Escolar Documentos
Profissional Documentos
Cultura Documentos
MATERIA:
ESTADSTICA INFERENCIAL
ING. JUAN PEDRO TORRES HERNNDEZ
UNIDAD 5:
SERIES DE TIEMPO
PRESENTAN:
LUIS RENE TORRES SERRANO
ANAHI CELESTINO HERNANDEZ
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:
Donde:
X(t) serie observada en instante t
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
La figura 2.1 ilustra posibles patrones que podran seguir series representadas por
los modelos (1), (2) y (3).
Figura 2.1
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.
Figura 5.6 Componente de tendencia y cclico de una serie de tiempo con datos
anuales
5.7 PRONOSTICOS
ESTACIONALES
BASADOS
EN
FACTORES
DE
TENDENCIA
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)
A manera de ejemplo, suponga que se desea calcular promedios mviles de 5
aos de una serie que contiene n = 11 aos. Como L = 5, los promedios mviles
de 5 aos consisten en una serie de medidas obtenidas en el tiempo al promediar
secuencias consecutivas de cinco valores observados. El primer promedio mvil
de 5 aos se calcula con la suma de los valores para los primeros 5 aos en la
serie, dividida entre 5.
El segundo promedio mvil de 5 aos se calcula con la suma de los valores de los
aos
2 a 6 en la serie, dividida entre 5
Este proceso contina hasta calcular el ltimo promedio mvil de 5 aos con la
suma de los valores de los ltimos 5 aos en la serie (aos del 7 al 11), dividida
entre 5.
Cuando se trata de una serie de tiempo anual, L, la longitud del periodo elegido
para construir los promedios mviles, debe ser un nmero de aos impar. Al seguir
esta regla se observa que no se pueden obtener promedios mviles para los
primeros (L 1)/2 aos o los ltimos (L -1)/2 aos en la serie. Entonces, para un
promedio mvil de 5 aos, no es posible hacer clculos para los primeros 2 aos o
los ltimos 2 aos de la serie.
5.0
7.0
6.0
8.0
9.0
5.0
2.0
3.5
5.5
6.5
Calcule los promedios mviles de 5 aos para esta serie de tiempo anual.
Solucin
El primer promedio mvil de 5 aos es
Suavizacin exponencial
La suavizacin exponencial es otra tcnica que se usa para alisar una serie de
tiempo y proporcionar una visualizacin global de los movimientos a largo plazo de
los datos. Adems, se puede usar el mtodo de suavizacin exponencial para
obtener pronsticos a corto plazo (un periodo futuro) para series de tiempo.
El mtodo de suavizacin exponencial obtiene su nombre del hecho de que
proporciona un promedio mvil con ponderacin exponencial a travs de la serie
de tiempo. En toda la serie, cada clculo de suavizacin o pronstico depende de
todos los valores observados anteriores. sta es otra ventaja respecto al mtodo
de pronsticos mviles, que no toma en cuenta todos los valores observados de
esta manera. Con la suavizacin exponencial, los pesos asignados a los valores
observados decrecen en el tiempo, de manera que al hacer un clculo, el valor
observado ms reciente recibe el peso ms alto, el valor observado anterior tiene
el siguiente peso ms alto, y as sucesivamente, por lo que el valor observado
inicial tiene la menor ponderacin. Aunque la magnitud de los clculos
involucrados puede parecer enorme, la suavizacin exponencial al igual que los
mtodos de promedios mviles est disponible entre los procedimientos de
Microsoft Excel y Minitab.
Si se centra la atencin en los aspectos de suavizacin de la tcnica (ms que en
el aspecto del pronstico), las frmulas desarrolladas para suavizar
Donde:
EI = valor de la serie suavizada exponencialmente que se calcula en el periodo i
EI 1 = valor de la serie suavizada exponencialmente que se calcula en el periodo
i1
Yi = valor observado de la serie de tiempo en el periodo i
W = peso subjetivo asignado o coeficiente de suavizacin (donde 0 < W < 1)
E1 = Y1
La eleccin del coeficiente de suavizacin o peso que se asigna a la serie de
tiempo es crtica porque afectar en forma directa los resultados. Es
desafortunado que esta seleccin sea subjetiva. Si se desea slo suavizar una
serie con la eliminacin de la variacin cclica y la irregular, debe elegirse un valor
pequeo para W (cercano a 0). Por otro lado, si la meta es pronosticar, debe
elegirse un valor grande para W (ms cercano a 1). En el primer caso, se podrn
observar las tendencias globales a largo plazo de la serie; en el ltimo caso, es
posible predecir direcciones futuras a corto plazo de manera ms adecuada.
Los clculos de la suavizacin exponencial se ilustra para un coeficiente de
suavizacin de W = 0.25. Como punto de partida, se utiliza el valor observado
inicial (tabla 5.3), Y1975 = 6.6 como el primer valor de suavizacin (E1975 = 6.6)
Despus, con el valor observado de la serie de tiempo para el ao 1976 (Y1976 =
8.6), se suaviza la serie para el ao de 1976 con el clculo
Proyeccin de tendencias
Para pronosticar una serie de tiempo que tiene una tendencia lineal a largo plazo.
El tipo de serie de tiempo para el cual se aplica el mtodo de proyeccin de
tendencias presenta un aumento o disminucin consistentes a travs del tiempo; y
no es estable como para aplicar los mtodos de suavizamiento analizados en la
seccin anterior.
Veamos la serie de tiempo de ventas de bicicletas de determinado fabricante
durante los ltimos 10 aos, que se muestran en la tabla 5.8 y en la figura 5.12.
Observe que en el primer ao se vendieron 21 600 bicicletas, en el segundo, 22
900, y as sucesivamente. En el dcimo ao, el ms reciente, se vendieron 31 400
bicicletas. Aunque la figura 5.12 muestra algo de movimiento hacia arriba y hacia
abajo durante los 10 aos, parece que la serie de tiempo tiene una tendencia
general de aumento o crecimiento
Tabla 5.8 Serie de tiempo de venta de bicicletas
La ecuacin de regresin que describe una relacin lineal entre una variable
independiente, x, y una variable dependiente, y, es:
Donde:
T1 = valor de la tendencia de la serie de tiempo en el periodo
b0= ordenada al origen de la lnea de tendencia
b1= pendiente de la lnea de tendencia
t= tiempo
En esta ecuacin igualaremos t = 1 para el tiempo en que se obtiene el primer
dato de la serie de tiempo, t= 2 para el tiempo del segundo dato y as
sucesivamente.
Observe que, para la serie de tiempo de ventas de bicicletas, t = 1
correspondiente al valor ms antiguo de esa serie y t = 10 al ms reciente.
Las frmulas para calcular los coeficientes estimados de regresin, b0 y b1, en la
ecuacin que se muestra a continuacin.
Donde:
Yt= valor de la serie de tiempo en el periodo t
n= nmero de periodos
= valor promedio de la serie de tiempo,
= valor promedio de
Con las ecuaciones anteriores y los datos de las ventas de bicicletas de la tabla
5.8 podemos calcular b0 y b1como sigue:
Por consiguiente,