Está en la página 1de 29

Universidad de Oriente Ncleo Bolvar Escuela de Ciencias de la Tierra Ctedra: Estadstica II

Profesora: Mariel Mora Bachiller: Ramos Josneidys CI: 21007738

Ciudad Bolvar, Marzo del 2012

Introduccin
El anlisis de series de tiempo desempea un papel importante en el anlisis requerido para el pronstico de eventos futuros. Existen varias formas o mtodos de calcular cual va a ser la tendencia del comportamiento del proceso en estudio. Toda institucin, ya sea la familia, la empresa o el gobierno, tiene que hacer planes para el futuro si ha de sobrevivir y progresar. Hoy en da diversas instituciones requieren conocer el comportamiento futuro de ciertos fenmenos con el fin de planificar, prever o prevenir. La planificacin racional exige prever los sucesos del futuro que probablemente vayan a ocurrir. La previsin, a su vez, se suele basar en lo que ha ocurrido en el pasado. En adelante se estudiar como construir un modelo para explicar la estructura y prever la evolucin de una variable que observamos a lo largo del tiempo. Son innumerables las aplicaciones que se pueden citar, en distintas reas del conocimiento, tales como, en economa, fsica, geofsica, qumica, electricidad, en demografa,

en marketing, en telecomunicaciones, en transporte, etc. Uno de los problemas que intenta resolver las series de tiempo es el de prediccin. En adelante se estudiar como construir un modelo para explicar la estructura y prever la evolucin de una variable que observamos a lo largo del tiempo. El objetivo del anlisis de una serie de tiempo es el conocimiento de su patrn de comportamiento, para as poder prever su evolucin en el futuro cercano, suponiendo por supuesto que las condiciones no variarn significativamente. Los pronsticos que se puedan realizar en base al anlisis de este tipo de datos servirn para el desarrollo de nuevos planes para inversiones en agricultura por ejemplo, elaboracin de nuevos productos por parte de las empresas, prevencin de desastres por cambios en el clima, o captar turistas para la ciudad, etc.

Anlisis de Series de Tiempo

Una serie temporal o cronolgica es una secuencia de datos, observaciones o valores, medidos en determinados momentos del tiempo, ordenados cronolgicamente y, normalmente, espaciados entre s de manera uniforme. El anlisis de series temporales comprende mtodos que ayudan a interpretar este tipo de datos, extrayendo informacin representativa, tanto referente a los orgenes o relaciones subyacentes como a la posibilidad de extrapolar y predecir su comportamiento futuro. De hecho, uno de los usos ms habituales de las series de datos temporales es su anlisis para prediccin y pronstico. Por ejemplo de los datos climticos, de las acciones de bolsa, o las series pluviomtricas. Resulta difcil imaginar una rama de las ciencias en la que no aparezcan datos que puedan ser considerados como series temporales. Son estudiadas en estadstica, procesamiento de seales, econometra y muchas otras reas.

30000 25000 20000 15000 10000 5000 0 0 1 2 3 4 5 6

Notacin
Existen diferentes notaciones empleadas para la representacin matemtica de una serie temporal:

sta es una de las comunes que representa una Serie de Tiempo X que es indexada por nmeros naturales. Tambin estamos acostumbrados a ver:

Representacin de una Serie Temporal


Par realizar la representacin de una serie temporal se debe realizar mediante una grfica de dispersin x-y como se muestra en la figura.

Representacin de una serie temporal

Componentes de una serie de tiempo


Tendencia (T): Movimiento a lo largo de los valores de la serie de tiempo durante un nmero prolongado de aos. Tendencia secular: La tendencia secular o tendencia a largo plazo de una serie es por lo comn el resultado de factores a largo plazo. En trminos intuitivos, la tendencia de una serie de tiempo caracteriza el patrn gradual y consistente de las variaciones de la propia serie, que se consideran consecuencias de fuerzas persistentes que afectan el crecimiento o la reduccin de la misma, tales como: cambios en la poblacin, en las caractersticas demogrficas de la misma, cambios en los ingresos, en la salud, en el nivel de educacin y

tecnologa. Las tendencias a largo plazo se ajustan a diversos esquemas. Algunas se mueven continuamente haca arriba, otras declinan, y otras ms permanecen igual en un cierto perodo o intervalo de tiempo.

Variacin estacional (E): Movimientos hacia arriba y hacia abajo con respecto a la tendencia y que no duran ms de un ao. El componente de la serie de tiempo que representa la variabilidad en los datos debida a influencias de las estaciones, se llama componente estacional. Esta variacin corresponde a los movimientos de la serie que recurren ao tras ao en los mismos meses (o en los mismos trimestres) del ao poco ms o menos con la misma intensidad. Por ejemplo: Un fabricante de albercas inflables espera poca actividad de ventas durante los meses de otoo e invierno y tiene ventas mximas en los de primavera y verano, mientras que los fabricantes de equipo para la nieve y ropa de abrigo esperan un comportamiento anual opuesto al del fabricante de albercas.

Variacin cclica (C): Movimientos recurrentes hacia arriba y hacia abajo con respecto a la tendencia y que tienen duracin de varios aos. Con frecuencia las series de tiempo presentan secuencias alternas de puntos abajo y arriba de la lnea de tendencia que duran ms de un ao, esta variacin se mantiene despus de que se han eliminado las variaciones o tendencias estacional e irregular. Un ejemplo de este tipo de variacin son los ciclos comerciales cuyos perodos recurrentes dependen de la prosperidad, recesin, depresin y recuperacin, las cuales no dependen de factores como el clima o las costumbres sociales.

Variacin Irregular (I): Variaciones errticas con respecto a la tendencia, que no pueden adjudicarse a efectos estacionales o cclicos. Esta se debe a factores a corto plazo, imprevisibles y no recurrentes que afectan a la serie de tiempo. Como este componente explica la variabilidad aleatoria de la serie, es impredecible, es decir, no se puede esperar predecir su impacto sobre la serie de tiempo. Existen dos tipos de variacin irregular: a) Las variaciones que son provocadas por acontecimientos especiales, fcilmente identificables, como las elecciones, inundaciones, huelgas, terremotos. b) Variaciones aleatorias o por casualidad, cuyas causas no se pueden sealar en forma exacta, pero que tienden a equilibrarse a la larga.

El valor observado de una serie de tiempo puede ser representado como: Y= T*E*C*I

Modelado clsico de las series temporales


El primer paso obligatorio para analizar una serie temporal es presentar un grfico de la evolucin de la variable a lo largo del tiempo, como puede ser el de la figura:

Representacin de una serie temporal

El siguiente paso consistir en determinar si la secuencia de valores es completamente aleatoria o si, por el contrario, se puede encontrar algn patrn a lo largo del tiempo, pues slo en este caso podremos seguir con el anlisis.

La metodologa tradicional para el estudio de series temporales es bastante sencilla de comprender, y fundamentalmente se basa en descomponer las series en varias partes: tendencia, variacin estacional o peridica, y otras fluctuaciones irregulares. En la figura vemos un ejemplo de una serie temporal en la que se aprecia la existencia de las componentes comentadas.

Serie temporal con tendencia

Anlisis de Tendencia
Tendencia lineal: Como se dijo antes, la tendencia de una serie viene dada por el movimiento general a largo plazo de la serie. La tendencia a largo plazo de muchas series de negocios (industriales y comerciales), como ventas, exportaciones y produccin, con frecuencia se aproxima a una lnea recta. Esta lnea de tendencia muestra que algo aumenta o disminuye a un ritmo constante. El mtodo que se utiliza para obtener la lnea recta de mejor ajuste es el Mtodo de Mnimos Cuadrados.

Tendencia no lineal: Cuando la serie de tiempo presenta un comportamiento curvilneo se dice que este comportamiento es no lineal. Dentro de las tendencias no lineales que pueden presentarse en una serie se encuentran, la polinomial, logartmica, exponencial y potencial, entre otras. 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 a cabo 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:

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:

La primera idea sobre la presencia de tendencia en la serie la obtendremos en su representacin grfica, pero no siempre estar tan clara como en la figura anterior. Por ejemplo, en la siguiente imagen sigue habiendo tendencia pero ya no es tan marcada.

Otra serie temporal con tendencia (menos pronunciada)

Los medios ms utilizados para detectar y eliminar la tendencia de una serie se basan en la aplicacin de filtros a los datos. Un filtro no es ms que una funcin matemtica que aplicada a los valores de la serie produce una nueva serie con unas caractersticas determinadas. Entre esos filtros encontramos las medias mviles. Una media mvil se calcula para cada punto como un promedio del mismo nmero de valores a cada lado de ese punto. Se mostrar este mtodo con los siguientes ejemplos:

Ejemplo 1. Aplicar el mtodo de medias mviles para el pronstico de ventas de gasolina a partir de la siguiente informacin:

Se considerar el promedio mvil a partir de las tres observaciones ms recientes. En este caso se utilizar la siguiente ecuacin:

Resumen de clculos para promedios mviles de tres semanas

Semana Valor de la serie de tiempo (miles Pronstico de la i-sima semana con de galones) 1 2 3 4 5 6 7 8 9 10 11 12 17 21 19 23 18 16 20 18 22 20 15 22 (17+21+19)/3=19 (21+19+23)/3=21 (19+23+18)/3=20 19 18 18 20 20 19 medias mviles

Las medias mviles tambin se pueden construir tomando en cuenta valores adyacentes de las observaciones, por ejemplo: En el caso de determinar el promedio mvil para tres observaciones adyacentes de la tabla anterior, se tiene:

Semana Valor de la serie de tiempo (miles Pronstico de la i-sima semana con de galones) 1 2 3 17 21 19 (17+21+19)/3=19 (21+19+23)/3=21 medias mviles

4 5 6 7 8 9 10 11 12

23 18 16 20 18 22 20 15 22

(19+23+18)/3=20 (23+18+16)/3=19 18 18 19 19 20 20

Existen otros procedimientos para extraer le tendencia, como ajuste de polinomios, alisado mediante funciones exponenciales, etc. Una clase de filtro, que es particularmente til para eliminar la tendencia, se basa en aplicar diferencias a la serie hasta convertirla en estacionaria. Una diferencia de primer orden se obtiene restando dos valores contiguos. Si volvemos a diferenciar esa serie, restando los nuevos valores consecutivos obtenemos una nueva serie ms suavizada. Una vez que se aplica un proceso clsico de descomposicin mediante un procedimiento de medias mviles a los datos de la figura, se obtiene las siguientes series:

Descomposicin de una serie temporal en sus componentes

Para analizar la estacionalidad de una serie introduciremos un nuevo concepto: la funcin de autocorrelacin. La funcin de correlacin mide la correlacin entre los valores de la serie distanciados un lapso de tiempo k. De igual forma, dada una secuencia temporal de N observaciones x1xn, podemos formar N-1 parejas de observaciones contiguas (x1, x2), (x2, x3), (xn-1, xn) y calcular el coeficiente de correlacin de estas parejas. A este coeficiente lo denominaremos coeficiente de autocorrelacin de orden 1 y lo denotamos como r1. Anlogamente se pueden formar parejas con puntos separados por una distancia 2, es decir (x1, x3), (x2, x4), etc. y calcular el nuevo coeficiente de autocorrelacin de orden 2. De forma general, si preparamos parejas con puntos separados una distancia k, calcularemos el coeficiente de autocorrelacin de orden k. Al igual que para el coeficiente de correlacin lineal simple, se puede calcular un error estndar y por tanto un intervalo de confianza para el coeficiente de autocorrelacin. La funcin de autocorrelacin es el conjunto de coeficientes de autocorrelacin rk desde 1 hasta un mximo que no puede exceder la mitad de los valores observados, y es de gran importancia para estudiar la estacionalidad de la serie, ya que si esta existe, los valores separados entre s por intervalos iguales al periodo estacional deben estar correlacionados de alguna forma. Es decir que el coeficiente de autocorrelacin para un retardo igual al periodo estacional debe ser significativamente diferente de 0. Relacionada con la funcin de autocorrelacin tenemos la funcin de autocorrelacin parcial. En el coeficiente de autocorrelacin parcial de orden k, se calcula la correlacin entre parejas de valores separados esa distancia pero eliminando el efecto debido a la correlacin producida por retardos anteriores a k. En la figura vemos una grfica tpica de la funcin de autocorrelacin parcial, en la que se marcan los intervalos de confianza para ayudar a detectar los valores significativos y cuya posicin en el eje X nos indicar la probable presencia de un factor de estacionalidad para ese valor de retardo.

Funcin de autocorrelacin parcial

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.

Suavizamiento exponencial simple


Si a 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 + Yt-1 + Yt-2 +..... + Yt-k

Donde:

t-1= pronstico para el siguiente periodo. a =constante de suavizacin. (0a1) 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. 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= t + (Yt t) Donde 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. Para mostrar el mtodo de suavizamiento exponencial, retomamos el ejemplo de la gasolina, utilizando como constante de suavizamiento = 0.2:
Galones/semana Semana (t) 1 2 3 4 5 6 7 8 9 10 11 12 Valor (Yi) 17 21 19 23 18 16 20 18 22 20 15 22 Pronstico Ft F1 = Y1 = 17.00 F2 = F1 =17.00 F3 = Y2+ (1-) F2 = 17.80 F4 = Y3 + (1-) F3 = 18.04 F5 = Y4 + (1-) F4 = 19.03 F6 = Y5 + (1-) F5 = 18.83 F7 = Y6 + (1-) F6 = 18.26 F8 = Y7 + (1-) F7 = 18.61 F9 = Y8 + (1-) F8 = 18.49 F10 = Y9 + (1-) F9 = 19.19 F11 = Y10 + (1-) F10 = 19.35 F12 = Y11 + (1-) F11 = 18.48

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 AO CODIFICADO (X) 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 0 1 2 3 4 5 6 7 8 9 10

VENTAS, EN MILLOLES DE DOLRES 0,2 0,4 0,5 0,9 1,1 1,5 1,3 1,1 1,7 1,9 2,3 12,90 0 0,4 1 2,7 4,4 7,5 7,8 7,7 13,6 17,1 23 85,2 0 1 4 9 16 25 36 49 64 81 100 385 XY X2

TOTAL 55

Por ejemplo, el monto pronosticado para 1996 con base en a = 0.20 se determin de la siguiente manera: t+1= t + (Yt t) 1996 = 1995 + (Y1995 1995) =$1.1 + 0.20 (0.4) =1.1 + 0.08 = 1.18 $1.2

VENTAS, EN AO (t) MILLONES DE DLARES (Yt)

= 0.20

= 0.80

Pronstico ( t)

Error de pronstico (Yt t)

Pronstico ( t)

Error de pronstico (Yt t)

1995

1,5

1,1

0,4

1,1

0,4

1996 1997 1998

1,3 1,1 1,7

1,2 1,2 1,2

0,1 -0,1 0,5

1,4 1,3 1,1

-0,12

-0,2 0,6

1999

1,9

1,3

0,6

1,6

0,3

2000

2,3

1,4

0,9

1,8 2,2

0,5

2001

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 constantes 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.

Anlisis de variaciones o fluctuaciones cclicas


Las fluctuaciones cclicas son movimientos oscilatorios alrededor de una tendencia, caracterizados por diferentes fases sucesivas recurrentes, de expansin y contraccin, de mayor o menor amplitud, que no se encuentran ceidas a lapsos fijos y que son susceptibles de medicin.

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:

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:

2. Promediar el componente irregular: Enlistando los diversos cocientes aplicables al mismo mes (o trimestre) de varios aos, calculando la Media Modificada

3. Ajustar los cocientes medios modificados con un factor de correccin tal que la suma de los doce cocientes mensuales sea de 1200.

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.

(Son valores relativos)

Pronsticos
Pronstico es el proceso de estimacin en situaciones de incertidumbre. El

trmino prediccin es similar, pero ms general, y generalmente se refiere a la estimacin de series temporales o datos instantneos. El pronstico ha evolucionado hacia la prctica del plan de demanda en el pronstico diario de los negocios. La prctica del plan de demanda tambin se refiere al pronstico de la cadena de suministros. Entonces tenemos que los pronsticos son procesos crticos y continuos que se necesitan para obtener buenos resultados durante la planificacin, de un proyecto. Si los clasificamos respecto al tiempo que abarcan, se puede clasificar en: 1. Pronsticos a corto plazo: En las empresas modernas, este tipo de pronstico se efecta cada mes o menos, y su tiempo de planeacin tiene vigencia de un ao. Se utiliza para programas de abastecimiento, produccin, asignacin de mano de obra a las plantillas de trabajadores, y planificacin de los departamentos de fabricacin.

2. Pronsticos a mediano plazo: Abarca un lapso de seis meses a tres aos. Este se utiliza para estimar planes de ventas, produccin, flujos de efectivo y elaboracin de presupuestos. 3. Pronsticos a largo plazo: Este tipo de pronstico se utiliza en la planificacin de nuevas inversiones, lanzamiento de nuevos productos y tendencias tecnolgicas de materiales, procesos y productos, as como en la preparacin de proyectos. El tiempo de duracin es de tres aos o ms. 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.

METODOS PARA PRONOSTICOS A CORTO PLAZO: TENDENCIA 1. Emplear el valor de tendencia proyectado como base del pronstico. 2. Ajustarlo respecto del componente estacional ESTACIONAL 1. 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:

][

[ ][ ]

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 = 0, se ubicar en el punto medio del ao.

ECUACIN DE TENDENCIA MODIFICADA PARA OBTENER VALORES MENSUALES:

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 periodos 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.

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, Segundo trimestre,

Tercer trimestre,

Cuarto trimestre,

Clculo de los ndices estacinales para los datos trimestrales

ndice estacional: Media Trimestre 1995 1996 1997 1998 1999 2000 1 2 3 4 67.8 126.3 136.6 146.7 122.2 134.8 103.7 76.2 64.0 50.0 86.2 58.8 85.3 70.0 87.9 modificada 1 32.6 86.5 63.5 112.8 395.4 media x 1.0116* 134.1 87.5 64.2 114.1 399.9

110.3 106,7 116.4 127.5 111.6

*Factor de ajuste=400/395.4= 1.0116.

Conclusin
Las series temporales pueden servir para predecir acontecimientos futuros en base a ciertos comportamientos de determinadas variables. Si tenemos ms observaciones que se puedan promediar, que es el orden de la media mvil, se obtienen tendencias ms suaves. Este hecho no debe hacernos olvidar que aunque hemos mejorado la tendencia con el suavizado, por el contrario perdemos informacin sobre los valores iniciales y finales de la tendencia estimada. Con el procedimiento de medias mviles siempre es posible elegir el nmero de observaciones que se deben tomar para el promedio, esto no siempre es fcil. Si se determina la funcin matemtica de la tendencia lineal, esta nos permitir conocer los valores perdidos tanto al inicio como al final del proceso de bsqueda de la lnea de tendencia. El anlisis de series de tiempo segn la tendencia es vlido si es que no se dan otros factores que puedan influenciar de manera significativa la tendencia de ocurrencia de los datos. Se llama Serie de Tiempo, a un conjunto de experimento registradas mediciones de cierto fenmeno o

secuencialmente en el tiempo, por ejemplo a cada hora,

mensualmente, trimestralmente, semestralmente, etc...

Al analizar una serie de tiempo, lo

primero que se debe hacer es graficar la serie. Esto

nos permite detectar las componentes esenciales de la serie. El grfico de la serie permitir: detectar tendencias, variacin estacional, variaciones irregulares (o componente aleatoria).Un modelo clsico para una serie de tiempo, puede ser expresada como suma o producto de tres componentes: tendencia ,estacional y un trmino de error aleatorio. Existen tres modelos de series de tiempos. 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)

Con el fin de obtener un modelo, es necesario estimar la tendencia y la estacionalidad. Para estimar la tendencia, se supone que la componente estacional no est presente. La estimacin se logra al ajustar a una funcin de tiempo a un polinomio o suavizamiento

de la serie a travs de los promedios mviles. Para estimar la estacionalidad se requiere haber decidido el modelo a utilizar (mixto o aditivo). Una vez estimada la tendencia y la estacionalidad se est en condiciones de predecir. Los mtodos revisados en este apunte son de naturaleza descriptiva, por lo que el juicio y el conocimiento del fenmeno juegan un rol importante en la seleccin del modelo. Los mtodos clsicos tienen la desventaja que se adaptan a travs del tiempo lo que implica que el modelo de estimacin debe volver a iniciarse frente al conocimiento de un nuevo dato.

Bibliografa
File:///C:Users/Usuario/Downloads/Series%20de%20tiempo%20%20monografas.com.htm Es.wikipedia.org/wiki/serie_temporal www.seh-lelha.org/tseries.htm es.wikipedia.org/wiki/fluctuaciones_cclicas www.sepi.upiicsa.ipn.mx/mdid/anasetie.pdf es.wikipedia.org/wiki/pronstico_(estadstica books.google.co.ve