Professional Documents
Culture Documents
ANÁLISIS DE SERIES
DE TIEMPO
Por Pedro M. Castro Ynfantes
1
• En el siglo XXI, el mundo ha entrado en un
nuevo escenario, en el que las economías
S nacionales y los negocios están íntimamente
E ligados y son interdependientes.
S • La producción, las ventas y transacciones, se
I gestionan mediante flujos de información que se
O mueven a velocidades de la luz por internet y la
N telefonía móvil.
• El nuevo escenario aporta excelentes beneficios
* al bajar los costes y acelerar la producción y
distribución de bienes y servicios.
1 • En todo ello, existe un lado oscuro, que
básicamente eleva el riesgo y la incertidumbre
al que han de hacer frente productores y
consumidores, volcando todo un sistema hacia
resultados inesperados.
• Las decisiones que toman las organizaciones
están obligadas a ser más prudentes, basadas
S en la dosis de información cuantitativa generada
E de datos inherentes a su gestión y del entorno
S competitivo que enfrenta.
I • Este riesgo se suele describir como la
O incertidumbre que es posible valorar y para la
cual se puede adquirir un seguro. Sin embargo,
N
siempre hay riesgos que son imposibles de
asegurar, incertidumbres reales a las que no
* pueden hacer frente quienes toman decisiones
en las organizaciones.
1 • En lugar de intentar maximizar los beneficios
ante una gran incertidumbre, estas
organizaciones deberían tomar decisiones que
minimizaran el riesgo, de modo que si ocurriera
lo peor pudieran sobrevivir.
• La globalización, el efecto demográfico, la
aparición de nuevos poderes, el deterioro de
S instituciones internacionales, el cambio
E climático y la geopolítica de la energía,
S actuarían para generar desafíos y
I oportunidades para los decisores en el futuro y
para los líderes del mundo de los negocios.
O
N • Todo ello, nos indica que las ocurrencias no
previstas a lo largo del tiempo tendrán un efecto
violento que afectarán directa e indirectamente
* al ámbito de los negocios de todo el planeta y
1
1. HISTORIA DE LOS PRONOSTICOS
S 3.1 ESTIMACION
1 3.3 ESTIMADO
4.1 PROYECCION
S
E Es un proceso mediante el cual se emplean observaciones pasadas y
presente de una o más variables, para obtener aproximaciones de los
S valores futuros que tomarán tales variables.
I
O
4.2 MODELO DE PRONOSTICO
N
Es la construcción de un modelo estadístico a partir de la
caracterización de las observaciones pasadas y presente de una o
* más variables, con el objetivo de realizar proyecciones.
1 4.3 PRONOSTICOS
1
ESTIMADO PRONOSTICOS
5. PROCESO ESTOCÁSTICO
1
E Yt3
E Yt1
E Yt2
t1 t2 t3 t
6. ESPEFICACION DE UN PROCESO ESTOCASTICO
1
F y j1 , y j2 ... , y jn ; t j1 ,t j2 ... ,t jn Fy1, y2 ... , yn ; t1, ... ,tn , t1 , ... ,tn T
b.2) Consistencia:
lim F y1 , y2 ... , yn ; t1 , ... ,tn F y1 , y2 ... , yn 1 ; t1 , ... , tn 1
y n
7. PROCESO ESTOCÁSTICO ESTACIONARIO
1 Y Y Y , pues, t 2 t 1
t t1 t2
2 2 2 2
Yt Yt Yt
1 2
b) Un Proceso Estocástico es estacionario de 2do. Orden o débilmente
estacionario, si tiene media es constante, varianza finita y la covarianza
para dos instantes distintos del tiempo esta únicamente en función de la
S diferencia entre éstas, esto es,
E
S b.1) E Yt E Y , t T
I
O b.2) VarYt Var Y Y2 , t T
N
*
b.3) Cov Yti ,Yt j ti ,t j , es sólo una función de t j ti , i j
1
Dado que b.3) depende sólo de t j ti , podemos re-expresarlo haciendo
t j ti k , de este modo:
Cov Yti ,Yt j
Cov Yti ,Yti k ti ,ti k k k
8. CARACTERIZACION DE UN PROCESO ESTOCÁSTICO
ESTACIONARIO
S
E a) Media del Proceso:
S
I
E Yt
y f ( y ) dy
Y
O
Define el nivel del proceso, en torno al cual fluctúa el proceso.
N
S
E k CovYt , Yt k E yt yt k
y y
t
t k fY ( y ) dy
S
I Mide el grado de dependencia o relación entre Yt , y, Yt k , la cual
O tiene las siguientes propiedades:
N
c.1) 0 VarYt 0
*
c.2) k k
1
c.3) k 0
S k CovYt , Yt k
k
E 0 VarYt
S
I Mide el grado de dependencia o relación entre Yt , y, Yt k , la cual
O tiene las siguientes propiedades:
N
c.1) 0 1
*
c.2) k k
1
c.3) k 1
S
Una serie de tiempo es un conjunto de observaciones Yt , t T
E de una variable aleatoria, donde T un conjunto de índices (tiempo,
espacio, etc.). Es una realización particular de un proceso estocástico.
S
I Las series de tiempo, pueden ser de tipo:
O
a) Discreta: Si, T = N, siendo, N=1,2,3, …
N
b) Continua: Si T = { t / 0< t < T* }.
*
c) Multivariada: Si Y1t ,...,Ykt ; t T .
1 d) Multidimensional: Si Yt ; t T , donde, t es un vector.
Dado que una Serie de Tiempo es una realización particular de un
Proceso Estocástico, podemos establecer la siguiente analogía:
S
E
S
I PROCESO
O POBLACION
ESTOCASTICO
N
1 MUESTRA
SERIE DE
TIEMPO
Asimismo:
S
El tipo más común, objeto de nuestro análisis, es la Serie de Tiempo
E Univariada Discreta, esto es, k=1 y T=N.
S
I
Una Serie de Tiempo es un conjunto valores de datos registrados
O secuencialmente en el tiempo con respecto a un variable bajo estudio.
N Puede obtenerse mediante:
I
O
N
1 (t)
a) Media de la Serie:
n
y
1
n y ̂
t 1
t
b) Varianza de la Serie:
n
Var( y )
1
n y y
t 1
t
2
̂ 2
nk
ck
1
n yt y yt k y ˆ k
t 1
, k 1, 2, ... , K , K
n
4
c.2) c k c k
c.3) c k c 0
d) Función de Autocorrelación (f.a.c.) de la Serie:
nk
ck
y y y
t t k y
n
rk t 1 ˆ k , k 1, 2, ... , K , K
c0 n 4
y y
t 1
t
2
d.1) r0 1 d.3) rk r0
v 1
1
Var rk 1 2
n
r j2 k v ,v 1,v 2,...
j 1
Asimismo, la f.a.c. de la serie:
i. Mide la correlación existente entre una variable y sus valores
S desfasados uno ó más períodos en el tiempo.
E ii. El gráfico de las f.a.c. se denomina correlograma estimado:
S
I
O Correlograma
N
1
iii. Para la evaluación del correlograma de la serie, será suficiente
graficar rk , k 1, 2, 3, ... , n / 4 .
iv. La serie de tiempo es aleatoria si,
S 1.96 1.96 n
rk , , k 1, 2, 3, .... ,
E n n 4
S
I v. La serie de tiempo tiene tendencia si los primeros, rk , k 1, 2, 3, ... ,
son significativamente diferentes de cero, para caer gradualmente
O hacia cero luego “q” períodos.
N
1
12. COMPONENTES DE UNA SERIE DE TIEMPO
Son fuentes de variación de la serie, cuyo presencia y efecto determinan
S su comportamiento conforme evoluciona el tiempo. Las componentes
básicas corresponden a la tendencia a largo plazo, un efecto cíclico, un
E comportamiento estacional y una parte aleatoria.
S
a) Componente Tendencia:
I
Indica la dirección de la serie de valores de datos observados.
O
Es el cambio a largo plazo que se produce en relación al nivel medio, o
N el cambio a largo plazo de la media.
Se identifica con un movimiento suave de la serie a largo plazo.
* Puede ser representada o modelada a partir de los valores de la serie.
1 220
200
Serie con Tendencia
Observación
180
160
140
120
100
0 12 24 36 48 60 72 84
Pe ríodo
b) Componente Cíclica:
Se presenta como ondas grandes alrededor de la tendencia.
S Es una componente de la serie que recoge oscilaciones periódicas de
E amplitud superior a un año.
S Estas oscilaciones periódicas no son regulares y se presentan
I usualmente en los fenómenos económicos, cuando se dan de forma
O alternativa etapas de prosperidad o de depresión
N
Serie con Efecto Cíclico
270
* 250
230
ONDAS
210
ONDAS
1
Observación
190
170
150
130
110
90 Ciclo Ciclo
0 12 24 36 48 60 72 84
Pe ríodo
c) Componente Estacional:
Comprende ondas pequeñas que se producen en períodos iguales o
S inferiores a un año.
E Tales oscilaciones se presentan en forma repetitiva con cierta
S periodicidad dentro de un año.
I Su periodo de duración se denomina estación (s), y para datos
O mensuales tiene una longitud de 12, bimestrales de 6, trimestrales de 4 y
así sucesivamente.
N
Su presencia hace que la f.a.c. (rk) sea significativamente distinta de
cero para k = 12, 24, 36, si los datos son mensuales, por ejemplo.
* Serie con Efecto Estacional
1 270
250
Observación
230
210
190
170
150
0 12 24 36 48 60 72 84
Pe ríodo
d) Componente Irregular o Aleatoria:
Es una componente que se presenta como manifestaciones
S esporádicas en la serie.
E Recoge movimientos provocados por factores imprevisibles (un pedido
S inesperado a nuestra empresa, una huelga, una ola de calor, etc.).
I También reciben el nombre de variaciones irregulares, residuales o
O erráticas.
* Componente Aleatoria
1
8
6
4
Observación
2
0
-2
-4
-6
-8
0 12 24 36 48 60 72 84
Pe ríodo
13. ANALISIS DE SERIES DE TIEMPO
1
14. PROCESO DE PRONOSTICO A PARTIR DE UNA S. T.
S RECOPILACION
Consiste en la Recopilación
de Datos de las Fuentes
E
S
I REDUCCION
Consiste en la Reducir Datos
mediante Valores Resúmenes
O
N
Consiste en la Construcción
MODELACION
* del Modelo de Pronóstico
S MODELOS CUANTITATIVOS
DE PRONOSTICOS
E
S
I ANALISIS ANALISIS
O UNIVARIANTE MULTIVARIANTE
N
* MODELOS DE DESCOMPOSICION
MODELOS ARCH
16. MEDICION DEL ERROR EN EL PRONÓSTICO
S
E at yt ŷt Mide el error de pronóstico generado por una técnica de
pronóstico en un período dado.
S
I
O
N 1 n
y
Mide el promedio de los errores absolutos de
DAM t ŷt pronóstico, en las mismas unidades que la serie
* n t 1 de tiempo original.
1
n
y ŷt
1 Mide el promedio de los errores cuadráticos de
EMC
2
t pronóstico, penalizando los errores altos.
n t 1
S
1 n yt ŷt
PEMA
Mide el promedio porcentual de los errores
E absolutos de pronóstico, precisando lo grande
S n t 1 yt que son comparados con la serie original o
con otra técnica dada.
I
O
N
1 n yt ŷt
PEM
Mide el promedio porcentual de los errores de
* pronóstico, precisando si el pronóstico es
n t 1 yt
1 sesgado (alejado de cero) o NO sesgado (muy
próximo a cero).