Sesion5 Series Temporales

Series Temporales
SERIES TEMPORALES
Autores: Manuel Terrdez (mterradez@uoc.edu), ngel A. Juan (ajuanp@uoc.edu)
ESQUEMA DE CONTENIDOS__
________________________
Medias mviles
Series Temporales
Anlisis de la serie
Anlisis de la tendencia
Mtodo de descomposicin
Autocorrelacin
Modelo combinado
INTRODUCCIN
___________________
Una serie temporal es un conjunto de observaciones ordenadas en el tiempo, que pueden

representar la evolucin de una variable (econmica, fsica, etc.) a lo largo de l.
El objetivo del anlisis de una serie temporal es el conocimiento de su patrn de
comportamiento, para as prever su evolucin futura, suponiendo que las condiciones no
variarn.
Dado que no se trata de fenmenos deterministas, sino sujetos a una aleatoriedad, el
estudio del comportamiento pasado ayuda a inferir la estructura que permita predecir su
comportamiento futuro, pero es necesaria una gran cautela en la previsin debido a la
inestabilidad del modelo.
La particular forma de la informacin disponible de una serie cronolgica (se dispone de
datos en periodos regulares de tiempo) hace que las tcnicas habituales de inferencia
estadstica no sean vlidas para estos casos, ya que nos encontramos ante n muestras de
tamao 1 procedentes de otras tantas poblaciones de caractersticas y distribucin
desconocidas.
Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
Series Temporales
OBJETIVOS
________________________
Entender la estructura especial de la informacin en una serie temporal.
Comprender qu est sucediendo con los datos (patrn de comportamiento).
Predecir valores futuros.
CONOCIMIENTOS PREVIOS
___________________________________
Aparte de estar iniciado en el uso del paquete estadstico Minitab, resulta muy conveniente
haber ledo con profundidad los siguientes math-blocks:
Estadstica descriptiva.
Anlisis de regresin y correlacin lineal.
CONCEPTOS FUNDAMENTALES
______________________________
Consideraciones previas al anlisis

Normalmente, la mejor forma de comenzar a analizar los datos de una serie temporal
es representar las observaciones vs. el tiempo a fin de detectar tendencias, patrones
estacionarios, y outliers.
Si la variabilidad de la serie cambia con el tiempo, es conveniente aplicar una
transformacin a los datos que estabilice la varianza. Se suele utilizar una
transformacin logartmica o, en ocasiones, considerar el cambio porcentual de cada
observacin a la siguiente (en lugar de las propias observaciones). Para estudiar dicha
variabilidad, podemos hacer (con ayuda de un programa estadstico, por ejemplo
Minitab) lo siguiente:
1.
2.
3.
Colocar las observaciones en la columna 1

Colocar en la columna 2 las observaciones desplazadas en un lugar (lag = 1)
Calcular en la columna 3 la diferencia entre los datos de ambas columnas
Los pasos 2 y 3 se pueden hacer con Minitab mediante las opciones Stat > Time
Series > Lag , y Calc > Calculator, o bien directamente con la opcin
Stat > Time Series > Differences, como se muestra a continuacin:
Proyecto e-Math
Series Temporales
Representando ahora la columna de las diferencias podemos saber si la varianza

permanece aproximadamente constante.
Proyecto e-Math
Series Temporales
200
DIFER
100
0
-100
-200
-300
Index
10
20
30
40
En el ejemplo anterior, se observa que la varianza permanece aproximadamente

constante (con excepcin de los dos outliers), por lo que no parece necesario aplicar
ninguna transformacin a los datos.
Es frecuente que nos interese comparar el valor observado en un instante temporal
determinado con el valor observado en algn instante anterior. As, podramos estar
interesados en comparar los datos de la columna OBSERV con los de la columna LAG
= 1 (los mismos datos pero desplazados en una unidad temporal). Esta comparacin
nos puede permitir determinar el coeficiente de correlacin entre ambos conjuntos de
datos, lo cual ser til a la hora de realizar predicciones. Para determinar dichas
correlaciones haremos uso de la funcin de autocorrelacin y de la funcin de
autocorrelacin parcial.
En el anlisis de las series temporales se considera que las observaciones contienen:
(a) un patrn sistemtico, y (b) un componente de error aleatorio al que llamaremos
ruido. La mayora de las tcnicas que veremos tendrn como objetivo filtrar dicho
ruido.
Proyecto e-Math
Series Temporales
El anlisis de la tendencia es un mtodo que consiste en ajustar un modelo de
tendencia general a una serie temporal con el fin de realizar predicciones. Se suele
utilizar cuando la serie no contiene componente estacionario alguno.
Los datos deben estar todos en la misma columna. Minitab permite elegir entre cuatro
modelos diferentes: lineal, cuadrtico, exponencial, y curva en forma de S. En el caso
de elegir este ltimo, es necesario eliminar de la columna todas las casillas que no
contengan datos vlidos (missing data).
El programa ofrece tres medidas para estimar la bondad del ajuste:
MAPE =
MAD =
MSD =
(y t y t ) / y t
n
100
(y t 0)
y t y t
n
(y t y t )
n
y
En las expresiones anteriores, y t representa la observacin, t representa el valor
pronosticado, y n representa el nmero de predicciones a realizar.
Para las tres medidas, cuanto menor sea su valor, mejor ser el ajuste del modelo.
Descomposicin
El mtodo de descomposicin permite, dada una serie temporal, separarla en sus
respectivos componentes: por un lado nos proporcionar la tendencia lineal y, por otro,
su estacionalidad.
Usaremos el mtodo de descomposicin cuando:
(a)
deseemos realizar predicciones y la serie tenga un componente estacional, o
(b)
queramos examinar la naturaleza de los componentes de la serie.
El componente estacional de la serie puede tener, con respecto a la tendencia, un

carcter aditivo o un carcter multiplicativo. Usaremos un modelo multiplicativo
cuando la variacin del patrn estacional aumente al desplazarnos hacia la derecha en
el grfico. Si, por el contrario, la variacin del patrn estacional permanece constante,
usaremos un modelo aditivo.
Proyecto e-Math
Anlisis mltiple de datos
Modelo multiplicativo:
y t = Tendencia Estacionalidad + Error
Modelo aditivo:
y t = Tendencia + Estacionalidad + Error
Generalmente, realizaremos la descomposicin en un solo paso a partir de las

observaciones colocadas en una nica columna. Sin embargo, cuando las
observaciones muestren una tendencia no lineal, suele ser conveniente realizar una
descomposicin de los residuos del modelo de tendencia previamente calculado. Esta
alternativa suele mejorar el ajuste del modelo al combinar la informacin del anlisis de
tendencia con la informacin de la descomposicin.
Modelo combinado
Cuando las observaciones muestren una tendencia no lineal, suele ser conveniente
realizar una descomposicin de los residuos del modelo de tendencia previamente
calculado (anlisis combinado). Esta alternativa suele mejorar el ajuste del modelo al
combinar la informacin del anlisis de tendencia con la informacin de la
descomposicin.
Medias mviles
El mtodo de las medias mviles es un mtodo dinmico que consiste en promediar
observaciones consecutivas de una serie para suavizar el patrn que siguen los datos
y realizar predicciones a corto plazo. Este procedimiento suele emplearse cuando las
observaciones no muestran patrones de tendencia o estacionarios, si bien es posible
emplearlo tambin con series que tengan componentes estacionarios o de tendencia.
Para calcular la media mvil se promedian grupos de observaciones consecutivas.
Supongamos, por ejemplo, que una serie comienza con los nmeros 4, 5, 8, 9, 10, ,
y que usamos una longitud de 3 para calcular la media mvil. Entonces, los dos
primeros valores de la media mvil sern desconocidos, mientras que el tercero ser el
promedio entre las observaciones 4, 5, y 8. Por su parte, el cuarto valor ser el
promedio entre 5, 8, y 9, etc.
Si la serie no tiene componente estacionario, suele ser habitual tomar medias mviles
de poca longitud para suavizar la serie, si bien dicha longitud depende del nivel de
ruido (error) que contenga la serie: si tomamos una media mvil de longitud grande
estaremos eliminando mucho ruido, pero el patrn resultante tambin ser menos
sensible a cambios en las series. Si la serie contiene un patrn estacionario se suele
usar el perodo como longitud para la media mvil.
Proyecto e-Math
Anlisis mltiple de datos
Autocorrelacin y autocorrelacin parcial

A la hora de realizar pronsticos, sera muy til detectar la existencia, en las
observaciones, de algn patrn que nos indicase cmo varan los datos de un instante
temporal al siguiente. Por ejemplo, podra ocurrir que un valor por debajo de la media
en el instante t propiciara obtener un valor alto en el instante t+1 (o viceversa).
La funcin de autocorrelacin nos puede ayudar a identificar tales patrones. La idea
es calcular el coeficiente de correlacin entre el conjunto de observaciones y el
conjunto de observaciones desplazadas en n instantes temporales (lag = n).
Lgicamente, estaremos interesados en detectar niveles altos de autocorrelacin.
Pero no debemos olvidar que los coeficientes de autocorrelacin son dependientes
entre s. Por ejemplo: si la primera columna (observaciones) est fuertemente
correlacionada con la segunda (lag = 1), y sta a su vez con la tercera (lag = 2),
entonces la primera estar tambin correlacionada con la tercera. Por este motivo,
suele ser interesante calcular tambin la funcin de autocorrelacin parcial, en la
cual ya se eliminan las dependencias con columnas intermedias. En cierto sentido,
podramos decir que la autocorrelacin parcial proporciona una visin ms clara de las
dependencias entre las observaciones.
Proyecto e-Math
Series Temporales
CASOS PRCTICOS CON SOFTWARE___________________________________

Nmero de empleados de una empresa
Durante los ltimos 60 meses, hemos ido registrando el nmero de empleados de una gran
empresa (fichero Empleados.mtw). Deseamos ahora hacer una prediccin, sobre la
evolucin de este indicador, en los prximos 12 meses. Dado que se observa en los datos un
patrn curvilneo, usaremos un modelo cuadrtico para ajustar las observaciones. Adems,
tambin se observa un componente estacionario, por lo que guardaremos los residuos a fin
de realizar, ms adelante, una descomposicin de los mismos y poder as mejorar nuestro
modelo.
Seleccionamos Stat > Time Series > Trend Analisis :
Completamos la ventana Trend Analisis y la de Storage como se muestra a continuacin:
Proyecto e-Math
Series Temporales
Trend Analysis
Data
Length
NMissing
Empleados
60,0000
0
Fitted Trend Equation

Yt = 320,762 + 0,509373*t
+ 1,07E-02*t**2
Accuracy Measures
MAPE:
MAD:
MSD:
Row
1
2
3
4
...
1,70760
5,95655
59,1305
Period
61
62
63
64
...
FORE1
391,818
393,649
395,502
397,376
...
Proyecto e-Math
Series Temporales
Trend Analysis for Empleados

Quadratic Trend Model
Yt = 320,762 + 0,509373*t + 1,07E-02*t**2
420
Actual
Fits
Forecasts
Empleados
Actual
Fits
Forecasts
370
MAPE:
MAD:
MSD:
320
0
10
20
30
40
50
60
1,7076
5,9566
59,1305
70
Time
El grfico anterior muestra las observaciones (Actual), la curva de tendencia que se ajusta a
las mismas (Fits), y los valores pronosticados (Forecasts).
Las observaciones presentan una tendencia creciente, con un claro componente estacionario.
La curva obtenida parece ajustarse bastante bien a la tendencia de las observaciones, pero el
patrn estacionario no est siendo considerado en este modelo.
Anlisis de descomposicin
Seleccionamos Stat > Time Series > Decomposition y completamos las ventanas
como se indica (elegiremos un modelo aditivo):
Proyecto e-Math
10
Series Temporales
El output del programa nos ofrece informacin textual y grfica. Observar que, con este
modelo, obtenemos un valor de 20,30 para el MSD:
Time Series Decomposition
Data
Length
NMissing
Empleados
60,0000
0
Trend Line Equation

Yt = 313,989 + 1,16485*t
Seasonal Indices
Period
Index
1
2
3
4
5
6
7
8
9
10
11
12
-8,48264
-13,3368
-11,4410
-5,81597
0,559028
3,55903
1,76736
3,47569
3,26736
5,39236
8,49653
12,5590
Accuracy of Model
MAPE:
MAD:
MSD:
0,8797
2,9550
20,2982
Forecasts
Row
Period
Forecast
1
2
3
4
5
6
7
8
9
10
11
12
61
62
63
64
65
66
67
68
69
70
71
72
376,562
372,873
375,933
382,723
390,263
394,428
393,801
396,674
397,631
400,921
405,190
410,417
Proyecto e-Math
11
Series Temporales
Decomposition Fit for Empleados
Actual
Predicted
400
Forecast
Actual
Empleados
Predicted
Forecast
350
0,8797
2,9550
20,2982
MAPE:
MAD:
MSD:
300
0
10
20
30
40
50
60
70
Time
En las siguientes imgenes se muestran, por separado, la serie original de observaciones, los
datos una vez eliminada la tendencia, los datos una vez extrado el patrn estacional, y los
datos una vez extrados el patrn estacional y la tendencia:
Component Analysis for Empleados

Original Data
Detrended Data
400
390
380
370
360
350
340
330
320
310
10
0
-10
-20
0
10
20
30
40
50
60
Seasonally Adjusted Data
10
20
30
40
50
60
Seasonally Adj. and Detrended Data
390
15
380
10
370
360
350
340
-5
330
320
-10
0
10
20
30
40
50
60
10
20
30
Proyecto e-Math
40
50
60
12
Series Temporales
Finalmente, en el ltimo conjunto de grficos se muestra un anlisis estacional: grfico de
ndices estacionales, grfico de variacin porcentual por estaciones, grfico de boxplots
referidos a observaciones agrupadas por perodos estacionarios, y grfico de boxplots de los
residuos agrupados por perodos estacionarios.
Seasonal Analysis for Empleados

Seasonal Indices
Original Data, by Seasonal Period

400
390
380
370
360
350
340
330
320
310
10
-10
1
9 10 11 12
Percent Variation, by Seasonal Period

15
9 10 11 12
Residuals, by Seasonal Period

15
10
10
5
0
-5
0
-10
1
9 10 11 12
9 10 11 12
Anlisis combinado (tendencia+descomposicin)

Usaremos los residuos obtenidos en el anlisis de la tendencia (guardados en la columna
RESI1) para combinarlo con el mtodo de descomposicin:
Seleccionamos Stat >
ventanas como se indica:
Time Series > Decomposition y completamos las
Proyecto e-Math
13
Series Temporales
A continuacin se muestra el output generado por el programa:
Data
Length
NMissing
RESI1
60,0000
0
Seasonal Indices
Period
Index
1
2
3
4
5
6
7
8
9
10
11
12
-8,48264
-13,3368
-11,4410
-5,81597
0,559028
3,55903
1,76736
3,47569
3,26736
5,39236
8,49653
12,5590
Accuracy of Model
MAPE:
MAD:
MSD:
881,582
2,802
11,899
Forecasts
Row
Period
FORE2
1
2
3
4
5
6
7
8
9
10
11
12
61
62
63
64
65
66
67
68
69
70
71
72
-8,4826
-13,3368
-11,4410
-5,8160
0,5590
3,5590
1,7674
3,4757
3,2674
5,3924
8,4965
12,5590
El grfico siguiente nos proporciona la serie de residuos original (Actual), la lnea de

tendencia asociada (horizontal, ya que son los residuos), los valores estimados (Predicted), y
los pronosticados (Forecasts):
Proyecto e-Math
14
Series Temporales
Decomposition Fit for RESI1
Actual
Predicted
10
Forecast
Actual
RESI1
Predicted
Forecast
-10
MAPE:
MAD:
MSD:
-20
0
10
20
30
40
50
60
881,582
2,802
11,899
70
Time
En las siguientes imgenes se muestran, por separado, la serie original de observaciones
(residuos), los datos una vez eliminada la tendencia (en este caso queda igual, por ser la
tendencia horizontal), los datos una vez extrado el patrn estacional, y los datos una vez
extrados el patrn estacional y la tendencia:
Component Analysis for RESI1

Original Data
Detrended Data
10
10
-10
-10
-20
-20
0
10
20
30
40
50
60
Seas onally Adjus ted Data

10
-5
-5
10
20
30
40
50
20
30
40
50
60
Seas onally Adj. and Detrended Data
10
10
60
10
20
30
Proyecto e-Math
40
50
60
15
Series Temporales
En el primero de los grficos (Decomposition FIT) se observa que los residuos obtenidos en el
anlisis de tendencia (ver ejemplo anterior) se ajustan bastante bien por el modelo generado
usando el mtodo de descomposicin. Si acaso, vemos que el valor estimado en el primero
de los ciclos es considerablemente menor que el valor real, mientras que ocurre todo lo
contrario en el ltimo de los ciclos. Esto tambin se puede apreciar claramente en el grfico
de nombre Seasonally Adj. And Detrended Data.

referidos a observaciones (residuos) agrupadas por perodos estacionarios, y grfico de
boxplots de los residuos (de las observaciones) agrupados por perodos estacionarios.
Seasonal Analysis for RESI1

Seasonal Indices
10

10
0
-10
-10
-20
1
9 10 11 12
9 10 11 12

10
10
5
0
-5
0
1
9 10 11 12
Proyecto e-Math
9 10 11 12
16
Series Temporales
Veamos ahora cmo podemos calcular los valores estimados (Predicted) y los pronosticados
(Forecasted):
Seleccionamos Calc > Calculator .
Guardaremos los nuevos valores estimados, obtenidos como suma (por ser un modelo
aditivo) de:
(a) los valores estimados provenientes del anlisis de la tendencia (FITS1), y
(b) los provenientes de la descomposicin de los residuos (FITS2)

Completaremos, pues, la ventana como se muestra a continuacin:
Ahora haremos lo mismo con los valores pronosticados:
Proyecto e-Math
17
Series Temporales
Comprobemos cmo quedan todos los datos anteriores en un grfico de series temporales.
Usaremos la opcin Graph > Time Series Plot :
Proyecto e-Math
18
Series Temporales
Empleados
400
350
300
Index
12
22
32
42
52
62
72
En el grfico anterior, los crculos representan las observaciones, los smbolos + representan
las estimaciones. Los pronsticos se representan con otro smbolo.
Calculemos ahora el valor del MSD. Haremos uso para ello de la frmula y de la opcin Calc
> Calculator :
Proyecto e-Math
19
Series Temporales
Como se observa en la siguiente pantalla, el valor del MSD que se obtiene con este mtodo
combinado es de 11,90:
Podemos comparar la bondad del ajuste de los diferentes modelos usando el MSD obtenido.
El valor del MSD para el modelo de tendencia cuadrtica era de 59,13. Los modelos de
descomposicin aditiva y multiplicativa con tendencia lineal daran un MSD de 20,30 y 18,54
respectivamente. El valor del MSD para la combinacin de tendencia cuadrtica y
descomposicin de residuos es de 11,90, lo que indica que este mtodo combinado es el que
proporciona un mejor ajuste. Probablemente sea tambin interesante calcular el valor MSD
para el modelo multiplicativo.
Proyecto e-Math
20
Series Temporales
Evolucin de la temperatura de un ro
En el archivo Rio.mtw se ha registrado (en la variable Temp) la temperatura del agua de
un ro en las ltimas 90 horas.
En primer lugar, a fin de determinar si la temperatura en una hora concreta est
correlacionada con la temperatura registrada una hora antes, dos horas antes, etc.,
calcularemos la funcin de autocorrelacin con lags = 24
Posteriormente realizaremos con Minitab un anlisis de la tendencia y un anlisis de
descomposicin (no combinado) de la serie temporal que origina la variable Temp.
Por otra parte, usando medias mviles de longitud 4, intentaremos predecir la temperatura de
las prximas 12 horas
Estudio de la autocorrelacin y la autocorrelacin parcial
Stat > Time Series > Autocorrelation :
Observar en el grfico siguiente que la funcin de correlacin tiene una forma senosuidal, lo
cual sugiere que las temperaturas de horas cercanas estarn positivamente correlacionadas
(de hecho, el valor obtenido para la correlacin entre la columna de las observaciones y la
columna desplazada en una unidad es de 0,95), mientras que temperaturas separadas por 12
horas estarn negativamente correlacionadas (-0,70 en este ejemplo). Notar tambin la
existencia de un componente estacionario de perodo 24 horas.
Proyecto e-Math
21
Series Temporales
Autocorrelation
Autocorrelation Function for Temp

1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Lag Corr
12
LBQ
Lag Corr
LBQ
Lag Corr
22
LBQ
Lag Corr
LBQ
1 0,95 9,25 88,34
8 -0,36 -1,44 249,83
15 -0,53 -1,57 549,45
22 0,52 1,45 640,21
2 0,84 4,87 157,57
9 -0,50 -2,00 277,09
16 -0,41 -1,18 569,00
23 0,62 1,68 688,98
3 0,67 3,21 203,14
10 -0,61 -2,33 317,54
17 -0,26 -0,75 577,17
24 0,66 1,75 745,79
4 0,48 2,06 226,19
11 -0,67 -2,43 367,27
18 -0,10 -0,27 578,29
5 0,26 1,08 233,18
12 -0,70 -2,37 420,99
19 0,08 0,21 578,99
6 0,04 0,16 233,34
13 -0,68 -2,19 472,74
20 0,24 0,69 586,23
7 -0,17 -0,70 236,44
14 -0,62 -1,91 516,86
21 0,39 1,11 605,55
Al analizar grficos como el anterior, no debemos olvidar que los coeficientes de

autocorrelacin son dependientes entre s. Por ejemplo: si la primera columna
(observaciones) est fuertemente correlacionada con la segunda (lag = 1), y esta a su vez
con la tercera (lag = 2), entonces la primera estar tambin correlacionada con la tercera. Por
este motivo, suele ser interesante calcular tambin la funcin de autocorrelacin parcial,
en la cual ya se eliminan las dependencias con columnas intermedias. En cierto sentido,
podramos decir que la autocorrelacin parcial proporciona una visin ms clara de las
dependencias entre las .
Stat > Time Series > Partial Autocorrelation :
Proyecto e-Math
22
Series Temporales
Partial Autocorrelation
Partial Autocorrelation Function for Temp

1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Lag PAC
12
Lag PAC
22
Lag PAC
Lag PAC
1 0,95
9,25
0,02
0,24
15
0,04
0,40
22 0,14
1,36
2 -0,66
-6,44
9 -0,08
-0,77
16
0,10
0,95
23 -0,10
-0,93
3 -0,29
-2,80
10 -0,03
-0,30
17
0,07
0,72
24 -0,13
-1,25
4 -0,23
-2,28
11 -0,08
-0,77
18
0,16
1,56
5 -0,09
-0,84
12 -0,14
-1,36
19
0,01
0,06
6 -0,16
-1,60
13 -0,07
-0,70
20 -0,02
-0,16
7 -0,01
-0,11
14
0,04
0,35
21
0,02
0,19
Dado que se observa en los datos un patrn lineal, usaremos un modelo lineal para ajustar
las observaciones. Adems, tambin se observa un claro componente estacionario, por lo
que guardaremos los residuos a fin de realizar, ms adelante, una descomposicin de los
mismos y poder as mejorar nuestro modelo.
Seleccionamos Stat > Time Series > Trend Analisis
Proyecto e-Math
23
Series Temporales
La salida que ofrece Minitab es la siguiente:

Trend Analysis
Data
Length
NMissing
Temp
95,0000
0
Fitted Trend Equation

Yt = 42,6710 - 2,11E-02*t
Accuracy Measures
MAPE:
MAD:
MSD:
6,13991
2,51294
8,26801
Row
Period
FORE1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
40,6501
40,6291
40,6080
40,5869
40,5659
40,5448
40,5238
40,5027
40,4817
40,4606
40,4396
40,4185
40,3975
40,3764
40,3554
40,3343
40,3133
40,2922
40,2712
40,2501
40,2291
40,2080
40,1870
40,1659
Observar que las medidas de bondad del ajuste (MAPE, MAD y MSD) mantienen unos
valores bastante buenos (pequeos).
El siguiente grfico muestra las observaciones (Actual), la curva de tendencia que se ajusta a
las mismas (Fits), y los valores pronosticados (Forecasts).
Las observaciones presentan una tendencia decreciente, con un claro componente
estacionario. La recta obtenida no ajusta mal la tendencia de las observaciones, pero el
patrn estacionario no est siendo considerado en este modelo.
Proyecto e-Math
24
Series Temporales
Trend Analysis for Temp

Linear Trend Model
Yt = 42,6710 - 2,11E-02*t
Actual
45
Fits
Forecasts
Actual
Fits
Temp
Forecasts
40
MAPE:
MAD:
MSD:
35
0
50
Pasamos a realizar el anlisis de descomposicin.
6,13991
2,51294
8,26801
100
Time
Anlisis de descomposicin
Utilizamos un modelo aditivo, al no observarse que la variacin del patrn estacional crezca
con el tiempo.
Seleccionamos Stat > Time Series > Decomposition
La salida que ofrece Minitab es la siguiente:
Proyecto e-Math
25
Series Temporales
Data
Length
NMissing
Temp
95,0000
0
Trend Line Equation

Yt = 42,6710 - 2,11E-02*t
Seasonal Indices
Period
Index
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
0,919957
1,60121
1,94391
2,41391
2,91829
3,09621
2,99412
3,15204
3,16475
3,07621
2,61058
0,905998
-1,14609
-1,59484
-2,81734
-3,60754
-4,40838
-4,77692
-4,44046
-3,22254
-1,92629
-0,73692
-0,10129
-0,01859
Accuracy of Model
MAPE:
MAD:
MSD:
2,03073
0,83542
1,13924
Forecasts
Row
Period
Forecast
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
40,6315
41,5490
42,2092
42,5309
42,9798
43,4631
43,6200
43,4969
43,6337
43,6254
43,5158
43,0291
41,3035
39,2304
38,7606
37,5170
36,7057
35,8839
35,4943
35,8097
37,0065
38,2817
39,4501
40,0646
Proyecto e-Math
26
Series Temporales
Notar que todas las medidas de bondad del ajuste (MAPE, MAD y MSD) son menores que en
el caso anterior, lo cual indica que este modelo se ajusta mejor a la serie. Esto tambin se ve
claramente en el primero de los grficos siguientes, donde se observa que ahora el
componente estacional s se est teniendo en cuenta.
En el segundo bloque de imgenes se muestran, por separado, la serie original de
observaciones, los datos una vez eliminada la tendencia, los datos una vez extrado el patrn
estacional, y los datos una vez extrados el patrn estacional y la tendencia
referidos a observaciones agrupadas por perodos estacionarios, y grfico de boxplots de los
residuos agrupados por perodos estacionarios.
Proyecto e-Math
27
Series Temporales
Decomposition Fit for Temp
Actual
45
Predicted
Forecast
Actual
Predicted
Temp
Forecast
40
MAPE:
MAD:
MSD:
35
0
50
2,03073
0,83542
1,13924
100
Time
Component Analysis for Temp

Original Data
Detrended Data
5
45
40
-5
35
0
10 20 30 40
50 60 70 80 90 100
Seasonally Adjusted Data

44
10 20 30 40 50 60 70 80 90 100
Seasonally Adj. and Detrended Data

2
43
42
41
40
-1
39
-2
38
-3
37
0
10 20 30 40
50 60 70 80 90 100
10 20 30 40 50 60 70 80 90 100
Proyecto e-Math
28
Series Temporales
Seasonal Analysis for Temp

Seasonal Indices
3
2
1
0
-1
-2
-3
-4
-5

45
40
35
2
8 10 12 14 16 18 20 22 24

7
6
5
8 10 12 14 16 18 20 22 24

2
1
0
4
3
2
1
-1
-2
-3
0
2
8 10 12 14 16 18 20 22 24
8 10 12 14 16 18 20 22 24
A pesar de que una transformacin de la variable suele tener efectos positivos en el anlisis,
en este caso no parece que sea necesario a la vista del grfico de residuos, ya que presentan
un comportamiento errtico alrededor del 0, sin ningn patrn claro.
Medias mviles
Utilizamos un modelo aditivo, al no observarse que la variacin del patrn estacional crezca
con el tiempo.
Seleccionamos Stat > Time Series > Moving Average
Proyecto e-Math
29
Series Temporales
Moving average
Data
Length
NMissing
Temp
95,0000
0
Moving Average
Length: 4
Accuracy Measures
MAPE: 3,78930
MAD: 1,54115
MSD: 3,28697
Row
Period
Forecast
Lower
Upper
1
2
3
4
5
6
7
8
9
10
11
12
96
97
98
99
100
101
102
103
104
105
106
107
36,37
36,37
36,37
36,37
36,37
36,37
36,37
36,37
36,37
36,37
36,37
36,37
32,8165
32,8165
32,8165
32,8165
32,8165
32,8165
32,8165
32,8165
32,8165
32,8165
32,8165
32,8165
39,9235
39,9235
39,9235
39,9235
39,9235
39,9235
39,9235
39,9235
39,9235
39,9235
39,9235
39,9235
La prediccin que nos ofrece el anlisis es que la temperatura en las prximas 12 horas
estar entre 32,82 y 39,92; siendo el valor medio 36,37.
En el siguiente grfico se muestran las observaciones (Actual), los valores estimados
(Predicted), y los valores pronosticados (Forecast). Observar que el patrn de los valores
estimados est ligeramente desplazado a la derecha con respecto al patrn de las
observaciones (ello se debe a que el valor estimado en el instante t es el valor de la media
mvil en t-1).
Actual
45
Predicted
Forecast
Temp
Actual
Predicted
Forecast
40
Moving Average
Length:
35
50
MAPE:
3,78930
MAD:
1,54115
MSD:
3,28697
100
Time
Proyecto e-Math
30
Series Temporales
BIBLIOGRAFA
______________________________________________
[1]
Bar, J. y Alemany, R. (2000): Estadstica II. Ed. Fundaci per a la Universitat Oberta de
Catalunya. Barcelona.
[2]
Pea Snchez de Rivera, D. (1987): Estadstica. Modelos y Mtodos. Volumen 2. Alianza

Editorial. Madrid. ISBN: 84-206-8110-5
[3]
Johnson, R. R. (1996): Elementary statistics. Belmont, etc. : Duxbury, cop
[4]
Kvanli, A. (????): Introduction to Business Statistics. South-Western.
[5]
Martn-Guzmn, P. (1991): Curso bsico de estadstica econmica. AC, DL. Madrid. ISBN:
84-7288-142-3
[5]
Uriel, E. (????): Anlisis de datos. ???. Valencia. ISBN: -????
[7]
Pepi, M. (2001): Series Temporales. Edicions UPC. Barcelona. ISBN: 84-8301-526-9
ENLACES
___________________________________
http://perso.wanadoo.es/bledatobias/series.html
Curso "Anlisis, Regresin y Prediccin de Series Temporales Epidemiolgicas"
http://www.ii.uam.es/~asuarez/docencia/doctorado/TS2001.html
Curso de doctorado de la Universidad Autnoma de Madrid: "Series Temporales"
Proyecto e-Math
31

Sesion5 Series Temporales

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Sesion5 Series Temporales

Cargado por

Copyright:

Formatos disponibles

Series Temporales

Una serie temporal es un conjunto de observaciones ordenadas en el tiempo, que pueden

Entender la estructura especial de la informacin en una serie temporal.

Comprender qu est sucediendo con los datos (patrn de comportamiento).

Predecir valores futuros.

Anlisis de regresin y correlacin lineal.

Consideraciones previas al anlisis

Colocar las observaciones en la columna 1

Representando ahora la columna de las diferencias podemos saber si la varianza

En el ejemplo anterior, se observa que la varianza permanece aproximadamente

deseemos realizar predicciones y la serie tenga un componente estacional, o

queramos examinar la naturaleza de los componentes de la serie.

El componente estacional de la serie puede tener, con respecto a la tendencia, un

Anlisis mltiple de datos

y t = Tendencia Estacionalidad + Error

y t = Tendencia + Estacionalidad + Error

Generalmente, realizaremos la descomposicin en un solo paso a partir de las

Anlisis mltiple de datos

Autocorrelacin y autocorrelacin parcial

CASOS PRCTICOS CON SOFTWARE___________________________________

Completamos la ventana Trend Analisis y la de Storage como se muestra a continuacin:

Fitted Trend Equation

Trend Analysis for Empleados

Trend Line Equation

Decomposition Fit for Empleados

Component Analysis for Empleados

Seasonally Adjusted Data

Seasonally Adj. and Detrended Data

Seasonal Analysis for Empleados

Original Data, by Seasonal Period

Percent Variation, by Seasonal Period

Residuals, by Seasonal Period

Anlisis combinado (tendencia+descomposicin)

Time Series > Decomposition y completamos las

El grfico siguiente nos proporciona la serie de residuos original (Actual), la lnea de

Decomposition Fit for RESI1

Component Analysis for RESI1

Seas onally Adjus ted Data

Seas onally Adj. and Detrended Data

Finalmente, en el ltimo conjunto de grficos se muestra un anlisis estacional: grfico de

Seasonal Analysis for RESI1

Original Data, by Seasonal Period

Percent Variation, by Seasonal Period

Residuals, by Seasonal Period

Seleccionamos Calc > Calculator .

(a) los valores estimados provenientes del anlisis de la tendencia (FITS1), y

(b) los provenientes de la descomposicin de los residuos (FITS2)

Ahora haremos lo mismo con los valores pronosticados:

Stat > Time Series > Autocorrelation :

Autocorrelation Function for Temp

1 0,95 9,25 88,34

8 -0,36 -1,44 249,83

15 -0,53 -1,57 549,45

22 0,52 1,45 640,21

2 0,84 4,87 157,57

9 -0,50 -2,00 277,09

16 -0,41 -1,18 569,00

23 0,62 1,68 688,98

3 0,67 3,21 203,14

10 -0,61 -2,33 317,54

17 -0,26 -0,75 577,17

24 0,66 1,75 745,79

4 0,48 2,06 226,19

11 -0,67 -2,43 367,27