UNIDAD 5. SERIES DE TIEMPO Una serie en el tiempo es un conjunto de observaciones tomadas en instantes especficos, generalmente a intervalos iguales.

Matemticamente, una serie en el tiempo se define por los valores de una variable Y (temperatura, cotizacin, etc.) en tiem pos, As pues, Y es una funcin de t; esto se denota por Y= F( ) Existen movimientos caractersticos de series en el tiempo. Una grfica contiene puntos que significa que describe un punto movindose con el paso del tiempo, anlogo en muchos aspectos a la trayectoria de una partcula fsica que se mueve bajo la influencia de fuerzas fsicas. Claro est que, en lugar de fuerzas fsicas, aqu cabe pensar en el resultado de una combinacin de fuerzas econmicas, sociolgicas, psicolgicas o de otros tipos. Los movimientos caractersticos de series en el tiempo se pueden clasificar en cuatro tipos principales, a menudo llamados componentes de una serie en el tiempo. El anlisis de series en el tiempo consiste en describir los movimientos componentes que estn presentes. Existe tendencia a largo plazo que sera como una recta. La tendencia a largo plazo y movimiento cclico, y tendencia a largo plazo y movimientos cclicos y estacionales estos dos ltimos no seran exactamente rectas ms bien curvas.

5.1

MODELO CLSICO DE SERIES DE TIEMPO.

El modelo multiplicativo clsico de series de tiempo establece que todo valor observado en una serie de tiempo es el producto de estos factores de influencia. Modelo

Donde:
Ti = valor del componente de tendencia. Si = valor del componente estacional. Ci= valor del componente cclico. Ii = valor del componente irregular.

5.2

NALISIS DE FLUCTUACIONES

El primer paso en un anlisis de series de tiempo, consiste en graficar los datos y observar sus tendencias en el tiempo. Primero debe determinarse si parece haber un movimiento hacia arriba o hacia abajo a largo plazo en la serie (una tendencia) o si la serie parece oscilar alrededor de una recta horizontal en el tiempo. En este caso puede emplearse el mtodo de promedios mviles o el de suavizacin exponencial para emparejar la serie y proporcionar un panorama global a largo plazo. Por otro lado, si de hecho existe una tendencia, se pueden aplicar varios mtodos de pronstico de series de tiempo al manejar datos anuales, y otro mtodo para los datos de series de tiempo mensual o trimestral. El patrn o comportamiento de los datos en una serie de tiempo tiene diversos componentes. El supuesto usual es que se combinan cuatro componentes separados: la tendencia, el cclico, el estacional y el irregular para definir valores especficos de la serie de tiempo. El grfico de la serie permitir: a) Detectar Outlier: se refiere a puntos de la serie que se escapan de lo normal. Un outliers es una observacin de la serie que corresponde a un comportamiento anormal del fenmeno (sin incidencias futuras) o a un error de medicin. Se debe determinar desde fuera si un punto dado es outlier o no. Si se concluye que lo es, se debe omitir o reemplazar por otro valor antes de analizar la serie. 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. 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. 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.) 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.

5.3

NALISIS DE TENDENCIA

En el anlisis de serie de tiempo, las mediciones pueden efectuarse cada hora, da, semana, mes o ao o en cualquier otro intervalo regular peridico. Aunque los datos de serie de tiempo presentan, por lo general, fluctuaciones aleatorias, esta serie puede mostrar tambin desplazamientos o movimientos graduales hacia valores relativamente mayores o menores a lo largo de un lapso importante de tiempo. El desplazamiento gradual de la serie de tiempo se llama tendencia de esa serie; este desplazamiento o tendencia es, por lo comn, el resultado de factores a largo plazo, como cambios en la poblacin, caractersticas demogrficas de la misma, la tecnologa y/o las preferencias del consumidor. La siguiente figura muestra algunos patrones posibles de tendencia. La seccin A representa una tendencia no lineal; en este caso, la serie de tiempo crece poco al principio; luego tiene un crecimiento rpido y, finalmente, se nivela, esa tendencia podra ser una buena aproximacin de las ventas de un producto, desde su introduccin, pasando por un periodo de crecimiento y llegando a una etapa de saturacin del mercado. La tendencia lineal decreciente en la seccin B se aplica a una serie de tiempo que tenga una disminucin continua a travs del tiempo. La recta horizontal de la seccin C representa una serie de tiempo que no tiene aumento o disminucin consistentes a travs del tiempo y que, en consecuencia, no tiene tendencia.

5.4

NALISIS DE VARIACIONES CCLICAS

Aunque una serie de tiempo puede presentar una tendencia a travs de periodos grandes, sus valores no caern con exactitud sobre la lnea de tendencia. De hecho, con frecuencia estas series temporales presentan secuencias alternas de puntos abajo y arriba de la lnea de tendencia. Toda secuencia recurrente de puntos arriba y debajo de la lnea de tendencia, que dura ms de un ao, se puede atribuir a un componente cclico de la serie. Muchas series de tiempo presentan comportamiento cclico con tramos regulares de observaciones abajo y arriba de la lnea de tendencia. En general, este comportamiento de la serie se debe a movimientos cclicos de la economa a travs de varios aos. Por ejemplo, los periodos de inflacin moderada seguidos de periodos de inflacin rpida pueden determinar series de tiempo que se alternan abajo y arriba de una lnea de tendencia ascendente en general. Estimacin de las variaciones cclicas. Una vez ajustados los datos a la variacin estacional, pueden ser ajustados tambin a la tendencia sin ms que dividirlos por los correspondientes valores de tendencia. De acuerdo con la ecuacin: Y= T x C X S x I = TCSI El proceso de ajustar a la variacin estacional y a la tendencia corresponde dividir Y por ST, lo que da CI(las variaciones cclicas o irregulares). Un promedio mvil apropiado de unos pocos meses de duracin sirve entonces para suavizar las variaciones irregulares i y para dejar solo las variaciones cclicas C. una vez que estas variaciones cclicas han sido aisladas de esa forma, se pueden estudiar en detalle.

5.5

MEDICIN DE VARIACIONES ESTACIONALES E IIREGULARES.

Mientras que la tendencia y los componentes cclicos de una serie de tiempo se identifican analizando los movimientos de datos histricos a travs de varios aos, hay muchas series de tiempo que muestran un patrn regular dentro de un periodo de un ao. Por ejemplo, un fabricante de albercas inflables espera poca actividad de ventas durante los meses de otoo e invierno, y ventas mximas en los de primavera y verano. Los fabricantes de equipo para la nieve y de ropa de abrigo esperan un comportamiento anual opuesto al del fabricante de albercas. No es de sorprender que el componente de la serie de tiempo que representa la

variabilidad en los datos, debida a influencias de las estaciones, se llama componente estacional. Aunque uno suele imaginarse que un movimiento estacional de una serie de tiempo sucede dentro de un ao, tambin se puede usar para representar cualquier patrn regularmente repetitivo cuya duracin sea menor de un ao. Por ejemplo, los datos diarios de intensidad de trfico muestran un comportamiento estacional dentro del mismo da, as se tiene que el flujo mximo se presenta durante las horas de aglomeracin, el moderado durante el resto del da y al caer la noche, y el mnimo a partir de la medianoche hasta temprano por la maana. El componente irregular de la serie de tiempo es el factor residual, mil usos, que explica las desviaciones de la serie de tiempo real respecto a los factores determinados por los efectos de la tendencia y los componentes cclicos y estacionales. Se debe a factores a corto plazo, imprevisibles y no recurrentes que afecta a la serie de tiempo. Como este componente explica la variabilidad aleatoria de la serie, es impredecible; de esta manera, no se puede esperar predecir su impacto sobre la serie de tiempo. Estimacin de las variaciones estacionales; el ndice estacional Para determinar el factor estacional S en la ecuacin (1), debemos estimar como varan los datos de la serie en el tiempo de mes a mes en un ao tpico. Un conjunto de nmeros que muestra los valores relativos de una variable durante los meses del ao se llama un ndice estacional para la variable. Se dispone de varios mtodos para calcular el ndice estacional: 1.- Mtodo de porcentaje promedio: en este mtodo expresamos los datos de cada mes se expresan como porcentajes del promedio anual. Los porcentajes para meses correspondientes en distintos aos se promedian entonces, usando una media o una mediana; si se usa la media, es mejor evitar los valores extremos que pueden aparecer. Los 12 porcentajes resultantes dan el ndice estacional. Si su media no es el 100% ( o sea, si su suma no es 1200%), deben ser ajustados, lo que se logra multiplicndolos por un factor adecuado. 2.- Mtodo del porcentaje de tendencia: en este mtodo los datos de cada mes se expresan como porcentajes de valores de la tendencia mensual. Un promedio adecuado de los porcentajes para los meses correspondientes proporciona, entonces, el ndice requerido. Igual que en el mtodo 1, stos se ajustan si no promedia 100%. 3.- Mtodo del porcentaje del promedio mvil: en este mtodo se calcula un promedio mvil de 12 meses. Dado que los resultados as obtenidos caen entre meses sucesivos, en lugar de en la mitad del mes, se busca un

promedio mvil de 2 meses, de este promedio mvil de 12 meses. El resultado suele llamarse promedio mvil centrado de 12 meses. Despus de esto, se expresan los datos originales de cada mes como un porcentaje del promedio mvil centrado de 12 meses correspondientes, con lo que se obtiene el ndice requerido. Como antes, si stos no promedian 100%, se hace un ajuste.

5.6

APLICACIN DE AJUSTES ESTACIONALES

Una aplicacin frecuente de ndices estacionales es la de ajustar datos de serie de tiempo observados para eliminar la influencia del componente estacional en ellos, se llaman datos con ajuste estacional. Los ajustes estacionales son particularmente pertinentes cuando se desea comparar datos de diferentes meses para determinar si ha tenido lugar un incremento o decremento, en relacin con las expectativas estacionales. Los valores de serie de tiempo mensuales o trimestrales observados se ajustan respecto de la influencia estacional dividiendo cada valor entre el ndice mensual o trimestral de ese mes. El resultado se multiplica luego por 100 para mantener la posicin decimal de los datos originales. La serie resultante se llama ventas desestacionalizadas o ventas ajustadas estacionalmente.

5.7 PRONSTICOS BASADOS EN FACTORES DE TENDENCIA Y ESTACIONALES. Como lo indicamos anteriormente el primer pas en un anlisis de series de tiempo, consiste en graficar los datos y observar sus tendencias en el tiempo. Primero debe determinarse si parece haber un movimiento hacia arriba o hacia abajo a largo plazo en la serie (una tendencia) o si la serie parece oscilar alrededor de una recta horizontal en el tiempo. En este caso (es decir, no hay tendencia positiva o negativa a largo plazo), se recomienda antes de aplicar alguno de los mtodos de pronostico suavizar nuestros datos a fin de que la tendencia se observe de manera clara. Los mtodos que pueden emplearse para suavizar nuestros datos usualmente son:

a) El mtodo de promedios mviles b) El mtodo de suavizacin exponencial El objetivo de ambos mtodos es el de emparejar la serie y proporcionar un panorama global a largo plazo. Por otro lado, si de hecho existe una tendencia, se pueden aplicar varios mtodos de pronstico de series de tiempo al manejar datos anuales, y otro mtodo para los datos de series de tiempo mensual o trimestral, los cuales se vern posteriormente. Promedios mviles El mtodo de promedios mviles para suavizar una serie de tiempo es muy subjetivo y dependiente de L, la longitud del periodo seleccionado para calcular los promedios. Para eliminar las fluctuaciones cclicas, el periodo elegido debe ser un valor entero que corresponda a (o sea mltiplo de) la longitud promedio estimada de un ciclo en una serie. Los promedios mviles para un promedio determinado de longitud L consiste en una serie de promedios aritmticos en el tiempo tales que cada uno se calcula a partir de una secuencia de L valores observados. Estos promedios mviles se representan por el smbolo PM (L)

BIBLIOGRAFA: Estadstica. Tercera edicin. Murrey R Spiegel Larry J. Stephens. Editorial: Mc Graw Hill http://www.google.com.mx/url?sa=t&rct=j&q=analisis+de+fluctuaciones&source=web&c
d=9&ved=0CFsQFjAI&url=http%3A%2F%2Fwww.imef.org.mx%2FDescargascomites%2FAd ministracionIntegral%2FAnalisis%2520de%2520fluctuaciones%2520100707.ppt&ei=F2rUc-aEIKc9QSi1oCgCg&usg=AFQjCNEpOAHCJaSoSwBgFD9tpFOwATv50A