Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1.1 INTRODUCCIN
1. Series econmicas:
2. Series Fsicas:
3. Geofsica:
Ejemplos
- Precios de un artculo
- Tasas de desempleo
- Tasa de inflacin
- ndice de precios, etc.
- Meteorologa
- Cantidad de agua cada
- Temperatura mxima diaria
- Velocidad del viento (energa elica)
- Energa solar, etc.
- Series sismologas
5. Series de marketing:
6. Series de telecomunicacin:
- Anlisis de seales
7. Series de transporte:
- Series de trfico
4. Series demogrficas:
Figura 1.1
Los dos puntos enmarcados en un crculo parecen corresponder a un comportamiento anormal de
la serie. Al investigar estos dos puntos se vio que correspondan a dos das de paro, lo que
naturalmente afect la produccin en esos das. El problema fue solucionado eliminando las
observaciones e interpolando.
Figura 1.2
c) Variacin estacional: la variacin estacional representa un movimiento
peridico de la serie de tiempo. La duracin de la unidad del periodo es
generalmente menor que un ao. Puede ser un trimestre, un mes o un da, etc
(ver figura 1.3).
Figura 1.3
d) Variaciones irregulares (componente aleatoria): los movimientos irregulares (al azar)
representan todos los tipos de movimientos de una serie de tiempo que no sea tendencia,
variaciones estacionales y fluctuaciones cclicas.
Un modelo clsico para una serie de tiempo, supone que una serie x(1), ...,
x(n) puede
ser
expresada
como
suma
o
producto
de
tres
componentes: tendencia, estacionalidad y un trmino de error aleatorio.
Existen tres modelos de series de tiempos, que generalmente se aceptan como
buenas aproximaciones a las verdaderas relaciones, entre los componentes de los
datos observados. Estos son:
1. Aditivo: X(t) = T(t) + E(t) + A(t)
2. Multiplicativo: X(t) = T(t) E(t) A(t)
3. Mixto: X(t) = T(t) E(t) + A(t)
Donde:
X(t) serie observada en instante t
T(t) componente de tendencia
E(t) componente estacional
A(t) componente aleatoria (accidental)
Una suposicin usual es que A(t) sea una componente aleatoria o ruido blanco
con media cero y varianza constante.
Un modelo aditivo (1), es adecuado, por ejemplo, cuando E(t) no depende de
otras componentes, como T(t), s por el contrario la estacionalidad vara con la
tendencia, el modelo ms adecuado es un modelo multiplicativo (2). Es claro
que el modelo 2 puede ser transformado en aditivo, tomando logaritmos. El
problema que se presenta, es modelar adecuadamente las componentes de la
serie.
La figura 2.1 ilustra posibles patrones que podran seguir series representadas por
los modelos (1), (2) y (3).
3) Utilizar diferencias.
2.2.1 AJUSTE DE UNA FUNCIN
(Lineal)
4.T(t) = 0 + 1t ,...,+mtm
linomial)
2.T(t) =
ebt (Exponencial)
a (Exponencial modificada)
6. T(t) =
Logstica)
Nota:
i. la curva de tendencia debe cubrir un periodo relativamente largo para ser
una buena representacin de la tendencia a largo plazo.
ii. La tendencia rectilnea y exponencial son aplicable a corto plazo, puesto
que una curva S a largo plazo puede parecer una recta en un perodo
restringido de tiempo (por ejemplo).
Figura 2.2
En la figura 2.2 ambas curvas (recta y Gompertz) ajustan bien pero las
proyecciones divergen enormemente a largo plazo.
Ejemplo 1: En la tabla 2.1 se presentan los datos trimestrales de unidades
habitacionales iniciadas en los Estados Unidos desde el tercer trimestre de 1964
hasta el segundo trimestre de 1972 [1]. (Es necesario advertir que para el anlisis
de tendencia el periodo que se considera debera ser ms largo. Sin embargo, ya
que el propsito principal es el de ilustrar el mtodo de descomposicin y las
tcnicas para inferir partiendo de los elementos as descompuestos, la
insuficiencia de los datos no tiene por qu interesar.)
Tabla 2.1: Nuevas unidades habitacionales comenzadas en los Estados Unidos
del tercer trimestre de 1964 al segundo trimestre de 1972 (en miles de unidades).
Ao
1964
1965
1966
1967
1968
1969
1970
1971
1972
II
283
274
218
298
336
264
389
510
454
392
382
452
468
399
604
661
III
398
392
290
382
423
387
408
579
IV
352
345
210
340
372
309
396
513
Total Anual
1,474
1,166
1,322
1,545
1,500
1,467
2,085
Sea t cada uno de los 32 trimestres que van de 1964 a 1972, o sea que t = 1 para
el tercer trimestre de 1964, t = 2 para el cuarto trimestre, y as
sucesivamente. As que el dominio de definicin de t es el conjunto de los
enteros de 1 a 32 inclusive. Sea T(t) las iniciaciones de viviendas
trimestralmente. Los valores de t y T(t) se dan en la tabla 2.2. Para calcular los
valores de a y de b en la recta de tendencia
T(t) = a + bt
t
4
1965: 1
2
3
4
1966: 1
2
3
4
1967: 1
2
3
4
1968: 1
2
3
4
1969: 1
2
3
4
1970: 1
2
3
4
1971: 1
2
3
4
1972: 1
2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
T(t)
Tendencia
398
291,73
352
298,07
283
304,41
454
310,75
392
317,09
345
323,43
274
329,77
392
336,11
290
342,45
210
348,79
218
355,13
382
361,47
382
367,81
340
374,15
298
380,49
452
386,83
423
393,17
372
399,51
336
405,85
468
412,19
387
418,53
309
424,87
264
431,21
399
437,55
408
443,89
396
450,23
389
456,57
604
462,91
579
469,25
513
475,59
510
481,93
661
488,27
Figura 2.3
2.2.2 SUAVIZAMIENTO. FILTROS LINEALES
10
Figura 2.4
Lo que hacemos es usar una expresin lineal que transforma la serie X(t) en una
serie suavizada Z(t): Z(t) = F(X(t)), t = 1,...,n
de tal modo que F(X(t)) = T(t). La funcin F se denomina Filtro Lineal. El filtro
lineal ms usado es el promedio mvil.
2.2.2.1 PROMEDIOS MVILES
(1)
Para una serie trimestral, con estacionalidad anual (s = 4), la serie suavizada est
dada por
11
(2)
A este procedimiento se les llama: filtro simtrico finito.
Nota: se suaviza cuando existen muchos cambios bruscos, movimientos
irregulares.
2.3 ESTIMACIN DE LA ESTACIONALIDAD
Aditivo
b)
Mixto
(a)
(b)
Figura 2.6
Pues si no hay tendencia, se espera
12
Como
para serie mensual, entonces basta
estimar E(1), E(2), E(3), ... , E(12). Para una serie trimestral, bastara
conocer: E(1), E(2), E(3) y E(4).
Suponga que se ha estimado la tendencia por alguno de los mtodos vistos en la
seccin previa. Sea
la estimacin de la tendencia ya sea mediante una curva
o filtros lineales. Entonces,
Si el modelo es aditivo
efectos de tendencia removidos.
3. PREDICCIONES
Modelo Mixto
Modelo Aditivo