Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Ejemplos
- Precios de un artculo
- Tasas de desempleo
- Tasa de inflacin
- ndice de precios, etc.
- Meteorologa
- Cantidad de agua cada
2. Series Fsicas:
3. Geofsica:
5. Series de marketing:
6. Series de telecomunicacin:
- Anlisis de seales
7. Series de transporte:
- Series de trfico
4. Series demogrficas:
Figura 1.1
Los dos puntos enmarcados en un crculo parecen corresponder a un
comportamiento anormal de la serie. Al investigar estos dos puntos se vio que
correspondan a dos das de paro, lo que naturalmente afect la produccin en
esos das. El problema fue solucionado eliminando las observaciones e
interpolando.
b) Permite detectar tendencia: la tendencia representa el comportamiento
predominante de la serie. Esta puede ser definida vagamente como el cambio de
la media a lo largo de un periodo (ver figura 1.2).
Figura 1.2
c) Variacin estacional: la variacin estacional representa un movimiento
peridico de la serie de tiempo. La duracin de la unidad del periodo es
generalmente menor que un ao. Puede ser un trimestre, un mes o un da, etc
(ver figura 1.3).
Matemticamente, podemos decir que la serie representa variacin estacional si
existe un nmero s tal que x(t) = x(t + ks).
Las principales fuerzas que causan una variacin estacional son las condiciones
del tiempo, como por ejemplo:
1) en invierno las ventas de helado
2) en verano la venta de lana
3) exportacin de fruta en marzo.
Todos estos fenmenos presentan un comportamiento estacional (anual, semanal,
etc.)
Figura 1.3
d) Variaciones irregulares (componente aleatoria): los movimientos irregulares
(al azar) representan todos los tipos de movimientos de una serie de tiempo que
no sea tendencia, variaciones estacionales y fluctuaciones cclicas.
Un modelo clsico para una serie de tiempo, supone que una serie x(1), ...,
x(n) puede
ser
expresada
como
suma
o
producto
de
tres
componentes: tendencia, estacionalidad y un trmino de error aleatorio.
Existen tres modelos de series de tiempos, que generalmente se aceptan como
buenas aproximaciones a las verdaderas relaciones, entre los componentes de los
datos observados. Estos son:
1. Aditivo: X(t) = T(t) + E(t) + A(t)
2. Multiplicativo: X(t) = T(t) E(t) A(t)
3. Mixto: X(t) = T(t) E(t) + A(t)
Donde:
X(t) serie observada en instante t
T (t) componente de tendencia
E (t) componente estacional
A (t) componente aleatoria (accidental)
Una suposicin usual es que A (t) sea una componente aleatoria o ruido blanco
con media cero y varianza constante.
Un modelo aditivo (1), es adecuado, por ejemplo, cuando E (t) no depende de
otras componentes, como T(t), s por el contrario la estacionalidad vara con la
tendencia, el modelo ms adecuado es un modelo multiplicativo (2). Es claro
que el modelo 2 puede ser transformado en aditivo, tomando logaritmos. El
problema que se presenta, es modelar adecuadamente las componentes de la
serie.
La figura 2.1 ilustra posibles patrones que podran seguir series representadas por
los modelos (1), (2) y (3).
Figura 2.1
2.2 ESTIMACIN DE LA TENDENCIA
4.
+mtm
(Lineal)
2.
T(t) =
bt
e (Exponencial)
3. T(t) = a + b ebt
a (Exponencial
modificada)
6. T(t) =
(Logstica)
Nota:
i. la curva de tendencia debe cubrir un periodo relativamente largo para ser
una buena representacin de la tendencia a largo plazo.
ii. La tendencia rectilnea y exponencial son aplicable a corto plazo, puesto
que una curva S a largo plazo puede parecer una recta en un perodo
restringido de tiempo (por ejemplo).
Figura 2.2
En la figura 2.2 ambas curvas (recta y Gompertz) ajustan bien pero las
proyecciones divergen enormemente a largo plazo.
Ejemplo 1: En la tabla 2.1 se presentan los datos trimestrales de unidades
habitacionales iniciadas en los Estados Unidos desde el tercer trimestre de 1964
hasta el segundo trimestre de 1972 [1]. (Es necesario advertir que para el anlisis
de tendencia el periodo que se considera debera ser ms largo. Sin embargo, ya
que el propsito principal es el de ilustrar el mtodo de descomposicin y las
tcnicas para inferir partiendo de los elementos as descompuestos, la
insuficiencia de los datos no tiene por qu interesar.)
Tabla 2.1: Nuevas unidades habitacionales comenzadas en los Estados Unidos
del tercer trimestre de 1964 al segundo trimestre de 1972 (en miles de unidades).
Ao
1964
1965
1966
1967
1968
II
283
274
218
298
454
392
382
452
III
398
392
290
382
423
IV
352
345
210
340
372
Total Anual
1,474
1,166
1,322
1,545
1969
1970
1971
1972
336
264
389
510
468
399
604
661
387
408
579
309
396
513
1,500
1,467
2,085
Sea t cada uno de los 32 trimestres que van de 1964 a 1972, o sea que t = 1 para
el tercer trimestre de 1964, t = 2 para el cuarto trimestre, y as
sucesivamente. As que el dominio de definicin de t es el conjunto de los
enteros de 1 a 32 inclusive. Sea T(t) las iniciaciones de viviendas
trimestralmente. Los valores de t y T(t) se dan en la tabla 2.2. Para calcular los
valores de a y de b en la recta de tendencia
T(t) = a + bt
t
4
1965: 1
2
3
4
1966: 1
2
3
4
1967: 1
2
3
4
1968: 1
2
3
4
1969: 1
2
3
4
1970: 1
2
3
4
1971: 1
T(t)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
Tendencia
398
291,73
352
298,07
283
304,41
454
310,75
392
317,09
345
323,43
274
329,77
392
336,11
290
342,45
210
348,79
218
355,13
382
361,47
382
367,81
340
374,15
298
380,49
452
386,83
423
393,17
372
399,51
336
405,85
468
412,19
387
418,53
309
424,87
264
431,21
399
437,55
408
443,89
396
450,23
389
456,57
2
3
4
1972: 1
2
28
29
30
31
32
604
579
513
510
661
462,91
469,25
475,59
481,93
488,27
Figura 2.3
2.2.2 SUAVIZAMIENTO. FILTROS LINEALES
Figura 2.4
Lo que hacemos es usar una expresin lineal que transforma la serie X(t) en una
serie suavizada Z(t): Z(t) = F(X(t)), t = 1,...,n
F
X(t)
Z(t)
de tal modo que F(X(t)) = T(t). La funcin F se denomina Filtro Lineal. El filtro
lineal ms usado es el promedio mvil.
2.2.2.1 PROMEDIOS MVILES
El objetivo es eliminar de la serie las componentes estacionales y accidentales.
Para una serie mensual con estacionalidad anual (s = 12), la serie suavizada se
obtiene,
(1)
Para una serie trimestral, con estacionalidad anual (s = 4), la serie suavizada est
dada por
(2)
A este procedimiento se les llama: filtro simtrico finito.
Datos
Total Mvil en cuatro
Originales Y
trimestres
(1)
(2)
1964: 3
4
1965: 1
2
3
4
1966: 1
2
3
4
1967: 1
2
3
4
1968: 1
2
3
4
1969: 1
2
3
4
1970: 1
2
3
4
1971: 1
2
3
4
1972: 1
2
(3)
398
352
283
454
392
345
274
392
290
210
218
382
382
340
298
452
423
372
336
468
387
309
264
399
408
396
389
604
579
513
510
661
1.487
1.481
1.474
1.465
1.403
1.301
1.166
1.110
1.100
1.192
1.322
1.402
1.472
1.513
1.545
1.583
1.599
1.563
1.500
1.428
1.359
1.380
1.467
1.592
1.797
1.968
2.085
2.206
2.263
Promedio Mvil de
cuatro trimestres
(4)
(5)
372
370
369
366
351
325
292
278
275
298
331
351
368
378
386
396
400
391
375
357
340
345
367
398
449
492
521
552
566
371
369
367
359
338
308
285
276
287
314
341
359
373
382
391
398
395
383
366
348
342
356
382
424
471
507
536
559
Figura 2.5
a)
Aditivo
b)
Mixto
(a)
(b)
Figura 2.6
Pues si no hay tendencia, se espera
Como
para serie mensual, entonces basta estimar E
(1), E (2), E (3), ... , E(12). Para una serie trimestral, bastara conocer: E (1), E
(2), E (3) y E (4).
Suponga que se ha estimado la tendencia por alguno de los mtodos vistos en la
seccin previa. Sea
la estimacin de la tendencia ya sea mediante una curva
o filtros lineales. Entonces,
Si el modelo es aditivo
efectos de tendencia removidos.
Promedio
Fila
W(1)
W(5)
W(4k-3)
S1
W(2)
W(6)
W(4k-2)
S2
W(3)
W(7)
W(4k-1)
S3
W(4)
W(8)
W(4k)
S4
STD
Fila
C.V.
Fila
STD
Fila
C.V.
Fila
Promedio
Fila
R(1)
R(5)
R(4k-3)
S1
R(2)
R(6)
R(4k-2)
S2
R(3)
R(7)
R(4k-1)
S3
R(4)
R(8)
R(4k)
S4
Donde:
y si el modelo es Aditivo, entonces,
Donde
Probablemente, la primera idea para estimar la estacionalidad consistira de los
promedios por estacin en las series residuales. La correccin que aparece arriba
para cada caso, apunta a garantizar que,
Sea
1966
338
308,375
284,5
276,25
1967
286,5
314,25
340,5
359,25
1968
373,125
382,25
391
397,75
1969
395,25
382,875
366
348,375
1970
342,375
355,875
382,375
423,625
la estimacin de la tendencia (
Trimestre
1
2
3
4
1965
368,83
359,21
350,78
343,55
1966
337,50
332,64
328,97
326,48
1967
325,19
325,09
326,48
328,44
)
1968
331,90
336,55
342,39
349,42
1969
357,63
367,04
377,63
389,42
1970
402,39
416,55
431,90
448,44
0,77
1,26
1,12
1
0,81
1,18
0,88
0,64
0,67
1,18
1,17
1,04
0,9
1,34
1,24
1,06
1971
470,625
506,625
536,375
558,625
0,94
1,28
1,02
0,79
0,66
0,96
0,94
0,88
0,83
1,25
1,15
0,97
0,80
1,21
1,07
0,91
= 0,9975
1971
466,16
485,08
505,18
526,47
La idea es que
En definitiva, la estimacin de la estacionalidad es,
3. PREDICCIONES
Con el objeto de ilustrar los mtodos revisados en este captulo considere los
siguientes datos:
Tabla 3.1. Serie Original
SEM/AO
1
1
1,73757
2
2,01815
2
2,42106
2,80325
3
4,47481
4,85566
4
4,78939
5,14076
5
5,19210
5,06387
6
5,10775
5,24787
2
2,41589
3,1256
3
4,15214
4,74389
4
4,89381
5,06576
5
5,14721
5,1069
6
5,12181
-
Una vez suavizada la serie, se obtienen las series residuales con el objeto de
eliminar la estacionalidad dentro del modelo y saber por medio de un anlisis
tabular de los residuos si el modelo es aditivo o mixto.
PRIMER CASO: Modelo Mixto. X(t) = T(t) E(t) + A(t)
Con el objeto de eliminar la estacionalidad de la serie, se genera la serie de
residuos:
1
-
1,0021
4
0,98507 0,8968
7
SW
CV
SR
CV
para proyectar.
Proyecciones
Resumen
Se llama Serie de Tiempo, a un conjunto de mediciones de cierto fenmeno o
experimento registradas secuencialmente en el tiempo, por ejemplo a cada hora,
mensualmente, trimestralmente, semestralmente, etc... En este apunte se trabaj
con series de tiempo discreto, equiespaciadas en cuyo caso se asume que: : {x(t1),
x(t2), ..., x(tn)}= {x(1), x(2), ..., x(n)}. Debido al carcter introductorio se
restringi al caso de series de tiempo univariadas.
Al analizar una serie de tiempo, lo primero que se debe hacer es graficar la
serie. Esto nos permite detectar las componentes esenciales de la serie. El
grfico de la serie permitir: detectar Outlier, detectar tendencias, variacin
estacional, variaciones irregulares (o componente aleatoria).
Un modelo clsico para una serie de tiempo, puede ser expresada como suma o
producto de tres componentes: tendencia, estacional y un trmino de error
aleatorio. Existen tres modelos de series de tiempos. Estos son:
1. Aditivo: X(t) = T(t) + E(t) + A(t)
2. Multiplicativo: X(t) = T(t) E(t) A(t)
3. Mixto: X(t) = T(t) E(t) + A(t)
Los mtodos revisados en este apunte son de naturaleza descriptiva, por lo que el
juicio y el conocimiento del fenmeno juegan un rol importante en la seleccin
del modelo.
Los mtodos clsicos tienen la desventaja que se adaptan a travs del tiempo, lo
que implica que el proceso de estimacin debe volver a iniciarse frente al
conocimiento de un nuevo dato.
Bibliografa
[1] Chao, Lincoln L. (1975) Estadstica para ciencias sociales y
administrativas. Bogota: McGraw-Hill.
[2] Iglesias Z. Pilar. (1988). Elementos de series de tiempo.
[3] Makridakis, S; Wheelright, S.C.; McGee, V.E. (1983). Forecasting:
Methods and Applications. Wiley, New York.
[4] Pea, Daniel. (1989). Estadstica, Modelos y Mtodos 2. Modelos
Lineales y Series Temporales. Alianza Universidad, Madrid.
Enlaces