16
DECOMP, 17
desfasaje, 32
desviacin estandar
mvil, 65
Doherty, M., 45, 78, 226
Doornik, J.A., 227
efecto de Pascua, 8
efectos de calendario, 14, 15, 23, 28,
46, 60, 95, 108, 167, 170, 171,
NDICE DE MATERIAS
217, 218
espectro, 30
esquema de composicin, 12, 19
aditivo, 13, 20
log-aditivo, 20
multiplicativo, 13, 20
pseudo-aditivo, 20
tabla D11A, 162
estacional-irregular, 21, 22, 38, 62, 64,
82, 110, 118, 133, 141, 143,
186
estacionalidad, 11, 30, 35, 146, 171
F-test, 62
test de estacionalidad estable, 141
test de estacionalidad evolutiva, 141
test de Kruskal-Wallis, 141
test de la presencia de una estacionalidad identificable, 187
test de presencia de una estacionalidad identificable, 142
test F de Fisher, 155
tests, 141, 184
y das hbiles, 91
Findley, D.F., 7, 16, 28, 45, 93, 196,
226
Fisher, A., 14, 101, 226
Fourier, J.B., 12, 29, 226
funcin de ganancia, 31, 32
filtro de paso-bajo, 34
filtro mensual de X-11, 52
filtro trimestral de X-11, 52
media mvil de Henderson, 42
y estacionalidad, 35
, 38

, 36

, 39

, 39

, 39
funcin de pesos de X11, 65

Gardner, M., 194, 226

Gauss, 194
Gersch, W., 17, 227
Gomez, V., 17, 226
Gouriroux, C., 47, 226
Grether, D.M., 11, 228
Grun-Rehomme, M., 35, 226
229
Harvey, A.C., 20, 227
Henderson, R., 39, 42, 45, 76, 78, 227
Herschel, W., 11, 227
Higginson, J., 141, 227
Hillmer, S.C., 11, 12, 14, 15, 17, 225,
227
Hood, C.C., 59, 227
Hylleberg, S., 11, 16, 227
razn
, 45, 76, 114, 137, 163, 182,
184, 186
irregular, 11, 19, 23, 26, 35, 45, 55, 65,
84, 91, 95, 103, 107, 121, 126,
130, 146, 167, 172, 184186
14
Jenkins, G.M., 7, 15, 26, 225
Jevons, W.S., 11, 12, 227
Kendall, M., 20, 31, 227
Kitagawa,G., 17, 227
Koopman, S.J., 17, 227
Koopmans, L., 32, 227
Ladiray, D., 9, 35, 226
Laker, L.G., 200, 202, 227, 228
Laniel, N., 78, 228
Laroque, G., 159, 225
Lothian, J., 142, 147, 185, 187, 228
LOWESS, 16
Maballe, Colette et Berthe, 12, 228
Macaulay, F.R., 13, 14, 28, 228
Maravall, A., 17, 226
March, L., 12, 228
Mayes, F., 225
MCD (months for cyclical dominance),
177, 182, 186
McRae, J.R., 226
media mvil, 20, 29, 30, 35
asimtrica, 31, 33, 45, 46
centrada, 31
centrada sobre 12 trminos, 13, 38,
61
centrada sobre 24 trminos, 61
centrada sobre 3 trminos, 35
230
NDICE DE MATERIAS
compuesta, 36, 46
conservacin de la tendencia, 34
conservacin de polinomios, 34
construccin, 35
filtro mensual de X-11, 46
asimtrica, 52
asimtrico, 53
filtro trimestral de X-11, 52
Henderson, 39, 42, 45, 76
sobre 7 trminos, 42
formula de los coeficientes, 42
sobre 13 trminos, 42, 77
sobre 5 trminos, 42
idntico, 47
Musgrave, 43, 45, 46
formula de los coeficientes, 45
no centrada, 43
notacin de Kendall, 31
orden, 31
ponderada, 36
simtrica, 3133, 36
simple, 36
simple de orden , 35
simple sobre 3 trminos, 36, 38,
66
simple sobre 7 trminos, 146
simple sobre MCD trminos, 177
y puntos atpicos, 23
, 36, 38, 46, 61

, 36, 46

, 38, 66

, 36, 38, 64, 66, 150
asimtrica, 46, 64

, 38, 66, 82, 150, 186
asimtrica, 46, 82

, 38, 66, 150
asimtrica, 46

, 36
medias mviles, 13
y ciclo artificial, 14
y regresiones locales, 16
Menderhausen, H., 13, 228
modelo ARIMA, 26
modelos ARIMA, 14, 15, 17, 28, 29,
58

Monfort, A., 47, 226

Monsell, B.C., 226
Montes, M.J., 195, 228
Morry, M., 142, 185, 228
Musgrave, J., 14, 43, 45, 46, 78, 228,
229
Nerlove, M., 11, 228
OBeirne, T., 194, 228
Otto, M.C., 226
para das hbiles, 106
Pascua
efecto, 19, 20, 23, 28, 101, 106,
123, 128, 193
en X-11-ARIMA, 197
en X-12-A RIMA, 209
efecto gradual, 196
efecto puntual, 195
efecto residual, 197
fechas, 194
fiesta, 193
modelo de Bateman-Mayes, 210
modelo de regresin, 196
a efecto gradual, 204, 209, 217,
218
a efecto puntual, 197, 218
a efecto puntual corregido, 200
Easter, 209, 220
Sceaster, 209, 217
y la desestacionalizacin, 195
Persons, 13
Persons, W.M., 12, 13, 228
pico espectral, 30
Poynting, J. H., 13, 228
Priestley, M.B., 15, 229
punto atpico, 23, 25, 26, 28, 46, 59,
60, 64, 65, 82, 86, 95, 103,
104, 107, 108, 110, 121, 126,
130, 132, 141, 143, 163, 171,
172
Quenneville, B., 9
razn de estacionalidad mvil, 146, 150,
184
ruido blanco, 35
NDICE DE MATERIAS
SABL, 16
SAS, 59, 229
SEATS, 17
Shepard, N.G., 227
Shiskin, J., 14, 229
Slutsky, E., 14, 229
STAMP, 17
STL, 16
tendencia, 11, 12, 19, 21, 34
13
tendencia-ciclo, 19, 21, 26, 36, 45, 55,
59, 61, 76, 109, 114, 132, 137,
163, 171, 174, 186
Terpenning, I., 226
Tiao, G.C., 17, 227
Tukey, J.W., 15, 226, 229
Tndering, C., 195, 229
X-1, 14
X-11, 7, 14, 16, 19, 21, 25, 26, 36, 46,
55, 66, 67
Etapa A, 25, 59, 60, 108, 132
Etapa B, 25, 31, 33, 59, 60, 108,
122, 217, 220
Etapa C, 26, 59, 108, 132, 217,
220
Etapa D, 26, 59, 132
Etapa E, 26, 59, 171
Etapa F, 26, 59, 177
Etapa G, 26, 59
X-11 tablas, 55
X-11-ARIMA, 7, 15, 16, 26
X-12-ARIMA, 7, 16, 26
X-2, 14
Young, A., 14, 94, 229
Yule, G.U., 12, 14, 229
231
232
NDICE DE MATERIAS
ndice General
Prefacio
Introduccin
1 Breve historia de la desestacionalizacin

2 Principios del mtodo X-11
2.1 Componentes y esquemas de composicin . . . . . . . . . .
2.2 Medias mviles . . . . . . . . . . . . . . . . . . . . . . . .
2.3 Un algoritmo simple de desestacionalizacin . . . . . . . . .
2.4 El algoritmo de base del mtodo X-11 . . . . . . . . . . . .
2.5 Puntos atpicos y efectos de calendario . . . . . . . . . . . .
2.6 El principio iterativo de X-11 . . . . . . . . . . . . . . . . .
2.6.1 ETAPA A: Ajustes previos . . . . . . . . . . . . . .
2.6.2 ETAPA B: Primera correccin automtica de la serie
2.6.3 ETAPA C: Segunda correccin automtica de la serie
2.6.4 ETAPA D: Desestacionalizacin . . . . . . . . . . .
2.6.5 ETAPAS E, F y G: estadsticas y grficos . . . . . .
2.7 De Census X-11 a X-11-A RIMA y X-12-A RIMA . . . . . . .
11
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3 Medias mviles
3.1 Algunas definiciones y un poco de teora . . . . . . . . . . . . . . . .
3.1.1 Definiciones y ejemplo . . . . . . . . . . . . . . . . . . . . .
3.1.2 Funcin de ganancia y desfasaje . . . . . . . . . . . . . . . .
3.1.3 Conservacin de la tendencia . . . . . . . . . . . . . . . . . .
3.1.4 Eliminacin de la estacionalidad . . . . . . . . . . . . . . . .
3.1.5 Reduccin de la componente irregular . . . . . . . . . . . . .
3.1.6 Un ejemplo de construccin de una media mvil . . . . . . .
3.2 Las medias mviles simtricas utilizadas en X-11 . . . . . . . . . . .
3.2.1 Las medias mviles simples compuestas . . . . . . . . . . . .
3.2.2 Medias mviles de Henderson . . . . . . . . . . . . . . . . .
3.3 Las medias mviles asimtricas de Musgrave . . . . . . . . . . . . .
3.3.1 Medias mviles asimtricas de Musgrave asociadas a las medias simtricas de Henderson . . . . . . . . . . . . . . . . . .
3.3.2 Comentarios sobre las medias mviles de Musgrave . . . . .
19
19
20
21
21
23
25
25
25
26
26
26
26
29
29
30
31
34
35
35
35
36
36
39
43
45
46
234
NDICE GENERAL
3.3.3
3.4
Medias mviles asimtricas asociadas a las medias mviles

compuestas . . . . . . . . . . . . . . . . . . . . . . . . . . .
El filtro media mvil de X-11 . . . . . . . . . . . . . . . . . . . . . .
46
46
4 Las diferentes tablas

55
4.1 B: Estimacin preliminar: puntos atpicos y efectos de calendario . . . 60
4.1.1 B1: Serie bruta o serie bruta ajustada a priori . . . . . . . . . 60
4.1.2 B2: Tendencia-ciclo . . . . . . . . . . . . . . . . . . . . . . 61
4.1.3 B3: Componente estacional-irregular sin modificaciones . . . 62
4.1.4 B4: Valores de remplazo para los puntos atpicos de la componente estacional-irregular . . . . . . . . . . . . . . . . . . 64
4.1.5 B5: componente estacional . . . . . . . . . . . . . . . . . . . 73
4.1.6 B6 : Serie desestacionalizada . . . . . . . . . . . . . . . . . . 76
4.1.7 B7: Tendencia-ciclo . . . . . . . . . . . . . . . . . . . . . . 76
4.1.8 B8: Componente estacional-irregular . . . . . . . . . . . . . 82
4.1.9 B9: Valores de remplazo para los valores atpicos de la componente SI . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.1.10 B10: componente estacional . . . . . . . . . . . . . . . . . . 88
4.1.11 B11: Serie corregida de variaciones estacionales . . . . . . . 91
4.1.12 B13: Componente irregular . . . . . . . . . . . . . . . . . . . 91
4.1.13 Componente para los das hbiles . . . . . . . . . . . . . . . 91
4.1.14 B14: Valores de la componente irregular excluidos de la regresin para das hbiles . . . . . . . . . . . . . . . . . . . . 95
4.1.15 B15: Regresin previa para das hbiles . . . . . . . . . . . . 98
4.1.16 B16: Coeficientes de ajuste para das hbiles extrados de la
regresin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.1.17 B17: Pesos preliminares para la correccin de lo irregular . . 103
4.1.18 B18: Coeficientes para das hbiles combinados . . . . . . . . 106
4.1.19 B19: Serie bruta corregida de los efectos de das hbiles . . . 107
4.1.20 B20: Valores de correccin de los puntos atpicos de lo irregular107
4.2 C: Estimacin final de los puntos atpicos y de los efectos de calendario 108
4.2.1 C1: Serie bruta ajustada . . . . . . . . . . . . . . . . . . . . 108
4.2.2 C2: Tendencia-ciclo . . . . . . . . . . . . . . . . . . . . . . 109
4.2.3 C4: Componente estacional-irregular modificada . . . . . . . 109
4.2.4 C5: Componente estacional . . . . . . . . . . . . . . . . . . 110
4.2.5 C6: Serie corregida de variaciones estacionales . . . . . . . . 114
4.2.6 C7: Tendencia-ciclo . . . . . . . . . . . . . . . . . . . . . . 114
4.2.7 C9: Componente estacional-irregular . . . . . . . . . . . . . 118
4.2.8 C10: Componente estacional . . . . . . . . . . . . . . . . . . 118
4.2.9 C11: Serie corregida de variaciones estacionales . . . . . . . 121
4.2.10 C13: Componente irregular . . . . . . . . . . . . . . . . . . . 121
4.2.11 C14: Irregulares excluidos de la regresin para das hbiles . . 121
4.2.12 C15: Regresin final para das hbiles . . . . . . . . . . . . . 124
4.2.13 C16: Coeficientes de ajuste para das hbiles, extrados de la
regresin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
4.2.14 C17: Pesos finales para lo irregular . . . . . . . . . . . . . . 126
4.2.15 C18: Coeficientes para das hbiles combinados . . . . . . . . 128
NDICE GENERAL
4.3
4.4
4.5
235
4.2.16 C19: Serie bruta corregida de los efectos de das hbiles . . . 130
4.2.17 C20: Valores de correccin de los puntos atpicos de lo irregular130
D: Estimacin final de las diferentes componentes . . . . . . . . . . . 132
4.3.1 D1: Serie bruta ajustada . . . . . . . . . . . . . . . . . . . . 132
4.3.2 D2: tendencia-ciclo . . . . . . . . . . . . . . . . . . . . . . . 132
4.3.3 D4: Componente estacional-irregular modificada . . . . . . . 133
4.3.4 D5: Componente estacional . . . . . . . . . . . . . . . . . . 134
4.3.5 D6: Serie corregida de variaciones estacionales . . . . . . . . 137
4.3.6 D7: Tendencia-ciclo . . . . . . . . . . . . . . . . . . . . . . 137
4.3.7 D8: Componente estacional-irregular sin modificaciones . . . 141
4.3.8 D9: Valores de remplazo para los puntos atpicos de la componente estacional-irregular . . . . . . . . . . . . . . . . . . 143
4.3.9 D9A: Razones de estacionalidad mvil . . . . . . . . . . . . 146
4.3.10 D10: Estimacin finale de los coeficientes estacionales . . . . 150
4.3.11 D11: Serie corregida de variaciones estacionales . . . . . . . 155
4.3.12 D11A: Serie desestacionalizada final con totales anuales revisados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
4.3.13 D12: Estimacin final de la tendencia-ciclo . . . . . . . . . . 163
4.3.14 D13: Componente irregular final . . . . . . . . . . . . . . . . 167
4.3.15 D16: Efectos estacionales y de calendario . . . . . . . . . . . 167
4.3.16 D18: Efectos de calendario combinados . . . . . . . . . . . . 170
E: Componentes corregidas de los puntos ms atpicos . . . . . . . . 171
4.4.1 E1: Componentes corregidas de los puntos ms atpicos . . . 171
4.4.2 E2: Serie desestacionalizada corregida de los puntos ms atpicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
4.4.3 E3: Componente irregular final corregida de los puntos ms
atpicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
4.4.4 E4: Comparacin de los totales anuales de la serie bruta y de
la serie desestacionalizada . . . . . . . . . . . . . . . . . . . 172
4.4.5 E5: Evoluciones de la serie bruta . . . . . . . . . . . . . . . . 173
4.4.6 E6: Evoluciones de la serie desestacionalizada final . . . . . . 174
4.4.7 E7: Evoluciones de la tendencia-ciclo final . . . . . . . . . . 174
4.4.8 E11: Estimacin robusta de la serie desestacionalizada final . 175
F: Evaluaciones de la calidad de la desestacionalizacin . . . . . . . . 177
4.5.1 F1: Alisado de la serie desestacionalizada con una media mvil
MCD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
4.5.2 F2A: Evoluciones en valor absoluto de las principales componentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
4.5.3 F2B: Contribuciones relativas de las componentes a las evoluciones de la serie bruta . . . . . . . . . . . . . . . . . . . . . 179
4.5.4 F2C: Medias y desviaciones estndar de las evoluciones en
funcin del plazo . . . . . . . . . . . . . . . . . . . . . . . . 180
4.5.5 F2D: Duraciones medias de las fases de crecimiento y de decrecimiento . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
4.5.6 F2E: Clculo de la razn MCD . . . . . . . . . . . . . . . . . 181
4.5.7 F2F: Contribucin relativa de las componentes a la varianza
de la parte estacional de la serie original . . . . . . . . . . . . 182
236
NDICE GENERAL
4.5.8
4.5.9
4.5.10
4.5.11

F2G: Correlograma de la componente irregular

y . . . . . . . . . . .
F2H: Razones
- F2I: Tests de existencia de estacionalidad . .
F3: Estadsticas de calidad del ajuste . . . . . .
5 Modelizacin del efecto de Pascua

5.1 La Fiesta de Pascua . . . . . . . . . . . . . .
5.1.1 Un poco de historia . . . . . . . . . .
5.1.2 El clculo de las fechas de Pascua . .
5.1.3 Pascua y la desestacionalizacin . . .
5.2 Los modelos utilizados en X-11-A RIMA . . .
5.2.1 El modelo a efecto puntual . . . . . .
5.2.2 El modelo a efecto puntual corregido
5.2.3 El modelo a efecto gradual . . . . . .
5.3 Los modelos de X-12-A RIMA . . . . . . . .
5.3.1 El modelo de Bateman-Mayes . . . .
5.3.2 El modelo Sceaster . . . . . . . . . .
5.3.3 El modelo Easter . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
183
184
184
184
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
191
191
191
192
193
195
195
197
202
207
207
214
217

UNIVERSIT LIBRE DE BRUXELLES
Av. Jeanne, 44 (CPI 124)
B - 1050 Bruxelles - Belgique
Tl. : + 32 2 650 32 74
Fax : + 32 2 650 34 66

x11 Spanish

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

x11 Spanish

Încărcat de

Drepturi de autor:

Formate disponibile

REVUE DES TECHNIQUES , MTHODES ET INSTRUMENTS

DE RECHERCHE EN S CIENCES H UMAINES

Dominique L ADIRAY, Benot Q UENNEVILLE

Prefacio de Allan YOUNG

Traduccin al castellano: Eduardo C RIVISQUI

Laboratoire de Mthodologie du Traitement des Donnes

Comite de redaccin - Comit de rdaction

Editor Responsable - diteur Responsable

version 2000 y X-12-A RIMA version 0.2.7.

Breve historia de la desestacionalizacin

observada, en varias componentes no

  

Captulo 1: Breve historia de la desestacionalizacin

La segunda manera de determinar los coeficientes estacionales es el mtodo de

Captulo 1: Breve historia de la desestacionalizacin

Captulo 1: Breve historia de la desestacionalizacin

Filtros no robustos Modelo global

Modelisacin de cada componente

Figura 1.1: Mtodos y paquetes de desestacionalizacin.

Tabla 1.1: Direcciones electrnicas de los principales paquetes de desestacionalizacin.

Captulo 1: Breve historia de la desestacionalizacin

Principios del mtodo X-11

2.1 Componentes y esquemas de composicin

3. La componente estacional, designada , que representa las fluctuaciones infra

4. Una componente llamada de das hbiles, designada , que mide el impacto

Captulo 2: Principios del mtodo X-11

En realidad, en el mtodo X-11 las componentes son definidas de manera implcita

2.2 Medias mviles

El problema consiste entonces en encontrar un buen conjunto de coeficientes  .

essential idea of trend is that it shall be smooth.

2.3. Un algoritmo simple de desestacionalizacin

2.3 Un algoritmo simple de desestacionalizacin

1. Estimacin de la tendencia-ciclo por media mvil:

2. Estimacin de la componente estacional-irregular:

3. Estimacin de la componente estacional por media mvil sobre cada mes:

4. Estimacin de la serie corregida de variaciones estacionales:

La nica dificultad reside entonces en la seleccin de las medias mviles utilizadas

2.4 El algoritmo de base del mtodo X-11

Captulo 2: Principios del mtodo X-11

1. Estimacin de la tendencia-ciclo con una media mvil

La media mvil utilizada en esta etapa es una media mvil de 13 trminos,

2. Estimacin de la componente estacional-irregular:

3. Estimacin de la componente estacional con una media mvil

4. Estimacin de la serie corregida de variaciones estacionales:

Por construccin, esta primera estimacin de la serie corregida de variaciones

6. Estimacin de la componente estacional-irregular:

2.5. Puntos atpicos y efectos de calendario

7. Estimacin de la componente estacional con una media mvil

8. Estimacin de la serie corregida de variaciones estacionales:

Este algoritmo de base es resumido en la Tabla 2.2 de la pgina siguiente.

2.5 Puntos atpicos y efectos de calendario

Captulo 2: Principios del mtodo X-11

Serie bruta mensual:

Estimacin de la tendencia-ciclo con una media mvil

Estimacin de la componente estacional con una media

Estimacin de la serie corregida

Estimacin de la tendencia-ciclo con una media mvil de Henderson

  $  $

Estimacin de la componente estacional con una media mvil

Estimacin de la serie corregida

Tabla 2.2: El algoritmo de base de X-11.

2.6. El principio iterativo de X-11

2.6 El principio iterativo de X-11

diferentes mtodos sern presentados en el Captulo 4.

El problema consiste entonces en encontrar un buen conjunto de coeficientes .

$ $

Se llama media mvil de coeficientes

El valor al instante de la serie bruta es reemplazado por una media ponderada

!" . (Serie bruta en trazo grueso, serie

!" .

, y criterio de Henderson,