Documente Academic
Documente Profesional
Documente Cultură
Series de Tiempo
Series de tiempo
Objetivos
Componentes de las series de tiempo
Lineal
No lineal
Promedios mviles
Promedios mviles ponderados
Suavizamiento exponencial
d. Pronsticos y su precisin
Promedios mviles
Promedios mviles ponderados
Suavizamiento exponencial
Conclusin
Bibliografa
Introduccin
El anlisis de series de tiempo desempea un papel importante en el anlisis
requerido para el pronstico de eventos futuros. Existen varias formas o mtodos
de calcular cual va a ser la tendencia del comportamiento del proceso en estudio.
Toda institucin, ya sea la familia, la empresa o el gobierno, tiene que hacer planes
2
En
Series de Tiempo
Series: Son colecciones de datos numricos, obtenidos a travs de
observaciones, que han sido recopilados y ordenados de acuerdo a un determinado
criterio.
3
Objetivos
Analizar una serie de tiempo tiene como objetivos, entre otros:
Para llevar a cabo un anlisis de este tipo, primero se deben identificar los
componentes de la serie de tiempo, despus aplicar las tcnicas estadsticas para su
anlisis y, finalmente, hacer las proyecciones o pronsticos de eventos futuros.
De esta forma, el anlisis de series de tiempo es el procedimiento por el cual
se identifican y aslan los factores relacionados con el tiempo que influyen en los
valores observados en las series de tiempo para que una vez identificados, estos
factores puedan contribuir a la interpretacin de valores histricos de series de
tiempo y hasta entonces pronosticar valores futuros de series de tiempo.
Tendencia
10
8
6
4
2
0
Categora 1
Tendencia
Anlisis
La tendencia secular o tendencia a largo plazo de una serie es por lo comn
el resultado de factores a largo plazo.
En trminos intuitivos, la tendencia de una serie de tiempo caracteriza el
patrn gradual y consistente de las variaciones de la propia serie, que se consideran
consecuencias de fuerzas persistentes que afectan el crecimiento o la reduccin de
la misma, tales como: cambios en la poblacin, en las caractersticas demogrficas
7
ahora
slo
faltara
analizar
a)
b)
c)
d)
Ventas
2003
(en millones)
7
2004
10
2005
2006
11
2007
13
Ventas
15
10
5
0
2003
2004
2005
2006
2007
Ventas
TY
T2
2003
2004
10
20
2005
27
2006
11
44
16
2007
13
65
25
Totales
50
15
163
55
10
d) Los dos aos siguientes son 2008 y 2009, que en trminos de los clculos
que estamos haciendo son 6 y 7, respectivamente. Pues bien, estos se
sustituyen en la Ecuacin de Tendencia y se obtiene los pronsticos
requeridos, es decir:
Y = 6.1 + 1.3T = 6.1 + 1.3(6) = 13.9
Y = 6.1 + 1.3T = 6.1 + 1.3(7) = 15.2
Que se interpreta de la siguiente manera:
Con base en las ventas anteriores, la estimacin o pronstico para los aos 2008 y
2009, es 13.9 y 15.2 millones de bolvares, respectivamente.
11
Variacin Cclica
8
6
4
2
0
Variacion Cclica
Anlisis
Con frecuencia las series de tiempo presentan secuencias alternas de puntos
abajo y arriba de la lnea de tendencia que duran ms de un ao, esta variacin se
mantiene despus de que se han eliminado las variaciones o tendencias estacional e
irregular.
Un ejemplo de este tipo de variacin son los ciclos comerciales cuyos
perodos recurrentes dependen de la prosperidad, recesin, depresin y
recuperacin, las cuales no dependen de factores como el clima o las costumbres
sociales.
Como se dijo antes, estos dos componentes, el de tendencia y el cclico,
solamente se aplica para datos anuales. Concretamente, el componente cclico
12
puede identificarse como el, que persistira en los datos luego de eliminada la
influencia del componente de tendencia. Esta eliminacin se realiza dividiendo
cada uno de los valores observados entre su valor de tendencia correspondiente,
mediante la siguiente frmula:
a)
a)
b)
c)
Para estimar los ciclo relativos, construir una tabla con los clculos
necesarios:
Ao
2003
2004
2005
2006
2007
T
1
2
3
4
5
Y (Real)
7
10
9
11
13
Y (Estimada)
7.4
8.7
10
11.3
12.6
Ciclo Relativo
94.6
114.9
90
97.3
103.2
b)
14
15
Variacin Estacional
4
3
2
1
0
Variacin Estacional
Anlisis
Tendrs que tomar en cuenta dicho indicador, pues como es de costumbre,
existen productos y servicios que tienen mayor o menor demanda depende de la
temporada del ao donde nos encontremos.
El componente de la serie de tiempo que representa la variabilidad en los
datos debida a influencias de las estaciones, se llama componente estacional.
Esta variacin corresponde a los movimientos de la serie que recurren ao
tras ao en los mismos meses (o en los mismos trimestres) del ao poco ms o
menos con la misma intensidad.
De este modo, las ventas de automviles, ropa, consumo de juguetes, entre
otros, pueden ser ejemplos de ello. Es
16
Bueno, puesto que entonces cada mes es diferente uno del otro, este anlisis
trata de identificar un nmero ndice estacional asociada a cada mes (o trimestre
del ao) o, en otras palabras, un conjunto de ndices mensuales que consiste en 12
ndices que son representativos de los datos para un perodo de 12 meses o, cuatro
ndices si se trata de trimestres.
Cada uno de estos ndices es un porcentaje, con un promedio anual del
100%, es decir, el ndice mensual indica el nivel de ventas o de produccin, segn
se trate, en relacin con el promedio anual del 100%. De esta forma:
Un ndice estacional del 94% para el mes de marzo, indica que las
ventas en ese mes estn, por lo general, 6% abajo del promedio anual
las ventas de ese mes se espera que estn 8.2% arriba del promedio anual.
El mtodo usado para determinar estos ndices se llama mtodo de razn a
promedio mvil y elimina las componentes de tendencia, cclica e irregular y est
descrito en el ejemplo siguiente.
Los ndices obtenidos por este mtodo se utilizan para ajustar los datos
originales con lo que se obtienen los valores desestacionalizados o datos ajustados
estacionalmente a partir de las cuales se procede a obtener pronsticos para los
trimestres futuros.
Ejemplo: Clculo de anlisis de variaciones estacionales
Los datos siguientes representan las ventas trimestrales en millones de
bolvares de la empresa Kids Fashions especializada en la venta de ropa infantil
ubicada en la zona centro de la ciudad de San Cristbal:
Ao
2002
2003
2004
2005
2006
2007
Trimestre 1
6.7
6.5
6.9
7
7.1
8.0
Trimestre 2
4.6
4.6
5
5.5
5.7
6.2
Trimestre 3
10
9.8
10.4
10.8
11.1
11.4
Trimestre 4
12.7
13.6
14.1
15
14.5
14.9
17
a)
b)
c)
d)
18
Columna (3): Promedio mvil de cuatro trimestres, es decir, ya solo hay que
dividir los totales anteriores entre 4 y colocar el resultado frente a su
correspondiente. Por ejemplo: 34/4 = 8.500, 33.8/4=8.450, etctera.
Columna (4): Promedio mvil centrado, ahora se centran los promedios mviles,
es decir, se suman los dos promedios mviles y se dividen entre 2, el resultado de
esto se centra entre los dos valores sumados quedando centrado con el trimestre
correspondiente, por ejemplo: (8.500 + 8450)/2 = 8.475 que queda centrado con
el trimestre 3 del ao 2002, el segundo sera (8.450 + 8.450)/2 = 8.450 que queda
centrado con el trimestre cuatro del ao 2002.
Columna (5): Valor estacional especfico.- Se calcula dividiendo las ventas
originales (columna 1) entre el promedio mvil centrado (columna 4), por
ejemplo: 10.0/8.475 = 1.180, el segundo es 12.7/8.450 = 1.503, etctera.
19
20
valores obtenidos pero sin considerar los valores ms alto y ms bajo, por
ejemplo: (0.772 + 0.775 + 0.753)/3 = 0.766
Obtener el ndice estacional multiplicando la media obtenida por el factor de
correccin o ajuste que se calcula con la frmula que aparece al pie del cuadro
siguiente:
Para el trimestre 1, cuyo ndice es 76.466 significa que las ventas en este
trimestre estarn (100 76.466 =) 23.534% por abajo del promedio tpico,
Para el trimestre 2, cuyo ndice es 57.300 significa que las ventas en este
trimestre estarn (100 57.300 =) 42.700% por abajo del promedio tpico
Para el trimestre 3, cuyo ndice es 113.601 significa que las ventas en
este trimestre estarn (113.601 100 =) 13.601% por arriba del promedio
tpico
Para el trimestre 4, cuyo ndice es 152.633 significa que las ventas en
este trimestre estarn (152.633 100 =) 52.633% por arriba del promedio
tpico.
En resumen, como puede apreciarse el perodo con mayor actividad en las ventas
es el cuarto trimestre mientras que para el primer y segundo trimestre del ao tal
actividad baja drsticamente.
d) Para calcular el valor ajustado por el ndice estacional ya solo hay que dividir los
valores originales desestacionalizados entre su respectivo ndice estacional
21
22
Esto quiere decir que la pendiente es 0.0880, es decir, que en los ltimos 24
trimestres, las ventas desestacionalizadas aumentaron a razn de 0.0880
(millones de bolvares) por trimestre.
El valor 8.1791 corresponde a la intercepcin en el eje y de la lnea de tendencia.
f)
Para calcular los pronsticos de los cuatro trimestres del 2008, se estiman
24
Variacin Irregular
4
3
2
1
0
Variacin Irregular
Anlisis
Esta se debe a factores a corto plazo, imprevisibles y no recurrentes que afectan a la
serie de tiempo.
Como este componente explica la variabilidad aleatoria de la serie, es impredecible,
es decir, no se puede esperar predecir su impacto sobre la serie de tiempo.
Existen dos tipos de variacin irregular:
1. Las variaciones que son provocadas por acontecimientos especiales,
fcilmente identificables, como las elecciones, inundaciones, huelgas,
terremotos.
2. Variaciones aleatorias o por casualidad, cuyas causas no se pueden
sealar en forma exacta, pero que tienden a equilibrarse a la larga.
25
26
Ejercicios
1.) Asumiendo que los siguientes datos son las unidades vendidas por ao de la
agencia de Honda Motors autos que tiene 5 aos de iniciado:
Ao
Unidades
Vendidas
a)
b)
c)
d)
2004
2005
2006
2007
2008
79
120
138
184
200
2000
322.9
2001
361.3
(MM Bs)
2002
311.24
2003
310.8
2004
229.5
2005
255.4
2006
312.2
2007
345.68
Trimestre 1
Trimestre 2
52
56
54
60
62
40
60
70
60
65
70
72
73
62
64
72
Trimestre 3
16
22
24
26
30
20
22
28
Trimestre 4
50
66
74
78
82
75
66
72
Trimestre 1
500
450
350
550
550
Trimestre 2
350
350
200
350
400
Trimestre 3
250
200
150
250
350
Trimestre 4
400
300
400
550
600
28
2008
a)
b)
c)
d)
750
500
400
650
Lineal
No lineal
Promedios mviles
Promedios mviles ponderados
Suavizamiento exponencial
d. Pronsticos y su precisin
Promedios mviles
Promedios mviles ponderados
Suavizamiento exponencial
29
Conclusin
Las series temporales pueden servir para predecir acontecimientos futuros
en base a ciertos comportamientos de determinadas variables.
Si tenemos ms observaciones que se puedan promediar, que es el orden de
la media mvil, se obtienen tendencias ms suaves. Este hecho no debe hacernos
olvidar que aunque hemos mejorado la tendencia con el suavizado, por el contrario
perdemos informacin sobre los valores iniciales y finales de la tendencia estimada.
Con el procedimiento de medias mviles siempre es posible elegir el nmero
de observaciones que se deben tomar para el promedio, esto no siempre es fcil.
Si se determina la funcin matemtica de la tendencia lineal, esta nos
permitir conocer los valores perdidos tanto al inicio como al final del proceso de
bsqueda de la lnea de tendencia.
30
31