Analisis de Series de Datos

Analisis De Series De Datos
http://www.buenastareas.com/impresion/Analisis-De-Series-De-Da...
REPUBLICA BOLIVARIANA DE VENEZUELA MINISTERIO DEL PODER POPULAR PARA LA EDUCACIN SUPERIOR UNIVERSIDAD " DR. JOS GREGORIO HERNNDEZ" CTEDRA: ESTADSTICA II PROFESOR: PEDRO MNDEZ [pic] REALIZADO POR: CASTELLANOS YANNISLEY C.I. 17.461.787 A-4401 MARACAIBO, AGOSTO 2010 CONTENIDO - INTRODUCCIN 1 SERIES DE TIEMPO 2 GRAFICAS DE SERIES DE TIEMPO 3 MOVIMIENTOS CARACTERSTICOS DE LAS SERIES DE TIEMPO a) Movimientos A Largo Plazo O Seculares b) Movimientos Estacionales c) Movimientos Irregulares O Aleatorios 5) ANALISIS DE SERIES DE TIEMPO 6) PROMEDIOS MVILES SUAVIZACIN DE LAS SERIES DE TIEMPO. 7) ESTIMACIN DE LA TENDENCIA 8) ESTIMACIN DE LAS VARIACIONES, ESTACIONALES, NDICE ESTACIONAL 9) DESESTACIONALIZACION DE LOS DATOS 10) ESTIMACIN DE LAS VARIACIONES CCLICAS 11) COMPARACIN DE DATOS 12) PREDICCIN 13) PASOS FUNDAMENTALES EN EL ANALISIS DE LAS SERIES DE TIEMPO. EJEMPLOS ILUSTRATIVOS - CONCLUSIN - BIBLIOGRAFA. INTRODUCCIN 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. 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. El objetivo de este trabajo es hacer repaso sobre el anlisis de series de tiempo donde se explicara en que consiste cuales son su promedios sus estimaciones, etc. 1. SERIES DE TIEMPO: Una serie de tiempo es un conjunto de observaciones tomadas en momentos o tiempos especficos; generalmente a intervalos iguales. Ejemplos de series de tiempo son: la produccin anual total de acero en Estados Unidos durante cierto nmero de aos, el precio diario de una accin al cierre en la bolsa de valores, las temperaturas a cada hora anunciadas por el centro metereolgico de una ciudad o el total de ventas mensuales de un supermercado. Matemticamente, una serie de tiempo se define por medio de los valores Y1, Y2, de una variable Y (temperatura, precio al cierre de una accin, etctera) en los tiempos t1, t2, Por lo tanto, Y es una funcin de t; esto se denota por Y= F (t) 2. GRAFICAS DE LAS SERIES DE TIEMPO
1 de 9
11/04/2012 04:12 p.m.
Una serie de tiempo que involucra una variable Y esta representada por la construccin de una grafica de Y respecto de t, como ha ocurrido muchas veces en captulos anteriores. Por ejemplo, la figura 18-1 es la grafica de una serie de tiempo que muestra las ventas trimestrales de discos compactos por Desert Compact Discs and Cassettes Distributors (DCDCDInc.). Los datos de las ventas cubren los cuatro trimestres de 1994 hasta los de 1997. Figura 18-1 [pic] 3. MOVIMIENTOS CARACTERSTICOS DE LAS SERIES DE TIEMPO Es interesante pensar en una grafica de series de tiempo (como la que se presenta en la figura 18-1) como una grafica que describe u punto movindose con e paso del tiempo, anlogo en muchos aspectos a la trayectoria de una partcula fsica que se mueve bajo la influencia de fuerzas fsicas. Sin embargo, el movimiento puede resultar de una combinacin de fuerzas econmicas, sociolgicas, fisiolgicas, etctera en lugar de ser por fuerzas fsicas. La experiencia con muchos ejemplos de series de tiempo ha revelado ciertos movimientos caractersticos o variaciones, los cuales estn presentes en distintos grados. El anlisis de dichos movimientos es valioso en muchas relaciones, entre las que una de ellas es el problema de predecir movimientos futuros. En consecuencia, no debe sorprender que muchas industrias y agencias del gobierno estn relacionadas con tan importante tema. 4. CLASIFICACION DE LOS MOVIMIENTOS DE LAS SERIES DE TIEMPO Los movimientos caractersticos de las series de tiempo pueden clasificarse en cuatro tipos principales, llamados componentes de las series de tiempo. a) Movimientos a largo plazo o seculares: Estos se refieren a la direccin general en la que la grafica de series de tiempo parece seguir sobre un intervalo de series grande de tiempo. En la figura 18-1, tal movimiento secular (o variacin secular o tendencia secular, como tambin se le conoce) esta indicado por una recta de tendencia, que se muestra discontinua. Para algunas series de tiempo puede ser mas adecuada una curva de tendencia. En el capitulo 13 se estudio la determinacin de dichas rectas o curvas de tendencia por medio del mtodo de mnimos cuadrados. En este captulo se analizan otros mtodos. Las tendencias a largo plazo (sin alteraciones de una serie de tiempo) de las ventas, el empleo, los precios de las acciones, y otras series econmicas y comerciales. Muchas variables macroeconmicas, como el Producto Nacional Bruto (PNB), el empleo y la produccin industrial estn dominadas por una fuerte tendencia. La tendencia de una serie de tiempo es el componente de largo plazo que representa el crecimiento o disminucin en la serie sobre un periodo amplio. Las fuerzas bsicas que ayudan a explicar la tendencia de una serie son el crecimiento de la poblacin, la inflacin de precios, el cambio tecnolgico y los incrementos en la productividad. La figura 2.3 muestra grficamente la recta de tendencia ajustada a los datos trimestrales. La recta de trazos despus de 1972 representa proyecciones (ver seccin 3 Predicciones). [pic] Es decir, Movimientos seculares contienen los movimientos suaves de largo plazo, los cuales estn dominados fundamentalmente por factores de tipo econmico. b) Movimientos cclicos o variaciones cclicas: Estos tienen que ver con las oscilaciones o los movimientos respecto de una recta o curva de tendencia. Estos ciclos, como se les denomina en ocasiones, son o no peridicos; es decir, pueden o no seguir patrones exactamente similares, despus de intervalos iguales de tiempo. En los negocios y las actividades econmicas, los movimientos son considerados cclicos solo si se repiten despus de intervalos mayores de un ao. Un ejemplo importante de los movimientos cclicos son los llamados ciclos de negocios, que representan intervalos de prosperidad, recesin, depresin o recuperacin. Los movimientos cclicos, en cuanto a la recta de tendencia, son bastantes claros en la figura 18-1. Adems Se refieren a las oscilaciones de larga duracin alrededor de la curva de tendencia, los cuales pueden o no ser peridicos, es decir, pueden o no seguir caminos anlogos en intervalos de tiempo iguales. Se caracterizan por tener lapsos de expansin y contraccin. En general, los movimientos se consideran cclicos solo si se produce en un intervalo de tiempo superior al ao (3). En el Grfico los movimientos cclicos alrededor de la curva de tendencia estn trazados en negrita. c) Movimientos estacionales o variaciones estacionales: Estos se relacionan con los patrones idnticos o casi idnticos que la series de tiempo parecen seguir durante los meses o trimestres correspondientes de aos
2 de 9
11/04/2012 04:12 p.m.
sucesivos. Tales movimientos se deben a eventos recurrentes que suceden anualmente, como el repentino incremento en las ventas de las tiendas de departamentos, previo a la navidad. Los movimientos estacionales pueden verse fcilmente en la figura 18-1; las ventas del cuarto trimestre son las mas altas en cada uno de los cuatro aos. Aunque los movimientos estacionales suelen conocerse en la teora de negocios o economa como periodicidad anual, las ideas implicadas llegan a extenderse para un periodo determinado (como das, horas, semanas), dependiendo del tipo de datos disponibles. Se refieren a las fluctuaciones peridicas que se observan en series de tiempo cuya frecuencia es menor a un ao (trimestral, mensual, diaria, etc.), aproximadamente en las mismas fechas y casi con la misma intensidad. Por ejemplo, el mayor monto de recaudacin del Impuesto a la Renta se observa en el mes de marzo de todos los aos o la mayor brecha entre el tipo de cambio de compra y venta se produce los das viernes dcada semana o la mayor cotizacin de los ttulos que se mueven en la Bolsa de Valores de Lima se observa diariamente entre las 11 am. Y 12 m. Las variaciones estacionales, como veremos, responden fundamentalmente a factores relacionados al clima, lo institucional o las expectativas y no a factores de tipo econmico. En el Grfico no se observa ningn movimiento estacional, puesto que se trata de una serie anual. 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. 4) Todos estos fenmenos presentan un comportamiento estacional (anual, semanal, etc.). [pic] d) Movimientos irregulares o aleatorios: Estos se refieren a los movimientos espordicos de las series de tiempo, debidos a eventos aleatorios tales como: inundaciones, huelgas o elecciones, aunque generalmente se considera que tales eventos producen variaciones que duran poco tiempo, cabe la posibilidad de que sean tan intensos que resulten en nuevos movimientos cclicos o de otro tipo. 5. ANLISIS DE LAS SERIES DE TIEMPO El anlisis de series de tiempo consiste en una descripcin (generalmente matemtica) de los movimientos componentes presentes. Para comprender los procedimientos involucrados en dicha descripcin, considrese la figura 18-2, que muestra las series de tiempo ideales. La figura 18-2a) es la grafica de una recta de tendencia a largo plazo o secular (en lugar de una curva de tendencia, que se pudo haber utilizado tambin). La figura 18-2b) muestra esta recta de tendencia a largo plazo, con un movimiento cclico sobrepuesto (que se supone peridico) y la figura 18-2c) contiene un movimiento estacional sobrepuesto a la figura 18-2b). Si se colocara algn movimiento regular o aleatorio sobre la figura 18-2c), el resultado seria mas parecido a las series de tiempo reales que ocurren en la prctica. Figura 18-2 t. t. t.
Los conceptos ilustrados en las figuras 18-2 sugieren una tcnica para analizar las series de tiempo. Supngase que la variable y de series de tiempo es un producto de las variables T, C, S e 1 que producen los movimientos ciclicos estacionales e irregulares, respectivamente. Estos se denota como: Y= T X C X S X I = TCSI El anlisis de las series de tiempo equivale a investigar los factores T, C, S e 1Y suele llamarse descomposicin de series de tiempo, en sus movimientos componentes bsicos. Cabe mencionar que en algunos estadsticos prefieren considerar a Y como la suma T+C+S+1delas variables bsicas implicadas. Aunque aqu se asumir la descomposicin dada por la ecuacin (1) al examinar los mtodos estudiados en este capitulo se presentan procedimientos anlogos cuando se considera una suma. En la prctica, decidir que mtodo de descomposicin debe adoptarse, depender del grado de xito logrado al aplicar cada uno de ellos. 6. PROMEDIOS MVILES: SUAVIZACIN DE LAS SERIES DE TIEMPO. Dado un conjunto de nmeros. Y1, Y2, Y3,. (2) Un promedio Mobil de orden N se define como la secuencia de medias aritmticas: Y1+Y2+.YN, Y2+Y3++YN+1, Y3+Y4+ YN+2. N N (3) La suma de los numeradores de la secuencia (3) se llama totales mviles de orden N.
3 de 9
11/04/2012 04:12 p.m.
Ejemplo N 1 Dados los nmeros 2, 6, 1, 5,3, 7 y 2, un promedio mvil de orden 3 est por la secuencia. 2+6+1, 6+1+5, 1+5+3, 5+3+7, 3+7+2 o 3, 4, 3, 5,4 3 3 3 3 3 Se acostumbra localizar cada nmero del promedio mvil en su posicin apropiada, relacionada con los datos originales. En este ejemplo se escribira. Datos originales 2, 6, 1, 5, 3, 7,2 Promedio mvil de orden 3 7. ESTIMACIN DE LA TENDENCIA Una tendencia puede estimarse de diferentes maneras: Mtodo de los mnimos cuadrados: este mtodo, descrito en el capitulo 13, puede usarse para calcular la ecuacin de una recta o curva de tendencia apropiada. Con esta ecuacin se suelen calcular los valores de tendencia T. Mtodo a mano: este mtodo, que consiste en trazar una recta o curva de tendencia simplemente mirando la grafica, puede usarse para estimar T. sin embargo, tiene la obvia desventaja de depender demasiado del juicio individual. Mtodo del promedio mvil: por medio de promedio mviles de orden adecuado, se pueden eliminar patrones ciclicos, estacionales e irregulares, dejando as solo el movimiento de tendencia. Una desventaja de este mtodo es que los datos a inicio y final se las series se pierden, como el ejemplo 1, donde se inicio con siete nmeros y con un promedio mvil de orden 3 se llego cinco nmeros. Otra desventaja es que los promedios mviles pueden generar ciclos u otros movimientos que no estaban en los datos originales. Una tercera desventaja es que los promedios mviles se ven muy afectados por valores extremos. Para superar esto de alguna manera, algunas veces se utiliza un promedio mvil ponderado con pesos adecuados, en tal caso, se da al dato o a los datos centrales el mayor peso y a los valores extremos se les proporcionan pesos pequeos. Mtodo de los Semipromedios: Este consiste en separar los datos en dos partes (de preferencia iguales) y calcular el promedio de los datos en cada parte, con lo que se obtienen dos puntos en la grafica de series de tiempo. Despus se traza una recta de tendencia de estos dos puntos. Los valores de tendencia se determinan a partir de la recta de tendencia, pero tambin pueden determinarse de manera directa, sin grafica (vase el problema 18.6). A pesar que este mtodo es sencillo de aplicar, suele conducir a resultados pobres cuando se utiliza en forma indiscriminada. Adems, solo es aplicable cuando la tendencia es lineal o aproximadamente lineal, aunque llega a extenderse en caso en donde los datos pueden separarse en varias partes, en cada una de las cuales la tendencia sea lineal. 8. ESTIMACIN DE LAS VARIACIONES, ESTACIONALES; INDICE ESTACIONAL. Para determinar el factor estacional s en la ecuacin (1), se debe estimar como varan los datos en las series de tiempo de un mes a otro, considerando un ao tpico. Un conjunto de nmeros que muestran los valores relativos de una variable durante los meses del ao se llama ndice estacional de la variable. Por ejemplo, si se conoce que las ventas durante enero, febrero, marzo, etc., son de 50, 120, 90, proporcionan el ndice estacional del ao; estos nmeros suelen llamarse nmeros ndices estacionales. El promedio (media) del ndice estacional para todo el ao debe ser 100, es decir, la suma de los nmeros ndice de los 12 meses tiene que ser 1 200%. Diversos mtodos estn disponibles para calcular el ndice estacional: Mtodo de porcentaje promedio: en este mtodo, los datos de cada mes se expresan como porcentaje del promedio del ao. Entonces, se promedian los porcentajes de los meses correspondientes de diferentes aos, usando una media o una mediana; si se usa la media, es mejor evitar cualquier valor extremo que pueda presentarse. Los 12% porcentajes resultantes dan el ndice estacional. Si su media no es 100% (es decir, si la suma no es 1 200%), entonces deben ajustarse, lo que se logra multiplicndolos por un factor adecuado. Mtodo del porcentaje de la tendencia o de la razn de la tendencia en este mtodo, los datos de cada mes se expresan como porcentaje de valores de la tendencia mensual. Un promedio adecuado de los porcentajes para los meses correspondientes proporciona, entonces el ndice requerido. Igual que en el mtodo 1, estos se ajustan si no promedian 100%. Obsrvese que dividir cada valor mensual Y entre el valor de la tendencia T correspondiente, proporciona Y/T= CSI, de la ecuacin (1), y que el siguiente promedio de Y/T produce los ndices estacionales. Mientras estos ndices incluyan variaciones cclicas e irregulares, estas pueden ser una desventaja importante del mtodo, especialmente si las variaciones son grandes.
4 de 9
11/04/2012 04:12 p.m.
Mtodo del porcentaje del promedio mvil o la razn del promedio mvil: en este promedio se calcula un promedio mvil de 12 meses. Dado que los resultados as obtenidos caen entre meses sucesivos, en lugar de en la mitad del mes (que es donde caen los datos originales, se busca un promedio mvil de 2 meses, de este promedio mvil de 12 meses. El resultado suele llamarse promedio mvil centrado de 12 meses. Despus de esto, se expresan los datos originales de cada mes como un porcentaje del promedio mvil centrado de 12 meses correspondientes a los datos originales. Luego se promedian los porcentajes de los meses correspondientes, con lo que se obtiene el ndice requerido. Como antes, si estos no promedian 100%, se hace un ajuste. Obsrvese que el razonamiento lgico de este mtodo parte de la ecuacin (1). Un promedio mvil centrado de 12 meses de Y sirve para eliminar los movimientos estacionales e irregulares S e I; por lo tanto, es equivalente a los valores dados por TC. Entonces, al dividir los datos originales entre TC, se obtiene SI. Los promedios siguientes para los meses correspondientes sirven para eliminar la irregularidad I y producen en consecuencia, un ndice adecuado de S. 9. DESESTACIONALIZACION DE LOS DATOS Si los datos mensuales originales se dividen entre los nmeros ndices estacionales correspondientes, los datos resultantes se llaman datos desestacionalizados. O ajustados a las variacin estacional, tales datos aun incluyen movimientos de tendencia, ciclicos e irregulares. 10. ESTIMACIN DE LAS VARIACIONES CCLICAS Una vez que los datos han sido ajustados a las variaciones estacionales, tambin suelen ajustarse a la tendencia dividindolos, sencillamente, entre los valores de tendencia correspondientes. De acuerdo con la ecuacin (I), en la prctica se encuentra que los movimientos irregulares se inclinan a tener una pequea magnitud y suelen seguir el patrn de una distribucin normal; es decir, las pequeas desviaciones ocurren con gran frecuencia y las desviaciones grandes suceden con poca frecuencia. 11. COMPARACIN DE LOS DATOS Al comparar datos, siempre se debe tener cuidado de que dicha comparacin este justificada. Por ejemplo, al comparar los datos de marzo con los de febrero, habr que tomar en cuenta que marzo tiene 31 das, mientras que febrero tiene 28 o 29 das; al comparar los datos de febrero de diferentes aos, se debe recordar que en un ao bisiesto febrero tiene 29 das; y no 28 das, considrese otro ejemplo en el cual el numero de das laborales, en diversos meses del mismo o de diferentes aos, puede variar debido a vacaciones, huelga, das festivos, etc. En la prctica, no existe una regla definitiva para hacer los ajustes de dichas variaciones. La necesidad de tal ajuste se deja a eleccin del investigador. 12. PREDICCIN Los mtodos y principios anteriores se utilizan en el importante trabajo de predecir series de tiempo. Obviamente, se debe tener en cuenta que el tratamiento matemtico ha probado ser valioso para prediccin a corto y largo plazos. Predecir, es estimar el futuro utilizando informacin del presente y del pasado. El conocimiento del futuro nos capacita para planificar, prever o prevenir. La idea es estimar X (t) en un instante n + k posterior al ltimo dato observado en t =n, k = 1, 2, 3,4,... (Trimestre, mes, etc.). Una vez estimada la tendencia y la estacionalidad las frmulas de prediccin quedarn determinadas por: Modelo Mixto Modelo Aditivo EJEMPLO ILUSTRATIVOS Con el objeto de ilustrar los mtodos revisados en este captulo considere los siguientes datos: TABLA 3.1 SERIE ORIGINAL |Sem/Ao |1 |2 |3 |4 |5 |6 | |1 |1,73757 |2,42106 |4,47481 |4,78939 |5,19210 |5,10775 |2 |2,01815 |2,80325 |4,85566 |5,14076 |5,06387 |5,24787
| |
Con el fin de eliminar los efectos irregulares y estacionalidad se obtiene la serie suavizada Z (t) con un promedio mvil centrado de orden 2, como se muestra en la tabla 3.2. TABLA 3.2. SERIE SUAVIZADA (Z (T)) |Sem/Ao |1 |2 |1 ||2,41589 |3 |4,15214 |4 |5 |4,89381 |6 |5,14721 | |5,12181
5 de 9
11/04/2012 04:12 p.m.
|2
|2,04874
|3,1256
|4,74389
|5,06576
|5,1069
|-
Una vez suavizada la serie, se obtienen las series residuales con el objeto de eliminar la estacionalidad dentro del modelo y saber por medio de un anlisis tabular de los residuos si el modelo es aditivo o mixto. PRIMER CASO: Modelo Mixto. X(t) = T(t) E(t) + A(t) Con el objeto de eliminar la estacionalidad de la serie, se genera la serie de residuos: [pic] La siguiente tabla contiene los residuos. Tabla 3.3. Serie de Residuos (W (t)) |Sem/Ao |1 |2 | | | | |1985 |19.0 | |1986 |20.6 | |1987 |20.1 |80.4 |1988 |20.7 |82.9 |1989 |21.5 |85.7 |1990 |23.4 |90.3 |1991 |24.7 |93.4 |1992 |23.8 |96.4 |1993 |24.5 |96.3 |1994 |23.3 |93.2 |1995 |21.6 | Tabla 18-2 | | |Ao | | |1985 |1986 |1987 |1988 |1989 |1990 |1991 |1992 |1993 |1994 |1995
|3 | | | |20.100 |20.725 |21.425 |22.575 |23.350 |24.100 |24.075 |23.300 |
| | | | | | | | | | | |
Tabla 18-3 | | | |Datos |Total mvil de 5 |Promedio | |aos |Mvil de 5 aos | |19.0 | | | |20.6 | | | |20.1 |101.9 |20.38 | |20.7 |106.3 |21.26 | |21.5 |110.4 |22.08 | |23.4 |114.1 |22.82 | |24.7 |117.9 |23.58 | |23.8 |119.7 |23.94 | |24.5 |117.9 |23.58 | |23.3 | | | |21.6 | | |
Los promedios mviles se calculan usando software estadstico, mas que a mano. Los promedios mviles dados en las tablas 18-2 y 18-3 se calculan fcilmente usando Minitab. Si se utilizan Stat time series moving average, se puede determinar promedios mviles de cualquier tamao. Los promedios mviles de tamao cuatro calculados con Minitab resultan como sigue: MTB>Print cl c2 Data Display | |Row |1 |2 |3 |4 |5 |6 |7 |8 |9 |10 |11
| |Murders |19.0 |20.6 |20.1 |20.7 |21.5 |23.4 |24.7 |23.8 |24.5 |23.3 |21.6
| |AVER1 |* |* |* |20.100 |20.725 |21.425 |22.575 |23.350 |24.100 |24.075 |23.300
| | | | | | | | | | | | |
Obsrvese que los promedios mviles en la columna denominan AVER1 son iguales a aquellos datos en la columna 4 de la tabla 18-3.
6 de 9
11/04/2012 04:12 p.m.
3. Construya un promedio mvil centrado de 4 aos para datos del problema 18.2 adems, utilice Minitab para obtener el promedio mvil centrado de 4 aos. Solucin Primer mtodo Primero se calcula un promedio mvil de 4 aos, como en el problema 18.2b); estos valores estn centrados entre aos sucesivos, como se muestra en la tabla 18-4. Si ahora se buscan un total mvil de 2 aos de estos promedios mviles, los resultados los resultados se centran en los aos requeridos. Al dividir los resultados de la columna 4 entre 2, se obtiene el promedio mvil centrado requerido (columna 5). Tabla 18-4 | | |Ao | | | |1985 |1986 |1987 |1988 |1989 |1990 |1991 |1992 |1993 |1994 |1995 | |Datos |19.0 |20.6 |20.1 |20.7 |21.5 |23.4 |24.7 |23.8 |24.5 |23.3 |21.6 | |Promedio mvil centrado de | |Total mvil de 4 |Total mvil de 2 aos de la columna 3 |4 aos (columna 4+2 | | | |20.413 |21.075 |22.000 |22.963 |23.725 |24.088 |23.688 | | | | | | | | | | | | | |
|aos | | | | | |20.100 |40.825 |20.725 |42.150 |21.425 |44.000 |22.575 |45.925 |23.350 |47.450 |24.100 |48.175 |24.075 |47.375 |23.300 | | |
Segundo mtodo Primero se calcula un total mvil de 4 aos, como en el problema 18.2b); estos valores estn centrados entre aos sucesivos, como se muestra en la tabla 18-5. Si se busca un total mvil de 2 aos de estos totales mviles de 4 aos, los resultados los resultados se centran en los aos requeridos. Al dividir los resultados se centran en los aos requeridos. Al dividir los resultados de la columna 4 entre 8 (2x4), se obtiene el promedio mvil requerido. Tabla 18-5 | | |Ao | | | |1985 |1986 |1987 |1988 |1989 |1990 |1991 |1992 |1993 |1994 |1995 | |Datos |19.0 |20.6 |20.1 |20.7 |21.5 |23.4 |24.7 |23.8 |24.5 |23.3 |21.6 | |Promedio mvil centrado de | |Total mvil de 4 |Total mvil de 2 aos de la columna 3 |4 aos (columna 4+2 | | | |163.3 |168.3 |176.0 |183.7 |189.8 |192.7 |189.5 | | | | | | |20.413 |21.075 |22.000 |22.962 |23.725 |24.088 |23.688 | | | | | | | | | | | | |
|aos | | |80.4 |82.9 |85.7 |90.3 |93.4 |96.4 |96.3 |93.2 |
La solucin de Minitab procede de la siguiente manera: se introducen los datos en la columna 1 y despus se utilizan los mens Stat time series moving average, para calcular el promedio mvil centrado. Ahora se muestran los promedios mviles centrados de tamao cuatro, calculados con Minitab. MTB>Print cl c2Data Display | | |Row |Murders |1 |19.0 |2 |20.6 |3 |20.1 |4 |20.7 |5 |21.5 |6 |23.4 |7 |24.7 |8 |23.8 |9 |24.5 |10 |23.3 | |AVER1 |* |* |20.413 |21.075 |22.000 |22.962 |23.725 |24.087 |23.688 |* | | | | | | | | | | | |
7 de 9
11/04/2012 04:12 p.m.
|11
|21.6
|*
Estos son los mismos promedios mviles centrados que se encuentran en las tablas 18-4 y 18-5. 4. Demuestre que el promedio mvil centrado de 4 aos del problema 18-3 es equivalente a un promedio mvil ponderado de 5 aos, con pesos 1, 2,2, y 1, respectivamente. Solucin La tabla 18-6 muestra el clculo de los promedios mviles ponderados de 5 aos. La primera entrada en la columna 3 es igual a 19.0+ 2(20.6)+2(20.1)+2(20.7) +21.5= 163.3 y la primera entrada en la columnas 3 y 4 se calculan de manera similar. Obsrvese que los promedios mviles ponderados de 5 aos de la tabla 18-6 son iguales a los promedios mviles centrado de 4 aos de la tabla 18-4. Tabla 18-6 | | | |Promedio mvil centrado de | |Ao |Datos |Total mvil de 2 aos de la columna 3 |4 aos (columna 4+2 | |1985 |19.0 | | | |1986 |20.6 | | | |1987 |20.1 |163.3 |20.413 | |1988 |20.7 |168.8 |21.075 | |1989 |21.5 |176.0 |22.000 | |1990 |23.4 |183.0 |22.963 | |1991 |24.7 |189.8 |23.725 | |1992 |23.8 |192.7 |24.088 | |1993 |24.5 |189.5 |23.688 | |1994 |23.3 | | | |1995 |21.6 | | | 5. Grafique el promedio mvil del problema 18.2) y los datos originales de la tabla 18-1 Solucin La grafica de los datos, originales se indica con una lnea continua en la figura 18-3 y la grafica del promedio mvil, con una lnea discontinua. Obsrvese como el promedio mvil ha suavizado la grafica de los datos originales, mostrando claramente la recta de tendencia. Una desventaja del promedio mvil es que los datos del final y del inicio de las series de tiempo se pierden. Esto suele ser serio cuando la cantidad de datos no es muy grande. Figura 18-3 Estimacin de la tendencia 6. Usando el mtodo de semipromedios, obtenga los valores de tendencia para los datos del problema 18.2 tomado como promedio a) la media b) la mediana Solucin a) se dividen los datos en dos partes iguales (omitiendo el ao central, 1990), como se muestra en la tabla 18-7. Despus se calcula la media de los datos en cada parte. La media 20.38 corresponde a 1987 y la media 23.58 a 1993. |1985 |1986 |1987 |1988 |1989 | Media =20.38 |19.0 |20.6 |20.1 |20.7 |21.5 Tabla 18-7 |1991 |1992 |1993 |1994 |1995 media=23.38 |24.7 |23.8 |24.5 |23.3 |21.6 | | | | | |
La ecuacin de la recta que se une los puntos (1987,20.38) y (1993,23.58) es y 20.38=0.5333(x-1987), donde x representa el ao y y el nmero de asesinatos. Al evaluar y para x igual a los aos de 1985 a 1995, se pueden encontrar los valores de tendencia. Estos se presentan en la tabla 18-8 Tabla 18-8 | | | |Ao |1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 | | | | |Valor de tendencia |19.85 20.38 20.91 21.45 21.98 22.51 23.05 23.58 24.11 24.87
8 de 9
11/04/2012 04:12 p.m.
| b) la mediana de los aos 1985 a 1989 es 20.6 y la mediana de los aos 1991 a 1995 es 23.8. la ecuacin de la recta que une los puntos (1987,20.6) y (1993,23.8) es y evaluar y para x igual a los aos de 1985 a 1995, se pueden encontrar los valores de tendencia. CONCLUSIN Se llama Serie de Tiempo, a un conjunto de mediciones de cierto fenmeno o experimento registradas secuencialmente en el tiempo, por ejemplo a cada hora, mensualmente, trimestralmente, semestralmente, etc. Al analizar una serie de tiempo, lo primero que se debe hacer es graficar la serie. Esto nos permite detectar las componentes esenciales de la serie. El grfico de la serie permitir: detectar Outlier, detectar tendencias, variacin estacional, variaciones irregulares (o componente aleatoria). Un modelo clsico para una serie de tiempo, puede ser expresada como suma o producto de tres componentes: tendencia, estacional y un trmino de error aleatorio. El anlisis de series de tiempo consiste en una descripcin (generalmente matemtica) de los movimientos componentes presentes. BIBLIOGRAFA Estadstica 3 era edicin Murray R. Spiegel Larry J. Stephens Traduccin: Alicia Esther Pirela Ayala INTERNET HTTP://WWW.EINSTEINNET.COM/ECONOMETRIA/SERIESTEMP/ACSERIESTEMP.HTM ----------------------a) Tendencia a largo R[km? - % B C sdRC4Ch@H5?OJ[?]QJ[?]^J[?]mHsHh~5?OJ[?]QJ[?]^J[?]mHsH#h/{hW5?OJ[?]QJ[?]^J[?]mHsH /{hO5?OJ[?]QJ[?]^J[?]mHsHhW5?OJ[?]QJ[?]^J[?]mHsH,jh/{h[5?OJ[?]QJ[?]U[pic]^J[?]mH sH )jhP,5?OJ[?]QJ[?]U[pic]^J[?]mHnHu[pic]h p5?OJ[?]QJ[?]^J[?]mH sH hW5?OJ[?]QJ[?]^J[?]mH sH hO5?OJ[?]QJ[?]^J[?]mH sH #b) tendencia a largo plazo c) Tendencia a largo plazo y movimientos Cclico plazo y movimientos cclicos estacionales Y Y Y 25 24 23 22 21 20 19 Ao 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995
9 de 9
11/04/2012 04:12 p.m.

Analisis de Series de Datos

Încărcat de

Informații document

Descriere originală:

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Analisis de Series de Datos

Încărcat de

Drepturi de autor:

Formate disponibile

Analisis De Series De Datos

11/04/2012 04:12 p.m.