Documente Academic
Documente Profesional
Documente Cultură
FACULTAD DE ECONOMIA
ALUMNOS:
Avalos Domnguez Irving Javier
Nicolas Daz Juan Manuel
CONCEPTOS BSICOS
[ ]
m m
)
MA= i Y t 1= i Bi Yt = ( B ) Yt
1=m i=m
m
(2
i=1= ( 1 ) )
1=m
i =1 ; i=1,2,3 m (3
)
El nmero de observaciones que entran en su clculo se denomina longitud
u orden. Normalmente si el orden es alto la serie se suaviza de mejor
manera eliminando las irregularidades que son visibles a largo plazo, sin
embargo si el orden de la media mvil es pequeo la serie se suavizar de
modo que el mtodo recoge mejor los cambios puntuales de la serie en el
corto plazo. (Caridad y Ocerin Jos Mara (1998) 2
Aunque las medias mviles simtricas y centradas son las ms utilizadas
por otorgar un mismo peso a las observaciones previas y posteriores al valor
central, tambin es comn utilizar medias mviles no centradas cuando se
requiere asignar el valor de la media mvil al periodo correspondiente a la
observacin ms adelantada, as como tambin se pueden utilizar medias
mviles no simtricas, las cuales asignan distintos pesos hacia atrs o
adelante del rango de observaciones a utilizar para el clculo, por ultimo
existen combinaciones entre las medias mviles simtricas, no simtricas,
centradas y no centradas, por lo que la eleccin de cada una de ellas
depende de la evolucin de la serie y el grado de suavizamiento que se
requiera para detectar la tendencia a largo o corto plazo.
3.- Estimacin del componente estacional con una media mvil 3x3 sobre
cada mes (3)
( St )=M 3 x 3 [ ( S t + I t ) ]
normalizados de manera tal que la suma de los mismos para todo el periodo (4)
de 12 meses sea aproximadamente nula.
~
S t=S tM 2 x12 ( S t )
7.- Estimacin del componente estacional con una media mvil 3x3 sobre
cada mes en la segunda etapa:
(2) (8)
( St ) =M 3 x 5 [ ( St + I t ) ]
normalizados de manera tal que la suma de los mismos para todo el periodo (9)
de 12 meses sea aproximadamente nula.
~ (2)
S t=S tM 2 x12 ( S t )
X t =a 0+ 1 X t1 +ut
O bien Pt +1= Y t + ( 1 ) Pt
(2)
El valor del parmetro alfa se ubica entre 0 y 1. En esta escala para valores
de alfa relativamente pequeos se reducen las variaciones de corto plazo
asociadas al pronstico lo cual es razonable cuando la serie tiene un
comportamiento relativamente estable. Sin embargo, si sta presenta
cambios significativos en el corto plazo nos interesar seguir estos ms de
cerca y en ese caso debiramos seleccionar una constante alfa ms
grande.
La constante emprica alfa es la nica variable en este modelo que debe ser
determinada de manera experimental sobre los valores disponibles de la
serie de datos.
Nivel de la serie
(1)
Et =a Y t +(1a)( E t1 +T t 1)
Nivel de la tendencia
(2)
E
( tEt 1)+(1)(T t1 )
T t=
Donde Et es la estimacin atenuada de la serie en el tiempo t, a es la
constante de suavizacin de la serie y es la contante de suavizacin
para la tendencia.
Existen varios mtodos que pueden llegar a ser aplicados, sin embargo los
ms utilizados son:
Atenuacin exponencial ajustada con estimacin de tendencia y variacin
estacional (Mtodo Holt-Winters Aditivo)
Atenuacin exponencial ajustada con estimacin de tendencia y variacin
estacional (Mtodo Holt-Winters Multiplicativo)
Estimacin de Tendencias
T t = ( Et Et 1 ) + (1 ) ( T t1 ) (2)
Estimacin de Estacionalidad
(3)
S t = ( Y t Et ) + ( 1 ) ( S t L )
Pronostico de periodos futuro
(4)
Y^
t + j= ( E t + j T t ) +S t L+ j
II
LOS SUICIDIOS EN ESPAA
Grfica 1
El Suicidio en Espaa
Grfica del Nmero de Suicidios Mensuales Periodo 1995-2014
400
Nmero de suicidios registrados
200 100 300
9 Ibid.
1 2 3 4 5 6 7 8 9 10 11 12
Meses
1 2 3 4 5 6 7 8 9 10 11 12
Mes
Fuente: Elaboracin propia con base a los datos presentados en el INE
[ ]
6
H= i Yt =
6
0.019 Y t6
0.028 Y t 5
0.066 Y t 3(0)Y t 4
0.214 Y t 1 +(0.147)Y t 2+
0.24 Y t +
(3)
0.147 Y t2 +( 0.214)Y t1+
0.066 Y t3 +
0.028 Y t 5( 0)Y t 4 +
(0.019)Y t 6
350
300
250
polinmica, trigonomtrica
Nmero de Suicidios
autorregresivo.
300
Tras haber calculado las regresiones por MCO de las distintas estimaciones
de las tendencias, con su respectivo valor de significancia, la bondad de
2
ajuste y el R ajustado, adems de la Media de los Errores al Cuadrado
(RMSE por sus siglas en ingls), en donde todos los clculos fueron
estadsticamente significativos al 95% de confianza an es necesario
escoger cul de los modelos es el que mejor ajuste tiene a los datos de la
serie desestacionalizada, por lo que para identificar las diferencias entre las
2
regresiones se utiliza la bondad de ajuste o R , indicador que mide el
porcentaje de relacin que existe entre nuestras variables explicativas y la
variable explicada.
2
Intuitivamente se puede decir que aquel que tenga un mayor valor de R
ser el mejor modelo, no obstante la bondad de ajuste es afectada por el
nmero de variables que tiene el modelo debido a los grados de libertad,
por lo que aumentos en el nmero de variables explicativas se reflejaran en
2
un R mayor, por lo tanto no es una buena medida de comparacin.
2
Por otro lado el valor del R ajustado es neutral al aumento o disminucin
de regresores por lo que no afectan el comportamiento de sus valores tanto
2
como el R normal, por lo
Tabla 2
que es una mejor
Lineal
referencia para escoger el
X t =179.2821+0.4735 T
modelo con mayor
capacidad de R
2 2
R Aj. adaptacin.
ECM
Adems, partiendo del
supuesto de la 0.4302 0.4278 37.916 minimizacin
Cuadrtica
de los errores 2
entre los
estimadores y X t =237.961.0057T +0.0062 T los
parmetros, el clculo error
cuadrtico
R2 R2 Aj. ECM medio (ECM)
nos indica el 0.7124 0.7099 26.996 grado de error
que existe Cbica entre el
2 3
modelo y las X t =255.6576 1.9038 T +0.0156 T 0.00002T observaciones,
por tanto mientras
2 2
menor sea el R R Aj. ECM MCE mejor
ajuste tendr a 0.7312 0.7277 26.154 los datos. La
Tabla 2 Trigonomtrica cos k=216 muestra un
resumen con 2 t los estadsticos
ms
para la
X t =185.0924+ 0.3937T +40.356 cos
216 ( )
importantes
eleccin del
mejor modelo: R2 R2 Aj. ECM
0.7613 0.7593 24.59
Autorregresivo AR(1) Ar(2)
R2 R2 Aj. ECM
0.9924 0.9923 4.4078
Fuente: Elaboracin propia con base a los datos
presentados en el INE
Siguiendo los lineamientos anteriores se puede apreciar que los dos mejores
modelos son la tendencia trigonomtrica bajo el supuesto de periodicidad o
2
ciclo cada 216 meses o bien 18 aos al tener un R ajustado de 75.93%
que es un buen porcentaje de ajuste de las variables al modelo y un ECM de
24.59 que es uno de los que ms minimiza el error; y el modelo de
autorregresivo bajo el supuesto de que los errores se comportan como un
AR(1) y AR(2) ya que tiene un R2 ajustado de 99.23% que es muy
cercano al 100, lo que significa que los rezagos empleados permiten
explicar en gran medida la serie de tiempo, adems de que el uso de
Autorregresivos reduce cualquier efecto de autocorrelacin posicionndolo
por encima de la tendencia trigonomtrica. Por otro lado el ECM es el que
ms minimiza el error en comparacin con los otros modelos con un valor de
4.4078, lo que significa que dentro de la representacin grfica ser el ms
cercano a los valores de las observaciones
Grficamente para saber cul es el mejor modelo se debe observar cul de
las tendencias calculadas pasa por el mayor nmero de puntos de la serie
sin componente estacional y si en los ltimos periodos se ajusta a la
tendencia final de la serie. Dicho lo anterior es fcil descartar a la tendencia
lineal, cuadrtica y cbica representada en la Grfica 6, debido a que no
logran captar la tendencia general de los datos por lo que subestiman o
sobreestiman los valores de la serie desestacionalizada, adems de que
ninguna de los modelos mencionados cumple con seguir la tendencia final
de la serie en los ltimos periodos. Por ende las que mejor se ajustan son la
serie de Autorregresivos y la tendencia trigonomtrica, por lo que se
prosigue a la prediccin de los 12 meses siguientes, utilizando ambos
modelos para posteriormente hacer un promedio de ambos que
representar mejor las fluctuaciones previstas para el prximo ao, por
ultimo transformaremos la serie y predicciones desestacionalizada a los
valores originales, es decir con sus componentes estacionales.
Grfica 6
Comparativo de Tendencias
Lineal, Cuadrtica, Cbica, Trigonomtrica, Autorregresivo
350
Nmero de Suicidios
200 250 150 300
0 50 100 150 200 250
Meses
Serie Desestacionalizada Tendencia Lineal
Tendencia Cuadrtica Tendencia Cbica
Tendencia Trigonomtrica (Cos 216) Autorregresivo AR(1) AR(2)
La Grfica 7 representa el
Fuente: Elaboracin propia con base a los datos presentados en el INE y el paquete estadstico Stata13
400
Nmero de Suicidios
Nmero de Suicidios
350
300
300 250
250
Grfica 9
Pronstico Final 2015
400
Nmero de Suicidios
300 250 350
Tabla 3
Nmero de suicidios registrados en Espaa
Tota Medi
2013 l a
En Fe Ab Ag No
Mar May Jun Jul Sep Oct Dic 387
e b r o v 323
0
344 289 359 324 335 363 357 308 345 301 259 286
Tota Medi
2014
l a
En Fe Ab Ag No
Mar May Jun Jul Sep Oct Dic 391
e b r o v 326
0
339 293 318 338 331 371 342 354 334 332 283 275
Tota Medi
Estimacin 2015
l a
En Fe Ab Ag No
Mar May Jun Jul Sep Oct Dic 361
e b r o v 301
3
314 288 333 280 309 323 301 295 323 286 277 285
Fuente: Elaboracin propia con base a los datos presentados en el INE
2.7 Pronstico por medio del Suavizamiento Exponencial
de la serie sobre suicidio
13 Los resultados de los coeficientes alfa beta y gamma de cada uno de los
diferentes suavizamientos exponenciales determinados por el algoritmo de
optimizacin BroydenFletcherGoldfarbShanno (BFGS), lo cual asegura que los
errores cuadrticos medios sean los mnimos posibles para la serie.
Mientras que el suavizamiento exponencial Holt-Winters (Multiplicativo)
aplica un ponderador de suavizamiento relativamente bajo en comparacin
de los modelos anteriores pero el ponderador gamma es de tal magnitud
que reduce al mnimo las perturbaciones estacionales dentro de la serie, lo
cual permite un mayor ajuste del modelo.
La capacidad de prediccin de los diferentes modelos exponenciales
muestran los siguientes patrones de comportamiento:
400
Nmero de Suicidios
200 100300
2011m7 2012m7 2013m7 2014m7 2015m7
Periodo
Total de Suicidios mensuales Espaa Pronostico Exponencial Simple
Pronostico Exponencial Doble Pronostico Holt-Winters
Pronostico HW (Aditivo) Pronostico HW (Multiplicativo)
2.7.3 Escenario
ms probable:
III
VENTAS NACIONALES DE AUTOMOVILES
3.1 Anlisis Metodolgico Modelo sobre las Ventas
Nacionales de Automviles
Grafica 13
Autos vendidos en Mexico
Periodo 1995/1-2016/2
20000 40000 60000 80000100000
Venta Mensual de Autos
0
1 2 3 4 5 6 7 8 9 10 11 12
Periodo
1 2 3 4 5 6 7 8 9 10 11 12
Fuente: Elaboracin propia con base en datos de INEGI
Finalmente la grfica 14 nos muestra que en ms del 50% de los meses de
diciembre las ventas de autos han sido superiores a 70000 unidades,
mientras que en los dems meses el 75% tiene ventas inferiores a las 65 mil
unidades, siendo abril el mes donde menos carros se venden pues el 50%
de los meses tienen ventas inferiores a las 50 mil unidades.
Una vez realizado el anlisis grfico y estadstico de la serie original se
hacen notar problemas de estacionalidad y distorsiones provocadas por
diversos efectos, los cuales se han tratado de explicar lo mejor posible, que
hacen necesaria la aplicacin de diferentes mtodos a fin de suavizar
nuestra serie y eliminar las distorsiones que esta contienen. Para el anterior
fin se procede a aplicar las tcnica X-11, as como los suavizamiento ya
vistos en la serie anterior del suicidio y finalmente la prediccin para los
siguientes 12 meses del comportamiento de la venta de automviles.
[ ]
6
H= i Yt =
6
0.019 Y t6
0.028 Y t 5
0.066 Y t 3(0)Y t 4
0.214 Y t 1 +(0.147)Y t 2+
0.24 Y t +
(3)
0.147 Y t2 +( 0.214)Y t1+
0.066 Y t3 +
0.028 Y t 5( 0)Y t 4 +
(0.019)Y t 6
Grafica 15
Comparacin entre Medias Moviles
Media simetrica, ponderada y Henderson
100000
80000
Ventas de Autos
60000 40000
autos aut_sa
Elaboracion propia con base en datos de INEGI
Tabla 5
Lineal
X t =28447+158.2245 T
R2 R2 Aj. ECM
0.4905 0.4885 12150
Cuadrtica
X t =19815.9+358.9774 T .774992T 2
2 2
R R Aj. ECM
0.5435 0.5400 11523
Cbica
X t =5130.945+ 1526.044 T 12.06214 T 2 +0.290531 T 3
R2 R2 Aj. ECM
0.8673 0.8658 6224.3
Trigonomtrica sen y cos k=204
t 2 t
X t =24286.99+200.4673 T +5351.95 sen(
204
)16488.51cos( )
204
R2 R2 Aj. ECM
0.9281 0.9273 4581.2
Autorregresivo AR(1) Ar(2)
Segn los resultados
obtenidos X t =699.9457+3.437936 T + 1.79287 X t1.8149504 X t2
aplicando los
diferentes mtodos y
expuestos en R2 R2 Aj. ECM la tabla 5 se
puede ver que 0.9957 0.9957 1108.6 los dos
modelos que Fuente: Elaboracin propia con base a los datos ms se ajustan
a nuestra serie presentados en el INEGI
Grafica 17
Comparativo de Tendencias
Lineal, Cuadratica, Cubica, Trigonometrica, Autorregresivo
100000
Venta de Autos
50000
0
Grafico 21
Pronostico Final 2016/9-2017/8
Metodo Holt-Winters Multiplicativo
40000 60000 80000100000120000140000
Ventas de autos
Tabla 6
Ventas Nacionales de Automviles
Total Medi
2014-2015 a
Sep Oct Nov Dic Ene Feb Mar Abr May Jun Jul Ago
5810 6543 6373 6777 7136 8430 7025
7 4 72236 87096 70021 66031 69336 7 9 9 75209 76694 49 4
Medi
2015-2016 Total
a
Sep Oct Nov Dic Ene Feb Mar Abr May Jun Jul Ago
7317 7688 10024 7803 7973 9099 9912 8260
8 4 81714 2 76830 72198 76397 5 4 4 91290 93723 19 1
Medi
Estimacin 2016-201714 Total
a
Sep Oct Nov Dic Ene Feb Mar Abr May Jun Jul Ago 1322 1101
IV
300000
Valor de produccin en miles de pesos
200000
100000
0 2007m1 2008m7 2010m1 2011m7 2013m1 2014m7
Periodo
Fuente: Elaboracin propia con base a los datos presentados en INEGI
300000
Valor de produccin en miles de pesos
200000
100000
0
1 2 3 4 5 6 7 8 9 10 11 12
Meses
Juguetes Fabricados Mediana
1 2 3 4 5 6 7 8 9 10 11 12
Mes
Fuente: Elaboracin propia con base a los datos presentados en INEGI
Dados los problemas de estacionalidad descritos y a modo de eliminar o
suavizar estos efectos es necesario utilizar una tcnica de
desestacionalizacin denominada X-11 y distintos suavizamientos como el
de medias mviles para la ptima prediccin del comportamiento de la
serie en los prximos 12 meses.
[ ]
3
1 1 1 1 2 1 1 1 (2)
MA 2 x 2 i= Yt ; = Y t3 + Y t 2+ Y t 1+ Yt + Y y+1 + Yt +2 + Y t+3
6 3 6 3 2 3 2 3 6
[ ]
6
H= i Yt =
6
(3)
0.019 Y t6
0.028 Y t 5
0.066 Y t 3(0)Y t 4
0.214 Y t 1 +(0.147)Y t 2+
0.24 Y t +
0.147 Y t2 +( 0.214)Y t1+
0.066 Y t3 +
0.028 Y t 5( 0)Y t 4 +
(0.019)Y t 6
300000
Valor de produccin en miles de pesos
200000
100000
0
2007m1 2008m7 2010m1 2011m7 2013m1 2014m7
Periodo
Juguetes Fabricados Media Mvil Henderson
Media Mvil Ponderada (1 2 3 <4> 3 2 1) Media Mvil Simple (3 1 3)
Grfica 26
Comparativo de la Serie Original y la Desestacionalizada
Mtodo X-11
300000
Valor de produccin en miles de pesos
0 100000 200000
Tras haber calculado las regresiones por el mtodo de MCO de las distintas
estimaciones de las tendencias, su valor de significancia individual, bondad
de ajuste o R2 y el R2 ajustado y la media de los errores al cuadrado,
podemos afirmar que todas las regresiones tuvieron una significancia
estadstica al 95% de confianza, no obstante elegir el modelo con mayor
ajuste a la serie desestacionalizada es ms complicado, por lo tanto
2 2
utilizaremos el R ajustado en detrimento del el R normal, debido a
que el primero es neutral ante el nmero de regresores utilizados y por ende
es ms confiable. Adems, partiendo del supuesto de minimizacin de los
errores entre los estimadores y los parmetros, el clculo del error
cuadrtico medio (ECM) nos indicar el modelo que mayor ajuste tiene con
respecto a los valores observados, por lo tanto el modelo elegido deber
2
tener el R ajustado ms alto y el ECM ms pequeo. La Tabla 7 muestra
un resumen con los estadsticos ms importantes de las regresiones:
Tabla 7
Lineal
X t =40852.59+1242.317 T
2 2
R R Aj. ECM
0.6701 0.6665 24413
Cuadrtica
2
X t =41942.061172.776 T +0.73201T
R2 R2 Aj. ECM
0.6702 0.6631 24539
Cbica
X t =55861.04632.84 T + 48.50 T 2 0.3352T 3
R2 R2 Aj. ECM
0.6879 0.6778 23999
Trigonomtrica sen k=216
2 t
X t =56162.67+933.31 T 13983.46 sen ( 108 )
Siguiendo los R2 R2 Aj. ECM lineamientos
anteriores, los dos mejores
0.6883 0.6816 23857
modelos son la tendencia
Autorregresivo AR(1) Ar(2)
trigonomtrica bajo el
supuesto de X t =8115.8+ 240.80T +1.7557 X t 10.9543 X t 2 periodicidad o
ciclo cada 108 meses o bien 9
aos al tener R2 R2 Aj. ECM un R2
ajustado de 0.9936 0.9934 3395.9 68.16% de
Fuente: Elaboracin propia con base a los datos
relacin entre presentados en el INEGI los regresores
y el regresando, adems de un error cuadrtico medio de 23857 el cual es
ms bajo que los modelos lineal, cuadrtico y cbico por lo tanto se puede
decir que se minimiza el error. Y el modelo de autorregresivo bajo el
supuesto de que los errores se comportan como un AR (1) AR(2) ya que
2
tiene un R ajustado de 99.34% que significara que los rezagos utilizados
permiten explicar en gran medida ls fluctuaciones de la serie, teniendo
como punto extra que el utilizar Autorregresivos se reduce cualquier efecto
de autocorrelacin que tenga la serie, posicionndolo por encima de la
tendencia trigonomtrica, adems de esto el error cuadrtico medio es el
ms pequeo de todos los modelos, lo que significa que los valores
calculados son muy parecidos a los observados. Grficamente para saber
cul es el mejor modelo se debe observar cul de las tendencias calculadas
pasa por el mayor nmero de puntos de la serie desestacionalizada y si en
los ltimos periodos se ajusta a la tendencia final de la serie. Dicho esto, es
fcil descartar la tendencia lnea, cuadrtica y cubica representadas en la
Grfica 27, debido a que no logran captar la tendencia general de los datos,
por lo que subestiman o sobreestiman los valores de la serie sin
componentes estacionales.
Grfica 27
Comparativo de Tendencias
100000 200000
50000
2010m1 2011m1 2012m1 2013m1 2014m1 2015m1 2010m1 2011m1 2012m1 2013m1 2014m1 2015m1
Periodo Periodo
Serie Desestacionalizada Pronstico Trigonomtrico Juguetes Fabricados Pronstico Trigonomtrico
Pronstico Autorregresivo AR(1) AR(2) Pronstico Autorregresivo AR(1) AR(2)
Fuente: Elaboracin propia con base a los datos presentados en INEGI Fuente: Elaboracin propia con base a los datos presentados en INEGI
300000
Valor de produccin en miles de pesos
200000
100000
Tabla 8
Valor de Produccin de Juguetes en Mxico (en miles de pesos)
Medi
2013 a
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
1377
1723 1328 8405 7516 8790 7360 1036 1399 2000 2718 2012 1104 61
81 72 6 2 5 9 37 69 34 31 25 53
2014
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
1356
1704 9486 1048 8264 8650 1172 1375 1530 1889 2121 1528 1270 72
36 7 07 5 7 30 07 85 10 82 07 82
Estimacin 201518
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
1597
1566 1506 1645 1514 1603 1500 1491 1653 1678 2102 1591 1315 45
39 92 30 56 14 02 83 67 48 92 10 07
Fuente: Elaboracin propia con base a los datos presentados en el INEGI
19 Los resultados de los coeficientes alfa beta y gamma de cada uno de los
diferentes suavizamientos exponenciales determinados por el algoritmo de
optimizacin BroydenFletcherGoldfarbShanno (BFGS), lo cual asegura que los
errores cuadrticos medios sean los mnimos posibles para la serie.
(Multiplicativo) aplica un ponderador gamma que reduce al mnimo las
perturbaciones estacionales dentro de la serie, lo cual permite un mayor
ajuste del modelo.
La capacidad de prediccin de los diferentes modelos exponenciales
muestran los siguientes patrones de comportamiento:
Grfica 32
Pronstico Final 2015
Mtodo de Suavizamiento Exponencial Holt-Winters
300000
Valor de produccin en miles de pesos
200000
100000
Tabla 9
Valor de Produccin de Juguetes en Mxico (en miles de pesos)
Medi
2013 a
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
1377
1723 1328 8405 7516 8790 7360 1036 1399 2000 2718 2012 1104 61
81 72 6 2 5 9 37 69 34 31 25 53
Medi
2014
a
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
1356
1704 9486 1048 8264 8650 1172 1375 1530 1889 2121 1528 1270 72
36 7 07 5 7 30 07 85 10 82 07 82
Medi
Estimacin 201520
a
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
1579
1302 1260 1360 1427 1541 1558 1609 1773 1821 2236 1678 1388 93
03 24 95 74 81 48 27 26 83 83 05 64
Fuente: Elaboracin propia con base a los datos presentados en el INEGI