Está en la página 1de 23

METODOS ELEMENTALES DE PROCESAMIENTO DE SERIES DE TIEMPO Jorge Galbiati Riesco

En este apunte se da una visin general sobre algunos procedimientos en el anlisis en series de tiempo. Inicialmente presentamos el problema general de prediccin, luego presentamos mtodos clsicos ingenuos de suavizamiento en el anlisis de series de tiempo. La aplicacin de estas tcnicas requieren de trabajo computacional que debe ser complementado en la ejercitacin de este curso. El material presentado fue escrito en base a apuntes del profesor Renato Allende, que tuvo como referencia notas de clase de los profesores Pilar Iglesias y Eduardo Engel. INTRODUCCION Una de las motivaciones para el estudio del tema surge desde tiempos remotos donde una de las principales inquietudes del hombre ha sido estimar el futuro utilizando informacin del presente y del pasado. Esto se llama predecir. Es evidente que las diversas instituciones requieren conocer el comportamiento futuro de ciertos fenmenos con el fin de planificar, preveer o prevenir.

La Estadstica ha desarrollado teora y mtodos que apuntan a resolver el problema de prediccin. Sin embargo, este no puede ser resuelto por argumentos puramente matemticos, debe ser el resultado de una combinacin matemtico-especialista. La prediccin es una Ciencia y es un Arte, y la mayor dificultad es la mala comunicacin entre los analistas de informacin y de prediccin y los usuarios de stas. DEFINICION BSICA DE SERIE DE TIEMPO

Una serie de tiempo es una coleccin o conjunto de mediciones de cierto fenmeno o experimento registrados secuencialmente en el tiempo, en forma equiespaciada ( a intevalos de tiempo iguales) . Las observaciones de una serie de tiempo sern denotadas por Y(t1), Y(t2) ,... , Y(tn) donde Y(ti) es el valor tomado por el proceso en el instante ti.

Ejemplos de series de tiempo 1. Economa: Precios de un articulo, tasas de desempleo, tasa de inflacin, ndice de precios, precio del dlar, precio del cobre, precios de acciones, ingreso nacional bruto, etc. 2. Meteorologa: Cantidad de agua cada, temperatura mxima diaria, Velocidad del viento (energa elica), energa solar, etc. 3. Geofsica: Series sismolgicas. 4. Qumica: Viscosidad de un proceso, temperatura de un proceso.

5. Demografa: Tasas de natalidad, tasas de mortalidad. 6. Medicina: Electrocardiograma, electroencfalograma. 7. Marketing: Series de demanda, gastos, utilidades, ventas, ofertas. 8. Telecomunicaciones: Anlisis de seales. 9. Transporte: Series de trfico.

ANALISIS GRAFICO DE UNA SERIE DE TIEMPO

Por muy simple que parezca, el paso ms importante en el anlisis de series de tiempo consiste en graficar la serie.

Esto debe hacerse siempre, independiente de cun simples o complejos sean los procedimientos que se emplean posteriormente. El grfico de la serie permitir detectar los siguientes elementos:

a)

Outliers:

Se refiere a puntos de la serie que se escapan de lo normal. Si se sospecha que una observacin es un outliers, se debe reunir informacin adicional sobre posibles factores que afectaron el proceso. Por ejemplo, en un estudio de la produccin diaria de cobre se present la siguiente situacin:

b)

Tendencias La tendencia representa el comportamiento predominante de la serie.

Esta puede ser definida vagamente como el cambio de la media a lo largo de un extenso perodo de tiempo.

c)

Variaciones cclicas o estacionales La variacin estacional representa un movimiento peridico de la serie de

tiempo. La duracin del perodo puede ser un ao, un trimestre, un mes, un da, etc.

Se suele hacer una distincin entre cclicas y estacionarias. Estas ltimas ocurren con perodos identificables, como la estacionalidad del empleo, o de la venta de ciertos productos, cuyo perodo es un ao. El trmino variacin cclica se suele referir a ciclos grandes, cuyo perodo no es atribuible a alguna causa. Por ejemplo, fenmenos climticos, que tienen ciclos que duran varios aos. Las tendencias y estacionalidades pueden darse simultneamente.

d) Variaciones aleatorias.

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. El anlisis grfico de los datos se acostumbra a resumir en una tabla como la que siguiente: Tabla de familiarizacin Estacionalidad Alta Media Baja Tendencia Aleatoria

Ejercicios: 1) Para cada una de las series graficadas a continuacin realizar al anlisis completando la tabla de familiarizacin. grfico

Serie A

Serie B

2) Construya la grafica y la tabla de familiarizacin para la siguiente serie.

Planificacin de un casino Objetivos: Planificacin de compra de alimentos y necesidades de servicio para satisfacer la demanda de almuerzo en un gran casino. Descripcin de la serie. Serie: Nmero de almuerzos servidos por mes en el casino II de la Universidad de Campinas-Brasil para el perodo de enero 1977 a marzo de 1980, de acuerdo a la administracin general del restaurante. Tabla de datos t 1 2 3 4 5 6 7 8 9 10 11 12 13 Y(t) 20636 18708 62944 50272 69375 50056 20604 54947 50576 50425 44202 27604 28791 t 14 15 16 17 18 19 20 21 22 23 24 25 26 Y(t) 28183 56632 56641 56555 57185 33906 67261 52232 58232 45726 24550 30954 34295 t 27 28 29 30 31 32 33 34 35 36 37 38 39 Y(t) 63167 42520 50572 53875 27233 57942 47610 61738 51168 26370 42964 42748 62390

Modelos Clsicos Un modelo clsico de series de tiempo, supone que la serie Y(1), ..., Y(n) puede ser expresada como suma o producto de tres componentes: tendencia, componente estacional y un trmino de error aleatorio: 1. Y(t) = T(t)+E(t)+A(t) 2. Y(t) = T(t) E(t) A(t) Modelo aditivo Modelo multiplicativo

donde: T: Tendencia de la serie. E: Variacin Estacional. A: Variaciones aleatorias. El grfico siguiente muestra la serie y sus componentes, para el caso aditivo

El problema que se presenta es modelar adecuadamente las componentes de la serie.

ESTIMACIN DE LA TENDENCIA

Hay varios mtodos para estimar la tendencia T(t), uno de ellos es utilizar un modelo de regresin lineal. Se pueden utilizar otros tipos de regresiones, como regresin cuadrtica, logstica, exponencial, entre otros. EJEMPLO 1: La tabla presenta parte de los datos de una serie de energa elctrica. Son 24 datos mensuales referentes a los aos 1977 a 1978. Consumo de Energa Elctrica

t 1 2 3 4 5 6 7 8 9 10 11 12

Y(t) 84,6 89,9 81,9 95,4 91,2 89,8 89,7 97,9 103,4 107,6 120,4 109,6

t 13 14 15 16 17 18 19 20 21 22 23 24

Y(t) 110,3 118,1 116,5 134,2 134,7 144,8 144,4 159,2 168,2 175,2 174,5 173,7

Consumo electrico 200 consumo 150 100 50 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 mes

El modelo de tendencia propuesto es un modelo de regresin lineal:

Y(t) = a + b t + A(t) Por mnimos cuadrados se obtiene

T(t) = 68.45 + 4.24 * t


La serie sin tendencia se ve de la siguiente manera:
Consumo electrico
15.00 10.00 5.00 0.00 -5.00 -10.00 -15.00 -20.00

consumo

17

19

11

Se observa un ciclo que dura casi todo el perodo observado, de 24 meses. ESTIMACION DE LA COMPONENTE ESTACIONAL Para estimarla, se debe conocer el perodo, y se deben tener datos de varios perodos consecutivos. Por ejemplo, datos mensuales, estacionalidad de un ao. EJEMPLO 2 Indicador Mensual de Actividad Econmica (IMACEC). Base del ndice : 1996=100 Corresponde al nuevo Indicador Mensual de Actividad Econmica (Imacec), estructurado a base de la matriz insumo-producto de 1996. La cobertura de este indicador comprende casi la totalidad de las actividades econmicas incluidas en el PIB. Las cifras de 2000 y 2001 son provisionales. Las cifras de 2002 y 2003 son preliminares. Fuente: Banco Central de Chile.

13

mes

15

23

21

10

1996
Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre 99.6 94.9 105.4 103.4 104.2 101.3 98.7 98.7 94.8 102.0 98.0 99.2

1997
105.0 98.6 109.1 108.1 109.2 106.5 107.1 105.6 103.8 110.9 106.8 108.4

1998
110.8 104.3 117.5 116.1 114.4 111.9 110.9 109.0 105.4 107.7 106.1 106.5

1999
109.2 103.7 116.4 108.0 111.2 110.0 106.4 108.1 105.7 109.2 110.7 111.9

2000
112.6 107.6 121.2 113.8 117.9 113.1 112.3 113.4 108.6 115.4 114.9 114.4

2001
116.4 111.8 124.3 118.0 121.7 119.1 116.0 116.9 111.4 118.4 117.3 115.7

2002
119.7 113.0 124.4 122.0 123.0 120.1 118.9 119.1 114.6 121.7 119.9 120.9

2003
122.6 118.3 128.8 125.3 126.1

Indicador Mensual Actividad Econmica


140.0 120.0 100.0 IMACE C 80.0 60.0 40.0 20.0 0.0

19 99

19 96

19 98

20 00

20 01

19 97

m es-ao

Se estima la tendencia por regresin lineal Y (t ) = a + bt + A(t ) dando el siguiente resultado: Intercepto a = 100.3. Corresponde al valor de partida. Pendiente b = 0.253 . Corresponde al aumento medio mensual. Coeficiente de determinacin R2 = 0.74, que indica un ajuste moderadamente bueno. El error estndar de los errores se estim en 3.98. La recta de regresin correspondiente a la tendencia se muestra en el siguiente grfico:

20 03

20 02

11

Tendencia Indicador Mensual Actividad Econmica


140 120 100 IMACE C 80 60 40 20 0
19 96 19 98 20 00 20 02 19 99 19 97 20 01 20 03

m es-ao

Asumiremos un modelo clsico aditivo. Entonces para obtener una estimacin de la estacionalidad, restamos los valores ajustados de la tendencia a los datos, obteniendo una serie sin tendencia. Luego promediamos todos los valores de enero, los de febrero, los de marzo, etc., obteniendo doce valores mensuales promedio:
Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre

Prom. 0.8 -4.9 6.7 2.4 3.8 0.8 -1.2 -1.3 -5.4 0.2 -1.7 -1.5

que se muestran en el siguiente grfico:


Compone nte Cclica Indicador M e nsual Activ idad Econmica
20 15 IMACE C 10 5 0 -5 -10

19 96

19 98

20 00

19 97

20 02

19 99

20 01

12

m es-ao

Se observan valores altos a partir de marzo, y bajos en torno a septiembre. Si recomponemos la serie con tendencia y componente cclica, sin la componente aleatoria, tenemos la situacin que se ilustra en el grfico siguiente:

Te nde ncia ms Compone nte Cclica Indicador M e nsual Activ idad Econmica
140 120 100 IMACE C 80 60 40 20 0

19 96

19 99

19 98

20 00

20 01

19 97

m es-ao

Con esto se pueden hacer predicciones futuras, extrapolando la recta de regresin y sumndole la componente cclica del mes correspondiente. Dentro de un rango limitado, estas predicciones pueden ser acertadas. A continuacin se muestra el grfico de la componente aleatoria sola.
Componente Aleatoria Indicador M ensual Activ idad Econmica
20 15 IMACE C 10 5 0 -5 -10
19 99 19 96 20 01 19 98 19 97 20 00 20 02

20 02

m es-ao

13

Si se usa el modelo multiplicativo, el procedimiento es parecido. Nota: Junto con las series de datos como esta, el Banco Central tambin entrega series sin tendencia y desestacionalizadas.

SUAVIZAMIENTO DE SERIES DE TIEMPO Una forma de visualizar la tendencia, es mediante suavizamiento de la serie. La idea central es definir a partir de la serie observada una nueva serie que filtra o suaviza los efectos ajenos a la tendencia (estacionalidad, efectos aleatorios), de manera que podamos visualizar la tendencia.

Serie original

Serie suavizada

Promedio Mvil. Este mtodo de suavizamiento es uno de los ms usados para describir la tendencia. Consiste en fijar un nmero k, preferentemente impar, como 3, 5, 7, etc., y calcular

14

los promedios de todos los grupos de k trminos consecutivos de la serie. Se obtiene una nueva serie suavizada por promedios mviles de orden k. De este modo se tienden a anular las variaciones aleatorias. Por ejemplo, consideremos una serie de seis observaciones y fijemos el orden k=3. Entonces los trminos de la serie suavizada son

t Y (t ) Z (t ) media mvil de orden k = 3 ______________________________________ 1 2 3 4 5 6


cada extremo. EJEMPLO 3. Precio del dlar observado, das mircoles, enero a junio ao 2003. Fuente: Banco Central de Chile. En las columnas 3 a 6, se entregan los promedios mviles de orden 3, 5, 7 y 9,
m es Ene p re c io 7 1 3 .4 7 1 2 .6 7 2 6 .6 7 3 7 .1 7 3 8 .9 7 4 3 .1 7 4 0 .2 7 5 5 .3 7 5 2 .8 7 5 4 .8 7 3 6 .5 7 2 8 .3 7 2 9 .8 7 2 0 .0 7 1 8 .7 7 1 6 .5 7 0 5 .3 7 0 1 .2 6 9 4 .2 7 1 3 .7 7 1 2 .2 7 1 3 .0 7 1 7 .4 7 0 6 .0 7 0 3 .1 k=3 7 1 7 .5 7 2 5 .4 7 3 4 .2 7 3 9 .7 7 4 0 .7 7 4 6 .2 7 4 9 .4 7 5 4 .3 7 4 8 .0 7 3 9 .9 7 3 1 .5 7 2 6 .0 7 2 2 .8 7 1 8 .4 7 1 3 .5 7 0 7 .7 7 0 0 .2 7 0 3 .1 7 0 6 .7 7 1 3 .0 7 1 4 .2 7 1 2 .1 7 0 8 .8 k=5 k=7 k=9

Y (1) Y (2) Y (3) Y ( 4) Y (5) Y (6)

Y (1) + Y (2) + Y (3) Z(2) = 3 Y (2) + Y (3) + Y (4) Z(3) = 3 Y (3) + Y (4) + Y (5) Z(4) = 3 Y (4) + Y (5) + Y (6) Z(5) = 3

Ntese que Z(1) y Z(6) no se pueden calcular. En general, se pierden k/2 trminos en

Feb

M ar

Abr

M ay

Jun

7 2 5 .7 7 3 1 .6 7 3 7 .2 7 4 2 .9 7 4 6 .0 7 4 9 .2 7 4 7 .9 7 4 5 .5 7 4 0 .4 7 3 3 .9 7 2 6 .6 7 2 2 .6 7 1 8 .0 7 1 2 .3 7 0 7 .2 7 0 6 .2 7 0 5 .3 7 0 6 .9 7 1 0 .1 7 1 2 .5 7 1 0 .3

7 3 0 .3 7 3 6 .2 7 4 2 .0 7 4 6 .0 7 4 5 .9 7 4 4 .4 7 4 2 .5 7 3 9 .6 7 3 4 .4 7 2 9 .2 7 2 2 .1 7 1 7 .1 7 1 2 .2 7 0 9 .9 7 0 8 .8 7 0 8 .0 7 0 8 .2 7 0 8 .2 7 0 8 .5

7 3 5 .5 7 4 0 .1 7 4 2 .8 7 4 3 .0 7 4 2 .2 7 4 0 .1 7 3 7 .4 7 3 4 .7 7 2 9 .2 7 2 3 .4 7 1 6 .7 7 1 4 .2 7 1 2 .4 7 1 0 .5 7 1 0 .2 7 0 8 .8 7 0 7 .3

15

Jul

respectivamente. La serie original aparece graficada a continuacin.

Precio del dolar observado 2003


760.0 740.0 precio $ 720.0 700.0 680.0 660.0

En e

Fe b

M ar

sem ana

Los grficos siguientes corresponden a las medias mviles. Se observa cmo a medida que aumenta el orden, el efecto del suavizado es mayor. Pero tambin se pierden ms datos en los extremos.
Precio del dolar observado 2003 Media mvil orden 3
760 740 720 700 680 660 760 p r e cio $ 740 720 700 680

M ay

Precio del dolar observado 2003 Media mvil orden 5

p r e cio $

Ju n

Ju l

br

Fe b

En e

Ma r

Fe b

En e

Ma r

Ma y

semana

semana

Precio del dolar observado 2003 Media mvil orden 7


760 p r e cio $ 740 720 700 680

Precio del dolar observado 2003 Media mvil orden 9

p r e cio $

760 740 720 700 680


Fe b En e Ma r Ju n Ma y Ab Ju l r

Fe b

En e

Ma r

Ma y

Ju n

Ju l

Ma y

Ab

Ab

Ju n

Ju n

Ab

semana

semana

Ju l

Ju l

16

El suavizamiento de media mvil es muy fcil de aplicar, permite visualizar la tendencia de la serie. Pero tiene dos inconvenientes: No es posible obtener estimaciones de la tendencia en extremos y no entrega un medio para hacer predicciones. Si la serie presenta un efecto estacional de perodo k, es conveniente aplicar un suavizamiento de media mvil de orden k. En tal caso se elimina el efecto estacional, junto con la variacin aleatoria, observndose solamente la tendencia.

SUAVIZAMIENTO EXPONENCIAL Este modelo se basa en que una observacin suavizada, en tiempo t, es un promedio ponderado entre el valor actual de la serie original y el valor de la serie suavizada, en el tiempo inmediatamente anterior. Si Y(t) representa la serie de tiempo original, y Z(t) la serie de tiempo suavizada, entonces lo anterior se puede escribir

Z(t) = a Y(t) + (1 a) Z(t - 1)


en que a es un nmero entre 0 y 1. Si a es cercano a 1, la serie suavizada pondera ms fuertemente el valor original, luego ambas se parecen, y en consecuencia, el suavizamiento es poco. Si a se acerca a 1/2, se ponderan moderadamente la serie original y la suavizada, por lo que el suavizamiento es moderado.

17

Si a es cercano a cero, (1-a) es cercano a 1, y la serie suavizada pondera ms fuertemente el valor suavizado inmediatamente anterior, por lo que el suavizado es importante. Consecuencia de la frmula anterior es que la serie suavizada se puede expresar como

Z(t ) = a Y(t ) + a (1 - a) Y(t 1) + a (1 - a) 2 Y (t 2) + a (1 - a) 3 Y (t 3) +


Es decir, cada trmino suavizado es un promedio ponderado de todos los trminos histricos de la serie original, con ponderaciones

a,

a (1 a ),

a (1 a ) 2 ,

a (1 a ) 3 ,

a (1 a ) 4 ,

etc.

Como a est entre 0 y 1, estos nmeros se van achicando a medida que avanzan. Eso significa que a medida que nos alejamos hacia el pasado, los trmino van influyendo cada vez menos en el trmino presente. La rapidez con que disminuye la influencia es mayor mientras ms grande (cercano a 1) es a. Los grficos siguientes muestran las ponderaciones de los trminos hacia el pasado, cuando a = 0.3 y cuando a = 0.7

a = 0.3
0.80 0.60 0.40 0.20 0.00 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 p asad o
0.80 0.60 0.40 0.20 0.00 1 2 3 4 5

a = 0.7

7 8 9 10 11 12 13 14 15 p asad o

Criterio para elegir a: Si la serie vara lentamente, se eligen valores de a cercanos a 0. (valor tpico a = 0.3). En cambio, si vara bruscamente, se eligen valores de a cercanos a 1 (valor tpico a = 0.7).

18

El mtodo de suavizamiento exponencial sirve para hacer predicciones, pero slo de un valor, siguiente al ltimo valor observado. Si se tienen observaciones Y(n), Y(n-1), Y(t2), ... Y(n-k). Si tratramos de obtener el trmino Z(n+1) con la frmula para el suavizamiento exponencial, nos dara

Z(n + 1) = a Y(n + 1) + (1 a) Z(n)


pero como no tenemos una observacin Y(n+1), la aproximamos por Y(n). Por lo tanto podemos hacer una prediccin para Y(n+1) con la frmula del suavizamiento exponencial modificada de la siguiente forma:

Z(n + 1) = a Y(n) + (1 - a) Z (n)


Si se intentara hacer ms de una prediccin, dara el mismo valor, por eso que slo se usa para predecir un valor a la vez. Sin embargo, en la prctica, cada vez que aparece una nueva observacin real, se actualiza la frmula anterior, pera predecir la siguiente. As, cada vez que el tiempo avanza en una unidad, se predice un nuevo valor a futuro. El valor de a se que sirve mejor se suele buscar por un sistema de prueba y error, hasta encontrar el que permite predecir mejor.

EJEMPLO 3 En la pgina siguiente se muestra el Producto Interno Bruto trimestral de Chile, desde el primer trimestre de 1996 hasta el primer trimestre de 2003, en millones de pesos. Fuente: Banco Central de Chile.

19

Ao 1996

1997

1998

1999

2000

2001

2002

2003

Trim. I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I

PIB 7804934 8038772 7604665 7788918 8141434 8431424 8238641 8489194 8658075 8910964 8468861 8338698 8572437 8571428 8334807 8636370 8887713 8972978 8704303 8971751 9175377 9342846 8960882 9146981 9292810 9503990 9179436 9435570 9621810

Suavizamiento exponencial a = 0.3 a = 0.5 a = 0.7 7804934 7804934 7804934 7875085 7921853 7968620 7793959 7763259 7713852 7792447 7776088 7766398 7897143 7958761 8028923 8057427 8195093 8310674 8111791 8216867 8260251 8225012 8353030 8420511 8354931 8505553 8586806 8521741 8708258 8813716 8505877 8588559 8572317 8455723 8463629 8408784 8490737 8518033 8523341 8514945 8544730 8557002 8460903 8439769 8401465 8513543 8538069 8565899 8625794 8712891 8791169 8729949 8842935 8918435 8722255 8773619 8768543 8797104 8872685 8910788 8910586 9024031 9096000 9040264 9183438 9268792 9016449 9072160 9053255 9055609 9109571 9118863 9126769 9201190 9240626 9239935 9352590 9424981 9221786 9266013 9253099 9285921 9350792 9380829 9386688 9486301 9549516

Junto a los datos se muestran tres suavizamientos exponenciales con a=0.3, a=0.5 y a=0.7. Como no hay datos indefinidamente hacia el pasado, los primeros trminos de la serie sauvizada salen algo distorsionados, pues no consideran suficientes trminos hacia atrs. La forma de calcular es la siguiente, partiendo del primer trimestre 1996, que llamaremos t=1 : Z(1) = Y(1) Z(2) = a Y(2)+(1-a) Z(1) Z(3) = a Y(3)+(1-a) Z(2) etc.

20

Como se ve, Z(1) no contiene toda la historia hacia atrs, Z(2) slo un trmino hacia el pasado, Z(3) slo 2, etc. Los grficos de la serie y los tres suavizamientos se muestran a continuacin.
Producto Interno Bruto 11.000.000
Producto Interno Bruto Suavizam iento exponencial a = 0.3 11000000

PIB

7.000.000
19 96 19 97 19 98 19 99 20 00 20 01 20 02 20 03

PIB 7000000
19 96 19 97 19 98 19 99 20 00 20 01 20 02 20 03

trim estre-ao

trim estre-ao

Producto Interno Bruto Suavizam iento exponencial a = 0.5 11000000 PIB


PIB

Producto Interno Bruto Suavizam iento exponencial a = 0.7 11000000

7000000
7000000

19 96 19 97 19 98 19 99 20 00 20 01 20 02 20 03

trim estre-ao

En los grficos se puede apreciar que cuando la constante a es pequea, cercana a cero, el suavizamiento es significativo. A medida que aumenta a acercndose a 1, el suavizamiento es menos y la serie suavizada se parece ms a la serie original. Se dispone de 29 datos. Es posible hacer una prediccin del trmino de orden 30, que corresponde al segundo trimestre de 2003, mediante la frmula Z(30) = a Y(29) + (1-a) Z(29) En el caso de a=0.3, se tiene Z(30) = 0.3 * 9621810 + 0.7 * 9386688 = 9457224 millones de pesos.

19 96 19 97 19 98 19 99 20 00 20 01 20 02 20 03

trim estre-ao

21

En el caso a=0.5, la prediccin da 9554055 millones de pesos. Y en el caso a=0.7, se obtiene el valor 9600122 millones. Observando el grfico, cul de las tres predicciones parece ser mejor? PREGUNTAS 1. Que puede decir de la serie de tiempo de datos mensuales, cuyo grfico se

muestra a continuacin?

2. 3.

Cul es el objeto de suavizar una serie de tiempo? Explique por qu los promedios mviles y el suavizamiento exponencial

"suavizan" una serie de tiempo, es decir, reducen la variacin aleatoria. 4. 5. En qu consiste el suavizamientos de media mvil ? Seale una diferencia entre el modelo clsico de series de tiempo y el

suavizamiento por medias mviles, referente al uso que pueden tener. 6. Se tiene una serie de tiempo con datos econmicos mensuales. A partir de ella

se obtuvo una serie desestacionalizada y sin tendencia. Explique qu significa esto. 7. Seale una diferencia esencial entre el suavizamiento de una serie de tiempo

por promedios mviles y el suavizamiento exponencial.

22

8.

Se miden dos variables, x e y. Se calcula su coeficiente de correlacin. Qu

mide este coeficiente? 9. 10. 11. Cmo se interpreta el coeficiente de determinacin, en una regresin lineal? En qu consiste el suavizamiento de media mvil, de una serie de tiempo ? Se tiene una serie de tiempo con datos econmicos mensuales. A partir de ella

se obtuvo una serie desestacionalizada y sin tendencia. Explique qu significa esto. 12. Que puede decir de la serie de tiempo de datos mensuales, cuyo grfico se

muestra a continuacin, en relacin a tendencia y estacionalidad?

13. 14.

En qu consiste el suavizamiento exponencial? Explique en qu consiste la aplicacin de un modelo clsico aditivo a una serie

de tiempo. 15. En qu consiste el suavizamientos de media mvil ?

23

También podría gustarte