Professional Documents
Culture Documents
AUTORES:
Colmenares, Roselin
Manrufo, Gnesis
Valds S., Ana M.
INTRODUCCIN
INDICE
Pg
.
INTRODUCCIN
1.- DEFINICINES DE SERIES CRONOLOGICAS DE TIEMPO
Definiciones...6 - 8
Grficos.... 7
2.- DEFINICIONES DE ANALISIS DE LA SERIE DE TIEMPO
Definiciones..8 - 10
Tabla 15.1........................................ 9
2.1. - Propsitos de la Serie de Tiempo.. 10
2.2.- En qu Consiste la Serie de Tiempo?..11
2.3- Objetivos de la Serie de Tiempo11
2.4.- Finalidad de la Serie de Tiempo..11
3.- COMPONENTES DE LA SERIE DE TIEMPO.12-23
Tendencia
Variacin Estacional
Variacin o Fluctuacin Cclica
Variacin Irregular o Aleatoria
Anlisis de Tendencia
4.- MODELOS DE LA SERIE DE TIEMPO..23-25
Modelo Lineal
Modelo Exponencial
Modelo Cuadrtico
5. - TCNICAS DE SUAVIZAMIENTO DE UNA SERIE CRONOLOGICAS
Promedios Mviles..26-34
Tabla 13.2
Tabla 13.3
Suavizado Exponencial
6. ERROR DE ESTIMACIN DE LA SERIE DE TIEMPO....35-36
Tabla 13.4
Tabla 13.5
7. EJERCICIOS O EJEMPLOS37-41
CONCLUSIN
REFERENCIAS BIBLIOGRAFICAS
Ao
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
Totales
Ao Codificado
(X)
0
1
2
3
4
5
6
7
8
9
10
55
Ventas en Miles
(Y)
0,2
0,4
0,5
0,9
1,1
1,5
1,3
1,1
1,7
1,9
2,3
12,9
XY
0,0
0,4
1,0
2,7
4,4
7,5
7,8
7,7
13,6
17,1
23,0
85,2
X2
0
1
4
9
16
25
36
49
64
81
100
385
Serie 1
2.4
1.9
1.4
Serie 1
0.9
0.4
-0.1
1990
1995
2000
Si T = Z
Serie Discreta
Si T = R Serie Continua
Llamamos serie de tiempo a un conjunto de mediciones de cierto fenmeno
o experimento registrados secuencialmente en el tiempo. Estas
observaciones serian denotadas por:
* ( ) ( ) ( )+
* ( )
+ 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, es caso contrario sera no
equiespaciada.
Tabla 15-1
Serie Temporal para el nmero de naves cargadas en Morehead, Carolina
del Norte
Ao
Nmero
1985
98
1986
105
1987
116
1988
119
1989
135
1990
156
1991
177
1992
208
2.1.
2.2.
10
2.3.
Para los autores Mark L. Berenson, David M. Levine (1996, p.859) Los
objetivos principales de anlisis de serie temporales consisten en identificar
y aislar tales factores de influencia con propsitos de hacer predicciones
(pronsticos) as como para efectuar una planeacin y control administrativo.
2.4.
Datos
Tcnicas de Pronstico
Precisin
Horizonte
Costo
11
Por otro lado cuando los datos se obtienen de manera trimestral o mensual,
una observacin Yi registrada en el periodo i puede estar dado como
Yi=Ti.Si.Ci.Ii en la que el periodo i, Ti, Ci e Ii son valores de los componentes
de tendencia, cclico e irregular y Si es el valor del componente estacional.
12
Tabla 13.3
Ventas de Fbrica
Ao
1975
1976
1977
1978
1979
1980
1981
Ventas
de
Fbrica
6,6
8,6
9,1
9,5
9,0
7,1
6,8
1982
6,2
Ao
1983
1984
1985
1986
1987
1988
1989
Ventas
de
Fbrica
7,8
8,3
9,3
8,6
7,8
8,1
7,9
Ao
1991
1992
1993
1994
1995
1996
1997
Ventas
de
Fbrica
7,4
7,7
7,8
8,4
8,3
8,4
8,8
1990
7,5
1998
8,1
13
Ao
1999
2000
2001
2002
2003
2004
2005
Ventas
de
Fbrica
Grfica
Ventas de Fbrica
10
9
8
7
6
5
Series1
4
3
2
1
0
1975 1980 1985 1990 1995 2000 2005
Levin, Richard I., Rubin David S. (1.996 p. 853-854) Hay cuatro tipos de
cambio o variacin implicados en el anlisis de series temporales, estos son:
1. Tendencia Secular: con el primer tipo de variacin, tendencia secular, el
valor de la variable tiende a aumentar o disminuir en un periodo muy largo.
El incremento estable en los costos de la vida registrados en el ndice de
precios al consumidor (IPC) es un ejemplo de tendencia secular. De un ao
a otro, el costo de la vida vara bastante, pero si examinamos un periodo a
largo plazo, nos damos cuenta de que la tendencia es hacia un aumento
estable. En la figura 15-1 (a) se muestra una tendencia secular en una serie
temporal creciente que flucta.
2. Fluctuacin cclica: El segundo tipo de variacin observado en una seria
temporal es la fluctuacin cclica. El ejemplo ms comn de fluctuacin
cclica es el ciclo de negocios. A travs del tiempo, hay aos en el ciclo de
negocios llega a un pico por encima de la lnea de tendencia. en otros
tiempos, la actividad de los negocios parece caer, llegando a un punto bajo
la lnea de tendencia. El tiempo que transcurre entre picos o puntos bajos es
de al menos un ao, y puede llegar a durar hasta 15 o 20 aos. En la figura
15-1(b) se ilustra un patrn tpico de fluctuacin cclica por encima y por
14
15
Tendencia secular T
Variacion estacional E
Variacin cclica C
Variacion irregular o aleatoria I
16
17
18
Grafica 16.8
Serie 1
2.4
YT
2
1.6
1.2
Serie 1
0.8
0.4
0
1990
1995
2000
19
ejemplo, las ventas unitarias de rasuradoras para hombres podran ser 10%
ms altas en junio en comparacin con otros meses con motivo del da de
Padre.
El procedimiento de uso ms frecuente para determinar nmeros ndice
estacionales es el mtodo del cociente del promedio mvil. De acuerdo con
este mtodo, lo primero en determinarse es el cociente de cada valor
mensual en relacin con el promedio mvil centrado en ese mes. Puesto que
u n promedio mvil basado en datos mensuales (o trimestrales) de un ao
entero promediara las fluctuaciones estacionales e irregulares, mas no las
influencias de tendencias y cclicas a largo plazo, el cociente de un valor
mensual (o trimestral) en relacin con un promedio mvil puede
representarse simblicamente como
El segundo paso del mtodo del cociente del promedio mvil es promediar el
componente irregular. Esto se realiza por lo general enlistando los diversos
cocientes aplicables al mismo mes (o trimestres) de varios aos, eliminando
los valores ms altos y ms bajos y calculando la media de los cocientes
restantes. La media resultante se llama media modificada, a causa de la
eliminacin de los dos valores extremos.
El ltimo paso del mtodo del cociente del promedio mvil es ajustar los
cocientes medios modificados con un factor de correccin tal que la suma de
los 12 cocientes mensuales sea de 1200 (o de 400 en el caso de cuatro
cocientes trimestrales).
Aplicacin de ajustes estacionales:
Una aplicacin frecuente de ndices estacionales es la de ajustar datos de
series de tiempo observados para eliminar la influencia del componente
estacional en ellos. Estos datos ajustados se llaman datos con ajuste
estacional o datos desestacionalizados. Los ajustes estacionales son
particularmente pertinentes cuando se desea comparar datos de diferentes
meses para determinar si ha tenido lugar un incremento (o decremento) en
relacin con las expectativas estacionales.
Ejemplo3: un incremento de 10% entre los meses de abril y mayo de un ao
dado en las ventas de fertilizantes de uso domestico representa un
decremento relativo si el numero ndice estacional correspondiente a mayo
es superior en 20% al nmero ndice correspondiente a abril. En otras
palabras, si ocurre un incremento pero este no es tan grande como se
esperaba con base en datos histricos, lo que en realidad ha ocurrido en
relacin con esas expectativas es un descenso relativo en la demanda.
20
)(
( )( )
21
)(
)(
22
Yi- )2 = mnimo
i=1
23
b1=
ni=1 xi yi-nx
b1x
24
Yt = Tt + St + Ct + It
En donde Yt, es el valor de la serie de tiempo para el periodo t, y la
tendencia son los valores al lado derecho la variacin estacional, la variacin
cclica, y la variacin aleatoria o irregular, respectivamente, para el mismo
periodo.
En el modelo aditivo, todos los valores etan expresados en unidades
originales, y S, C, e I son desviaciones alrededor de T, Si se desarrollara un
modelo de serie de tiempo para las ventas en dlares de una tienda
minorista local, se puede encontrar que T= US$500, S= US$100, C= US$5, e
I = - US$10. Las ventas serian:
Y = US$500 + US$100 - US$25 - US$10
= US$565
Vale la pena destacar que el valor positivo para S indica que las influencias
estacionales existentes han tenido un impacto positivo en las ventas. El
valor cclico negativo sugiere que el ciclo comercial esta actualmente
descendiendo. Aparentemente, sucedi algn evento aleatorio que tuvo un
impacto negativo en las ventas.
El modelo aditivo sufre del supuesto, algo irreal, de que los componentes son
independientes uno del otro. Esto rara vez es el caso en la vida real. En la
mayora de los casos, los movimientos de un componente tendrn un
impacto en los otros componentes, por tanto, se niega el supuesto de
independencia. O quizs de manera ms comn, con frecuencia se
encuentra que ciertas fuerzas que trabajan en la economa, simultneamente
afectan dos o ms componentes. D e nuevo, el supuesto de independencia
no se cumple.
Como resultado, el modelo multiplicativo es el que se prefiere con
frecuencia; supone que los componentes interactan entre s y no se
mueven independientemente. El modelo multiplicativo se expresa como:
Yt =Tt X St X Ct X It
En el modelo multiplicativo, solo T se expresa en las unidades originales, y
S, C, e I se expresan en trminos de porcentajes. Por ejemplo, los valores
para las deudas morosas en un banco comercial pueden registrarse como T
= US$10.000.000, S = 1.7, C = 0.91, e I = 0.87. Las deudas morosas podran
calcularse como:
Yt = Tt X Ct X It
25
Tabla 13.3
Venta de Fabricas para General Motos
11.31313.3
Ao
1975
1976
1977
1978
1979
1980
1981
1982
Ventas de
Fbrica
6,6
8,6
9,1
9,5
9,0
7,1
6,8
6,2
Ao
1983
1984
1985
1986
1987
1988
1989
1990
Ventas de
Fbrica
7,8
8,3
9,3
8,6
7,8
8,1
7,9
7,5
26
Ao
1991
1992
1993
1994
1995
1996
1997
1998
Ventas de
Fbrica
7,4
7,7
7,8
8,4
8,3
8,4
8,8
8,1
Ao
1999
2000
2001
2002
2003
2004
2005
Ventas de
Fbrica
10
9
11.31313.3
8
7
6
5
Series1
4
3
2
1
0
1975 1980 1985 1990 1995 2000 2005
Suavizado exponencial:
Es otra tcnica que puede utilizarse para suavizar una serie de tiempo y por
consiguiente, nos proporciona una impresin de los movimientos globales a
largo plazo de los datos. Adems el mtodo de suavizado exponencial puede
utilizarse para obtener producciones a corto plazo (un periodo hacia el
futuro).
27
28
29
mvil es suficiente
12 meses; 52 si se
se promedian y se
los datos estn
Envos
1
2
3
4
5
70
68
75
79
67
PM de tres
periodos
71.00
74.00
73.67
75.67
Mes
Envos
PM de tres periodos
6
7
8
9
10
81
82
69
72
68
76.67
77.33
74.33
69.67
Los tres primeros valores de 70,68 y 75 promedian 71. Los valores para los
periodos dos a cuatro de 68,75 y 79, promedian 74. El proceso continua
hasta que se encuentre la ltima observacin. La proyeccin para todo mes
futuro es de 69.67 toneladas.
30
Interpretacin:
Debido a que los datos no presentan ninguna tendencia ascendente o
descendente, la tcnica de promedio mvil se ajusta para proyectar envos
futuros. El pronstico de 69.67 claro que cambiar, cuando se reporte el
envo del mes 11 y se calcule el promedio mvil para el mes 10.
En donde;
Ft+1 es el pronstico para el siguiente perodo.
At
Ft
31
Ft+1 =
+ (1 - )
Ft =
+ (1 - )
FFeb= (0.3) (110) + (0.7) (105)
=US$106.500 como la proyeccin de las
ventas en marzo.
(Kasmier, Leonard J., 1998, pgs. 561-562) Determina lo siguiente:
Pronsticos basados en promedios mviles.
Un promedio mvil es el promedio de los n valores de datos ms recientes de
una serie de tiempo. Este procedimiento puede representarse como
Formulas: A medida que se dispone del nuevo valor de un dato de una serie de
tiempo, la nueva observacin remplaza a la antigua en la serie de n valores
como base para determinar el nuevo promedio, lo que explica el motivo de que
se le llame promedio mvil.
El promedio mvil puede servir para pronosticar los valores de datos del
siguiente periodo de la serie de tiempo, pero no los de datos de periodos ms
distantes a futuro. Es por lo tanto un mtodo adecuado de pronostico cuando en
los datos no est presente la influencia de una tendencia, cclica o estacional,
situacin por dems improbable. As, este procedimiento sirve sencillamente
para promediar el componente irregular de los datos ms recientes de una serie
de tiempo.
La suavizacin exponencial como el mtodo de pronstico.
La suavizacin exponencial es un mtodo de pronstico basado tambin en el
uso de promedios mviles, los que sin embargo son promedios mviles
ponderados, no promedios en los que se ponderan por igual los valores de
datos precedentes. La base de ponderacin es exponencial porque se concede
la mayor ponderacin al valor correspondiente al periodo inmediatamente
anterior al periodo de pronstico
y las ponderaciones decrecen
exponencialmente para los valores de datos de periodos anteriores. En realidad
existen varios tipos de modelos de suavizacin exponencial, cuya descripcin
puede encontrarse en libros especializados en pronsticos econmicos. El
mtodo que presentamos aqu es el llamado suavizacin exponencial simple.
El siguiente modelo algebraico sirve para representar la determinacin de
ponderaciones exponencialmente decrecientes. Especficamente, si
es una
constante de suaavizacion como se expondr en seguida, el valor mas reciente
de la serie de tiempo se pondera con , el siguiente valor mas reciente se
)2 y asi sucesivamente,
pomdera con (
), el siguiente valor con (
despus de lo cual se suman todos los valores ponderados para determinar el
pronstico:
32
Donde formula
= Pronostico para el siguiente periodo
= pronostico para el periodo ms reciente
= constante de suavizacin formulas
=valor real para el periodo ms reciente
Dado que para determinar un pronstico para el siguiente periodo debe
disponerse del valor ms reciente de la serie de tiempo, la suavizacin
exponencial simple solo puede usarse para pronosticar el valor para el periodo
siguiente en la serie de tiempo, no para varios periodos futuros. Cuando ms
cerca de 1.0 se fije el valor de la constante de suavizacin, tanto ms depender
el pronstico de los resultados ms recientes.
Otros mtodos De pronstico con suavizacin
Mientras que el promedio mvil es adecuado como base de pronstico
nicamente cuando la influencia irregular provoca variaciones en los valores de
una serie de tiempo, la suavizacin exponencial simple es adecuada nicamente
cuando las influencias cclicas e irregulares son los principales efectos sobre los
valores observados.
Con ambos mtodos solo puede obtenerse un pronstico para el siguiente
periodo en la serie de tiempo, no para periodos futuros ms distantes. Mtodos
33
34
Proyeccin
Real
Enero
Febrero
Marzo
Abril
105
106.5
106.65
105
110
107
112
Error (Ft
-5.0
-0.5
-5.35
35
Tabla 13.5
Datos de las Ventas
De Uncle
Para
Mes
Real
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
105
110
107
112
117
109
108
Proyeccin
( = 0.3)
Error
Proyeccin
( = 0.8)
Error
105.00
106.50
106.65
108.26
110.88
110.32
109.62
-5.00
-0.50
-5.35
-8.74
1.88
2.32
105.00
109.00
107.40
111.08
115.82
110.36
108.47
-5.00
2.00
-4.60
-5.92
6.82
2.36
=23.20.
Un
= 0.8
CME=
( )
=22.88
Un = 0.8 produce mejores resultados de pronstico debido a que genera
un factor de error ms pequeo. Otros valores de pueden probarse para
determinar su impacto en CME y en la exactitud de las proyecciones
resultantes. Generalmente hablando, si los datos son voltiles se precisa un
menor valor . Esto se debe a que los valores ms pequeos para
se
asignan menos peso a las observaciones ms recientes. Si los datos
presentan un movimiento considerable, la ltima observacin puede no ser
representativa del promedio a largo plazo.
Vale la pena recordar, que el suavizante exponencial de primer orden, en la
forma aqu descrita, es apropiado si los datos no presentan tendencia pero
se mueven alrededor de algn valor promedio a largo plazo. Si una
tendencia descendente o una ascendente pueden detectarse representando
los datos, debera utilizarse el suavizamiento exponencial de segundo orden,
cuya mecnica no se analizar aqu.
36
7. Ejercicios o Ejemplos:
(Webster, Allen L., 2000, pgs. 422 - 423) Ejemplifica lo siguiente:
5.4
5.1
5.0
5.2
5.3
5.3
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Tasa
5.4
5.1
5.0
5.2
5.3
5.3
5.4
5.5
5.2
5.5
5.1
5.4
5.4
5.5
5.2
5.5
5.1
5.5
PM
PM centrado
5.175
5.150
5.200
5.300
5.375
5.350
5.400
5.325
5.313
5.163
5.175
5.250
5.338
5.363
5.375
5.363
5.313
Ft
5.4
5.28
5.17
5.18
5.23
5.26
5.31
5.39
5.31
5.39
5.27
5.32
37
FEne= (
) + (1 - ) (FDic)
38
39
Ao
1980
1981
1982
E 1983
n 1984
1985
D 1986
o
n 1987
d 1988
e 1989
: 1990
Totales
Ao Codificado
(X)
0
1
2
3
4
5
6
7
8
9
10
55
Ventas en Miles
(Y)
0,2
0,4
0,5
0,9
1,1
1,5
1,3
1,1
1,7
1,9
2,3
12,9
40
XY
0,0
0,4
1,0
2,7
4,4
7,5
7,8
7,7
13,6
17,1
23,0
85,2
X2
0
1
4
9
16
25
36
49
64
81
100
385
)(
(
)
)
Serie 1
2.4
YT
2
1.6
1.2
Serie 1
0.8
0.4
0
1990
1995
41
2000
CONCLUSIONES
42
REFERENCIAS
(Berenson, Mark L. - Levine, David M. - Krehbiel, Timothy C. , 2011)
Estadstica para la Administracin. Naucalpan de Jurez, Edo. Mxico.
Editorial Mexicana.
(Kasmier, Leonard J., 1998) Estadstica Aplicada a la Administracin y
Contadura. Edo. Mxico. Editorial McGRAW HILL Interamericana.
(Levin, Richard I. - Rubin, David S., 1996) Estadstica para Administradores.
Naucalpan
de
Jurez,
Edo.
Mxico.
Editorial
Prentice
Hall
Hispanoamericana, S.A.
(Webster, Allen L., 2000) Estadstica Aplicada a los Negocios y la Economa.
Av. las Amricas, santa fe de Bogot Colombia. Editorial The Mc GRAWHILL COMPANIES, Inc.
Lind Marshal (2000) Estadstica Aplicada a los Negocios y la Economa.
Edo. Mxico. Editorial Mc GRAWILL.
Berenson
L. Mark y Levine David, (1996). Estadstica Bsica en
Administracin. Concepto y Aplicaciones 6ta edicin. Mxico. Editorial
Prentice Hall Hispanoamericana.
43