Documentos de Académico
Documentos de Profesional
Documentos de Cultura
realizar pronósti« cos. Se hacen suponiendo que no cambia la estructura del sistema que genera
los valores observados. Con el fin de pronosticar usando series de tiempo se realizan y construyen
modelos para pronósticos en: la demanda de productos y servicios, el comportamiento de
fenómenos naturales en interacción con el quehacer humano, en las mediciones de fenómenos
sociales, económicos, financieros y demográficos, en los resultados de sistemas complejos. Estos
pronósticos se utilizan para planear, decidir y tomar acciones pertinentes. El análisis de las series
de tiempo se utiliza para realizar modelos que permitan el pronóstico basado en el
comportamiento de la serie.
Las series de tiempo son observaciones generadas a partir de algún proceso; se espera en el
análisis de las series de tiempo que los procesos cumplan ciertas condiciones en su media,
varianza y las covarianzas entre los elementos de estas series; por ejemplo, si no son dependientes
del tiempo se tiene una serie de tiempo estacionaria.
Siempre que se tengan valores para una variable de interes específica (una sola), que pueda ser
trazada en función del tiempo, estos valores a menudo se conocen como series de tiempo, y
cualquier método utilizado para analizar y extrapolar dichas series en el futuro entra en una
categoria general llamada analisis de series de tiempo.
Con mas detalle se define una serie de tiempo como una secuencia ordenada de valores de una
variable en intervalos de tiempo igualmente espaciados.
Una característica obvia de los datos de series de tiempo que los distingue de aquellos de corte
transversal es que tienen un orden temporal. Para analizar los datos de series de tiempo, es
necesario reconocer que el pasado influye en el futuro, pero no a la inversa.
Un enfoque al análisis de series de tiempo comprende un intento de identificar los factores que
ejercen influen« cia sobre cada uno de los valores periódicos de una serie. Este procedimiento de
identificación se denomina des» composición, Cada componente se identifica por separado, de tal
manera que la serie histórica pueda proyectarse al futuro y utilizarse en pronósticos tanto de corto
como de largo plazos. Los cuatro componentes que se encuentran en una serie histórica son:
tendencia, variaciones ciclicas, varia« ciones estacionales y fluctuaciones irregulares. 1. Tendencia.
La tendencia es el componente de largo plazo que constituye la base del crecimiento (o declina-
ción) de una serie histórica. Las fuerzas básicas que producen o afectan la tendencia de una serie
son: cambios en la población, inflación, cambio tecnológico e incremento en la productividad. 2.
Variación cíclica. El componente cíclico es un conjunto de fluctuaciones en forma de onda o ciclos,
de más de un año de duración, producidos por cambios en las condiciones económicas.
Representa la diferencia entre los valores esperados de una variable (tendencia) y los valores
reales, la variación residual que fluctúa alrededor de la tendencia. 3. Variación estacional. Las
fluctuaciones estacionales se encuentran típicamente en los datos clasificados por trimestre, mes
o semana. La variación estacional se refiere a un patrón de cambio regularmente recurrente a
traves del tiempo. El movimiento se completa dentro de la duración de un año y se repite a si
mismo año tras año. 4. Fluctuación irregular. El comportamiento irregular esta compuesto por
fluctuaciones causadas por sucesos impredecibles o no periódicos, como un clima poco usual,
huelgas, guerras, rumores de guerras, elecciones y cambios en las leyes. Esta claro que con
frecuencia existe una necesidad para pronosticar que considere la tendencia, estacionalidad y
otras características de los datos. En específico, interesa la situación en la que se observa una serie
de tiempo y], muy", y se desea pronosticar una futura observación en el tiempo n + h.
2.1.1 Promedio móvil simple El modelo más simple en la categoría de promedios móviles es el
promedio móvil simple de n periodos, En este modelo se utiliza el promedio de un número fijo
(digamos, n) de las observaciones mas recientes para estimar el valor siguiente de “Y; por ejemplo,
para n periodos; entonces, después de haber observado el valor de “Y" en el n A" periodo t, la
estimación y para el periodo t + 1 seria:
Para valorar lo adecuado de las estimaciones asi realizadas se utilizan medidas como el MAD,
acrónimo en ingles para la desviación absoluta media que se calcula como el promedio de las
desviaciones absolutas entre estimación y observación:
Otra medida para el pronóstico es el MAPE, acrónimo en ingles de la media absoluta del
porcentaje de error:
El error cuadrático medio del error de pronóstico, MSE, se usa también para valorar lo adecuado
de un método de pronóstico:
Una forma de saber cuál metodo es el más apropiado es evaluarlo contra una serie de tiempo
histórica conocida relativa al negocio o asunto de interés y ver Cómo se comporta una medida
como el MAD para diferentes valores. Supóngase que se tienen los resultados de ventas anuales
de 21 años (véase tabla 2.2).
donde a es una constante especificada por el usuario tal que 0 S a S 1, También se puede ver:
Los datos económicos ordenados en una serie de tiempo pueden considerarse como una muestra
aleatoria. Una observación en un periodo dado sobre precios, inventarios, produccion, acciones y
otras variables económicas, está por lo regular correlacionada con (depende de) el valor de la
misma variable en el periodo anterior. Para describir esta situación se emplea el término
correlación serial. Los residuos (Y - l?) no son independientes entre una observación y la siguiente,
de modo que el conocimiento del error en un año ayuda al analista a anticipar el error en el año
siguiente. Los residuos están autocorrelacionados.
El ejemplo ma’s sencillo de la correlación serial es la de primer orden, en la que cada termino de
error es una función del término de error del periodo anterior. Esta situación se ilustra en la
ecuación:
donde et depende del valor en el periodo anterior:
Un enfoque que se usa con frecuencia para determinar si existe correlación serial es la prueba de
Durbin»\X/atson. La prueba comprende la determinación de si el parámetro de autocorrelación p
que se muestra en la ecuación: SL : psH + vt es igual a cero. Las hipótesis son Ho: p = 0 y Ha: p > 0;
la hipótesis alternativa es p > 0, ya que los residuos en las aplicaciones de series de tiempo tienden
a mostrar una correlación positiva. El primer paso en el cálculo consiste en ajustar a los datos la
línea de regresión de mínimos cuadrados. A con« tinuación se calculan los residuos y la estadística
de Durbin»Watson:
Si una serie tiene tendencia se puede determinar por regresión y haciendo la prueba estadística al
parámetro de pendiente, se ha popularizado el uso del promedio móvil doble exponencialmente
ponderado para enfrentar las series de tiempo (Holt, 1957). Las fórmulas que se usan son:
2.4 Análisis de variaciones cíclicas Existe un patrón estacional cuando una serie está influida por
factores estacionales (por ejemplo, el trimestre del año, el mes, el día de la semana). La
estacionalidad siempre es de un periodo fijo y conocido, por eso a veces se les llama series de
tiempo periódicas. Un patrón cíclico muestra subidas y caídas que no son de periodo fijo; la
duración de estas fluctuaciones es de dos años o mas; estan los ciclos de negocios que usualmente
duran varios años, pero la duracion del ciclo presente se desconoce anticipadamente.
Históricamente los ciclos también se han estudiado en la astronomia, donde se han observado
ciclos en cosas como el brillo de las estrellas o el número de manchas en el Sol. Muchas personas
confunden el comportamiento cíclico con el estacional, pero en realidad son muy diferentes; si las
fluctuaciones no son de un periodo fijo, entonces son ciclicas; si el periodo no cambia y esta
asociado en algún aspecto al calendario, entonces el patrón es estacional. En general, el tamaño
promedio de los ciclos es mucho mayor que el de un patrón estacional y la magnitud de los ciclos
tiende a ser mas variable que la magnitud de los patrones estacionales. Los métodos de suavizado
exponencial pueden tratar los patrones estacionales, pero no los patrones ciclicos, para esto se
usan los modelos ARIMA ciclicos. La mayoria de los procesos f isicos exhiben inercia y no la
cambian rapidamente; combinado con la frecuencia de observación o muestreo, esto hace a
menudo que las observaciones consecutivas estén correlacionadas; tal correlación entre
observaciones consecutivas se llama autocorrelación. Cuando los datos estan autocorrelacionados,
la mayoria de los métodos estandar para modelar basados en el supuesto de observaciones
independientes pueden ser erróneos o inútiles. Se necesita un me’todo alternativo que tenga en
cuenta la dependencia en serie dentro de los datos; esto se puede lograr empleando modelos de
series de tiempo tales como los modelos autorregresivos integrados de media móvil
(autoregressive integrated moving ave» rage — ARIMA).
No se debe esperar que todos los sistemas sigan una dinámica de segundo orden; ni se espera
tener un cono» cimiento previo o alguna conjetura del tipo de dinámica para cualquier sistema
dado. Consecuentemente se considerará apropiado buscar modelos empíricos donde el valor
actual se modela usando los valores previos con los retrasos apropiados para modelar series de
tiempo con ciclos. Para esto se ha propuesto el metodo Box- ]enkíns de modelado y pronóstico.
REFERENCIAS: