Professional Documents
Culture Documents
Llamamos Serie de Tiempo a un conjunto de mediciones de cierto fenmeno o experimento registradas secuencialmente en el tiempo. Estas observaciones sern denotadas por {x(t1), x(t2), ..., x(tn)} = {x(t) : t T R} con x(ti) el valor de la variable x en el instante ti. Si T = Z se dece 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, en caso contrario ser no equiespaciada.
En adelante se trabajar con series de tiempo discreta, equiespaciadas en cuyo caso asumiremos y sin perdida de generalidad que: {x(t1), x(t2), ..., x(tn)}= {x(1), x(2), ..., x(n)}.
a) Detectar Outlier: se refiere a puntos de la serie que se escapan de lo normal. Un outliers es una observacin de la serie que corresponde a un comportamiento anormal del fenmeno (sin incidencias futuras) o a un error de medicin.
Se debe determinar desde fuera si un punto dado es outlier o no. Si se concluye que lo es, se debe omitir o reemplazar por otro valor antes de analizar la serie.
Por ejemplo, en un estudio de la produccin diaria en una fabrica se present la siguiente situacin ver figura 1.1:
b) Permite detectar tendencia: la tendencia representa el comportamiento predominante de la serie. Esta puede ser definida vagamente como el cambio de la media a lo largo de un periodo (ver figura 1.2).
c) Variacin estacional: la variacin estacional representa un movimiento peridico de la serie de tiempo. La duracin de la unidad del periodo es generalmente menor que un ao. Puede ser un trimestre, un mes o un da, etc (ver figura 1.3).
Matemticamente, podemos decir que la serie representa variacin estacional si existe un nmero s tal que x(t) = x(t + ks).
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.
Figura 1.3
d) Variaciones irregulares (componente aleatoria): los movimientos irregulares (al azar) representan todos los tipos de movimientos de una serie de tiempo que no sea tendencia, variaciones estacionales y fluctuaciones cclicas.
Existen tres modelos de series de tiempos, que generalmente se aceptan como buenas aproximaciones a las verdaderas relaciones, entre los componentes de los datos observados. Estos son:
T(t) componente de tendencia E(t) componente estacional A(t) componente aleatoria (accidental)
Una suposicin usual es que A(t) sea una componente aleatoria o ruido blanco con media cero y varianza constante.
Un modelo aditivo (1), es adecuado, por ejemplo, cuando E(t) no depende de otras componentes, como T(t), s por el contrario la estacionalidad vara con la tendencia, el modelo ms adecuado es un modelo multiplicativo (2). Es claro que el modelo 2 puede ser transformado en aditivo, tomando logaritmos. El problema que se presenta, es modelar adecuadamente las componentes de la serie.
La figura 2.1 ilustra posibles patrones que podran seguir series representadas por los modelos (1), (2) y (3).
Figura 2.1
ESTIMACIN DE LA TENDENCIA
Supondremos aqu que la componente estacional E(t) no est presente y que el modelo aditivo es adecuado, esto es:
Hay varios mtodos para estimar T(t). Los ms utilizados consisten en:
1)
Ajustar una funcin del tiempo, como un polinomio, una exponencial u otra funcin suave de t.
Ejemplo 1: En la tabla 2.1 se presentan los datos trimestrales de unidades habitacionales iniciadas en los Estados Unidos desde el tercer trimestre de 1964 hasta el segundo trimestre de 1972 [1]. (Es necesario advertir que para el anlisis de tendencia el periodo que se considera debera ser ms largo. Sin embargo, ya que el propsito principal es el de ilustrar el mtodo de descomposicin y las tcnicas para inferir partiendo de los elementos as descompuestos, la insuficiencia de los datos no tiene por qu interesar.)
Tabla 2.1: Nuevas unidades habitacionales comenzadas en los Estados Unidos del tercer trimestre de 1964 al segundo trimestre de 1972 (en miles de unidades).
Sea t cada uno de los 32 trimestres que van de 1964 a 1972, o sea que t = 1 para el tercer trimestre de 1964, t = 2 para el cuarto trimestre, y as sucesivamente. As que el dominio de definicin de t es el conjunto de los enteros de 1 a 32 inclusive. Sea T(t) las iniciaciones de viviendas trimestralmente. Los valores de t y T(t) se dan en la tabla 2.2. Para calcular los valores de a y de b en la recta de tendencia
T(t) = a + bt
Se obtienen las siguientes cifras a partir de los datos de la tabla 2.1. Tabla 2.2: Clculo de la tendencia de las viviendas comenzadas en los Estados Unidos del tercer trimestre de 1964 al segundo trimestre de 1972
t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
T(t) Tendencia 398 291,73 352 298,07 283 304,41 454 310,75 392 317,09 345 323,43 274 329,77 392 336,11 290 342,45 210 348,79 218 355,13 382 361,47 382 367,81 340 374,15 298 380,49 452 386,83 423 393,17 372 399,51 336 405,85 468 412,19
21 22 23 24 25 26 27 28 29 30 31 32
387 309 264 399 408 396 389 604 579 513 510 661
418,53 424,87 431,21 437,55 443,89 450,23 456,57 462,91 469,25 475,59 481,93 488,27
La figura 2.3 muestra grficamente la recta de tendencia ajustada a los datos trimestrales de la tabla 2.2. La recta de trazos despus de 1972 representa proyecciones (ver seccin 3 Predicciones).
Figura 2.3
Una forma de visualizar la tendencia, es mediante suavizamiento de la serie. La idea central es definir a partir de la serie observada un nueva serie que suaviza los efectos ajenos a la tendencia (estacionalidad, efectos aleatorios), de manera que podamos determinar la direccin de la tendencia .
PROMEDIOS MVILES
El objetivo es eliminar de la serie las componentes estacionales y accidentales. Para una serie mensual con estacionalidad anual (s = 12), la serie suavizada se obtiene,
(1)
Para una serie trimestral, con estacionalidad anual (s = 4), la serie suavizada est dada por
(2)
ESTIMACIN DE LA ESTACIONALIDAD
La estimacin de la estacionalidad no slo se realiza con el fin de incorporarla al modelo para obtener predicciones, sino tambin con el fin de eliminarla de la serie para visualizar otras componentes como tendencia y componente irregular que se pueden confundir en las fluctuaciones estacionales.
De acuerdo con los modelos de descomposicin (seccin 2.1), se asume el siguiente modelo para T(t),
a)
Aditivo
b)
Mixto
PREDICCIONES
Predecir, es estimar el futuro utilizando informacin del presente y del pasado. conocimiento del futuro nos capacita para planificar, prever o prevenir. El
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:
Tabla 3.1. Serie Original SEM/AO 1 1 1,73757 2 2,01815 2 2,42106 2,80325 3 4,47481 4,85566 4 4,78939 5,14076 5 5,19210 5,06387 6 5,10775 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 1 2 2,04874 2 2,41589 3,1256 3 4,15214 4,74389 4 4,89381 5,06576 5 5,14721 5,1069 6 5,12181 -
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.
1,00214 1,07771 0,97866 1,00872 0,9953 1,01251 0,03813 0,02766 0,98507 0,89687 1,02356 1,0148 0,99157 0,98237 0,05037 0,05127
Como en el caso anterior y con el objeto de eliminar la estacionalidad se construye la serie de residuos.
0,00517 0,32267 -0,10442 0,04489 -0,02406 0,04885 0,16256 3,3278 -0,03059 0,32235 0,11177 0,075 -0,04303 -0,04184 0,17034 -4,0712
El clculo de las series residuales se realiz con el objeto de identificar a travs de los coeficientes de variacin para cada fila de los modelos; aquel modelo que sus filas presenten una menor variabilidad relativa a su media, ser escogido como el que interpreta a la serie a analizar. En este caso el modelo adoptado, es el modelo mixto.
A travs de este modelo se obtendrn las proyecciones deseadas para los prximos dos semestres. Para tal efecto resta entonces obtener una estimacin de la tendencia. Con tal fin, se ajustar una curva a la serie suavizada.
Z(t) = a + bt
conclusion
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. Existen tres modelos de series de tiempos. Estos son: Con el fin de obtener un modelo, es necesario estimar la tendencia y la estacionalidad. Para estimar la tendencia, se supone que la componente estacional no est presente. La estimacin se logra al ajustar a una funcin de tiempo a un polinomio o suavizamiento de la serie a travs de los promedios mviles. Para estimar la estacionalidad se requiere haber decidido el modelo a utilizar (mixto o aditivo). Una vez estimada la tendencia y la estacionalidad se esta en condiciones de predecir.
Los mtodos revisados en este apunte son de naturaleza descriptiva, por lo que el juicio y el conocimiento del fenmeno juegan un rol importante en la seleccin del modelo.
Los mtodos clsicos tienen la desventaja que se adaptan a travs del tiempo, lo que implica que el proceso de estimacin debe volver a iniciarse frente al conocimiento de un nuevo dato.
Bibliografa
[1] Chao, Lincoln L. (1975) Estadstica para ciencias sociales y administrativas. Bogota: McGraw-Hill. [2] Iglesias Z. Pilar. (1988). Elementos de series de tiempo. [3] Makridakis, S; Wheelright, S.C.; McGee, V.E. (1983). Forecasting: Methods and Applications. Wiley, New York. [4] Pea, Daniel. (1989). Estadstica, Modelos y Mtodos 2. Modelos Lineales y Series Temporales. Alianza Universidad, Madrid.