ANALISIS DE SERIES TEMPORALES Muchos estudios empresariales y econmicos, se basan en los datos de las series temporales.

Estas series de datos ofrecen numerosas ventajas a los anlisis estadsticos que desea estudiar el mundo econmico. Tales ventajas se manifiestan sobre todo cuando se pretende prever y predecir sucesos. La capacidad de prever, predecir sucesos y tendencias futuras nos dan en gran medida la probabilidad de xito, las empresas invierten tiempo y esfuerzo en conseguir una prediccin exacta de la tendencia y evolucin econmica futura. Las series temporales y sus componentes: Para elaborar una prediccin se suele empezar por recoger datos pasados de varios periodos temporales ya transcurridos. La duracin de los periodos puede variar de un caso a otro. Pueden se aos, trimestres o incluso das. Tambin se pueden utilizar periodos de una hora solamente si las variables son voltiles, como en el caso de acciones. El objetivo es utilizar datos de series temporales para predecir valores futuros a partir de observaciones pasadas. Todas las series temporales contienen uno de los 4 componentes sig. Como mnimo: 1. 2. 3. 4. Tendencia Valoracin estacional Valoracin cclica Variacin irregular o aleatoria

Tendencia: Es el componente de la variable a largo plazo, en un lapso extenso de tiempo. Refleja si el sentido general de la serie temporal, es ascendente o descendente. GRAFICAS Algunas variables van cambiando con suavidad a lo largo del tiempo, mientras que oras presentan (movimientos caprichosos) una marcha mas bien a saltos.

El componente estacional: Numerosas actividades empresariales son influidas por el curso de las estaciones del ao. Es muy probable que determinados mercados estacionales, tarjetas de felicitaciones, tarjetas de navidad, das de san Valentn, da de la madre etc., presentan un fuerte comportamiento estacional, las fluctuaciones, estacionales, son pautas que se repiten con regularidad durante todo el ao. GRAFICA

ndice de empleo informal se incrementa en julio cuando los estudiantes entran en el mercado laboral y disminuye en diciembre, posteriormente cuando las tiendas de ventas al por menor contratan ayuda temporal para hacer frente a las compras masivas de navidad. Las fluctuaciones estacionales son movimientos regulares en la misma poca aproximada de todos los aos , para detctar fluctuaciones estacionales el periodo en que se toman los dtos ha de ser inferior a un ao ya que las flutuaciones estacionales ocurren dentro del ao, los datos anuales no reflejan variaciones estacionales, por lo cual ser ecesario, tomar datos trimestrales, mesnueales o semanales. Anlisis de variaciones (manzano) Podad-Febrero-Marzo Aspersiones y proteccin contra deladas.- Marzo-Mayo Desahije, aplicacin de nutrientes y pesticidas.- Finales de Mayo- finales de Julio Preparacin de cosecha y cosecha (150 das).- Agosto-Septiembre Poscosecha-Seleccin, refrigeracin y empaque (todo el ao) GRAFICA Variaciones cclicas: muchas variables presentan tendencia a fluctuar por encima y por debajo de la tendencia a largo plazo en un periodo. Cubren periodos muchos mas largas que las variaciones estacionales y a veces abarcan tres o mas aos de duracin. Un ciclo econmico consta de 4 fases: 1. La reactivacin o expansin, durante la cual el nivel de actividad de las empresas se acelera, el desempleo es bajo y la produccin es intensa. 2. El mximo o pico, es el punto ndice de actividad econmica ha llegar (techo o mximo). 3. La desaceleracin o contraccin, cuando el desempleo aumenta y la actividad se desvanece. 4. La recesin, aqu la actividad se encuentra en un punto mas bajo. Un ciclo pasa de una fase a la sig. Por medio de fluctuaciones por encima y por bajo de la tendencia a largo plazo en forma de onda. GRAFICA Fluctuaciones irregulares: Son causadas por sucesos sin ninguna estuctura. Estos movimientos son nicos, como las huellas de los dedos de la mano, los copos de nieve y es improbable que vuelvan a ocurrir de manera similar. Estas pueden ser causadas, por guerras, inundaciones, terremotos, elecciones polticas o embargos econmicos.

Modelos de series temporales: El modelo no es otra cosa que una expresin matemtica de la relacion entre los 4 componentes. A las series temporales se suelen asociar 2 tipos de modelos. 1) El modelo aditivo. 2) El modelo multiplicativo. El modelo auditivo se expresa asi.

= Es el valor de la serie tepora en el periodo t. = Tendencia. = Variacion estacional. = Variacion cclica. = Variacion aleatoria o irregular. En el modelo aditivo todos losvalores se expresan en unidades originales y S, C e I son desviaciones en torno a T. Si se tuviera que elaborar un modelo de serie temporal que representara las ventas en dolars de una tienda se puede encontrar que T=$500, S=$100, C=-25 dolares, e I=-10 las ventas serian Y=500+100-2-10=$565. El valor positivo de S (de las variaciones estacionales) indica que las influencias estacionales existen han ejercido un efecto positivo sobre las ventas. El valor cclico negativo. Nos indica que el ciclo econmico esta la actividad de contraccin. Al parecer hubo un suceso aleatorio qu influyo en sentido negativo s/las ventas. Este modelo es poco realista de que los componentes son independientes entre si (esto no sucede en el mundo real). En la mayora de los casos los motivos de un componente influira sobre otros. Para esta razn se prefiere casi siempre el modelo multiplicativo, el cual supone que los componentes interaccionan entre si.

En el modelo multiplicativo solo T se expresaa en unidades originales, S, C, e I se indican en porcentaje.

Ejemplo: Los importes de las deudad incobrables de un banco en el cual T=10 millones de $, S=1.7, C=0.91 e I=0.87. Y=10+1.7+0.91+0.87=13.46 millones de $ Una serie temporal de datos anuales se expresa de la siguiente manera.

En esta expresin no aparecen las variaciones estacionales ya que ocurren dentro de periodos inferiores de un ao por lo tanto no se reflejan en datos anuales. Tcnicas de suavizacion: Una de las aplicaciones principales del anlisis de series temporales es predecir valores futuros. Si la serie temporal contiene demasiadas fluctuaciones aleatorias y cambios estacionales a corto plazo, la tendencia es difcil de observar. Para ello se utilizan tcnicas de suavizacin que supriman fluctuaciones, proporcionando una visin menos distorsionada de su verdadero comportamiento. Medias mviles: Tendr el efecto de aplanar los datos y producir un cambio donde no aparecen tantos picos y valls. Para calcularlla se tomo la media aritmtica de los valores de la serie temporal correspondiente a un numero determinado de periodos, en cada media se mantiene el mismo numero de periodos eliminando la observacin mas antigua. Y se recoge la mas reciente. Ejemplo: supongamos que el precio de cierre de una accin en la bolsa de valores de lunes a miercoles fue de 20, 22 y 18 $ podemos calcular la media mvil de los 3 periodos. (20+22+18)/3=20 El valor sirve de prediccin o estimacin de lo que podra ser el precio de cierre en cualquier momento futuro. Si el cierre del jueves fuera de 19 en e calculo de la media mvil siguiente se eliminara el valor de 20 del lunes y se incluir el 19 del jueves (22+18+19)/3=19.67 Consideremos el ejemplo siguente. Cuando se utiliza una media mvil de periodo impar esta se centra por si sola. VENTAS DE MOTOS ACUATICAS MES VENTAS M.A. 3 M.A. 5 CIENTOS MESES MESES DE $ ENERO FEBRERO MARZO 52 81 47 60 64.33

59

ABRIL MAYO JUNIO JULIO AGOSTO SEPTIEMBRE OCTUBRE NOVIEMBRE DICIEMBRE

65 50 73 45 60 50 79 45 62

54 62.7 56 59.33 51.67 63 58 62

63.2 5 58.6 55.6 61.4 55.8 59.2

GRAFICA VENTAS DE TARJETAS DE FELICITACIONES (MILES DE $) PERIODO VENTAS M.A. 4 M.A. 4 TRIMESTRES TRIMESTRES CENTRADA 89-1 89-2 89-3 89-4 90-1 90-2 90-3 90-4 91-1 91-2 91-3 40 45 38 42 53 39 47 32 51 45 37

42.5 45.75 44.25 46.5 42.75 42.25 43.75 41.25 33.25

44.13 45 45.38 44.63 42.5 43 42.5 37.25

SUAVIZACIN EXPONENCIAL: Tambin produce el efecto de aplanar una serie y suministrar por medio de prediccin esta se utiliza cuando los datos no presentan ningn esquema de tendencia. Expresin: ( )

= Prediccion del periodo siguiente. = Es el valor observado del periodo actual. = Es la prediccin hecha anteriormente para el periodo actual. = Es una constante de suavizacon que recibe un valor que va entre 0 y 1.

Como los datos no tienden a subir ni bajar sino que fluctan en torno a la media a largo plazo, tenemos el valor de como prediccin de cualquier periodo futuro. Supongamos que es el ultimo dia hbil del mes de febrero y que las ventas de un determinado negocio suman un total durante el mes de 110 mil $ de tal suerte que el dao ha decidido predecir las ventas de marzo

Requiere ventas: Ventas reales de Febrero Ventas previstas de Febrero Como Marzo es el primer mes en el cua el negocio aplica la prediccin, no hay ninguna prediccin de Febrero y es desconocido. En la practica se utiliza el valor real del periodo anterior, Enero en este caso, para la primera prediccin los datos indican que las ventas de Enero fueron 105 mil $, si suponemos un valor de 0.3 para la prediccin de marzo seria. ( =(0.3)(110)+(0.7)(105) =106.5 miles de dlares Es importante que se elija de manera adecuado ya que se desea hacer una prediccin con el error mas pequeo posible, (el error cuadrtico medio optimo (S.C.M.E.). Los erros se basan con valores de de 0.3 y 0.8. La expresin para callculas (S.C.M.E). ( ( Datos de ventas en miles de $ MES At REALES Ft PREVISTO Ft-At ERROR (Ft-At) Ft PREVISTO Ft-At ERROR (Ft-At) ) ) )

ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO AGOSTO

105 110 107 112 117 109 108

105 106.5 106.65 108.26 110.88 110.31 109.62

-5 -0.5 -5.35 -8.75 1.88 2.31

25 0.25 28.2 76.48 3.53 5.36 139.24 23.206

105 109 107.4 111.08 115.82 110.36 108.47

-5 2 -4.6 -5.9 6.8 2.4

25 4 21.16 35.05 46.46 5.58 137.25 22.87

El valor de de 0.8 produce mejores resultados de prediccin, ya que genera un factor de error mas pequeo. Descomposicin de una serie temporal: Se puede utilizar para medir el efecto que cada componente ejerce en la direccin de la serie temporal. Tedencia: Si estimamos la tendencia de una serie temporal podems elimiinarla del valor real y asi determinar el tamao de los componentes restantes. Si la variacin es relativamente constante, es posible que un modelo de tendencia lineal nos de una prediccin exacta. Como muchas variables empresariales y econmicas presentan tendencia a variar en una cantidad constante a lo largo del tiempo y el modelo lineal es lo mas adecuado. El mtodo mas utilizado para ejecutar la tendencia lineal e el mtodo de minimos cuadrados. Variacin estacional: Muchas empresas experimentan variaciones estacionales en el nivel de su actividad. La finalidad es determinar un ndice estacional que se pueda utilizar para analizar y predecir la actividad econmica. Como ya se ha mencionado la media mvil elimina los movimientos estacionales recurrentes y tambin cualquier efecto aleatorio en el transcurso del ao. De acuerdo al modelo multiplicativo. La media mvil elimina los efectos (S e I), y contiene solo (T y C) M.A= T y C Ahora es posible calcular la relacin con la media mvil, para tal efecto dividiremos el valor de y de la serie origina con la media mvil.

Dicha relacin nos da S e I, estas relaciones se normalizan para dar los ndices estacionales. El objetivo de este prodecimiento de normalizacin es garantizar que el numero de ndices se igual al numero de periodos, paa conseguirlos se multiplicaa cada M.A.C pro una razn de normalizacin, que es la relacin entre el # de periodos y la suma de las medias. Para desestacionalizar dividiremos el valor real entre el ndice que le corresponde a cada mes o cada trimestres.

VALORACION CICLICA Para identificar el componente cclico se puede empezar por obtener la tendencia y los componentes estacionales. Los datos de la tendencia estn dados por el modelo que se obtuvo por medio de minimos cuadrados. Calculo de la norma estadstica. Esta se obtiene multiplicando la proyeccin de la tendecia por el ndice estacional, se llama normaa por que representa los valores que apareceran si solo estuvieran presentes la tendencia y las variaciones estacionales. Posteriormente se obtiene el ciclo e irregular mediante la divisin de los datos originales por la norma estadstica que contiene la T y S.

EJERCICIO No. 1 Jos Antonio es propietario de un criadero de mascotas, desde hace varios aos desea determinar los ndices estacionales e los datos trimestrales sobre ingresos, que se indican en la siguiente tabla, estos se presentan en miles de dlares. PERIODOS INGRESOS (Y) 24 31 29.75 III IV 2002-I II III IV 2003-I II III IV 21 30.25 42 30.5 27 31.5 32 31.25 25 29.5 41 28.25 20 26.5 27 26 18 39 23.52 27.44 26.25 1.03 26.29 27.38 0.73 24.81 28.88 1.42 29.17 30.38 0.82 32.66 31.38 1.02 31.16 31 0.87 33.5 30.38 1.38 29.87 30 0.7 27.44 M.A. T.C. 2001-I II M.A.C. RELACION CON M.A.C. (y/M.A.C.)=S.I. 29.77 30.18

2001

REALACION CON LA MEDIA MOVIL 2002 2003 VARIACION MEDIA INDICE ESTACIONAL MOVIL 0.8 1.025 0.76 1.4 0.80304 1.0289 0.076289 1.40532

I 0.87 0.73 II 1.02 1.03 III 0.7 0.82 IV 1.38 1.42 Razn de normalizacin= 4/3.985 = 1.0038

Grfica de descomposicin de series de tiempo de INGRESOS (Y)

Modelo multiplicativo 45 40 35 30 25 20 1 2 3 4 5 6 7 ndice 8 9 10 11 12
Variable Actual Ajustes Tendencia Medidas de exactitud MAPE 33.211 MAD 8.890 MSD 108.055

Descomposicin de series de tiempo para INGRESOS (Y)

Modelo multiplicativo Datos Longitud Nmero de valores faltantes INGRESOS (Y) 12 0

Ecuacin de tendencia ajustada Yt = 25.45 + 0.791*t ndices estacionales Perodo 1 2 3 ndice 1.27124 1.03322 0.69554

Medidas de exactitud MAPE MAD MSD 33.211 8.890 108.055

Tuvimos un efecto estacional negativo en el periodo III en el ao 2003, en el ao 2002 se obtuvo un efecto estacional positivo en el periodo I y en el ao 2001 un efecto estacional positivo en el periodo II.

INGRESOS (Y)

EJERCICIO No. 2 Los ndices mensuales de desempleo del ao de 2002 aparecen en la tabla siguiente. Suponga que es analista del departamento del trabajo y se le encomienda: Suavizar las fluctuaciones mediante una media mvil de 4 periodos. Utilizar un mtodo de suavizacin exponencial con un val or de =0.4 para predecir el desempleo de un mes futuro. Los datos no indican ninguna tendencia pronunciada ascendente ni descendente.
MES INDICE M.A. 4 PERIODOS 5.17 5.1 5.17 5.27 5.33 5.4 5.37 5.43 5.30 5.37 M.A. CENTRADA FT =0.4

ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO AGOSTO SEPTIEMBRE OCTUBRE NOVIEMBRE DICIEMBRE

5.4 5.1 5 5.2 5.3 5.3 5.4 5.5 5.2 5.6 5.1 5.4

5.135 5.135 5.22 5.3 5.365 5.385 5.4 5.365 5.335

Suavizacin exponencial simple para indice

Datos Longitud indice 12

Constante de suavizacin Alfa 0.4

Medidas de exactitud MAPE 3.36860 MAD 0.17791 MSD 0.03693 Tiempo indice Suavizar Predecir Error 1 5.4 5.29000 5.21667 0.183333 2 5.1 5.21400 5.29000 -0.190000 3 5.0 5.12840 5.21400 -0.214000 4 5.2 5.15704 5.12840 0.071600 5 5.3 5.21422 5.15704 0.142960 6 5.3 5.24853 5.21422 0.085776 7 5.4 5.30912 5.24853 0.151466 8 5.5 5.38547 5.30912 0.190879

9 10 11 12

5.2 5.6 5.1 5.4

5.31128 5.42677 5.29606 5.33764

5.38547 5.31128 5.42677 5.29606

-0.185472 0.288717 -0.326770 0.103938

Grfica de suavizacin exponencial simple de indice

Grfica de suavizacin para C7

Mtodo exponencial simple 5.6 5.5 5.4
C7
Variable Actual Ajustes Constante de suav izacin Alfa 0.4 Medidas de exactitud MAPE 3.36860 MAD 0.17791 MSD 0.03693

5.3 5.2 5.1 5.0 1 2 3 4 5 6 7 ndice 8 9 10 11 12

EJERCICIO No. 3

Una compaa de video recopila los ingresos mensuales de una de sus sucursales ya que un estudio superficial revela que los beneficios parecen ser ms altos cuando hay vacaciones escolares en otras pocas del ao, es muy importante conocer dichas variaciones con la finalidad de generar las estrategias adecuada para poder disminuir dichas variaciones.
Descomposicin de series de tiempo para (Y) INGRESOS
Modelo multiplicativo Datos Longitud Nmero de valores faltantes (Y) INGRESOS 36 0

Ecuacin de tendencia ajustada Yt = 14.673 + 0.133*t ndices estacionales Perodo 1 2 3 4 5 6 7 8 9 10 11 12 ndice 0.58585 0.58390 0.60567 0.72131 1.12688 1.45332 1.70816 1.76652 1.24225 0.87169 0.65354 0.68091

Medidas de exactitud MAPE MAD MSD 8.38607 1.31609 3.44062 (Y) INGRESOS 10 9 11 12 18 23 Eliminar tendencia 0.67539 0.60243 0.72980 0.78917 1.17348 1.48654 Ignorar ciclo estacional 17.0692 15.4136 18.1616 16.6364 15.9733 15.8259

Tiempo 1 2 3 4 5 6

Tendencia 14.8062 14.9394 15.0726 15.2058 15.3389 15.4721

Estacional 0.58585 0.58390 0.60567 0.72131 1.12688 1.45332

Predecir 8.6742 8.7231 9.1291 10.9681 17.2851 22.4859

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 33 34 35 36 Tiempo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

27 26 18 13 10 10 9 11 10 12 19 25 28 31 22 15 11 12 10 8 10 12 19 25 29 31 21 16 18 19 Error 1.32576 0.27687 1.87095 1.03194 0.71489 0.51409 0.34368 -1.80234 -1.71661 -0.95132 -0.54691 -1.07929 -0.61058 1.34365 -0.09707 -0.12089 -0.08614 0.19132

15.6053 15.7385 15.8717 16.0049 16.1381 16.2713 16.4044 16.5376 16.6708 16.8040 16.9372 17.0704 17.2036 17.3368 17.4699 17.6031 17.7363 17.8695 18.0027 18.1359 18.2691 18.4023 18.5354 18.6686 18.8018 18.9350 19.0682 19.2014 19.3346 19.4678

1.70816 1.76652 1.24225 0.87169 0.65354 0.68091 0.58585 0.58390 0.60567 0.72131 1.12688 1.45332 1.70816 1.76652 1.24225 0.87169 0.65354 0.68091 0.58585 0.58390 0.60567 0.72131 1.12688 1.45332 1.70816 1.76652 1.24225 0.87169 0.65354 0.68091

1.73018 1.65200 1.13409 0.81225 0.61965 0.61458 0.54863 0.66515 0.59985 0.71412 1.12179 1.46453 1.62757 1.78811 1.25931 0.85212 0.62020 0.67154 0.55547 0.44111 0.54737 0.65209 1.02506 1.33914 1.54240 1.63718 1.10131 0.83327 0.93098 0.97597 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

15.8065 14.7182 14.4898 14.9135 15.3012 14.6862 15.3622 18.8388 16.5106 16.6364 16.8607 17.2020 16.3919 17.5487 17.7098 17.2079 16.8313 17.6234 17.0692 13.7009 16.5106 16.6364 16.8607 17.2020 16.9774 17.5487 16.9048 18.3551 27.5422 27.9038 -1.38638 0.37432 0.29797 -0.34450 -0.59144 -0.16756 -0.54692 -2.58957 -1.06508 -1.27372 -1.88717 -2.13144 -3.11644 -2.44901 -2.68745 -0.73768 5.36404 5.74417

26.6563 27.8023 19.7166 13.9513 10.5469 11.0793 9.6106 9.6563 10.0971 12.1209 19.0861 24.8087 29.3864 30.6257 21.7020 15.3445 11.5914 12.1676 10.5469 10.5896 11.0651 13.2737 20.8872 27.1314 32.1164 33.4490 23.6875 16.7377 12.6360 13.2558

Grfica de descomposicin de series de tiempo de (Y) INGRESOS

Modelo multiplicativo 35 30 25 20 15 10 4 8 12 16 20 ndice 24 28 32 36
Variable Actual Ajustes Tendencia Medidas de exactitud MAPE 8.38607 MAD 1.31609 MSD 3.44062

(Y) INGRESOS