1.

CONCEPTOS BASICOS DE SERIES DE TIEMPO

1.1 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. Son innumerables las aplicaciones que se pueden citar, en distintas reas del conocimiento, tales como, en economa, fsica, geofsica, qumica, electricidad, en demografa, en marketing, en telecomunicaciones, en transporte, etc. En adelante se estudiar como construir un modelo para explicar la estructura y prever la evolucin de una variable que observamos a lo largo del tiempo. La variables de inters puede ser macroeconmica (ndice de precios al consumo, demanda de electricidad, series de exportaciones o importaciones, etc.), microeconmica (ventas de una empresa, existencias en un almacn, gastos en publicidad de un sector), fsica (velocidad del viento en una central elica, temperatura en un proceso, caudal de un ro, concentracin en la atmsfera de un agente contaminante), o social (nmero de nacimientos, matrimonios, defunciones, o votos a un partido poltico).

DEFINICIN DE SERIE DE TIEMPO

En muchas reas del conocimiento las observaciones de inters son obtenidas en instantes sucesivos del tiempo, por ejemplo, a cada hora, durante 24 horas, mensuales, trimestrales, semestrales o bien registradas por algn equipo en forma continua.

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)}.

1.3 PRIMER PASO AL ANALIZAR CUALQUIER SERIE DE TIEMPO

El primer paso en el anlisis de series de tiempo, consiste en graficar la serie. Esto nos permite detectar las componentes esenciales de la serie.

El grfico de la serie permitir:

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.

Todos estos fenmenos presentan un comportamiento estacional (anual, semanal, etc.)

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.

MODELOS CLASICOS DE SERIES DE TIEMPO

MODELOS DE DESCOMPOSICIN
Un modelo clsico para una serie de tiempo, supone que una serie x(1), ..., x(n) puede ser expresada como suma o producto de tres componentes: tendencia, estacionalidad y un trmino de error aleatorio.

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:

1. Aditivo: X(t) = T(t) + E(t) + A(t)

2. Multiplicativo: X(t) = T(t) E(t) A(t)

3. Mixto: X(t) = T(t) E(t) + A(t)

Donde: X(t) serie observada en instante t

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:

X(t) = T(t) + A(t), donde A(t) es ruido blanco.

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.

2) Suavizar (o filtrar) los valores de la serie. 3) Utilizar diferencias.

2.2.1 AJUSTE DE UNA FUNCIN

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).

Ao 1964 1965 1966 1967

I 283 274 218

II 454 392 382

III 398 392 290 382

IV 352 345 210 340

Total Anual 1,474 1,166 1,322

1968 1969 1970 1971 1972

298 336 264 389 510

452 468 399 604 661

423 387 408 579

372 309 396 513

1,545 1,500 1,467 2,085

Fuente: U.S. Department of Comerse, Survey of Current Bussiness.

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

Ao trimestre 1964: 3 4 1965: 1 2 3 4 1966: 1 2 3 4 1967: 1 2 3 4 1968: 1 2 3 4 1969: 1 2

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

3 4 1970: 1 2 3 4 1971: 1 2 3 4 1972: 1 2

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

Entonces, la recta de tendencia es

T(t) = 285,39 + 6,34 t

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

2.2.2 SUAVIZAMIENTO. FILTROS LINEALES

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)

A este procedimiento se les llama: filtro simtrico finito.

Nota: se suaviza cuando existen muchos cambios bruscos, movimientos irregulares.

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:

Modelo Mixto Modelo Aditivo

3.1 EJEMPLO ILUSTRATIVO

Con el objeto de ilustrar los mtodos revisados en este captulo considere los siguientes datos:

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.

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:

La siguiente tabla contiene los residuos.

Tabla 3.3. Serie de Residuos (W(t)) Sem/Ao 1 2 1 2 3 4 5 6 SW CV

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

La estimacin de la estacionalidad para este caso queda dada por:

= 1,01251 (0,99744- 1) = 1,01251 + 0,00256 = 1,01507 = 0,98237 + 0,00256 = 0,98493

SEGUNDO CASO: Modelo Aditivo. X(t) = T(t) + E(t) + A(t)

Como en el caso anterior y con el objeto de eliminar la estacionalidad se construye la serie de residuos.

R(t) = X(t) - Z(t)

Los resultados se muestran en Tabla 3.4.

Tabla 3.4. Serie de Residuos (R(t)) Sem/Ao 1 2 1 2 3 4 5 6 SR CV

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

La estimacin de la estacionalidad para este caso queda dada por:

= 0,04885 - 0,0351 = 0,04534 = 0,004184 - 0,00351 = 0,04534

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.