INSTITUTO TECNOLGICO DE ORIZABA

SERIES DE TIEMPO

Mario Leoncio Arrioja Rodrguez

junio de 2013

ANLISIS DE SERIES DE TIEMPO Y PREDICCIN

Conceptos Bsicos Anlisis de Tendencias Anlisis de Variaciones

Cclica Estacional
2 Dr. Mario Leoncio Arrioja Rodrguez mlarrioja@gmail.com

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN

Serie de Tiempo

Es un conjunto de datos observacionales tomados en instantes especficos, generalmente a Intervalos Iguales Es una secuencia cronolgica ordenada de valores de medicin sobre el estado de una variable cuantitativa de un proceso, obtenida mediante observacin de su comportamiento en el transcurso del tiempo Los objetivos que se persiguen al estudiarlas son: o Buscar regularidades de su comportamiento en el tiempo o Pronosticar su comportamiento mas probable en el tiempo
Dr. Mario Leoncio Arrioja Rodrguez mlarrioja@gmail.com 3

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN

Series De Tiempo
1. Econmicas:

2. Fsicas:

3. Geofsica: 4. Demogrficas:

Ejemplos - Precios de un artculo - Tasas de desempleo - Tasa de inflacin - ndice de precios, etc. - Meteorologa - Cantidad de agua cada - Temperatura mxima diaria - Velocidad del viento (energa elica) - Energa solar, etc. - Series sismologas - Tasas de crecimiento de la poblacin - Tasa de natalidad, mortalidad - Resultados de censos poblacionales - Series de demanda, gastos, ofertas
- Anlisis de seales - Series de trfico
Dr. Mario Leoncio Arrioja Rodrguez mlarrioja@gmail.com 4

5. De marketing:
6. De telecomunicacin: 7. De transporte:

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN

Serie de Tiempo

Caractersticas particulares: o Conforman muestras de una sola variable en el tiempo

o Entre los valores temporales observados puede existir cierta correlacin

Generalmente son usados para evaluar el comportamiento de una variable de inters, de la que no se tiene control, y se requiere intentar pronosticar cual ser su comportamiento futuro.

Dr. Mario Leoncio Arrioja Rodrguez

mlarrioja@gmail.com

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN

El comportamiento de las series de tiempo, se debe a 4 componentes: Tendencia, Variacin Cclica, Variacin Estacional y Variacin Aleatoria Tendencia, o tendencia secular, es aquella tendencia a largo plazo sin alteraciones de una serie de tiempo. Puede ser: lineal - no lineal, creciente decreciente, -

Dr. Mario Leoncio Arrioja Rodrguez

mlarrioja@gmail.com

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN

Variacin cclica, en la que a travs del perodo de tiempo analizado, generalmente mayor de un ao, se producen ascensos y descensos frecuentes. Comportamiento asociado a variaciones de tipo econmico.

Dr. Mario Leoncio Arrioja Rodrguez

mlarrioja@gmail.com

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN

Variacin estacional, variacin regular dentro de un ao y que a su vez se repite cada ao.

Dr. Mario Leoncio Arrioja Rodrguez

mlarrioja@gmail.com

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN

Variacin irregular o aleatoria, variaciones extraas imprevisibles que se dan generalmente en el corto plazo 2.

Dr. Mario Leoncio Arrioja Rodrguez

mlarrioja@gmail.com

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN

Para poder pronosticar cual es el comportamiento futuro de una variable en funcin a estas caractersticas de comportamiento es necesario poder representarlo matemticamente. Los modelos matemticos pueden ser: 1. Aditivo: 3. Mixto: X(t) = T(t) +C(t)+ E(t) + A(t) X(t) = T(t) C(t) E(t) + A(t)

2. Multiplicativo: X(t) = T(t) C(t) E(t) A(t)

Cada vez que se logra identificar y cuantificar un componente, se elimina del modelo para analizar los restantes componentes. Los modelos de descomposicin para T(t),
a) Aditivo, se resta : X(t) -T(t) =C(t)+ E(t) + A(t)
mlarrioja@gmail.com 10

b) Multiplicativo, se divide: X(t) / T(t) =C(t) E(t) A(t)

Dr. Mario Leoncio Arrioja Rodrguez

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN

Los mtodos utilizados para analizar una serie de tiempo son: Grficos para identificar los diferentes componentes de una serie de tiempo Tendencia: o Lineal: anlisis de regresin o No lineal: polinomial, logartmica, exponencial y potencial Estacionalidad, a travs de ndices Aleatoriedad, rara vez puede analizarse, si se tienen suficientes datos se puede determinar su distribucin de probabilidad.

Dr. Mario Leoncio Arrioja Rodrguez

mlarrioja@gmail.com

11

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN

Grficas Es una tcnica muy simple que permite visualizar las caractersticas generales de la serie

Permite detectar problemas como los valores atpicos (outlier)

Dr. Mario Leoncio Arrioja Rodrguez

mlarrioja@gmail.com

12

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN

Grficas Grfico de Serie de Tiempo donde se observa tendencia y variaciones irregulares

Grfico de Serie de Tiempo donde se observa tendencia y variaciones cclicas

13

Dr. Mario Leoncio Arrioja Rodrguez

mlarrioja@gmail.com

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN

o Mtodos de Suavizacin de la Serie i. Promedios mviles ii. Promedios mviles ponderados iii. Suavizacin exponencial Grficas antes y despus de la Suavizacin

Dr. Mario Leoncio Arrioja Rodrguez

mlarrioja@gmail.com

14

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN Promedio Mvil

Un promedio mvil se construye sustituyendo cada valor de una serie por la media obtenida con esa observacin y algunos de los valores inmediatamente anteriores y n posteriores.
Promedio Mvil i ltimo
1 2 3 4 5 6 7 8 17 21 19 23 18 16 20 18 1 2 3 4 5 6 7 8 17 21 19 23 18 16 20 18

n Valores mas recientes n

17 + 21 + 19 / 3 21 + 19 + 23 / 3 19 + 23 + 18 / 3 23 + 18 + 16 / 3 18 + 16 + 20 / 3

= = = = =

19 21 20 19 18

17 + 21 + 19 / 3 21 + 19 + 23 / 3 19 + 23 + 18 / 3 23 + 18 + 16 / 3 18 + 16 + 20 / 3 16 + 20 + 18 / 3
mlarrioja@gmail.com

= = = = = =

19 21 20 19 18 18
15

Dr. Mario Leoncio Arrioja Rodrguez

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN Promedio Mvil

Se observa cmo a medida que aumenta el orden, el efecto del suavizado es mayor. Pero tambin se pierden ms datos en los extremos. 16
Dr. Mario Leoncio Arrioja Rodrguez mlarrioja@gmail.com

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN

Promedio Mvil Ponderado

Se asigna un factor de ponderacin distinto para cada dato. Generalmente, a la observacin ms reciente a partir del que se quiere hacer el pronstico, se le asigna el mayor peso, y disminuye en los valores de datos ms antiguos
Promedio Mvil
i ltimo

Wi n Valores mas recientes

W
i=1

1 2 3 4 5

17 21 19 23 17*1 + 21*2 + 19*3 / 6 18 21*1 + 19*2 + 23*3 / 6

W1 3

W2 2

W3 1

= 19.33 = 21.33

Dr. Mario Leoncio Arrioja Rodrguez

mlarrioja@gmail.com

17

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN

Suavizacin Exponencial

Emplea un promedio ponderado de la serie de tiempo pasada como pronstico. El modelo bsico de suavizacin exponencial es:

Ft 1 Yt 1 Ft
Donde: Ft+1 = pronstico de la serie de tiempo para el perodo t+1 Yt = valor real de la serie de tiempo en el perodo t Ft = pronstico de la serie de tiempo para el perodo t = constante de suavizacin, 0 1
Dr. Mario Leoncio Arrioja Rodrguez mlarrioja@gmail.com 18

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN

Suavizacin Exponencial
i Yi

1 2 3 4 5 6 7 8 9 10 11 12

17 21 19 23 18 16 20 18 22 20 15 22

Ft 1 Yt 1 Ft F1 = Y1 = 17.00
F2 = F1 =17.00 F3 = 0.2 * 21 + (1-0.2) * 17 F4 = 0.2 * 19 + (1-0.2) * 17.8 F5 = 0.2 * 23 + (1-0.2) * 18.04 F6 = 0.2 * 18 + (1-0.2) * 19.03 F7 = 0.2 * 16 + (1-0.2) * 18.82 F8 = 0.2 * 20 + (1-0.2) * 18.26 F9 = 0.2 * 18 + (1-0.2) * 18.61 F10 = 0.2 * 22 + (1-0.2) * 18.49 F11 = 0.2 * 20 + (1-0.2) * 19.19 F12 = 0.2 * 15 + (1-0.2) * 19.35

Fi 17 17 17.8 18.04 19.03 18.82 18.26 18.61 18.49 19.19 19.35 18.48

0.2

Dr. Mario Leoncio Arrioja Rodrguez

mlarrioja@gmail.com

19

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN

Suavizacin Exponencial

Criterio para elegir : Si la serie vara lentamente, se eligen valores de cercanos a 0. (valor tpico = 0.3). En cambio, si vara bruscamente, se eligen valores de cercanos a 1 (valor tpico = 0.7)

Dr. Mario Leoncio Arrioja Rodrguez

mlarrioja@gmail.com

20

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN

Suavizacin Exponencial

En los grficos se aprecia que cuando la constante es pequea, cercana a cero, la suavizacin es significativa. A medida que aumenta acercndose a 1, la suavizacin es menor y la serie suavizada se parece ms a la serie original.
Dr. Mario Leoncio Arrioja Rodrguez mlarrioja@gmail.com 21

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN

Estacionalidad La estimacin de la estacionalidad no slo se realiza con el fin de incorporarla al modelo para obtener predicciones, sino tambin con el fin de eliminarla de la serie para visualizar otras componentes como el componente irregular que se puede confundir en las fluctuaciones estacionales. Antes de analizarla se eleimina el componente de tendencia.

Dr. Mario Leoncio Arrioja Rodrguez

mlarrioja@gmail.com

22

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN

Estacionalidad
La estimacin de la estacionalidad se hace a travs del clculo de medias mviles y medias mviles centradas, al proceso tambin se le llama desestacionalizacin. Media mvil: Transformacin de la serie original en la que las nuevas observaciones para cada periodo, son un promedio de las observaciones originales. El orden de la media mvil indica el nmero de observaciones a promediar
Mensuales (Orden 12) Trimestrales (Orden 4)
1 3 MM Yt Yt r 4 r 0
4

Sin ponderar Ponderada

1 11 12 MM Yt Yt r 12 r 0 1 6 12 MMc Yt Yt r 12 r 6
Dr. Mario Leoncio Arrioja Rodrguez

1 2 MMc Yt Yt r 4 r 2
4

mlarrioja@gmail.com

23

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN Ejemplo de Estacionalidad

Ao 2001 2002 2003 2004 2005 Total Promedio
9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 Series1 Series2 Series3 Series4

1 1 2 2 3 5 13 2.6

Ventas trimestrales 2 3 2 4 3 5 4 5 4 7 7 8 20 29 4 5.8

4 3 4 3 6 7 23 4.6
9 8 7

Total Anual 10 14 14 20 27 85 17

Promedio trimestral 2.50 3.50 3.50 5.00 6.75 21.25 4.25

Se observa que en general los dos primeros trimestres estn por debajo del promedio y los dos ltimos estn por arriba del promedio.

6
5 4 3 2 1 0

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Dr. Mario Leoncio Arrioja Rodrguez

mlarrioja@gmail.com

24

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN

ndice de Estacionalidad

Identificada la estacionalidad, se puede expresar como ndice en diversas formas.

Razn Decimal Porcentual Mas - Menos

Sri

Yi YTotal anual
13 2.6

Sdi 4Sri

Si % 100 Sd i

Si Sdi % 100

Total Promedio

20 4 0.2353 0.9412 94.1176 -5.8824

29 5.8

23 4.6

85 17 1 4 400 0

21.25 4.25 0.25 1.00 100.00 0.00

25

Razn 0.1529 decimal 0.6118 porcentual 61.1765 +-38.8235

0.3412 0.2706 1.3647 1.0824 136.4706 108.2353 36.4706 8.2353

Dr. Mario Leoncio Arrioja Rodrguez

mlarrioja@gmail.com

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN

Ajuste de Calendario

En ocasiones se debe ajustar los das de cada periodo, debido a que no todos los meses tienen el mismo nmero de das.

1 12 di 1) Se obtiene el promedio de das por periodo D 12 i 1

2) Se obtiene el factor de ajuste

D FAi di

3) Se calcula las unidades ajustadas

UA FAiYi
mlarrioja@gmail.com 26

Dr. Mario Leoncio Arrioja Rodrguez

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN

Ajuste de Calendario
Mes Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic Total Promedio Unidades Producidas 520 480 500 550 600 450 580 490 510 560 470 670
D 1 12 di 12 i 1

FAi

D di

UA FAiYi

Das Factor de Unidades Laborables Ajuste Ajustadas 22 19 21 21 22 20 21 23 20 22 21 20 252 21 0.9545 1.1053 1.0000 1.0000 0.9545 1.0500 1.0000 0.9130 1.0500 0.9545 1.0000 1.0500 496 531 500 550 573 473 580 447 536 535 470 704

Dr. Mario Leoncio Arrioja Rodrguez

mlarrioja@gmail.com

27

ANLISIS DE SERIE DE TIEMPO Y PREDICCIN

Actividades sugeridas
Plantear un problema de Series de Tiempo Obtener la Grfica de los Datos Originales y describir sus caractersticas ms importantes Obtener el componente de Tendencia por Regresin Lineal Simple y utilizarlo para hacer pronsticos de mas de un periodo Pronosticar en base a los datos del problema usando: Promedios Mviles, identificando el n ptimo y graficarlos Promedios Ponderados, identificando el n y los Wi ptimos y graficarlos Suavizacin Exponencial, identificando el mejor y graficarlos. Establecer qu mtodo de suavizacin funciona mejor para el problema planteado. Determinar si existe estacionalidad y analizarla con los ndices analizados en clase.
Dr. Mario Leoncio Arrioja Rodrguez mlarrioja@gmail.com 28

FUENTES DE INFORMACIN
1. 2.

3.

4.

Murray R. Spiegel, Estadstica, 2a. edicin, Mc Graw Hill Lind, D., Marchal, W. & Mason, R.(2004). Estadstica para Administracin y Economa (11ava Edicin) Mxico: Alfa Omega Grupo editor. Berenson, M. & Levine, D.,(1996) Estadstica Bsica para Administracin (6 Edicin). Editorial Prentice Hall. Shao, Stephen P, Estadstica para Economistas y Administradores de Empresas, Herrero Hermanos, Sucs., S.A., Mxico 1960
Glosario

ARIMA: Modelo Autoregresivo Integrado de promedios mviles

29

Dr. Mario Leoncio Arrioja Rodrguez

29