Anlisis de series de tiempo Introduccin

1. 2. 3. 4. 5. 6. Resumen Marco terico Series de tiempo y pronsticos Componentes de una serie de tiempo Caso Bibliografas

INTRODUCCIN 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. 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 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. 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. Uno de los problemas que intenta resolver las series de tiempo es el de prediccin. En adelante se estudiar como construir un modelo para explicar la estructura y preveer 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). Resumen El objetivo de este trabajo es estudiar la evolucin del incremento anual de software ilegales en Per, durante el perodo comprendido entre 1993 y 2005, a travs de la metodologa de Hamilton (1989) y segundo presentar algunos conceptos relacionados con dicha metodologa, la cual introduce cambios de rgimen en el anlisis convencional de series de tiempo. En este caso, tales cambios en el modelo de la inflacin se suponen

asociados a posibles regmenes distintos donde la inflacin presenta cambios en su nivel o en su variabilidad. Esta modelacin posibilita el reconocimiento de los distintos regmenes a travs del tiempo, en lo referente a su tiempo promedio de duracin y a la probabilidad asociada a cada uno de ellos, es decir, la probabilidad de estar en un rgimen particular en un momento dado del tiempo. La aplicacin de la metodologa de Hamilton esta motivada por los resultados encontrados a travs de diferentes pruebas economtricas que permiten inferir la existencia de distintos comportamientos de la inflacin trimestral en Colombia en el perodo de anlisis. As tambin daremos a conocer los conceptos principales de la tendencia, los componente cclico, la variacin estacional, variacin irregular. Aplicaremos un caso real demostrando un tipo de variacin cclica. MARCO TEORICO ESTADSTICA Es la Ciencia que se ocupa de Recolectar, Organizar, Presentar, analizar e interpretar datos para ayudar a una toma de decisiones mas efectiva. * Existen dos clases de Estadstica: A.- Estadstica Descriptiva, que incluye los procedimientos para organizar y resumir datos. B.- Estadstica Inferencial, que comprende la toma de una muestra de una poblacin o de una realizacin de estimaciones acerca de esa poblacin, con base en los resultados para la muestra .Una Poblacin es el conjunto total de los individuos u objetos de inters. Una Muestra es una parte de la Poblacin. * Existen dos tipos de variables :
A. Una variable cualitativa es no numrica .Generalmente nos interesa el numero o porcentaje de las observaciones en cada categora .Los datos Cualitativos normalmente se resumen en cuadros o graficas de barras.

B. Hay dos tipos de variales cuantitativas, y generalmente se reportan de manera Numrica.Las variables discretas que solo pueden asumir ciertos valores y normalmente existen huecos y brechas entre esos valores. Una variable continua que puede asumir cualquier valor dentro de un intervalo especfico. SERIES DE TIEMPO Y PRONOSTICOS

Con frecuencia se realizan observaciones de datos a travs del tiempo. Cualquier variable que conste de datos reunidos, registrados u observados sobre incrementos sucesivos de tiempo se denomina serie de tiempo. Una serie de tiempo es un conjunto de observaciones producidas en determinados momentos durante un periodo, semanal, mensual, trimestral o anual, generalmente a intervalos iguales. Si bien el comportamiento de cualquier serie de tiempo puede observarse grficamente, no en todos los casos es posible distinguir las particularidades que cada una puede contener. La experiencia basada en muchos ejemplos se series de tiempo, sin embargo, ha revelado que existen ciertos movimientos o variaciones caractersticas que pueden medirse y observarse por separado. Estos movimientos, llamados a menudo componentes , de una serie de tiempo y que se supone son causados por fenmenos distintos. El primer paso para analizar una serie de tiempo es graficarla, esto permite: identificar la tendencia, la estacionalidad, las variaciones irregulares (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. 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. Series De Tiempo Ejemplos - Precios de un artculo - Tasas de desempleo 1. Series econmicas: - Tasa de inflacin - ndice de precios, etc. - Meteorologa - Cantidad de agua cada 2. Series Fsicas: - Temperatura mxima diaria - Velocidad del viento (energa elica) - Energa solar, etc. - Series sismologas

3. Geofsica:

- Tasas de crecimiento de la poblacin 4. Series demogrficas: - Tasa de natalidad, mortalidad - Resultados de censos poblacionales - Series de demanda, gastos, ofertas

5. Series de marketing:

6. Series de telecomunicacin: - Anlisis de seales 7. Series de transporte: - Series de trfico

En el anlisis de series de tiempo de datos, una tentacin inmediata consiste en intentar explicar o contabilizar el comportamiento de las series. La descomposicin clsica es un mtodo que se basa en la suposicin de que se pueden descomponer en componentes como tendencia, ciclo, estacionalidad e irregularidad. Una prediccin se hace mediante la combinacin de las proyecciones de cada componente individual. COMPONENTES DE UNA SERIE DE TIEMPO Existen 4 componentes de una serie de Tiempo : La Tendencia, La Variacin Cclica, Variacin Estacional, y la Variacin Irregular. TENDENCIA SECULAR 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).

Figura 2.3 Es decir, Movimientos seculares contienen los movimientos suaves de largo plazo, los cuales estn dominados fundamentalmente por factores de tipo econmico.

VARIACIN CCLICA Es la segunda componente de un serie de Tiempo es la Variacin Cclica; ascenso y descenso de una serie de Tiempo en periodos mayores de un ao. El componente cclico es la fluctuacin en forma de onda alrededor de la tendencia, afecta por lo regular por las condiciones econmicas generales. Los patrones cclicos tienden a repetirse en los datos aproximadamente cada dos tres o ms aos. Es comn que las fluctuaciones cclicas estn influidas por cambios de expansin y contraccin econmicas, a los que comnmente se hace referencia como el ciclo de los negocios. Movimientos cclicos o variaciones cclicas o ciclo. 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.

VARIACIN ESTACIONAL Patrones de cambio en una serie de tiempos en una ao. Tales patrones tienden a repetirse cada ao. El componente estacional se refiere a un patrn de cambio que se repite a si mismo ao tras ao. En el caso de las series mensuales, el componente estacional mide la variabilidad de las series de enero, febrero, etc. En las series trimestrales hay cuatro elementos estacinales, uno para cada trimestre. La variacin estacional puede reflejar condiciones de clima, das festivos o la longitud de los meses del calendario. Movimientos estacionales o variaciones estacionales. 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 a.m. 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. Todos estos fenmenos presentan un comportamiento estacional (anual, semanal, etc.)

Figura 1.3 VARIACIN IRREGULAR El componente aleatorio mide la variabilidad de las series de tiempo despus de que se retiran los otros componentes. Contabiliza la variabilidad aleatoria en una serie de tiempo ocasionada por factores imprevistos y no ocurrentes. La mayora de los componentes irregulares se conforman de variabilidad aleatoria. Sin embargo ciertos sucesos a veces impredecibles como huelgas, cambios de clima (sequas, inundaciones o terremotos), elecciones, conflictos armados o la aprobacin de asuntos legislativos, pueden causar irregularidad en una variable. Movimientos irregulares o al azar o ruido estadstico. Si bien pueden ser generados por factores de tipo econmico, generalmente sus efectos producen variaciones que solo duran un corto intervalo de tiempo. Aunque debe reconocerse que en ocasiones sus efectos sobre el comportamiento de una serie pueden ser tan intensos que fcilmente podran dar lugar a un nuevo ciclo o a otros movimientos. Un claro ejemplo de esto es el efecto del shock de precios de agosto de 1990 sobre el comportamiento de la inflacin. Al analizar una serie de tiempo es necesario, entonces, tener en consideracin el comportamiento de cada uno de estos componentes. Para ello el criterio mas lgico a seguir es aislarlos secuencialmente partiendo de la serie original para luego analizarlos de manera individual. Si bien esto supone la utilizacin de mtodos estadsticos adecuados, que mas adelante veremos, la mejor forma de apreciarlos es a travs de su observacin visual. 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:

Figura 1.1 Los dos puntos enmarcados en un crculo parecen corresponder a un comportamiento anormal de la serie. Al investigar estos dos puntos se vio que correspondan a dos das de paro, lo que naturalmente afect la produccin en esos das. El problema fue solucionado eliminando las observaciones e interpolando. CASO La piratera sigue creciendo La tasa de piratera en el Per fue del 73% en el 2004, cinco puntos porcentuales ms que en el 2003, y las prdidas por piratera de software ascendieron a 39 millones de dlares. Estos son algunos de los hallazgos de un estudio de piratera mundial de software publicado por la Business Software Alliance (BSA), asociacin internacional de desarrolladores de software. El estudio independiente -que indica que la piratera de software contina representando un gran desafo en todo el mundo- fue realizado por la consultora, Internacional Data Corporacin (IDC). El informe indic que el Per est entre los cinco pases con tasas de piratera mayores a la tasa latinoamericana, fijada en 66% por el estudio de IDC, que gener prdidas por 1.546 millones de dlares. "En el Per, siete de cada diez copias de software en uso hoy en da han sido obtenidas ilegalmente", dijo el presidente y CEO de Business Software Alliance, Robert Holleyman. "Las prdidas por piratera de software ocasionan un gran impacto econmico en los pases de la regin y en todo el mundo. Cada copia de software utilizada sin la licencia apropiada cuesta ingresos fiscales, empleos y oportunidades de crecimiento para mercados de software que estn en desarrollo". La tasa de piratera de Amrica Latina (66%) fue significativamente ms alta que la tasa mundial, de 35%. De las seis regiones incluidas en el estudio, Latinoamrica fue la que registr la mayor tasa de piratera, seguida por la regin identificada como "Resto de Europa" en el reporte (pases que no son parte de la Unin Europea), con un 61%, Medio

Oriente y frica (58%), Asia-Pacfico (53%), la Unin Europea (35%) y Norteamrica (22%). La piratera todava es mucho ms fuerte en pases y regiones donde el mercado de software est en crecimiento, a medida que la computacin se integra ms al trabajo y a la vida diaria", dijo John Gantz, el oficial principal de investigacin en IDC. "La piratera sube o baja como consecuencia de una compleja ecuacin que incluye, por un lado, la educacin y el cumplimiento de las leyes; y, por otro, el ingreso de nuevos usuarios al mercado, la simplificacin del acceso a software pirateado y/o nuevos factores externos, como el cambio en las condiciones polticas". Por su lado, Holleyman indic que "los programas educativos, el fomento de polticas pblicas y los esfuerzos de aplicacin y ejecucin de la ley de BSA alrededor del mundo continan teniendo un impacto sobre el problema de la piratera. Pero la afluencia continua de nuevos usuarios en mercados emergentes y la creciente disponibilidad de software pirateado, principalmente a travs de la Internet y redes P2P, demuestra que la educacin permanente es esencial". A nivel mundial, el 35% del software instalado en computadoras personales en el 2004 era pirateado, una baja de un punto porcentual del 36% en el 2003. No obstante, las prdidas a raz de la piratera incrementaron de 29 mil millones de dlares estadounidenses a 33 mil millones de dlares. En el 2004, en el mundo se gastaron ms de 59 mil millones de dlares en software comercial empaquetado para PC, una cifra mayor a los 51 mil millones de dlares gastados en el 2003. Pero, en realidad, fue instalado software por ms de 90 mil millones de dlares, un incremento de los 80 mil millones de dlares instalados el ao anterior. El alza a 33 mil millones de dlares en prdidas fue, en parte, producto de que el mercado de software para PC haya crecido en ms de un 6%, y que el dlar estadounidense se haya debilitado en comparacin con muchas de las divisas del mundo. Para este estudio, IDC utiliz estadsticas propias de envos de software y hardware, realiz ms de siete mil entrevistas en 23 pases para confirmar las tendencias en piratera de software, y cont con analistas en ms de 50 pases para estudiar las condiciones de los mercados locales. El siguiente grafico muestra la cantidad en soles perdidos en el Per durante los ltimos 11 aos en software piratas . Se presenta como Tendencia Secular se presenta como una tendencia decreciente a largo plazo.

BIBLIOGRAFAS http://www.contracopia.org.pe/Prensa/2002/Notas/NotasPrensaEner.html http://www.uap.edu.pe/Fac/02/trabajos/02206/isi%2032/go7/pirateria.htm http://ciberconta.unizar.es/LECCION/seriest/000F2.HTM http://apuntes.rincondelvago.com/series-de-tiempo_1.html Estadsticas para Administracin y Economa ("Lind Marchal Mason")

http://ciberconta.unizar.es/LECCION/seriest/100.HTM

Introduccin al Anlisis Clsico de Series de Tiempo 1. Conceptos Basicos De Series De Tiempo

1.1 Introduccin 1.2 Definicin De Serie De Tiempo 1.3 Primer Paso Al Analizar Cualquier Serie De Tiempo 2. Modelos Clasicos De Series De Tiempo 2.1 Modelos De Descomposicin 2.2 Estimacin De La Tendencia 2.3 Estimacin De La Estacionalidad 3. Predicciones 3.1 Ejemplo Ilustrativo

1. CONCEPTOS BASICOS DE SERIES DE TIEMPO

1.1 INTRODUCCIN
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.
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. Series De Tiempo 1. Series econmicas: Ejemplos - Precios de un artculo - Tasas de desempleo - Tasa de inflacin - ndice de precios, etc. - Meteorologa - Cantidad de agua cada - Temperatura mxima diaria - Velocidad del viento (energa elica) - Energa solar, etc. - Series sismologas - Tasas de crecimiento de la poblacin - Tasa de natalidad, mortalidad

2. Series Fsicas:

3. Geofsica: 4. Series demogrficas:

5. Series de marketing: 6. Series de telecomunicacin: 7. Series de transporte:

- Resultados de censos poblacionales - Series de demanda, gastos, ofertas - Anlisis de seales - Series de trfico

Uno de los problemas que intenta resolver las series de tiempo es el de prediccin. Esto es dado una serie {x(t1),...,x(tn)} nuestros objetivos de inters son describir el comportamiento de la serie, investigar el mecanismo generador de la serie temporal, buscar posibles patrones temporales que permitan sobrepasar la incertidumbre del futuro. 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).

1.2 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:

Figura 1.1 Los dos puntos enmarcados en un crculo parecen corresponder a un comportamiento anormal de la serie. Al investigar estos dos puntos se vio que correspondan a dos das de paro, lo que naturalmente afect la produccin en esos das. El problema fue solucionado eliminando las observaciones e interpolando.

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).

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.

2. MODELOS CLASICOS DE SERIES DE TIEMPO

2.1 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

2.2 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

Los siguientes grficos ilustran algunas de las formas de estas curvas.
1.T(t) = a + bt (Lineal) 2.T(t) = a ebt (Exponencial) 3. T(t) = a + b ebt (Exponencial modificada)

4.T(t) = 0 + 1t ,...,+ mtm (Polinomial)

5.T(t) = exp(a + b(rt)) (Gompertz 0 < r < 1) 6. T(t) =

(Logstica)

Nota: i. la curva de tendencia debe cubrir un periodo relativamente largo para ser una buena representacin de la tendencia a largo plazo. La tendencia rectilnea y exponencial son aplicable a corto plazo, puesto que una curva S a largo plazo puede parecer una recta en un perodo restringido de tiempo (por ejemplo).

ii.

Figura 2.2 En la figura 2.2 ambas curvas (recta y Gompertz) ajustan bien pero las proyecciones divergen enormemente a largo plazo. 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 I 283 II 454 III 398 392 IV 352 345 Total Anual 1,474

1966 1967 1968 1969 1970 1971 1972

274 218 298 336 264 389 510

392 382 452 468 399 604 661

290 382 423 387 408 579

210 340 372 309 396 513

1,166 1,322 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 t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 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

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

20 21 22 23 24 25 26 27 28 29 30 31 32

468 387 309 264 399 408 396 389 604 579 513 510 661

412,19 418,53 424,87 431,21 437,55 443,89 450,23 456,57 462,91 469,25 475,59 481,93 488,27

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 (ver figura 2.4).

Figura 2.4 Lo que hacemos es usar una expresin lineal que transforma la serie X(t) en una serie suavizada Z(t): Z(t) = F(X(t)), t = 1,...,n

X(t)

Z(t)

de tal modo que F(X(t)) = T(t). La funcin F se denomina Filtro Lineal. El filtro lineal ms usado es el promedio mvil.

2.2.2.1 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. Ejemplo 2: A partir de los datos del ejemplo1, se calcula un promedio mvil sumando los valores para un cierto nmero de periodos sucesivos y dividiendo luego la suma as obtenida por el nmero de perodos abarcados. En este caso se trata de una serie trimestral y para ello se ocupa la frmula (2). Tabla 2.3: Clculo del Promedio Mvil centrado de cuatro trimestres de las iniciaciones de viviendas en los EEUU, tercer trimestre 1964 a segundo trimestre de 1972 (en miles de unidades)
Ao por trimestre
(1)

Datos Total Mvil en cuatro Originales Y trimestres

(2) (3)

Promedio Mvil de cuatro trimestres

(4)

Promedio Mvil Centrado de cuatro trimestres

(5)

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

398 352 283 454 392 345 274 392 290 210 218 382 382 340 298 452 423 372 336 468 387 309 264 399 408 396 389 604 579 513 510

1.487 1.481 1.474 1.465 1.403 1.301 1.166 1.110 1.100 1.192 1.322 1.402 1.472 1.513 1.545 1.583 1.599 1.563 1.500 1.428 1.359 1.380 1.467 1.592 1.797 1.968 2.085 2.206 2.263

372 370 369 366 351 325 292 278 275 298 331 351 368 378 386 396 400 391 375 357 340 345 367 398 449 492 521 552 566

371 369 367 359 338 308 285 276 287 314 341 359 373 382 391 398 395 383 366 348 342 356 382 424 471 507 536 559

661

En la tabla 2.3, por ejemplo, el promedio mvil de cuatro trimestres para el primer trimestre de 1965 se obtiene sumando los valores del tercer y cuarto trimestres de 1964 y el primero y segundo trimestres de 1965 y dividiendo luego la suma por 4. El promedio para el segundo trimestre de 1965 se obtiene sumando los valores del cuarto trimestre de 1964 con los del primero, segundo y tercer trimestres de 1965 y luego dividiendo la suma por 4. As pues, para cada promedio sucesivo, se resta el trimestre que viene primero y se suma el ltimo siguiente. La columna 4 de la tabla 2.3 muestra los promedios mviles de cuatro trimestres obtenidos, partiendo de los datos iniciaciones de viviendas para el 1964 a 1972. El promedio mvil no elimina las fluctuaciones muy acentuadas de la serie, pero reduce sustancialmente la amplitud de las variaciones de los datos originales. Si en el clculo de un promedio mvil entra un nmero impar de perodos, el proceso ser ms sencillo puesto que el nmero de perodos antes y despus del perodo para el cual se calcula el promedio son iguales. Si el nmero de periodos es par, como en este ejemplo, no se puede utilizar el mismo nmero de perodos antes y despus de un periodo especificado. Por tanto, el promedio mvil ha de quedar a mitad de camino entre los valores de dos perodos consecutivos y no se relaciona con ningn perodo. Este problema se puede resolver calculando un promedio mvil centrado en la serie, lo cual se logra obteniendo primero un promedio mvil centrado de dos trimestres de los promedios mviles ya obtenidos. El primer promedio mvil centrado es la media de los dos primeros promedios mviles de cuatro trimestres, el segundo promedio mvil centrado es la media de los promedios mviles de cuatro trimestres segundo y tercero, etc. De esta manera, habr un nmero igual de perodos despus y antes del periodo especificado para el cual se est calculando el promedio mvil centrado. Los promedios mviles centrados se ven en la columna 5 de la tabla 2.3.

Segn la frmula 2, el clculo sera el siguiente:

Este valor corresponde al Promedio Mvil Centrado que se muestra en la columna 5.

La figura 2.5 muestra grficamente el ajuste por a travs del promedio mvil, segn tabla 2.3, donde el segmento negro representa la serie original y el segmento azul la serie suavizada.

Figura 2.5

2.3 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

Una vez removida la tendencia se obtiene los siguientes grficos, donde en la figura 2.6 (a) aparece el modelo aditivo y en la (b) el modelo mixto.

(a) (b) Figura 2.6 Pues si no hay tendencia, se espera

Como para serie mensual, entonces basta estimar E(1), E(2), E(3), ... , E(12). Para una serie trimestral, bastara conocer: E(1), E(2), E(3) y E(4). Suponga que se ha estimado la tendencia por alguno de los mtodos vistos en la seccin previa. Sea

la estimacin de la tendencia ya sea mediante una curva o filtros lineales. Entonces, Si el modelo es aditivo efectos de tendencia removidos. representa la serie con los

Anlogamente, si el modelo es mixto los efectos de tendencia.

representa la serie, una vez removidos

Estas series generadas a partir de la original por eliminacin de la tendencia se denominan series de residuos y debern contener predominantemente fluctuaciones estacionales. Para estimar la estacionalidad se requiere haber decidido el modelo a utilizar (mixto o aditivo), lamentablemente esto no es siempre claro, ya sea porque no contamos con informacin a priori para suponerlo o porque el grfico no ha dejado evidencia suficientemente clara como para decidirnos por alguno de ellos. En tal situacin se propone calcular ambas series residuales y elegir aquella cuyos valores correspondientes a una estacin dada oscilen menos en torno a su promedio. Para fijar ideas, supongamos una serie con datos trimestrales y que la informacin de las series residuales pueden ser resumidas como en las tablas 2.4 y 2.5.

Tabla 2.4. Residuos modelo Mixto Perodo Estacin 1 2 3 4 1 W(1) W(2) W(3) W(4) 2 W(5) W(6) W(7) W(8) K W(4k-3) W(4k-2) W(4k-1) W(4k) Promedio Fila S1 S2 S3 S4 STD Fila C.V. Fila

Tabla 2.5. Residuos modelo Aditivo Perodo Estacin 1 2 3 4 1 R(1) R(2) R(3) R(4) 2 R(5) R(6) R(7) R(8) K R(4k-3) R(4k-2) R(4k-1) R(4k) Promedio Fila S1 S2 S3 S4 STD Fila C.V. Fila

Una forma de seleccionar el modelo, es por inspeccin de los coeficientes de variacin (C.V.). Suponemos, que en aquellas filas donde la variacin sea menor en torno a la media tendr menor coeficiente de variacin en trminos absolutos. Luego, comparando dichos coeficientes parece razonable seleccionar el modelo cuyos coeficientes sean menores en trminos absolutos. Esto puede complementarse con grficos para cada fila en ambos modelos. Finalmente, una vez que se ha elegido el modelo a utilizar, se procede a estimar la estacionalidad. Si el modelo es Mixto, entonces,

donde: y si el modelo es Aditivo, entonces,

donde Probablemente, la primera idea para estimar la estacionalidad consistira de los promedios por estacin en las series residuales. La correccin que aparece arriba para cada caso, apunta a garantizar que,

como es de esperarse en el modelo terico.

Ejemplo 3. Continuando con el ejemplo 2, tenemos lo siguiente:

Se supuso que el Modelo es Mixto Z(t): Trimestre 1 2 3 1965 371 369 367 1966 338 308,375 284,5 1967 286,5 314,25 340,5

y se obtuvo la serie suavizada

1968 373,125 382,25 391

1969 395,25 382,875 366

1970 342,375 355,875 382,375

1971 470,625 506,625 536,375

359

276,25

359,25

397,75

348,375

423,625

558,625

Sea

la estimacin de la tendencia ( 1965 368,83 359,21 350,78 343,55 1966 337,50 332,64 328,97 326,48 1967 325,19 325,09 326,48 328,44 1968 331,90 336,55 342,39 349,42 1969 357,63 367,04 377,63 389,42 1970 402,39 416,55 431,90 448,44

) 1971 466,16 485,08 505,18 526,47

Trimestre
1 2 3 4

Entonces, Trimestre 1 2 3 4

, donde X(t) es la serie observada. 1965 1966 1967 1968 1969 1970 0,77 1,26 1,12 1 0,81 1,18 0,88 0,64 0,67 1,18 1,17 1,04 0,9 1,34 1,24 1,06 0,94 1,28 1,02 0,79 0,66 0,96 0,94 0,88 1971 0,83 1,25 1,15 0,97 0,80 1,21 1,07 0,91 = 0,9975

= promedio de W(t) para el trimestre h, h = 1, 2, 3, 4.

y Como se observa en la siguiente figura, en el modelo mixto estos valores varan entorno al uno.

Si el modelo es Mixto, entonces, = 0,8 (0,9975 - 1) = 0,8025 = 1,21 (0,9975 1) = 1,2125 = 1,07 (0,9975 1) = 1,0725 = 0,91 (0,9975 1) = 0,9125

La idea es que En definitiva, la estimacin de la estacionalidad es,

3. PREDICCIONES
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

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 2 1 1,73757 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 2 1 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

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
-

5
-0,04303

6
-0,02406 0,04885 -

SR

CV

0,00517 0,32267 -0,10442 0,04489

0,16256 3,3278

-0,03059 0,32235 0,11177 0,075

-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

Al ajustar la recta por mnimos cuadrados se obtiene:

Yt = 0,442966 + 0,938027*t - 4,56E-02*t**2 Una vez obtenidas estas estimaciones se utiliza la ecuacin

para proyectar.

Proyecciones

Resumen
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.. En este apunte se trabaj con series de tiempo discreto, equiespaciadas en cuyo caso se asume que: : {x(t1), x(t2), ..., x(tn)}= {x(1), x(2), ..., x(n)}. Debido al carcter introductorio se restringi al caso de series de tiempo univariadas.

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: 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)

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.
Enlaces

Einsteinnet (2001). Anlisis Clsico De Series Temporales. [en lnea]. Disponible en: http://www.einsteinnet.com/econometria/seriestemp/acseriestemp.htm Conectado el 25 de junio de 2001. INEI.(2001). Desestacionalizacin de series de tiempo econmicas. [en lnea]. Disponible en: www.inei.gob.pe/cpi/bancopub/libfree/LIB408/LIB408.htm Conectado el 26 de junio de 2001.