Escolar Documentos
Profissional Documentos
Cultura Documentos
Por serie de tiempo nos referimos a datos estadsticos que se recopilan, observan
o registran en intervalos de tiempo regulares (diario, semanal, semestral, anual,
entre otros). El trmino serie de tiempo se aplica por ejemplo a datos registrados
en forma peridica que muestran, por ejemplo, las ventas anuales totales de
almacenes, el valor trimestral total de contratos de construccin otorgados, el valor
trimestral del PIB.
Promedio movil=
(n valores masrecientes de datos)
n
Resumen de clculos para promedios mviles de tres semanas
Los
Suavizamiento exponencial
El suavizamiento exponencial emplea un promedio ponderado de la serie de
tiempo pasada como pronstico; es un caso especial del mtodo de promedios
mviles ponderados en el cual slo se selecciona un peso o factor de
ponderacin: el de la observacin ms reciente.
En la prctica comenzamos haciendo que F1, el primer valor de la serie de valores
uniformados, sea igual a Y1, que es el primer valor real de la serie. El modelo
bsico de suavizamiento exponencial es el siguiente:
Fl +1=aY 1 +(1a) F1
Donde:
En base a lo anterior, el pronstico para el perodo dos se calcula de la siguiente
manera:
5.1.1..MODELOS DE DESCOMPOSICIN
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).
Hay varios mtodos para estimar T(t). Los ms utilizados consisten en:
1) Ajustar una funcin del tiempo, como un polinomio, una exponencial u otra
funcin suave de t.
2) Suavizar (o filtrar) los valores de la serie.
3) Utilizar diferencias.
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).
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
Se obtienen las siguientes cifras a partir de los datos de la tabla 2.1.
Tabla 2.2: Clculo de la tendencia de las viviendas comenzadas en los Estados
Unidos del tercer trimestre de 1964 al segundo trimestre de 1972
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.
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,
Para una serie trimestral, con
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 representa la serie con los efectos de tendencia
removidos.
Anlogamente, si el modelo es mixto representa la serie, una vez removidos los
efectos de tendencia.
Estas series generadas a partir de la original por eliminacin de la tendencia se
denominan series de residuos y debern contener predominantemente
fluctuaciones estacionales. Para estimar la estacionalidad se requiere haber
decidido el modelo a utilizar (mixto o aditivo), lamentablemente esto no es siempre
claro, ya sea porque no contamos con informacin a priori para suponerlo o
porque el grfico no ha dejado evidencia suficientemente clara como para
decidirnos por alguno de ellos. En tal situacin se propone calcular ambas series
residuales y elegir aquella cuyos valores correspondientes a una estacin dada
oscilen menos en torno a su promedio.
Para fijar ideas, supongamos una serie con datos trimestrales y que la informacin
de las series residuales pueden ser resumidas como en las tablas 2.4 y 2.5.