ESTADISTICA PARA LA ADMINISTRACION

ANALISIS DE SERIES DE TIEMPO Y PRONOSTICOS DE NEGOCIOS

ALUMNOS: JANINE INDAHITA RIVERA ARZOLA DIANA CAROLINA ROMERO BERBER FRANCISCO ALFREDO MERCADO CARINA OLIVARES LEN

MODELO CLASICO DE SERIES DE TIEMPO

Una serie de tiempo es un conjunto de valores observados, para series ordenadas secuencialmente de periodos de tiempo. El anlisis de series de tiempo es el procedimiento mediante el cual se identifican y separan los factores relacionados con el tiempo que influyen sobre los valores observados de la serie. Una vez que se identifican esos valores, se les puede utilizar para mejorar la interpretacin de los valores histricos de la serie de tiempo y para pronosticar valores futuros.
24560 23240 20210 18950 15400 Enero Febrero Marzo Abril Mayo

COMPONENTES DE LA SERIE DE TIEMPOS

a) TENDENCIA (T).- Movimiento a lo largo de los valores de la serie de tiempo (Y) durante un nmero prolongado de aos.

b) FLUCTUACIONES CICLICAS (C).- Movimientos recurrentes hacia arriba y hacia abajo con respecto a la tendencia y que tienen duracin de varios aos.

c) VARIACIONES ESTACIONALES (E).- Movimientos hacia arriba y abajo con respecto a la tendencia y que no duran ms de un ao.

d) VARIACIONES IRREGULARES (I).- Variaciones errticas con respecto a la tendencia, que no pueden adjudicarse a efectos estacionales o cclicos.

El valor observado de una serie de tiempo puede ser representado como: Y=TxCxExI

ANALISIS DE TENDENCIA

El anlisis de tendencia se ocupa de la direccin del movimiento de la serie de tiempo a largo plazo, es comn que esos anlisis se lleven acabo analizando datos anuales. El mtodo de mnimos cuadrados es la base comn que se utiliza para identificar el componente de tendencia de la serie de tiempo, determinando la ecuacin que mejor se ajuste a la lnea de tendencia. La lnea de tendencia no es una lnea de regresin, porque la variable dependiente Y no es una variable aleatorio, sino un valor histrico acumulado. Cuando existe un aumento o disminucin a largo plazo se sigue una tendencia lineal, siendo la ecuacin de la lnea de tendencia utilizando X para representar el ao es:

Y T= bo + b1X

donde: bo representa el punto de interseccin de la lnea de tendencia con el eje Y b1 representa la pendiente de la lnea de tendencia .

Utilizando X para representar el ao, Y para el valor observado de la serie de tiempo, las frmulas para determinar los valores de bo y b1 en la ecuacin de la lnea de tendencia son:

b1 = XY - n XY X - nX

bo = Y - b1 X

ANALISIS DE VARIACIONES CICLICAS

Los valores anuales de una serie de tiempo representan nicamente efectos de los componentes de tendencia y cclicos, porque ya estn definidos los componentes estacional e irregular a corto plazo.

El componente cclico puede determinarse dividiendo los valores observados entre el valor correspondiente de la tendencia de la siguiente manera:

Y =TxC =C YT T

MEDICION DE VARIACIONES ESTACIONALES

La influencia del componente estacional sobre los valores de series de tiempo se identifica determinando el nmero ndice estacional asociado con cada mes (o trimestre) del ao.

La media aritmtica de los 12 nmeros ndice mensuales (o de los cuatro nmeros ndice trimestrales) es 100.

La identificacin de influencias estacionales positivas y negativas, es importante para la planeacin de produccin e inventario.

PROCEDIMENTO PARA DETERMINAR NUMEROS INDICES ESTACIONALES: METODO DEL COCIENTE DEL PROMEDIO MOVIL
1. Determinar el cociente de cada valor mensual, en relacin con el promedio mvil centrado en ese mes. Se representa simblicamente: Y Promedio Mvil 2. = TXCXEXI TXC =EXI

Promediar el componente irregular: Enlistando los diversos cocientes aplicables al mismo mes (o trimestre) de varios aos, calculando la Media Modificada Ajustar los cocientes medios modificados con un factor de correccin tal que la suma de los doce cocientes mensuales sea de 1200.

3.

APLICACIN DE AJUSTES ESTACIONALES

Los ajustes estacionales son particularmente pertinentes cuando se desea comparar datos de diferentes meses, para determinar si ha tenido lugar un incremento (o decremento) en relacin con las expectativas estacionales. Se les llama datos con ajuste estacional o datos desestacionalizados Los valores de serie de tiempo mensuales, se ajustan respecto de la influencia estacional: 1. Dividiendo cada valor entre el ndice mensual de ese mes. 2. El resultado se multiplica por 100.

Y = TXCXEXI= TXCXI E E

(Son valores relativos)

PRONOSTICOS BASADOS EN FACTORES DE TENDENCIA Y ESTACIONALES

Una consideracin particularmente importante en los pronsticos a largo plazo, es el componente cclico de las series de tiempo.

1.

1.

2.

Emplear el valor de tendencia proyectado como base del pronstico. Ajustarlo respecto del componente estacional.

METODOS PARA PRONOSTICOS A CORTO PLAZO:

Desestacionalizar el valor observado ms reciente y 2. Multiplicarlo por el ndice estacional del periodo de pronstico. (la diferencia entre los dos periodos ser la atribuible a la influencia estacional).

ECUACION DE LA LNEA DE TENDENCIA:

YT =

b o + b1 12 12

X 12

b o + b1 x 12 144 b o + b1 x 4 16

YT =

bo + 4

b1 4

X 4

Los valores de tendencia se asocian con periodos y no con puntos temporales, por lo que deben reducirse los tres elementos de la ecuacin de tendencia anual. (b0, b1 y X) Para efecto de la transformacin a datos mensuales, el punto base del ao anteriormente codificado como X = O, se ubicara en el punto medio del ao (01/07)

ECUACIN DE TENDENCIA MODIFICADA PARA OBTENER VALORES MENSUALES:

YT =

bo - (5.5) b1 12 144

b1 144

YT =

bo - (1.5) b1 4 16

b1 16

PRONOSTICOS CICLICOS E INDICADORES ECONOMICOS

Los pronsticos basados en los componentes de tendencia y estacional de una serie de tiempo son apenas el punto de partida de los pronsticos econmicos. La primera razn es la necesidad de considerar el probable efecto del componente cclico durante el periodo de pronstico. La segunda es la importancia de identificar los factores causales especficos que han influido en las variables de series de tiempo.

Pronsticos a corto plazo. Suele suponerse que el efecto del componente cclico es el mismo que se ha incluido en los valores recientes de la serie de tiempo. cuando se trata de periodo ms prolongados, o incluso de periodos cortos en pocas de inestabilidad econmica, es importante identificar los puntos de cambio de ciclo de la economa nacional. Las variaciones cclicas asociadas con un producto en particular pueden coincidir o no con el ciclo econmico general.

EJEMPLO . Histricamente, las ventas industriales de automviles han coincidido estrechamente con el ciclo econmico general de las economas nacionales. Por el contrario, las ventas de autopartes han sido comnmente opuestas, en cuanto al factor cclico, respecto del ciclo econmico general. El Instituto Nacional de Investigacin Econmica (NBER) de Estados Unidos ha identificado y dado a conocer series de tiempo histricamente indicadoras de expansiones y recesiones cclicas respecto del ciclo econmico general. Indicadores lder: han llegado habitualmente a puntos de cambio de ciclo antes del cambio correspondiente en la actividad econmica general. -Las horas semanales promedio laboradas en manufactura. -El valor de nuevos pedidos de bienes de consumo y materiales -ndice comn de precios de las acciones.

 Indicadores coincidentes: est compuesto por series de tiempo cuyos puntos de cambio han coincidido usualmente con el ciclo econmico general. -La tasa de empleo -El ndice de produccin industrial. Indicadores rezagados: es el integrado por series de tiempo cuyas cumbres y valles suelen retardarse en comparacin con las del ciclo econmico general. -Los inventarios de manufactura y comerciales y la tasa preferencial promedio que cobran los bancos.

Adems de considerar el efecto de las fluctuaciones cclicas y de pronosticar tales fluctuaciones, tambin :deben estudiarse las variables causales especficas que han influido histricamente en los valores de series de tiempo. - Los anlisis de regresin y correlacin son particularmente aplicables a tales estudios * Relacin entre estrategia de precios y volumen de ventas. reas que demandan especial atencin. Los anlisis histricos Las posibles implicaciones de nuevos productos y de cambios en el mbito de la comercializacin.

PRONSTICOS BASADOS EN PROMEDIOS MVILES

Un promedio mvil es el promedio de los n valores de datos ms recientes de una serie de tiempo. PM = (n valores ms recientes) n A medida que se dispone del nuevo valor de un dato de una serie de tiempo, la nueva observacin remplaza a la antigua en la serie de n valores como base para determinar el nuevo promedio, lo que explica el motivo de que se llame promedio mvil. El promedio mvil puede servir para: -Pronosticar los valores de datos del siguiente periodo de la serie de tiempo, pero no los de datos de periodos ms distantes a futuro. -Es un mtodo adecuado de pronstico cuando en los datos no est presente la influencia de una tendencia, cclica o estacional, situacin por dems improbable. As, este procedimiento sirve sencillamente para promediar el componente irregular de los datos recientes de una serie de tiempo.

Pronostique el nivel de ventas trimestrales para cada trimestre de 2001 con base en la ecuacin de tendencia trimestral y en los ndices estacinales. YT(trimestralmente) = 37.2 + 11.9X Los valores pronosticados con base en la ecuacin de tendencia trimestral y despus ajustados con los ndices estacinales trimestrales son: Primer trimestre, 2001 = [37.2 + 11.9(44)] x _134.1 = 752.0 100 Segundo trimestre, 2001 = [37.2+ 11.9(45)) x _87.5_ = 501.1 100 Tercer trimestre, 2001 = [37.2 + 11.9(46)] x _64.2_ = 375.3 100 Cuarto trimestre, 2001 = [37.2 + 11.9(47)] x _114.1_ = 680.6 100
Clculo de los ndices estacinales para los datos trimestrales
ndice Media modificada 1 32.6 S6.5 63.5 112.8 395.4 estacional: media x 1.0116* 134.1 87.5 64.2 114.1 399.9

Trimestre 1 2 3 4

1995

1996 126.3 103.7 64.0

1997 136.6 76.2 50.0

1998 146.7 86.2 58.8

1999 122.2 85.3 70.0 111.6

2000 134.8 87.9

67.8

110.3

106,7

116.4

127.5

*Factor de ajuste=400/395.4= 1.0116.

LA SUAVIZACIN EXPONENCIAL COMO MTODO DE PRONSTICO

La suavizacin exponencial es un mtodo de pronstico basado en el uso de promedios ponderados. La base de ponderacin es exponencial porque se concede la mayor ponderacin al valor correspondiente al periodo inmediatamente anterior al periodo de pronstico y las ponderaciones decrecen exponencialmente para los valores de datos de periodos anteriores.

SUAVIZACIN EXPONENCIAL SIMPLE.

Si es una constante de suavizacin, el valor reciente de la serie de tiempo se pondera con , el siguiente valor ms reciente se pondera con (l - ), el Siguiente valor con (l - )2, y as sucesivamente, despus de lo cual se suman todos los valores ponderados para determinar el pronstico:
t-1=

Yt + (1 ) Yt-1 + (1 )2 Yt-2 + ..... + (1 ) Yt-k

Donde
pronstico para el siguiente periodo. = constante de suavizacin. (01) Yt = valor real para el periodo ms reciente. Yt-1 = valor real para el periodo anterior al ms reciente. Yt-k = valor real para los k periodos anteriores al ms reciente.
t-1=

Aunque la frmula anterior sirve para exponer el razonamiento de la suavizacin exponencial, su uso es sumamente imprctico. Por lo general se usa un procedimiento simplificado, para el que se requiere de un pronstico "semilla" inicial pero no de la determinacin de ponderaciones. La frmula para la determinacin de pronstico por medio del mtodo simplificado de suavizacin exponencial es:

t-1=
Donde

t +

(Yt

t)

t-1= pronstico para el siguiente periodo. t = pronstico para el periodo ms reciente.

= constante de suavizacin. (01) Yt = valor real para el periodo ms reciente.

EJEMPLO: Usando el nivel real de ventas de 1994 de 1.1 millones de dlares como el pronstico semilla para 1995, determine el pronstico para cada monto de ventas anuales con el mtodo de suavizacin exponencial simple. Use primero una constante de suavizacin de = 0.80 y despus una constante de suavizacin de = 0.20, y compare los dos conjuntos de pronsticos.
AO VENTAS, EN CODIFICADO MILLONES (X) DE DLARES 0 0,2 1 0,4 2 0,5 3 0,9 4 1,1 5 1,5 6 1,3 7 1,1 8 1,7 9 1,9 10 2,3 55 12,90

AO 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 TOTAL

XY 0 0,4 1 2,7 4,4 7,5 7,8 7,7 13,6 17,1 23 85,2

X2 0 1 4 9 16 25 36 49 64 81 100 385

Por ejemplo, el monto pronosticado para 1996 con base en = 0.20 se determin de la siguiente manera:
t+1= t

(Yt

t) 1995)

1996

1995

+ (Y1995 -

=$1.1 + 0.20 (0.4) =1.1 + 0.08 =

1.18

$1.2
= 0.80 Error de Pronstico pronstico ( t) (Yt t) 1,1 0,4 1,4 -0,12 1,3 -0,2 1,1 0,6 1,6 0,3 1,8 0,5 2,2

AO (t)

1995 1996 1997 1998 1999 2000 2001

VENTAS, EN = 0.20 MILLONES Error de DE DLARES Pronstico pronstico (Yt) ( t) (Yt t) 1,5 1,1 0,4 1,3 1,2 0,1 1,1 1,2 -0,1 1,7 1,2 0,5 1,9 1,3 0,6 2,3 1,4 0,9 1,6

OTROS MTODOS DE PRONSTICO POR SUAVIZACIN Para mtodos de pronstico ms complejos, se incorporan ms influencias y permiten obtener pronsticos para varios periodos futuros. Algunos de estos mtodos son: Suavizacin exponencial lineal Suavizacin exponencial de Holt Suavizacin exponencial de Winter Modelos autorregresivos integrados y de promedio mvil (ARIMA)

SUAVIZACIN EXPONENCIAL LINEAL Usa una ecuacin de tendencia lineal basad en los datos de la serie de tiempo, los valores de ponderan exponencialmente con base en una constante de suavizacin. SUAVIZACIN EXPONENCIAL DE HOLT Usa una ecuacin de tendencia lineal basada en el empleo de dos constante de suavizacin: una para estimar el nivel actual de los valores de la serie de tiempo y otra para estimar la pendiente. SUAVIZACIN EXPONENCIAL DE WINTER Incorpora influencias estacionales en el pronstico, hace uso de tres constantes de suavizacin: una para estimar el nivel actual de los valores de series de tiempo, la segunda para estimar la pendiente de la lnea de tendencia y la tercera para estimar el factor estacional por emplear como multiplicador.

MODELOS AUTORREGRESIVOS INTEGRADOS Y DE PROMEDIO MVIL (ARIMA) Categora de mtodos de pronstico en los que valores previamente observados en la serie de tiempo se usan como variables independientes en modelos de regresin. Mtodo Box - Jenkins Es el mtodo de ms amplio uso, y hace uso explcito de la existencia de auto correlacin en las series de tiempo.