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.

2. 3. 4.

5.

El horizonte de tiempo para realizar la proyeccin. La disponibilidad de los datos. La exactitud requerida. El tamao del presupuesto de proyeccin. La disponibilidad de personal calificado.

Modelos de series de tiempo

Mtodo de proyeccin Cantidad de datos histricos 5 a 10 observaciones para fijar la ponderacin 10 a 15 observaciones para fijar la ponderacin Por lo menos 4 5 observaciones por trimestre 10 a 20 observaciones para la estacionalidad, por lo menos 5 por trimestre 10 observaciones por variable independiente Patrn de los datos Horizonte de proyeccin Tiempo de preparacin Antecedentes del personal Ajuste exponencial simple Ajuste exponencial de Holt Los datos deben ser estacionarios Corto Corto Poca sofisticacin

Tendencias pero no estacionalidad

Ligera sofisticacin Corto a mediano Corto

Ajuste exponencial de Winter

Tendencias y estacionalidad

Corto a mediano

Corto

Sofisticacin moderada

Modelos de la tendencia de regresin

Tendencias y estacionalidad

Corto a mediano

Corto

Sofisticacin moderada

Modelos de regresin causal

Puede manejar patrones complejos

Corto , mediano o largo

Largo tiempo para el desarrollo , corto para la puesta en ejecucin Corto tiempo para la moderacin

Sofisticacin considerable

Descomposicin de las series de tiempo

Suficiente para ver 2 picos y simas

Maneja patrones cclicos y estacionales puede identificar los puntos crticos Deben ser estacionarios o ser transformados en estacionarios

Corto a mediano

Poca sofisticacin

Box Jenkins

50 o mas observaciones

Corto , mediano o largo

Largo

Alta sofisticacin

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 Dt Promedio movil, At Pronostico N=3, Ft Error Dt-Ft

1 2 3 4 5 6 7

10 18 29 15 30 12 16

19 20.7 24.7 19 16

19 20.7 24.7 19

- 4.0 9.3 - 12.7 - 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, Ft Error Dt-Ft

1 2 3 4 5 6 7

10 18 29 15 30 12 16

15 14.5 14.85 16.26 16.14 17.62 16.97

-5.0 3.5 14.15 -1.26 13.86 -5.52 -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 DEMAN DA Fit f or DEMAN DA f rom 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 EXSMOOTH , MOD_ 4 N N

Seq uen ce n um b er

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 Limit s

ACF

-1.0 1 2 3 4 5 6 7 8 9 10 11 12 13

Coef f icient

La g Num ber

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 Limit s

-1.0 1 2 3 4 5 6 7 8 9 10 11 12 13

Coef f icient

La g Num ber

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: