SERIES DE TIEMPO

INTEGRANTES :
GELSI VASQUEZ
MICHAEL MUOZ
JULIO TAPIA

Definicin

Se llama Series de Tiempo a un conjunto de

observaciones sobre valores que toma una
variable (cuantitativa) en diferentes momentos
del tiempo.

Para que se utilizan las series de

Tiempo?

Hoy en da diversas organizaciones

requieren conocer el comportamiento futuro de
ciertos fenmenos con el fin de planificar,
prevenir,es decir, se utilizan para predecir lo
que ocurrir con una variable en el futuro a
partir del comportamiento de esa variable en el
pasado.

Aplicaciones
En las organizaciones es de mucha utilidad en
predicciones a corto y mediano plazo, por
ejemplo ver que ocurrira con la demanda de un
cierto producto, las ventas a futuro, decisiones
sobre inventario, insumos, etc....
No as para el diseo de un proceso
productivo ya que no se disponen de datos
histricos y se trata de un proyecto a largo
plazo

Seleccin de un modelo
1.
2.
3.
4.
5.

El horizonte de tiempo para realizar la

proyeccin.
La disponibilidad de los datos.
La exactitud requerida.
El tamao del presupuesto de
proyeccin.
La disponibilidad de personal calificado.

Modelos de series de tiempo

Mtodo de
proyeccin

Cantidad de datos
histricos

Patrn de los datos

Ajuste exponencial
simple

5 a 10 observaciones
para fijar la
ponderacin

Ajuste exponencial de
Holt

Ajuste exponencial de
Winter

Modelos de la
tendencia de regresin

Horizonte de
proyeccin

Tiempo de
preparacin

Antecedentes del
personal

Los datos deben ser

estacionarios

Corto

Corto

Poca sofisticacin

10 a 15 observaciones
para fijar la
ponderacin

Tendencias pero no
estacionalidad

Corto a mediano

Corto

Por lo menos 4 5
observaciones por
trimestre

Tendencias y
estacionalidad

Corto a mediano

Corto

Tendencias y
estacionalidad

Corto a mediano

Corto

10 a 20 observaciones
para la estacionalidad,
por lo menos 5 por
trimestre

Modelos de regresin
causal

10 observaciones por
variable
independiente

Puede manejar
patrones complejos

Descomposicin de las
series de tiempo

Suficiente para ver 2

picos y simas

Maneja patrones
cclicos y estacionales
puede identificar los
puntos crticos

Box Jenkins

50 o mas
observaciones

Deben ser
estacionarios o ser
transformados en
estacionarios

Ligera sofisticacin

Corto , mediano o
largo

Corto a mediano

Corto , mediano o
largo

Largo tiempo
para el
desarrollo , corto
para la puesta en
ejecucin

Sofisticacin
moderada

Sofisticacin
moderada

Sofisticacin
considerable

Corto tiempo
para la
moderacin

Poca sofisticacin

Largo

Alta sofisticacin

Comportamiento de los Datos

Los datos se pueden comportar de diferentes

formas a travs del tiempo, puede que se
presente una tendencia, un ciclo; no tener una
forma definida o aleatoria, variaciones
estacionales (anual, semestral, etc).

Descomposicin de los datos de series

de tiempo

Tendencia

Estacionalidad

Se dice que una serie de tiempo es

estacionaria cuando el valor de su media,
varianza y covarianza no varan
Sistemticamente en el tiempo.

Suavizado de una serie de

tiempo
Cuando

se analizan datos en donde los

movimientos de la tendencia en la serie
se ven confusos las variaciones de un ao
a otro, y no es fcil darse cuenta de si
realmente existe en la serie algn efecto
de la tendencia hacia arriba o hacia abajo.

Mtodos de Prediccin

Los mtodos mas utilizados en las series

temporales son:
Promedio mvil
Suavizacin Exponencial
Box - Jenkins

Promedio mvil

Es el mtodo de prediccin mas simple,

donde se selecciona un numero dado de
periodos N, y se obtiene la media o promedio
de la variable para los N periodos,
permitiendo que el promedio se mueva
conforme se observan los nuevos datos de la
variable en cuestin.

Ejemplo
Periodo

Demanda
Dt

Promedio
movil, At

Pronostico
N=3, Ft

Error
Dt-Ft

1
2
3
4
5
6
7

10
18
29
15
30
12
16

19
20.7
24.7
19
16

19
20.7
24.7
19

- 4.0
9.3
- 12.7
- 3.0

A t = D1+ D t-1 + ......+ D t-(N+1)

N
A t = F t+1.....Con
t=7, N=3
.....
F 8 = (10 + 18 + 29)
3

Grafico de una Serie de Tiempo

Mientras

mas largo sea el periodo en que se hace el promedio,

mas lenta es la respuesta ante los cambios a la demanda

Suavizacin Exponencial

Se basa en la idea de que es posible calcular

un promedio nuevo a partir de un promedio
anterior y tambin del ultimo dato observado.

At = D t + (1-) F t
At = Dt + (1-) At-1
0<<1

Ejemplo
Periodo

Demanda Dt

Pronostico= 0.1,
Ft

Error
Dt-Ft

1
2
3
4
5
6
7

10
18
29
15
30
12
16

15
14.5
14.85
16.26
16.14
17.62
16.97

-5.0
3.5
14.15
-1.26
13.86
-5.52
-0.97

At = D t + (1-) F t
Para el periodo t+1, tenemos:
A8 = 0.1 (10)+ (10.1) 15
A8 = 14.5

 es la proporcion del peso que se da a la

demanda nueva contra la que se da al
promedio anterior.
Es decir, mientras mas grande es el valor de
mas nos acercamos al valor de la demanda
que se acaba de observar.....se le da mayor
peso a las observaciones recientes que al
promedio anterior.

Grafico
40

30

20

10
DEMANDA
Fit f or DEMANDA f rom
0

EXSMOOTH, MOD_4 NN
1

Sequence number

10 11 12 13 14

15

Box
Jenkins
Box y Jenkins han desarrollado modelos
estadsticos que tienen en cuenta la
dependencia existente entre los datos.
Cada observacin en un momento dado es
modelada en funcin de los valores anteriores.
Se modela a travs de ARIMA (Autorregresive
Integrate Moving Average).

METODOLOGIA DE BOX-JENKINS
Tiene solamente en cuenta la pauta de serie
serie de tiempo en el pasado.
Ignora la informacin de variables causales.
Procedimiento tcnicamente sofisticado de
prediccin de una variable.
Utiliza la observacin ms reciente como
valor inicial.
Permite examinar el modelo ms adecuado

METODOLOGIA DE
BOX-JENKINS
Analiza errores recientes de pronsticos para
seleccionar el ajuste apropiado para periodos
futuros.
Box-Jenkins es ms apropiado para
predicciones a largo plazo que para corto
plazo.
Extrae mucha informacin de la serie de
tiempo, ms que cualquier otro mtodo.

Eleccin del modelo

Existen tres tipos bsicos de modelos a ser

examinados
Modelos autorregresivos (AR).
Modelos de medias mviles (MA)
Modelos mixtos autorregresivos-medias
mviles (ARIMA)

Modelos autorregresivos AR(p).

Describe una clase particular de proceso en

que las observaciones en un momento dado
son predecibles a partir de las
observaciones previas del proceso mas un
termino de error.,el caso mas simple ARIMA
(1,0,0) o AR(1).
Yt = 1 Yt-1 +

at

Modelos de medias mviles MA(q)

Tambin describe una serie de tiempo
estacionaria.En este modelo el valor actual
puede predecirse a partir de las
componentes aleatorias de este momento y,
en menor medida los impulsos aleatorios
anteriores. ARIMA (0,0,1) o MA (1)

Yt = at - V1 at-1

ARIMA
Es un modelo que permite describir un
valor como una funcion lineal de datos
como una funcion lineal de datos
anteriores y errores debidos al azar.
Se analiza sobre una serie estacionaria y
se necesitan como minimo 50 datos.

Autocorrelacion simple (ACF)

La autocorrelacin muestra la
asociacin entre valores de la misma
variable en diferentes periodos de
tiempo(no aleatoria).

Grafico
DEMANDA
1.0

.5

0.0

-.5

AC F

Conf idence Limits

-1.0

Coef f icient
1

Lag Number

10 11

12 13

Autocorrelacion Parcial (PACF)

La autocorrelacin parcial identifica
la relacin entre los valores actuales
y los valores anteriores de la serie
cronolgica original.

Grafico
DEMANDA
1.0

.5

P a rtia l A C F

0.0

-.5
Conf idence Limits

-1.0

Coef ficient
1

Lag Number

10 11

12

13

AR (1)
Los procesos AR(1) se reconocen por una

ACF infinita y una PACF que desaparece

tras el primer retardo. Si los datos tienen
media, es necesario especificar un termino
constante.

Identificacion del modelo

Si la S.T presenta tendencia debemos transformarla
mediante una diferenciacin de orden d.

ACF est mas ajustada que la PACF el modelo

suele ser (0,d,q),por lo tanto se calcula MA.

PACF est mas ajustada que la ACF el modelo

suele ser (p,d,0),por lo tanto se calcula AR.

Si ACF y PACF,estan igualmente ajustadas el

modelo suele ser (p,d,q),por lo tanto se calculan
AR y MA.

AR (1)

MA(1)
Los

procesos MA(1) se reconocen por

una PACF infinita y una ACF que
desaparece tras el primer retardo.
Si los datos tienen media, es necesario
especificar un trmino constante.

MA(1)

AR(2) (I)

AR(2) (II)

MA (2)

Funcin de autocorrelacion

Funcin de autocorrelacin
Para ver si la serie es o no estacionaria veamos el
correlograma.Observamos que decrece lentamente, por lo
que podemos decir que no hay estacionariedad (cuando el
decrecimiento es ms rpido la serie es estacionaria).
Aplicamos un modelo en el que hay que diferenciar la serie
y obtenemos el grfico de la serie despus de haber hecho
una diferenciacin no estacional.Se observa que la serie se
ha estabilizado.

Funcin de autocorrelacion

En el correlograma estimado con una

diferenciacin no estacional ya no aparece el
decrecimiento.
Los valores que se salen fuera de las bandas son
significativamente distintos de cero, pero
simplemente por azar un 5% se sale fuera.
.

Vemos como corresponde a un modelo de medias

mviles de orden uno en que no sabemos si
tendr termino constante.Se trata de un modelo
ARIMA(0,1,1).

La serie no tiene un nivel constante, se observa una

tendencia creciente.
Se ve claramente en el grfico que hay una componente
estacional.
La amplitud de las oscilaciones crece con la tendencia.

Modelos mixtos autorregresivos-medias

mviles (ARIMA)

Incluyen tanto trminos autorregresivos como de

medias mviles y se definen como ARMA (p,q) o
ARIMA(p,0,q).Se representan por la ecuacin: