Anlisis de Series de tiempo Modelo clsico de series de tiempo.

CONCEPTOS Una serie de tiempo es un conjunto de observaciones hechas en distintos momentos, normalmente a intervalos iguales de tiempo. Las series de tiempo pueden incluir cantidad de turistas que visitan Mxico en distintos meses, valor del tipo de cambio del peso dlar en distintos das, entre otros aspectos. Matemticamente una serie de tiempo puede definirse como los valores de una variable de inters como Y1, Y2, Y3 . Yn en los tiempos t1, t2, t3. tn. Toda institucin, ya sea la familia, la empresa o el gobierno, tiene que hacer planes para el futuro si ha de sobrevivir y progresar. Hoy en da diversas instituciones requieren conocer el comportamiento futuro de ciertos fenmenos con el fin de planificar, prever o prevenir. La planificacin racional exige prever los sucesos del futuro que probablemente vayan a ocurrir. La previsin, a su vez, se suele basar en lo que ha ocurrido en el pasado. Se tiene pues un nuevo tipo de inferencia estadstica que se hace acerca del futuro de alguna variable o compuesto de variables basndose en sucesos pasados. La tcnica ms importante para hacer inferencias sobre el futuro con base en lo ocurrido en el pasado, es el anlisis de series de tiempo. Son innumerables las aplicaciones que se pueden citar, en distintas reas del conocimiento, tales como, en economa, fsica, geofsica, qumica, electricidad, en demografa, en marketing, en telecomunicaciones, en transporte, etc.

Series De Tiempo

1. Series econmicas:

2. Series Fsicas:

3. Geofsica:

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

4. Series demogrficas: 5. Series de marketing: 6. Series de telecomunicacin: 7. Series de transporte:

Uno de los problemas que intenta resolver las series de tiempo es el de prediccin. Esto es dado una serie {x(t1),...,x(tn)} nuestros objetivos de inters son describir el comportamiento de la serie, investigar el mecanismo generador de la serie temporal, buscar posibles patrones temporales que permitan sobrepasar la incertidumbre del futuro. En adelante se estudiar como construir un modelo para explicar la estructura y prever la evolucin de una variable que observamos a lo largo del tiempo. La variables de inters puede ser macroeconmica (ndice de precios al consumo, demanda de electricidad, series de exportaciones o importaciones, etc.), microeconmica (ventas de una empresa, existencias en un almacn, gastos en publicidad de un sector), fsica (velocidad del viento en una central elica, temperatura en un proceso, caudal de un ro, concentracin en la atmsfera de un agente contaminante), o social (nmero de nacimientos, matrimonios, defunciones, o votos a un partido poltico).

DEFINICIN DE SERIE DE TIEMPO En muchas reas del conocimiento las observaciones de inters son obtenidas en instantes sucesivos del tiempo, por ejemplo, a cada hora, durante 24 horas, mensuales, trimestrales, semestrales o bien registradas por algn equipo en forma continua. Llamamos Serie de Tiempo a un conjunto de mediciones de cierto fenmeno o experimento registradas secuencialmente en el tiempo. Estas observaciones sern denotadas por {x(t1), x(t2), ..., x(tn)} = {x(t) : t T R} con x(ti) el valor de la variable x en el instante ti. Si T = Z se dice que la serie de tiempo es discreta y si T = R se dice que la serie de tiempo es continua. Cuando ti+1 - ti = k para todo i = 1,...,n-1, se dice que la serie es equiespaciada, en caso contrario ser no equiespaciada. En adelante se trabajar con series de tiempo discreta, equiespaciadas en cuyo caso asumiremos y sin perdida de generalidad que: {x(t1), x(t2), ..., x(tn)}= {x(1), x(2), ..., x(n)}. PRIMER PASO AL ANALIZAR CUALQUIER SERIE DE TIEMPO El primer paso en el anlisis de series de tiempo, consiste en graficar la serie. Esto nos permite detectar las componentes esenciales de la serie. El grfico de la serie permitir: a) Detectar Outlier: se refiere a puntos de la serie que se escapan de lo normal. Un outliers es una observacin de la serie que corresponde a un comportamiento anormal del fenmeno (sin incidencias futuras) o a un error de medicin. Se debe determinar desde fuera si un punto dado es outlier o no. Si se concluye que lo es, se debe omitir o reemplazar por otro valor antes de analizar la serie. Por ejemplo, en un estudio de la produccin diaria en una fabrica se present la siguiente situacin ver figura 1.1:

Los dos puntos enmarcados en un crculo parecen corresponder a un comportamiento anormal de la serie. Al investigar estos dos puntos se vio que correspondan a dos das de paro, lo que naturalmente afect la produccin en esos das. El problema fue solucionado eliminando las observaciones e interpolando.

b) Permite detectar tendencia: la tendencia representa el comportamiento predominante de la serie. Esta puede ser definida vagamente como el cambio de la media a lo largo de un periodo (ver figura 1.2).

c) Variacin estacional: la variacin estacional representa un movimiento peridico de la serie de tiempo. La duracin de la unidad del periodo es generalmente menor que un ao. Puede ser un trimestre, un mes o un da, etc (ver figura 1.3). Matemticamente, podemos decir que la serie representa variacin estacional si existe un nmero s tal que x(t) = x(t + ks). Las principales fuerzas que causan una variacin estacional son las condiciones del tiempo, como por ejemplo: 1) en invierno las ventas de helado 2) en verano la venta de lana 3) exportacin de fruta en marzo. Todos estos fenmenos presentan un comportamiento estacional (anual, semanal, etc.)

d) Variaciones irregulares (componente aleatoria): los movimientos irregulares (al azar) representan todos los tipos de movimientos de una serie de tiempo que no sea tendencia, variaciones estacionales y fluctuaciones cclicas. 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).

Anlisis de fluctuaciones. Tcnicas De Pronstico Para Series Cclicas Es la fluctuacin en forma de onda alrededor de la tendencia. Los patrones cclicos tienden a repetirse en los datos cada dos, tres o ms aos. Las fluctuaciones en forma de onda hacia arriba y hacia abajo alrededor de la tendencia rara vez se repiten en intervalos fijos de tiempo y tambin vara la magnitud de las fluctuaciones. Las tcnicas de pronstico para datos cclicos se utilizan siempre que:

 El ciclo del negocio influye sobre la variable de inters. Como ejemplos estn los factores econmicos de mercado y de la competencia. Se presentan cambios en el gusto popular. Ejemplos de ello son la moda, la msica y la alimentacin. Se presenta cambios en la poblacin. Podemos citar como ejemplos las guerras, escasez, epidemias y desastres naturales. Se presentan cambios en el ciclo de vida del producto. Ejemplo de ello son la introduccin, crecimiento, maduracin, saturacin y declinacin del mercado. Anlisis de tendencia. Anlisis de Tendencia Al observar la figura sobre la cantidad de ganado en Estados Unidos, as como cualquier otro valor que cambia en el tiempo, podemos notar dependiendo de cada caso como pueden existir fuerzas econmicas, polticas, psicolgicas y sociales en el cambio de una variable. Precisamente la interpretacin de ese cambio es un anlisis de tendencia. Existe una clasificacin de los movimientos de las series de tiempo, los cuales son:

Clasificacin en los anlisis de tendencia: 1) Movimientos de larga duracin. Direccin general a la cual tienden a ir los valores de la serie de tiempo en un intervalo largo de duracin. 2) Movimientos cclicos. Se refieren a las oscilaciones de larga duracin alrededor de la lnea de tendencia. Estos ciclos como se denominan pueden ser o no peridicos, es decir, pueden tener intervalos de tiempo similares o iguales. En diversas actividades econmicas, se considera que un valor es cclico si tiene una duracin igual o mayor a un ao. 3) Movimientos estacionales. Se refieren a las normas de tendencia que siempre o casi siempre se siguen en el transcurso de los meses del ao. 4) Movimientos irregulares o al azar. Movimientos espordicos de las series de tiempo, por sucesos ocasionales (inundaciones, terremotos, huelgas, elecciones, etctera).

ESTIMACIN DE LA TENDENCIA Supondremos aqu que la componente estacional E(t) no est presente y que el modelo aditivo es adecuado, esto es: X(t) = T(t) + A(t), donde A(t) es ruido blanco. 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. AJUSTE DE UNA FUNCIN Los siguientes grficos ilustran algunas de las formas de estas curvas. 3. T(t) = a + b ebt 1.T(t) = a + bt (Lineal) 2.T(t) = a ebt (Exponencial) (Exponencial modificada)

4.T(t) = 0 + 1t ,...,+ mtm 5.T(t) = exp(a + b(rt)) (Gompertz 0 < r < 1) (Polinomial)

1 , 0 r 1 t 6. T(t) = a b(r ) (Logstica)

Nota: i. la curva de tendencia debe cubrir un periodo relativamente largo para ser una buena representacin de la tendencia a largo plazo. ii. La tendencia rectilnea y exponencial son aplicable a corto plazo, puesto que una curva S a largo plazo puede parecer una recta en un perodo restringido de tiempo (por ejemplo).

En la figura 1 ambas curvas (recta y Gompertz) ajustan bien pero las proyecciones divergen enormemente a largo plazo. Ejemplo 1: En la tabla 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 1: Nuevas unidades habitacionales comenzadas en los Estados Unidos del tercer trimestre de 1964 al segundo trimestre de 1972 (en miles de unidades). Ao I II III IV Total Anual 398 352 1964 1965 283 454 392 345 1,474 1966 274 392 290 210 1,166 1967 218 382 382 340 1,322 1968 298 452 423 372 1,545 1969 336 468 387 309 1,500 1970 264 399 408 396 1,467 1971 389 604 579 513 2,085 1972 510 661 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 1. Tabla 2: Clculo de la tendencia de las viviendas comenzadas en los Estados Unidos del tercer trimestre de 1964 al segundo trimestre de 1972

Ao trimestre 1964: 3 4 1965: 1 2 3 4 1966: 1 2 3 4 1967: 1 2 3 4 1968: 1 2 3 4 1969: 1 2 3 4 1970: 1 2 3 4 1971: 1 2 3 4 1972: 1 2

t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32

T(t) 398 352 283 454 392 345 274 392 290 210 218 382 382 340 298 452 423 372 336 468 387 309 264 399 408 396 389 604 579 513 510 661

Tendencia 291,73 298,07 304,41 310,75 317,09 323,43 329,77 336,11 342,45 348,79 355,13 361,47 367,81 374,15 380,49 386,83 393,17 399,51 405,85 412,19 418,53 424,87 431,21 437,55 443,89 450,23 456,57 462,91 469,25 475,59 481,93 488,27

Entonces, la recta de tendencia es T(t) = 285,39 + 6,34 t La figura 2 muestra grficamente la recta de tendencia ajustada a los datos trimestrales de la tabla 2. La recta de trazos despus de 1972 representa proyecciones (ver seccin 3 Predicciones). Figura 2

Medicin de variaciones estacionales e Irregulares. Estacionalidad: Fluctuaciones peridicas bastante regulares que se presenta dentro de cada perodo de 12 meses, ao tras ao. Se presenta por condiciones climatolgicas, costumbres sociales y religiosas entre otras razones. Para identificar la existencia o no de estacionalidad en una serie, se puede realizar la prueba de Anova con respecto a los meses, para determinar si los promedios de consultas externas por mes presentan o no diferencias; o probar los ndices estacinales para observar si existen valores que se encuentren por fuera del rango de 90 110. ndices estacinales:
Seasonal index Period (* 100) 1 108.434 2 109.102 3 101.940 4 102.519 5 107.203 6 109.353 7 105.347 8 100.074 9 74.481 10 80.496 11 98.024 12 103.028

De acuerdo con los ndices estacinales se determina que la serie si presenta estacionalidad, pues existen ndices que se encuentran por fuera del rango 90 y 110, el cual es un criterio emprico, pero reconocido en la literatura de series de tiempo para determinar la estacionalidad de una serie. As, por ejemplo, en los meses de septiembre se presenta una marcada disminucin de 25.519% con respecto al promedio de consultas mensuales, mientras que en los meses de febrero y junio se incrementa el nmero de consultas externas. Aplicacin de ajustes estacionales. Pasos Necesarios para Realizar el Ajuste Estacional. El proceso de ajuste estacional se puede describir de manera general en seis pasos10, los cuales son comnes a ambas aplicaciones: 1. Antes de comenzar cualquier tipo de ajuste, el usuario debe familiarizarse con las series de tiempo que se pretenden ajustar. El objetivo es contar con los elementos necesarios para seleccionar los parmetros de ajuste ms adecuados para que la serie ajustada refleje las caractersticas pertinentes de la serie original. 2. Antes de descomponer la serie de tiempo, es necesario realizar un ajuste previo que tiene dos objetivos: El primero es evitar que el proceso de descomposicin se vea afectado por la presencia de no-linearidades en la serie. El segundo objetivo, es mejorar la estabilidad de los componentes estimados ante la incorporacin de nuevas observaciones de la serie de tiempo. 3. Antes de utilizar la serie pre-ajustada, es necesario determinar si tanto los ajustes previos como el modelo utilizado son los apropiados. Para lo cual es necesario realizar una serie de diagnosticos para evaluar la bondad del ajuste. Cuando los diagnosticos indican algn problema es necesario volver a la etapa de pre-ajuste y realizar los cambios necesarios para asegurar que los diagnsticos sean satisfactorios.

Pronsticos basados en factores de tendencia. Una consideracin particularmente importante en los pronsticos a largo plazo, es el componente cclico de las series de tiempo. METODOS PARA PRONOSTICOS A CORTO PLAZO: