INGENIERIA INDUSTRIAL

MATERIA:

ESTADSTICA INFERENCIAL II.

{
ALUMNA:

TEMA:
UNIDAD V: SERIES DE TIEMPO. DOCENTE:

ING. MARY CARMEN BACA GUTIRREZ.

N CONTROL:
10500575

DEL ANGEL SOBREVILLA ARELI

En las siguiente presentacin se abordan los temas relacionados con Series de Tiempo que se pueden definir como un conjunto de mediciones de cierto fenmeno o experimento registradas secuencialmente en el tiempo, es decir, prev la evolucin de una variable que observamos a lo largo del tiempo.
El objetivo de inters es describir el comportamiento de la serie, investigar el mecanismo generador de la serie temporal, adems de buscar posibles patrones temporales que permitan sobrepasar la incertidumbre del futuro (describir, explicar, predecir y controlar algn proceso). Uno de los problemas que intenta resolver las series de tiempo es el de prediccin.

Un modelo clsico de series de tiempo, supone que la serie Y(1), ..., Y(n) puede ser expresada como suma o producto de tres componentes: tendencia, componente estacional y un trmino de error aleatorio: 1. X(t) = T(t)+E(t)+A(t) 2. X(t) = T(t) E(t) A(t) 3. X(t) = T(t) E(t) + A(t) donde: T(t): Tendencia de la serie. E(t): Componente estacional A(t) : Componente aleatoria (accidental) Modelo Aditivo Modelo Multiplicativo Modelo Mixto

El grfico siguiente muestra la serie y sus componentes, para el caso aditivo.

El problema que se presenta es modelar adecuadamente las componentes de la serie.

MODELO ADITIVO. Admitiendo que las componentes de las series temporales actan de modo absoluto e independiente entre s, el modelo aditivo consiste en simplemente sumarlas. Simblicamente, es representado por la siguiente expresin: Y=T+C+E+A donde, Y: es la variable observada. T: es la componente de tendencia. C: es la componente cclica. E: es la componente estacional. A: es la componente aleatoria de la variable observada.

MODELO MULTIPLICATIVO.
Alternativamente, podemos admitir que las componentes de las series temporales acten de modo proporcional a las respectivas fuerzas. En este caso, este modelo es representado por la expresin: Y=TCEA Es evidente que los factores componentes del producto tienen los mismos signicados que los descritos anteriormente para el modelo aditivo.

MODELO MIXTO.
Tambin hay la posibilidad de admitir que las componentes de las series temporales acten de modo mixto, algunas sumando y otras multiplicando. En el caso del modelo mixto, hay varias posibilidades de combinacin de las componentes de la variable estudiada. Algunas de ellas son las siguientes: Y = T + C E A, Y = T C + E A, Y = T C E + A.

La seleccin entre los modelos aditivo y multiplicativo es hecha con base en la sensibilidad de las variaciones estacionales con relacin al nivel del propio fenmeno. Si es detectada una regularidad aritmtica, debemos adoptar el modelo aditivo; si no, debemos escoger el modelo multiplicativo (en trminos prcticos, el modelo multiplicativo es lo mas adecuado en cerca del 75 % de los casos). De acuerdo con los modelos de descomposicin (seccin 2.1), se asume el siguiente modelo para T(t), a) Aditivo b) Mixto

Una vez removida la tendencia se obtiene los siguientes grficos, donde en la figuras 2.6 (a) aparece el modelo aditivo y en la (b) el modelo mixto.

(a)

(b)

Pues si no hay tendencia, se espera

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. Tabla 2.4. Residuos modelo Mixto

Tabla 2.4. Residuos modelo Mixto

Una forma de seleccionar el modelo, es por inspeccin de los coeficientes de variacin (C.V.). Suponemos, que en aquellas filas donde la variacin sea menor en torno a la media tendr menor coeficiente de variacin en trminos absolutos. Luego, comparando dichos coeficientes parece razonable seleccionar el modelo cuyos coeficientes sean menores en trminos absolutos. Esto puede complementarse con grficos para cada fila en ambos modelos. Finalmente, una vez que se ha elegido el modelo a utilizar, se procede a estimar la estacionalidad. Si el modelo es Mixto, entonces,

Y si el modelo es aditivo, entonces,

Probablemente, la primera idea para estimar la estacionalidad consistira de los promedios por estacin en las series residuales. La correccin que aparece arriba para cada caso, apunta a garantizar que,

Como es de esperarse en el modelo terico.

Las fluctuaciones son movimientos oscilatorios alrededor de una tendencia, caracterizados por diferentes fases sucesivas recurrentes, de expansin y contraccin, de mayor o menor amplitud, que no se encuentran ceidas a lapsos fijos y que son susceptibles de medicin. El mtodo de mnimos cuadrados es la base comn que se utiliza para identificar el componente de tendencia de la serie de tiempo, determinando la ecuacin que mejor se ajuste a la lnea de tendencia. La lnea de tendencia no es una lnea de regresin, porque la variable dependiente Y no es una variable aleatorio, sino un valor histrico acumulado. Cuando existe un aumento o disminucin a largo plazo se sigue una tendencia lineal, siendo la ecuacin de la lnea de tendencia utilizando X para representar el ao es: Y t= bo + b1X donde: bo representa el punto de interseccin de la lnea de tendencia con el eje Y b1 representa la pendiente de la lnea de tendencia .

Utilizando X para representar el ao, Y para el valor observado de la serie de tiempo, las frmulas para determinar los valores de bo y b1 en la ecuacin de la lnea de tendencia son: b1 = XY - n XY bo = Y - b1X X - nX Por ejemplo: Se muestra el nmero total de votos obtenidos por los tres candidatos como funcin del nmero de actas procesadas. Curiosamente, Caldern y AMLO incrementan su nmero de votos aproximadamente con la misma velocidad. Caldern y AMLO recibieron aproximadamente el mismo nmero de votos por casilla computada. Es por ello que me pareci atpico que en las primeras casillas computadas (no mostradas) Caldern estableciera una fuerte diferencia que no se modific prcticamente en las dems casillas. Esta grfica indica que la distancia entre los porcentajes de la votacin obtenidos por Caldern y por AMLO disminuy al transcurrir el tiempo sobre todo por el aumento del nmero total de votos computados y no por que hubiera disminuido la diferencia de votos entre ellos .

En la siguiente grfica se ven reflejados los resultados arrojados del anlisis anterior

Se ocupa de la direccin a largo plazo del movimiento en las series de tiempo, generalmente se realiza sobre la base de datos anuales. Habitualmente deben emplearse datos correspondientes a al menos 15 o 20 aos, a fin de que movimientos cclicos con una duracin de varios aos no se consideren como indicativos de la tendencia global delos valores de la serie de tiempo. El mtodo de los mnimos cuadrados es la base de uso mas frecuente para la identificacin del componente de tendencia de las series de tiempo, por medio de la determinacin de la ecuacin para la lnea de tendencia con el mejor ajuste. Conviene sealar que, una lnea de tendencia no es una lnea de regresin, puesto que la variable dependiente Y no es una variable aleatoria, sino una serie de valores histricos; solo puede haber un valor histrico para un periodo dado, y es probable que los valores asociados con periodos contiguos sean dependientes, no independientes.

Cuando un incremento o decremento a largo plazo parecen seguir una tendencia lineal, la ecuacin para los valores de la lnea de tendencia, en la que X representa el ao es: YT= b0 + b1X Donde: b0 representa el punto de interseccin de la lnea de tendencia con el eje Y. b1 representa la pendiente de la lnea de tendencia.

Utilizando X para representar el ao, Y para el valor observado de la serie de tiempo, las frmulas para determinar los valores de b0 y b1 en la ecuacin de la lnea de tendencia son:

Es una variable influenciada por una serie de factores, como el crecimiento poblacional de la regin a que se refiere, por las preferencias de los individuos, escasez de materias primas y por la legislacin aplicable en aquellos instantes. El siguiente grfico muestra el rendimiento de inversiones en los 12 meses de 2004.

Son oscilaciones peridicas que se producen con una frecuencia superior a un ao, suelen deberse a la alternancia de etapas de prosperidad econmica (crestas) con etapas de depresin (vallas).
El componente cclico puede determinarse dividiendo los valores observados entre el valor correspondiente de la tendencia de la siguiente manera:

Un ejemplo de estos ciclos puede ser el econmico, caracterizado por las cuatro fases que son: recesin, recuperacin, crecimiento y cada. El trmino variacin cclica se suele referir a ciclos grandes, cuyo perodo no es atribuible a alguna causa. Por ejemplo, fenmenos climticos, que tienen ciclos que duran varios aos.

Los ciclos son adecuadamente representados por las funciones trigonomtricas, particularmente el seno y el coseno (cuya diferencia bsica es la posicin en la que se encuentra el origen de los tiempos) o por una funcin polinomial de tercer grado. De esa forma, la componente cclica puede ser obtenida de una de las siguientes expresiones:

VARIACIONES ESTACIONALES. Son fluctuaciones de periodificacin inferior a un ao y reconocibles todos los aos, que suelen tener que ver con la climatologa el comportamiento de los agentes econmicos al variar la poca del ao. Ejemplo de ellos son los picos de aumento de las ventas de flores el da de San Valentn en las ventas de regalos en Navidad.

La influencia del componente estacional sobre los valores de series de tiempo se identifica determinando el nmero ndice estacional asociado con cada mes (o trimestre) del ao. La media aritmtica de los 12 nmeros ndice mensuales (o de los cuatro nmeros ndice trimestrales) es 100. La identificacin de influencias estacionales positivas y negativas, es importante para la planeacin de produccin e inventario.

VARIACIONES IRREGULARES. Son variaciones errticas con respecto a la tendencia, que no pueden adjudicarse a efectos estacionales cclicos, es decir, consisten en movimientos espordicos de las series temporales, debido a sucesos inesperados. Por ejemplo: una huelga, inundacin, entre otros.

Procedimento para determinar numeros indices estacionales: metodo del cociente del promedio mvil.

1. Determinar el cociente de cada valor mensual, en relacin con el promedio mvil centrado en ese mes. Se representa simblicamente:

2. Promediar el componente irregular: Enlistando los diversos cocientes aplicables al mismo mes (o trimestre) de varios aos, calculando la Media Modificada.

3. Ajustar los cocientes medios modificados con un factor de correccin tal que la suma de los doce cocientes mensuales sea de 1200.

Son particularmente pertinentes cuando se desea comparar datos de diferentes meses, para determinar si ha tenido lugar un incremento (o decremento) en relacin con las expectativas estacionales. Se les llama datos con ajuste estacional datos desestacionalizados . Los valores de serie de tiempo mensuales, se ajustan respecto de la influencia estacional: 1.- Dividiendo cada valor entre el ndice mensual de ese mes. 2.- El resultado se multiplica por 100.

Las variaciones de ellos consecuentes, caracterizadas por el retorno regular y sucesivo del fenmeno en las mismas pocas de anos seguidos; pueden ser separadas por cuatro mtodos. PORCENTAJE DE LA MEDIA. El ndice estacional de un subperiodo (mes, bimestre, trimestre o semestre) es denido como la media de las razones entre los datos de los subperodos y las medias anuales del periodo analizado. En otras palabras, lo que se hace es expresar los datos en porcentajes de las medias (o medianas) anuales. Al conjunto de las 12 medias anuales se da el nombre de perl de estacionalidad. La sumatoria de los ndices de estacionalidad debe ser igual a 1200. En consecuencia, su media debe ser siempre igual a 100. En caso que esto no ocurra, los ndices deben ser adecuadamente ajustados. El aislamiento de las variaciones estacionales se hace dividiendo el valor de la variable por el ndice estacional correspondiente a su perodo.

PORCENTAJE DE LA TENDENCIA. En este caso, el ndice estacional esta dado por la media de las relaciones entre los datos de los subperodos y los respectivos valores de la tendencia. Aqu, los datos son expresados en porcentajes de las tendencias anuales, debiendo anualmente sumar 1200 y tener 100 como media, efectundose los ajustes, cuando sean necesarios. Semejantemente a lo que se hace con los porcentajes de la media, el aislamiento de las variaciones estacionales se obtiene dividiendo el valor de la variable por el ndice estacional correspondiente a su perodo. Note que, por el modelo multiplicativo, la divisin del valor real por el valor terico de la variable suministra las dems componentes, que podrn incluir las variaciones cclicas y las aleatorias.

PORCENTAJE DE LAS MEDIAS MVILES.

Tambin se puede obtener un ndice estacional con la media de las relaciones entre los datos de los subperodos y las respectivas medias mviles. El proceso en s es exactamente idntico a lo que se hace con el porcentaje de las medias y la tendencia. Cualquiera que sea la base (medias anuales, tendencia o medias mviles), la des estacionalidad de los datos es obtenida dividiendo los datos originales por los respectivos ndices estacionales.

SERIES DE NEXOS RELATIVOS.

Otra forma de extraer la estacionalidad de los datos es calculando los nexos de la serie anual de los respectivos relativos mensuales. Eso se hace dividiendo el valor de la variable en un mes dado por el valor correspondiente al mes inmediatamente anterior. Enseguida, se considera uno de los meses como base y se ajustan los dems valores a esa base (por ejemplo, si consideramos enero = 100, los ndices de estacionalidad sern obtenidos dividiendo el ndice de los dems meses del ao por el ndice de enero). Ejemplo: La tabla a continuacin presenta las ventas de la TNCG en los ltimos cuatro aos. Determinar los ndices de estacionalidad mensual.

Vamos a calcular los ndices estacionales tomando por base el mtodo del porcentaje de la media anual. Para esto, necesitamos, antes, determinar las referidas medias anuales. Son ellas:

Ahora, dividiendo las ventas mensuales por las ventas medias de los respectivos anos, tenemos los ndices estacionales deseados. Son los valores mostrados en la tabla a continuacin:

As como en ciclos, el efecto de estacionalidad puede ser estudiado por un modelo de regresin polinomial de tercer grado. y = b0 + b1t + b2t2+ b3t3

Una consideracin particularmente importante en los pronsticos a largo plazo, es el componente cclico de las series de tiempo.

Ecuacin de la lnea de tendencia.

Los valores de tendencia se asocian con periodos y no con puntos temporales, por lo que deben reducirse los tres elementos de la ecuacin de tendencia anual. (b0, b1 y X) Para efecto de la transformacin a datos mensuales, el punto base del ao anteriormente codificado como X = O, se ubicara en el punto medio del ao (01/07) Ecuacin de tendencia modificada para obtener valores mensuales:

Una consideracin particularmente importante en los pronsticos a largo plazo, es el componente cclico de las series de tiempo. Los pronsticos basados en los componentes de tendencia y estacional de una serie de tiempo son apenas el punto de partida de los pronsticos econmicos. La primera razn es la necesidad de considerar el probable efecto del componente cclico durante el perodo de pronstico. La segunda es la importancia de identificar los factores causales especficos que han influido en las variaciones de series de tiempo.

Ejemplo: Histricamente, las ventas industriales de automviles han coincidido estrechamente con el ciclo econmico general de las economas nacionales. Por el contrario, las ventas de autopartes han sido comnmente opuestas, en cuanto al factor cclico, respecto del ciclo econmico general. El Instituto Nacional de Investigacin Econmica (NBER) de Estados Unidos ha identificado y dado a conocer series de tiempo histricamente indicadoras de expansiones y recesiones cclicas respecto del ciclo econmico general. Indicadores lder: han llegado habitualmente a puntos de cambio de ciclo antes del cambio correspondiente en la actividad econmica general. -Las horas semanales promedio laboradas en manufactura. -El valor de nuevos pedidos de bienes de consumo y materiales . -ndice comn de precios de las acciones.

 Indicadores coincidentes: est compuesto por series de tiempo cuyos puntos de cambio han coincidido usualmente con el ciclo econmico general. -La tasa de empleo -El ndice de produccin industrial. Indicadores rezagados: es el integrado por series de tiempo cuyas cumbres y valles suelen retardarse en comparacin con las del ciclo econmico general. -Los inventarios de manufactura y comerciales y la tasa preferencial promedio que cobran los bancos. Adems de considerar el efecto de las fluctuaciones cclicas y de pronosticar tales fluctuaciones, tambin :deben estudiarse las variables causales especficas que han influido histricamente en los valores de series de tiempo. - Los anlisis de regresin y correlacin son particularmente aplicables a tales estudios * Relacin entre estrategia de precios y volumen de ventas.