Mtodos para

Series Individuales
Estacionales

Series Estacionales

Componente Estacional
Comportamiento repetitivo
Ciclo estacional (meses de
cada ao, trimestres,
semanas)
Componente Tendencia
Creciente\NoCreciente
Varianza Crece con el
tiempo..

Series Estacionales

Series Estacionales
Descomposicin Aditiva
Enfoque Tradicional: Descomposicin Aditiva: Se
descompone la serie en 3 componentes:
Tendencia Tt
Estacional St
Error\Ruido Et
El componente tendencia se modela usualmente con
polinomios de bajo orden en tiempo t
El componente estacional se modela con indicadores
estacionales o combinaciones de funciones
trigonomtricas
El Error se asume que no estn correlacionados. Son
normales con media 0 y varianza constante.
La descomposicin aditiva es apropiada cuando las
oscilaciones estacionales y la variacin en los
errores no dependen del nivel\media de las

Series Estacionales
Descomposicin Multiplicativa
La Descomposicin Multiplicativa: Se descompone
la serie en 3 componentes:
Tendencia Tt
Estacional St
Error\Ruido Et
El componente tendencia se modela usualmente
con polinomios de bajo orden en tiempo t. El
componente estacional se modela con indicadores
estacionales o combinaciones de funciones
trigonomtricas. El Error se asume que no estn
correlacionados
Es apropiada cuando las oscilaciones estacionales
y la variacin en los errores dependen del
nivel\media de las series.
Se transforma en aditivo, aplicando logaritmos

Modelos Tendencia Determinstica

Series Estacionales Constantes Globalmente
Con descomposicin aditiva (o la obtenida al aplicar logaritmos a una
multiplicativa)

Componente de tendencia,
representada con polinomio Tt de bajo
orden.

Componente estacional
a) Indicadores Estacionales
Donde
si t corresponde al periodo
estacional t, y 0 en otro caso.

Si k=1 tendencia lineal:

Si k=2 tendencia cuadrtica:

Componente de error, asume no

correlacionados con media 0 y varianza
constante

b) Funciones trigonomtricas

Donde Ai es la amplitud, y
es el
desplazamiento de funcin seno, con perodo

Modelos Tendencia Determinstica

Series Estacionales Constantes Globalmente
Con descomposicin aditiva (o la obtenida al aplicar logaritmos a una
multiplicativa)

Combinando lo anterior, se tiene el modelo

O el modelo

Modelos Tendencia Determinstica

Series Estacionales Constantes Globalmente
Modelamiento con Indicadores Estacionales

Partimos del modelo con

Bo y s indicadores estacionales
Ya que tenemos s+1 parmetros para modelar s indicares estacionales, se establecen
restricciones para corregir.. Tres alternativas son:

La ltima opcin hace que cada indicador

represente el efecto del i-simo
perodo estacional vs el perodo estacional s. Al elegir esta opcin el modelo se escribe
como:

Modelos Tendencia Determinstica

Series Estacionales Constantes Globalmente
Modelamiento con Indicadores Estacionales

Aplica tendencia lineal (polinomio grado 1)

Con comportamiento repetitivo en los meses de
cada ao, entonces perodo estacional s=12.
Se asumen 12 indicadores estacional, pero el ltimo
se establece como 0.

Modelos Tendencia Determinstica

Series Estacionales Constantes Globalmente
Modelamiento con Indicadores Estacionales
Chequeo Errores, aparece que primera
autocorrelacin es significativa. (exceden +/- 2 err
est. = +/- 0,20). No Pasa este chequeo.

Modelos Tendencia Determinstica

Series Estacionales Constantes Globalmente
Modelamiento con Indicadores Estacionales

Aplica tendencia lineal (polinomio grado 1)

Con comportamiento repetitivo en los trimestres de
cada ao, entonces perodo estacional s=4.
Se asumen 12 indicadores estacional, pero
el ltimo se establece como 0.
Se podra plantear, en la parte de tendencia un
polinomio de tendencia cuadrtica:

Modelos Tendencia Determinstica

Series Estacionales Constantes Globalmente
Modelamiento con Indicadores Estacionales

Chequeo Errores. El grfico de los residuos muestra

que el modelo sobrepredice en los primeros y
ltimos valores, y bajopredice en los valores
centrales.
Las autocorrelaciones de los errores tambin son
significantes. (exceden +/- 2 err est. = +/- 0,30)
No pasa el chequeo.

Modelos Tendencia Determinstica

Series Estacionales Constantes Globalmente
Modelamiento con Funciones Trigonomtricas

St es una combinacin lineal

De funciones trigonomtricas
, de m funciones seno, con perodo
y desplazamiento
amplitudes Ai son los pesos de la combinacin lineal.

. Las

Por ejemplo, si el perodo estacional s=12, para i=1 se tiene

y que completa su ciclo en los 12 perodos de tiempo..
4
luego para i=2 se tiene
que completa
su ciclo2 en 6
perodos de tiempo
Hasta m= s/2, donde el perodo correspondiente es 2 que es el mnimo posible.

Modelos Tendencia Determinstica

Series Estacionales Constantes Globalmente
Modelamiento con Funciones Trigonomtricas
Usualmente no se requieren las s/2 funciones armnicas para generar patrones
estacionales.
La figura ilustra una funcin E(Zt), que es la
Suma de solo dos funciones armnicas.

Modelos Tendencia Determinstica

Series Estacionales Constantes Globalmente
Modelamiento con Funciones Trigonomtricas
Entonces el modelo completo es
donde

Y se transforma en

para

facilitar el clculo de los estimadores

* De forma similar al modelo de Indicadores Estacionales, hay s+1 parmetros. Si Bo

est incluido entonces m ir hasta s/2-1 para poder calcular los estimadores.

Modelos Tendencia Determinstica

Series Estacionales Constantes Globalmente
Modelamiento con Funciones Trigonomtricas

Aplica tendencia lineal (polinomio grado 1)

Con comportamiento repetitivo en los meses de
cada ao, entonces perodo estacional s=12.
M desde 1 hasta s/2-1 dado que est Bo.

Modelos Tendencia Determinstica

Series Estacionales Constantes Globalmente
Modelamiento con Funciones Trigonomtricas

En tabla 4.3 se observa

dependencia entre las funciones
armnicas. Tambin que las dos
primeras funciones armnicas
explican la mayora de la variacin
estacional.
La tabla 4.4 da detalles del modelo
con m=2.
Chequeo Errores, aparece que
autocorrelacin 12 es significativa.
(exceden +/- 2 err est. = +/- 0,20)
No Pasa este chequeo.
Se sugiere incluir trminos con alta
frecuencia.
Seleccin Modelo. Se aplic modelo con indicadores estacionales, y
con funciones trigonomtricas a los mismos datos de autos. En
ambos casos, no se consideraron los ltimos 12 valores para el
modelo, pero se estimaron. As se puede calcular el Error
Cuadrtico Medio. Para modelo con Ind. Est el ECM es 2,97 y para
Func Trig es 3.83, por lo que el primero se elige

Modelos Tendencia Determinstica

Series Estacionales Constantes Globalmente
Seleccin Modelo
Seleccin Modelo. Se aplic modelo con
indicadores estacionales, y con funciones
trigonomtricas a los mismos datos de
autos.
En ambos casos, no se consideraron los
ltimos 12 valores para el modelo, pero se
estimaron. As se puede calcular el Error
Cuadrtico Medio para cada uno.
Se elige el modelo de menor ECM. En este
caso el de Indicadores Estacionales.

Pronsticos con
Modelo Indicadores
Estacionales.
ECM = 2,97

Pronsticos con
Modelo Funciones
Trigonomtricas.
ECM = 3.83

Modelos Tendencia Estocstica

Series Estacionales Constantes Localmente
Los modelos vistos anteriormente asumen:
1) Los parmetros del modelo son constantes en el tiempo. (Globales) tanto del
componente de Tendencia como del componente estacional
2) Los errores no estn correlacionados, sino que siguen distribucin normal con media
0 y varianza constante.
En series donde estos elementos no son constantes en el tiempo, sino que cambian
durante el tiempo, decimos que estos elementos no son determinsticos.
Se relaja la condicin de que los parmetros son fijos, y se considera que pueden
variar en el tiempo.
Se manejan los mismos componentes: Tendencia, Estacional y Error.
Se manejan modelos con INDICADORES ESTACIONALES y con FUNCIONES
TRIGONOMETRICAS. Lo nuevo es que se incluye un parmetro adicional w=1-alfa, que
da peso a las observaciones pasadas

Series Estacionales
Modelo de Winters
Winter parte de un modelo con Tendencia Estacional e Indicadores Estacionales.
Pudiendo ser aditivos o multiplicativos.
En lugar de utilizar una sola constante de suavizacin, (como en la suavizacin
exponencial simple), Winters incorpora tres constantes de suavizacin.
1) una para actualizar el nivel, media
2) Una para actualizar la pendiente
3) Una para actualizar el componente estacional
Es una extensin de la suavizacin exponencial doble vista anteriormente.
Modelo Aditivo

Modelo Multiplicativo

Series Estacionales
Modelo Aditivo de Winters
Winter parte de un

Donde

y los factores estacionales deben sumar 0.

Se obtienen estimadores del nivel o media de

la serie en el tiempo n+1,
mediante:

Se obtienen estimadores de la pendiente

como

Series Estacionales
Modelo Aditivo de Winters
Winter parte de un

Donde

y los factores estacionales deben sumar 0.

Y los coeficientes estacionales se actualizan solo

una vez cada estacin completa

Y luego de obtener los estimadores para

tendencia, pendiente y factores
estacionales, se calculan los pronsticos
como:

Series Estacionales
Modelo Aditivo de Winters
Las tres ecuaciones para actualizar media, pendiente y factores estacionales,
dependen de constantes de suavizacin alfa 1,2,3, que deben estar entre 0 y 1.

Si los componentes cambian rpidamente, deben considerarse valores altos de

alfas.
Si los componentes son estables, los alfas deberan ser cercanos a 0.
Si hay suficiente datos histricos, los valores alfa 1,2,3 pueden obtenerse por
simulacin, minimizando la SSE (Sum Squared Error) = ECM (Error Cuadrtico
Medio)

Series Estacionales
Modelo Aditivo de Winters
Las tres ecuaciones para actualizar media, pendiente y factores estacionales,
dependen de constantes de suavizacin alfa 1,2,3, que deben estar entre 0 y 1.

Para iniciar los clculos, se establecen valores iniciales para

Se pueden obtener aplicando regresin ordinaria a:

Series Estacionales
Modelo Multiplicativo de Winters
Si las oscilaciones estacionales y la variacin en los errores son proporcionales al nivel,
media. Es decir, a medida que la media crece, estos tambin crecen. Se aplica
logaritmo a la serie, y se aplica un modelo aditivo.
Pero, si las oscilaciones estacionales son proporcionales al nivel o media,
y la variacin en los errores no lo es.. Se considera modelo Multiplicativo de
Winters

Donde los factores estacionales deben sumar s.

Se obtienen ecuaciones para actualizar media, pendiente y factores estacionales
Notar que el ajuste estacional es

En lugar de
aplicaba en la versin aditiva

que

Series Estacionales
Modelo Multiplicativo de Winters
Las constantes alfa1,2,3 deben estar entre 0 y 1. Los estimados pueden obtenerse por
simulacin, y usualmente estn correlacionados, es decir, valores altos de alfa1 pueden
generar valores bajo de alfa2 y 3.
Los pronsticos se calculan como en (4.42)
Y los valores iniciales se obtienen como (4,43)