Series de Tiempo
Series de Tiempo
Series de Tiempo
AUTORES:
Colmenares, Roselin
Manrufo, Génesis
2
El análisis de series de tiempo desempeña un papel importante en
análisis requerido para el pronóstico de eventos futuros, basándonos en
datos históricos.
3
INDICE
Pág
.
INTRODUCCIÓN
Definiciones.…………………………………………..………………6 - 8
Gráficos…………………………………………….………….……..…… 7
Definiciones……………………………………………..………………8 - 10
Tabla 15.1………………………………………........................................ 9
Tendencia
Variación Estacional
Análisis de Tendencia
4
Modelo Lineal
Modelo Exponencial
Modelo Cuadrático
Promedios Móviles…………………………………………………..26-34
Tabla 13.2
Tabla 13.3
Suavizado Exponencial
Tabla 13.4
Tabla 13.5
7. – EJERCICIOS O EJEMPLOS…………………………………………37-41
CONCLUSIÓN
REFERENCIAS BIBLIOGRAFICAS
5
1. Definiciones de Series Cronológicas o Series de Tiempo:
Define serie de tiempo (Webster, Allen L., 2000, pág. 413) como; “Una
recolección de datos para alguna variable o conjunto de variables durante
varios periodos”.
Expresan Levin, Richard I., Rubin David S. (1.996 P.853) el término “serie
temporal para referirse a cualquier grupo de información estadística que se
acumula a cualquier tipo de intervalos regulares”.
Ejemplo: La figura 16.1 es una grafica de líneas que describe las ventas
anuales en dólares de una compañía (ficticia) fabricante de software para
gráficos constituida en 1990. Como puede observarse, en 1995 se alcanzo
una cumbre en ventas anuales, seguida por dos años de descenso en las
ventas que culminaron en el valle de 1997, seguido a su vez por crecientes
niveles de ventas durante los últimos tres años de los valores de la serie de
tiempos reportados.
6
Ventas Anuales (en miles de pesos)
Serie 1
2.4
1.9
1.4
Serie 1
0.9
0.4
-0.1
1990 1995 2000
7
(Vásquez, Deyanira), Define;
En donde;
Si T = Z → Serie Discreta
Si T = R → Serie Continua
8
observados en las series de tiempo. Una vez identificados, estos factores
pueden contribuir a la interpretación de los valores históricos de series de
tiempo y a pronosticar valores futuros de series de tiempo.
Tabla 15-1
9
Una serie de tiempo se representa gráficamente a través de una grafica de
líneas sobre el cuyo eje de las abscisas o eje horizontal se representa los
periodos de tiempo y en el eje de las ordenadas o eje vertical se representan
los valores reales, índices o frecuencias de la serie de tiempo estudiada.
10
toma de decisiones de acuerdo con la aplicación de un procedimiento
estadístico determinado”.
Para los autores Mark L. Berenson, David M. Levine (1996, p.859) Los
objetivos principales de análisis de serie temporales “consisten en identificar
y aislar tales factores de influencia con propósitos de hacer predicciones
(pronósticos) así como para efectuar una planeación y control administrativo”.
Predicción (Pronostico)
Datos precisos
Predicción Confiable
Adecuada Técnica
de predicción.
Porque Datos
Precisión Costo
11
3. Componentes de la Serie de Tiempo:
Por otro lado cuando los datos se obtienen de manera trimestral o mensual,
una observación Yi registrada en el periodo i puede estar dado como
Yi=Ti.Si.Ci.Ii en la que el periodo i, Ti, Ci e Ii son valores de los componentes
de tendencia, cíclico e irregular y Si es el valor del componente estacional.
Todas las series de tiempo contienen por lo menos uno de los siguientes
cuatro componentes:
12
Si la variación estacional no ocurre anualmente, los datos anuales
no capturaran o reflejaran tales cambios. Los datos deben reflejarse
trimestral, mensual o incluso semanalmente.
Un ciclo va desde una fase hasta la siguiente, varia por encima y por debajo
de la tendencia a largo plazo, de manera ondular. Tal como se ilustra en la
figura 13.3
Tabla 13.3
Ventas de Fábrica
13
Gráfica
Ventas de Fábrica
10
9
8
7
6
5
Series1
4
3
2
1
0
1975 1980 1985 1990 1995 2000 2005
Levin, Richard I., Rubin David S. (1.996 p. 853-854) Hay cuatro tipos de
cambio o variación implicados en el análisis de series temporales, estos son:
14
debajo de la línea de tendencia secular. Note que los movimientos cíclicos
no siguen ningún patrón regular, sino que se mueven de una forma un tanto
impredecible.
3. Variación Temporal: El tercer tipo de cambio en los datos de una serie
temporal es la variación temporal o estacional. Como cabria esperar por su
nombre, este tipo de variación implica patrones de cambio en el lapso de un
año que tiende a repetirse anualmente. Por ejemplo un medico puede
esperar un aumento sustantivo del número de casos de gripe cada invierno y
de afectados de tifoidea. En la figura 15-1 (c) observamos una variación
temporal. Note como alcanza un pico cada cuatro trimestre del año.
4. Variación irregular: La variación irregular es el cuarto tipo de cambio que se
da en el análisis de las series temporales. En muchas situaciones, el valor de
una variable puede ser completamente impredecibles, es decir, cambia de
manera aleatoria. Las variaciones irregulares describen tales movimientos.
Los efectos del conflicto en el Medio Oriente en 1973, la situación de Irán en
1979-1981, el colapso de la OPEP en 1986 y la situación de Irak en 1900
sobre los precios de la gasolina en Estados Unidos son ejemplos de
variación irregular. En la figura 15-1(d) ilustramos la variación irregular.
Y=TXCXEX1
15
Lind, Macon Marshall, 1998, p. 569 plantea lo Siguiente:
Análisis de series cronológicas:
Todas las series de tiempo contienen por lo menos uno de los siguientes
cuatros componentes.
16
D) Depresión o valle; esta fase se presenta cuando la actividad
económica o comercial de una empresa se encuentra en su punto
más bajo (punto mínimo).
(Kasmier, Leonard J., 1998, págs. 559- 560 - 561 - 562) Determina lo siguiente:
17
valor de la serie de tiempo observado, las formulas para determinar los
valores de bo y b1 para la ecuación d tendencia lineal son
∑ ̅̅
∑ ̅̅̅̅
̅ ̅
18
Grafica 16.8
Serie 1
2.4
YT
2
1.6
1.2
Serie 1
0.8
0.4
0
1990 1995 2000
Ejemplo 2. Un número índice de 110 asociados con un mes dado indica que
los valores de la serie de tiempo para ese mes han promediado un 10% más
que para otros meses a causa de algún factor estacional positivo. Por
19
ejemplo, las ventas unitarias de rasuradoras para hombres podrían ser 10%
más altas en junio en comparación con otros meses con motivo del día de
Padre.
El segundo paso del método del cociente del promedio móvil es promediar el
componente irregular. Esto se realiza por lo general enlistando los diversos
cocientes aplicables al mismo mes (o trimestres) de varios años, eliminando
los valores más altos y más bajos y calculando la media de los cocientes
restantes. La media resultante se llama media modificada, a causa de la
eliminación de los dos valores extremos.
El último paso del método del cociente del promedio móvil es ajustar los
cocientes medios modificados con un factor de corrección tal que la suma de
los 12 cocientes mensuales sea de 1200 (o de 400 en el caso de cuatro
cocientes trimestrales).
20
Los valores de serie de tiempo mensuales (o trimestrales) observados se
ajustan respecto de la influencia estacional dividiendo cada valor entre el
índice mensual (o trimestral) de ese mes. El resultado se multiplica luego por
100 para mantener la posición decimal de los datos originales. El proceso de
ajuste de datos en relación con la influencia de variaciones estacionales
puede representarse como:
( )( )
( )( )
21
Por efecto de la transformación a datos mensuales en (16.12), el punto base
del año anteriormente codificado como X=O se ubicara en el punto medio del
año, sea en el 1 de julio. Dado que es necesario que el punto base
corresponda al punto medio del primer mes del año base, es decir, al 15 de
enero, la intersección b0/12 de la ecuación modificada se reduce entonces
en 5.5 veces la pendiente modificada. Un ajuste similar se efectúa en el
caso de datos trimestrales. Así, la ecuación de tendencias modificada. Un
ajuste similar se efectúa en el caso de datos trimestrales. Así, la ecuación
de tendencia modificada para obtener valores mensuales proyectados y con
X=O en el 15 de enero del año base es:
( )( )
( )( )
Ejemplo4.
22
El Instituto Nacional Económica (Nacional Bureau of Economic Research,
NBER por sus siglas en ingles) de Estados Unidos ha identificado y dado a
conocer varias series de tiempo históricamente indicadoras de expansión y
recesiones cíclicas respecto del ciclo económico general. Un grupo de estas
series de tiempo, llamadas indicadores líderes, han llegado habitualmente a
puntos de cambio de ciclo antes del cambio correspondiente en la actividad
económica general. Entre los indicadores líderes se encuentran las horas
semanales promedio laboradas en manufactura, el valor de nuevos pedidos
de bienes de consumo y materiales y un índice común de precios de las
acciones. Un segundo grupo, llamado de indicadores coincidentes, está
compuesto por series de tiempo cuyos puntos de cambio han coincidido
usualmente con el ciclo económico general. Son indicadores coincidentes
medidas como la tasa de empleo y el índice de producción industrial. El
tercer grupo, llamado indicadores rezagados, es el integrado por series de
tiempo cuyas cumbres y valles suelen retardarse en comparación con las del
ciclo económico general. Entre los indicadores rezagados se encuentran
medidas como los inventarios de manufactura y comerciales y la tasa
preferencial promedio que cobran los bancos.
Modelo lineal
23
∑ni=1 xi yi-nx
b1=
∑ni=1 xi2 -nx2
Modelo exponencial
Cuando una serie parece estarse incrementándose a una rapidez cada vez
mayor tal que la diferencia porcentual de una observación a otra e constante,
podemos ajustar una ecuación de tendencia exponencial de la forma Ŷi= bo
en la que bo= intersección estimada en el eje Y. (b1-1) x100%= tasa de
crecimiento compuesta estimada anual (en porcentaje)
Método cuadrático
24
Yt = Tt + St + Ct + It
= US$565
Vale la pena destacar que el valor positivo para S indica que las influencias
estacionales existentes han tenido un impacto positivo en las ventas. El
valor cíclico negativo sugiere que el ciclo comercial esta actualmente
descendiendo. Aparentemente, sucedió algún evento aleatorio que tuvo un
impacto negativo en las ventas.
El modelo aditivo sufre del supuesto, algo irreal, de que los componentes son
independientes uno del otro. Esto rara vez es el caso en la vida real. En la
mayoría de los casos, los movimientos de un componente tendrán un
impacto en los otros componentes, por tanto, se niega el supuesto de
independencia. O quizás de manera más común, con frecuencia se
encuentra que ciertas fuerzas que trabajan en la economía, simultáneamente
afectan dos o más componentes. D e nuevo, el supuesto de independencia
no se cumple.
Yt =Tt X St X Ct X It
Yt = Tt X Ct X It
25
5. Técnicas de Suavizamiento de una Serie Cronológica:
Tabla 13.3
11.31313.3
26
Grafico11.3 Venta de Fabricas para General Motos
10
9
11.31313.3
8
7
6
5
Series1
4
3
2
1
0
1975 1980 1985 1990 1995 2000 2005
Suavizado exponencial:
Es otra técnica que puede utilizarse para suavizar una serie de tiempo y por
consiguiente, nos proporciona una impresión de los movimientos globales a
largo plazo de los datos. Además el método de suavizado exponencial puede
utilizarse para obtener producciones a corto plazo (un periodo hacia el
futuro).
27
periodos. El mismo número de periodos se mantiene para cada promedio,
eliminando la observación más antigua y recogiendo la más reciente. Se
supone que los precios de cierre para una acción en la Bolsa de Valores en
Nueva York, para el periodo de lunes a miércoles, fueron US$20, US$22, y
US$18, respectivamente. Se calcula un promedio móvil de tres periodos (día)
así:
28
La primera entrada de cinco meses en el PM utiliza valores para los meses
de enero a mayo. El promedio de (52+51+47+65+50)/5=59 se centra en la
mitad de tales cinco períodos en marzo.
29
Es necesario centrar el promedio móvil tomando la media de cada par
sucesivo de promedios móviles. Así, el promedio del primer y del segundo
valor resulta:
(42.50+45.75)/2=44.13
Solución
Los tres primeros valores de 70,68 y 75 promedian 71. Los valores para los
periodos dos a cuatro de 68,75 y 79, promedian 74. El proceso continua
hasta que se encuentre la última observación. La proyección para todo mes
futuro es de 69.67 toneladas.
30
Interpretación:
( )
En donde;
Como ejemplo, se supone que es el último día hábil del mes de febrero. Las
ventas totales del mes para Uncle Vito`s Cars fueron de US$110.000. Uncle
Vito ha decidido pronosticar las ventas para el mes de marzo, De acuerdo
con la fórmula 13.2, la proyección de marzo, Ft+1 requiere:
Sin embargo debido a que marzo es el primer mes en el cual Uncle Vito
está haciendo su predicción, no se hizo pronóstico para el mes de febrero
Ft es desconocido. La práctica general es utilizar simplemente el valor
real del periodo anterior, enero en este caso, para la primera proyección.
Los registros de Uncle Vito demuestran que las ventas de enero fueron
US$105.000. Se asume un valor de 0.3 para , entonces el pronóstico
para marzo es:
31
Ft+1 = + (1 - )
Ft = + (1 - )
FFeb= (0.3) (110) + (0.7) (105)
=US$106.500 como la proyección de las
ventas en marzo.
Formulas: A medida que se dispone del nuevo valor de un dato de una serie de
tiempo, la nueva observación remplaza a la antigua en la serie de n valores
como base para determinar el nuevo promedio, lo que explica el motivo de que
se le llame promedio móvil.
El promedio móvil puede servir para pronosticar los valores de datos del
siguiente periodo de la serie de tiempo, pero no los de datos de periodos más
distantes a futuro. Es por lo tanto un método adecuado de pronostico cuando en
los datos no está presente la influencia de una tendencia, cíclica o estacional,
situación por demás improbable. Así, este procedimiento sirve sencillamente
para promediar el componente irregular de los datos más recientes de una serie
de tiempo.
32
̂ ( ) ( ) ( )
( )
Donde formula
33
de suavización más complejos incorporan mas influencias y permiten obtener
pronósticos para varios periodos futuros. Los describiremos brevemente a
continuación. Explicaciones y descripciones más detalladas de ellos se incluyen
en libros de texto especializados en pronósticos.
Los modelos auto regresivo integrado y de promedio móvil (ARIMA) son una
categoría de métodos de pronósticos en los que los valores previamente
observados en la serie de tiempo se usan como variables independientes en los
modelos de regresión. El método de más amplio uso de esta categoría fue
desarrollado por Box y Jenkins, y se llama justamente método de Box-Jenkins.
Estos métodos hacen uso explicito de la existencia de auto correlación esto es,
de la correlación de una variable, rezagada uno o más periodos, consigo misma,
en las series de tiempo. Como se explica en la sección 15.8, la prueba de
Durbin-Watson permite detectar la existencia de residual auto correlacionado
(correlación serial) en los valores de series de tiempo. Un valor de la estadística
de prueba cercano a 2.0 apoya la hipótesis nula de que no existe auto
correlación en la serie de tiempo. Un valor inferior a 1.4 es indicativo por lo
general de una fuerte correlación serial positiva, mientras que un valor superior
a 2.6 indica la existencia de una fuerte correlación serial negativa.
34
6. Error de Estimación de la Serie de Tiempo:
Como lo revela la tabla 13.4 Uncle Vito puede planear ventas US$106.500.
Si las ventas reales de marzo son de US$107.000, el error se calcula (en
miles) como Ft – = 106.5 – 107 = -0.5. También F Abril = (0.3) (107) +
(0.7) (106.5) = 106.65.
Tabla 13.4
Venta de Autos
De Uncle Vito
Ft+1 = + (1 - )
Ft = + (1 - )
FAbril = (0.3) (112) + (0.7) (106.65)
=US$108.260
35
Tabla 13.5
De Uncle
=23.20.
Un = 0.8
( ) ( ) ( ) ( ) ( ) ( )
CME=
=22.88
36
7. Ejercicios o Ejemplos:
37
FEne= ( ) + (1 - ) (FDic)
=5.32%
A diferencia de los promedios móviles, los cuales utilizan solo un número fijo
de periodos, el suavizamiento exponencial utiliza todos los valores anteriores
de la serie de tiempo. Esto se debe a que Ft+1 depende de At, y Ft, Sin
embargo, Ft utilizó a At – 1, y Ft – 2. Por tanto, cada pronóstico depende de
los valores reales anteriores de At – n hasta llegar a donde comenzaron los
pronósticos por primera vez. Entre más se vaya hacia atrás el tiempo, menos
impacto tiene un valor de A en la proyección corriente.
PM (5) =
PM (5) =
Este proceso continúa hasta calcular el último promedio móvil de 5 años con
la suma de los valores de los últimos 5 años en la serie (años del 7 al 11),
dividida entre 5.
PM (5) =
38
serie. Entonces, para un promedio móvil de 5 años, no es posible hacer
cálculos para los primeros 2 años o los últimos 2 años de la serie.
4.0 5.0 7.0 6.0 8.0 9.0 5.0 2.0 3.5 5.5 6.5
Calcule los promedios móviles de 5 años para esta serie de tiempo anual.
Solución:
PM (5) =
PM (5) =
PM (5) =
PM (5) =
PM (5) =
PM (5) =
PM (5) =
39
Estos promedios móviles se centran en sus respectivos valores medios, el
quinto, sexto y séptimo años de la serie de tiempo. Se observa que al
obtener promedios móviles de 5 años, no se pueden calcular los valores para
los primeros dos y los últimos dos valores de la serie de tiempo.
Análisis de Tendencia
∑
̅
40
∑ ̅̅ ( )( )
∑ ̅̅̅ ( )
̅ ̅ ( )
Serie 1
2.4
YT
2
1.6
1.2
Serie 1
0.8
0.4
0
1990 1995 2000
41
CONCLUSIONES
42
REFERENCIAS
43