SERIES DE TIEMPO

INTEGRANTES :
GELSI VASQUEZ
MICHAEL MUOZ
JULIO TAPIA
 Definicin

Se llama Series de Tiempo a un conjunto de

observaciones sobre valores que toma una
variable (cuantitativa) en diferentes momentos
del tiempo.
 Para que se utilizan las series de
Tiempo?

Hoy en da diversas organizaciones

requieren conocer el comportamiento futuro de
ciertos fenmenos con el fin de planificar,
prevenir,es decir, se utilizan para predecir lo
que ocurrir con una variable en el futuro a
partir del comportamiento de esa variable en el
pasado.
 Aplicaciones
En las organizaciones es de mucha utilidad
en predicciones a corto y mediano plazo, por
ejemplo ver que ocurrira con la demanda de
un cierto producto, las ventas a futuro,
decisiones sobre inventario, insumos, etc....
No as para el diseo de un proceso
productivo ya que no se disponen de datos
histricos y se trata de un proyecto a largo
plazo
 Seleccin de un modelo
1. El horizonte de tiempo para realizar la
proyeccin.
2. La disponibilidad de los datos.
3. La exactitud requerida.
4. El tamao del presupuesto de
proyeccin.
5. La disponibilidad de personal calificado.
 Modelos de series de tiempo
Mtodo de Cantidad de datos Patrn de los datos Horizonte de Tiempo de Antecedentes del
proyeccin histricos proyeccin preparacin personal

5 a 10 observaciones Los datos deben ser

Ajuste exponencial para fijar la estacionarios Corto Corto Poca sofisticacin
simple ponderacin

Ajuste exponencial de 10 a 15 observaciones Tendencias pero no Ligera sofisticacin

Holt para fijar la estacionalidad Corto a mediano Corto
ponderacin

Ajuste exponencial de Por lo menos 4 5 Tendencias y Sofisticacin

Winter observaciones por estacionalidad Corto a mediano Corto moderada
trimestre
10 a 20 observaciones
Modelos de la para la Tendencias y
tendencia de regresin estacionalidad, por lo estacionalidad Corto a mediano Corto Sofisticacin
menos 5 por moderada
trimestre
Largo tiempo
10 observaciones por Puede manejar para el desarrollo
Modelos de regresin variable patrones complejos Corto , mediano o , corto para la Sofisticacin
causal independiente largo puesta en considerable
ejecucin
Maneja patrones
Descomposicin de las Suficiente para ver 2 cclicos y estacionales Corto tiempo
series de tiempo picos y simas puede identificar los Corto a mediano para la Poca sofisticacin
puntos crticos moderacin

Deben ser
Box Jenkins 50 o mas estacionarios o ser Corto , mediano o Largo Alta sofisticacin
observaciones transformados en largo
estacionarios
 Comportamiento de los Datos

Los datos se pueden comportar de diferentes

formas a travs del tiempo, puede que se
presente una tendencia, un ciclo; no tener una
forma definida o aleatoria, variaciones
estacionales (anual, semestral, etc).
Descomposicin de los datos de series
de tiempo
Tendencia
 Estacionalidad

Se dice que una serie de tiempo es

estacionaria cuando el valor de su media,
varianza y covarianza no varan
Sistemticamente en el tiempo.
 Suavizado de una serie de
tiempo

Cuando se analizan datos en donde los

movimientos de la tendencia en la serie se
ven confusos las variaciones de un ao a
otro, y no es fcil darse cuenta de si
realmente existe en la serie algn efecto
de la tendencia hacia arriba o hacia abajo.
 Mtodos de Prediccin
Los mtodos mas utilizados en las series
temporales son:

Promedio mvil
Suavizacin Exponencial
Box - Jenkins
 Promedio mvil
Es el mtodo de prediccin mas simple,
donde se selecciona un numero dado de
periodos N, y se obtiene la media o promedio
de la variable para los N periodos,
permitiendo que el promedio se mueva
conforme se observan los nuevos datos de la
variable en cuestin.
 Ejemplo
Periodo Demanda Promedio Pronostico Error
Dt movil, At N=3, Ft Dt-Ft

1 10
2 18
3 29 19
4 15 20.7 19 - 4.0
5 30 24.7 20.7 9.3
6 12 19 24.7 - 12.7
7 16 16 19 - 3.0
A t = D1+ D t-1 + ......+ D t-(N+1)
N
A t = F t+1.....Con t=7, N=3
F 8 = (10 + 18 + 29)
3
Grafico de una Serie de Tiempo

Mientras mas largo sea el periodo en que se hace el promedio,

mas lenta es la respuesta ante los cambios a la demanda
 Suavizacin Exponencial

Se basa en la idea de que es posible calcular

un promedio nuevo a partir de un promedio
anterior y tambin del ultimo dato observado.
At = D t + (1-) F t
At = Dt + (1-) At-1
0<<1
 Ejemplo
Periodo Demanda Dt Pronostico= 0.1, Error
Ft Dt-Ft
1 10 15 -5.0
2 18 14.5 3.5
3 29 14.85 14.15
4 15 16.26 -1.26
5 30 16.14 13.86
6 12 17.62 -5.52
7 16 16.97 -0.97
 At = D t + (1-) F t

Para el periodo t+1, tenemos:

A8 = 0.1 (10)+ (10.1) 15
A8 = 14.5
 es la proporcion del peso que se da a la
demanda nueva contra la que se da al
promedio anterior.
Es decir, mientras mas grande es el valor de
mas nos acercamos al valor de la demanda
que se acaba de observar.....se le da mayor
peso a las observaciones recientes que al
promedio anterior.
 Grafico
40

30

20

10
DEMA NDA

Fit f o r DEMANDA f rom

0 EXSMOOTH, MOD_4 NN
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Seq uence n umber

 Box - Jenkins
Box y Jenkins han desarrollado modelos
estadsticos que tienen en cuenta la
dependencia existente entre los datos.
Cada observacin en un momento dado es
modelada en funcin de los valores anteriores.
Se modela a travs de ARIMA (Autorregresive
Integrate Moving Average).
 METODOLOGIA DE BOX-JENKINS

Tiene solamente en cuenta la pauta de serie

serie de tiempo en el pasado.
Ignora la informacin de variables causales.
Procedimiento tcnicamente sofisticado de
prediccin de una variable.
Utiliza la observacin ms reciente como
valor inicial.
Permite examinar el modelo ms adecuado
 METODOLOGIA DE
BOX-JENKINS
Analiza errores recientes de pronsticos para
seleccionar el ajuste apropiado para periodos
futuros.
Box-Jenkins es ms apropiado para
predicciones a largo plazo que para corto
plazo.
Extrae mucha informacin de la serie de
tiempo, ms que cualquier otro mtodo.
 Eleccin del modelo
Existen tres tipos bsicos de modelos a ser
examinados
Modelos autorregresivos (AR).
Modelos de medias mviles (MA)
Modelos mixtos autorregresivos-medias
mviles (ARIMA)
 Modelos autorregresivos AR(p).
Describe una clase particular de proceso en
que las observaciones en un momento dado
son predecibles a partir de las observaciones
previas del proceso mas un termino de
error.,el caso mas simple ARIMA (1,0,0) o
AR(1).
Yt = 1 Yt-1 + at
Modelos de medias mviles MA(q)
Tambin describe una serie de tiempo
estacionaria.En este modelo el valor actual
puede predecirse a partir de las componentes
aleatorias de este momento y, en menor
medida los impulsos aleatorios anteriores.
ARIMA (0,0,1) o MA (1)

Yt = at - V1 at-1
 ARIMA

Es un modelo que permite describir un

valor como una funcion lineal de datos
como una funcion lineal de datos
anteriores y errores debidos al azar.
Se analiza sobre una serie estacionaria y
se necesitan como minimo 50 datos.
 Autocorrelacion simple (ACF)

La autocorrelacin muestra la
asociacin entre valores de la misma
variable en diferentes periodos de
tiempo(no aleatoria).
 Grafico
DEMANDA
1.0

.5

0.0

-.5
Conf idence Limits
ACF

-1.0 Coef f icient

1 2 3 4 5 6 7 8 9 10 11 12 13

Lag Numbe r
 Autocorrelacion Parcial (PACF)

La autocorrelacin parcial identifica

la relacin entre los valores actuales
y los valores anteriores de la serie
cronolgica original.
 Grafico
DEMANDA
1.0

.5

0.0
Partial ACF

-.5
Conf idence Limits

-1.0 Coef f icient

1 2 3 4 5 6 7 8 9 10 11 12 13

Lag Numbe r
 AR (1)

Los procesos AR(1) se reconocen por una

ACF infinita y una PACF que desaparece
tras el primer retardo. Si los datos tienen
media, es necesario especificar un termino
constante.
 Identificacion del modelo

Si la S.T presenta tendencia debemos transformarla

mediante una diferenciacin de orden d.
ACF est mas ajustada que la PACF el modelo
suele ser (0,d,q),por lo tanto se calcula MA.
PACF est mas ajustada que la ACF el modelo
suele ser (p,d,0),por lo tanto se calcula AR.
Si ACF y PACF,estan igualmente ajustadas el
modelo suele ser (p,d,q),por lo tanto se calculan
AR y MA.
AR (1)
 MA(1)

Los procesos MA(1) se reconocen por

una PACF infinita y una ACF que
desaparece tras el primer retardo.
Si los datos tienen media, es necesario
especificar un trmino constante.
MA(1)
AR(2) (I)
AR(2) (II)
MA (2)
Funcin de autocorrelacion
 Funcin de autocorrelacin

Para ver si la serie es o no estacionaria veamos el

correlograma.Observamos que decrece lentamente, por lo
que podemos decir que no hay estacionariedad (cuando el
decrecimiento es ms rpido la serie es estacionaria).

Aplicamos un modelo en el que hay que diferenciar la serie

y obtenemos el grfico de la serie despus de haber hecho
una diferenciacin no estacional.Se observa que la serie se
ha estabilizado.
Funcin de autocorrelacion
En el correlograma estimado con una
diferenciacin no estacional ya no aparece el
decrecimiento.
Los valores que se salen fuera de las bandas son
significativamente distintos de cero, pero
simplemente por azar un 5% se sale fuera.
.

Vemos como corresponde a un modelo de medias

mviles de orden uno en que no sabemos si
tendr termino constante.Se trata de un modelo
ARIMA(0,1,1).
 La serie no tiene un nivel constante, se observa una
tendencia creciente.
Se ve claramente en el grfico que hay una componente
estacional.
La amplitud de las oscilaciones crece con la tendencia.
Modelos mixtos autorregresivos-medias
mviles (ARIMA)
Incluyen tanto trminos autorregresivos como de
medias mviles y se definen como ARMA (p,q) o
ARIMA(p,0,q).Se representan por la ecuacin: