Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Series de Tiempo
Series de Tiempo
Definicin
Se llama Series de Tiempo a un conjunto de observaciones sobre valores que toma una variable (cuantitativa) en diferentes momentos del 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.
Tendencias y estacionalidad
Corto a mediano
Corto
Sofisticacin moderada
Tendencias y estacionalidad
Corto a mediano
Corto
Sofisticacin moderada
Largo tiempo para el desarrollo , corto para la puesta en ejecucin Corto tiempo para la moderacin
Sofisticacin considerable
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
Largo
Alta sofisticacin
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).
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.
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
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
At = D t + (1-) F t
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
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.
Existen tres tipos bsicos de modelos a ser examinados Modelos autorregresivos (AR). Modelos de medias mviles (MA) Modelos mixtos autorregresivos-medias mviles (ARIMA)
at
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.
Grafico
DEMANDA
1. 0
.5
0. 0
ACF
-1.0 1 2 3 4 5 6 7 8 9 10 11 12 13
Coef f icient
La g Num ber
Grafico
DEMANDA
1. 0
.5
0. 0
Partial ACF
-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.
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.