Es importante el estudio del las series de tiempo, porque consideran el hecho que los datos tomados en diversos periodos

de tiempo pueden tener algunas caractersticas de auto correlacin, tendencia o estacionalidad que se debe tomar en cuenta. Una serie de tiempo, es una secuencia ordenada de valores de una variable en intervalos de tiempo peridicos y consecutivos. Un supuesto en muchas tcnicas de series de tiempo es que los datos son estacionarios, donde su media, variancia y auto correlacin no cambia en el tiempo, tampoco se presentan patrones de estacionalidad, sin embargo en la prctica si se presentan estos patrones de tendencia y de estacionalidad y es necesario contar con modelos que las consideren. Tendencias: Si los datos muestran una tendencia, se pueden ajustar los datos con algn tipo de curva o recta y modelar los residuales. Como el propsito del ajuste es simplemente remover la tendencia a largo plazo, una lnea recta es suficiente. Estacionalidad: son fluctuaciones peridicas, por ejemplo cuando hay picos de ventas en la navidad y despus declinan. La serie de tiempo de ventas mostrarn un incremento durante septiembre a diciembre y una declinacin durante enero y febrero. Para detectar la estacionalidad se pueden utilizar diferentes mtodos grficos donde se observe la estacionalidad en el tiempo: 1. Grfica de valores contra el tiempo 2. Diagramas de caja mltiples 3. Grfica de estacionalidad por subserie

Los indicadores de modelos de series de tiempo sirven para comparar la efectividad de diferentes modelos utilizados. Siempre se busca el valor menor en los indicadores MAPE, MAD y MSD ya que representa un mejor ajuste del modelo. MAPE: Porcentaje promedio absoluto de error, mide la exactitud de los valores estimados de la serie de tiempo. La exactitud se expresa como un porcentaje con y t igual al valor observado, y t es el valor estimado y n el nmero de observaciones.

MAD: Desviacin media absoluta, mide la exactitud de los valores estimados de la serie de tiempo. Expresa la exactitud en las mismas unidades de los datos.

MSD: Desviacin cuadrtica media, es ms sensible a errores anormales de pronstico que el MAD.

MTODOS DE PRONSTICO
Los mtodos de series de tiempo incluyen mtodos de pronstico y de suavizamiento simples, mtodos de anlisis de correlacin y mtodos de Box Jenkins ARIMA. Mtodos de pronstico y suavizamiento simple: se basan en la idea de que hay patrones visibles en una grfica de series de tiempo que pueden ser extrapolados al futuro. El mtodo se selecciona dependiendo de si los patrones son estticos (constantes en el tiempo) o dinmicos (cambian en el tiempo), la naturaleza de los componentes de tendencia y estacionalidad y que tan lejos se quiera pronosticar. Mtodos de pronstico ARIMA (Autoregressive Integrated Moving Average): tambin usan patrones de datos, sin embargo puede que no sean fcilmente visibles en la serie de tiempo. El modelo usa funciones de diferencias, autocorrelacin y autocorrelacin parcial para ayudar a identificar un modelo aceptable.

MTODOS DE PRONSTICO Y SUAVIZAMIENTO SIMPLE: Modelan componentes en una serie que normalmente son fciles de ver en una serie de tiempo. Este mtodo descompone los datos en sus partes componentes y los extiende al futuro para pronosticar. Se pueden seleccionar los mtodos siguientes: 1. Mtodos estticos de anlisis de tendencias y descomposicin para patrones que no cambian con el tiempo. 2. Mtodos dinmicos de promedio mvil; mtodos de suavizamiento exponencial simple y doble y mtodo de Winters.

Mtodo de anlisis de tendencias: Ajusta un modelo general de

tendencias a datos de series de tiempo, se puede seleccionar un modelo lineal, cuadrtico, exponencial (crecimiento o declinacin) y de curva S (para tecnologa).

Usar este modelo si no hay componente estacional en el patrn de serie de tiempo. Tiene una amplitud de pronstico amplia siguiendo la lnea de tendencia. Las frmulas se muestran a continuacin: MODELOS DE TENDENCIA Lineal 1 representa el cambio promedio de un periodo a otro. Cuadrtico Toma en cuenta la curvatura simple en los datos. Crecimiento exponencial Toma en cuenta el crecimiento o decaimiento exponencial. Por ejemplo el comportamiento de una cuenta de ahorros. Curva S de Pearl-Reed. Toma en cuenta las observaciones que se ajustan a una curva con forma de S.

Mtodo de Descomposicin: Se usa para pronosticar cuando hay un

componente de estacionalidad en la serie de tiempo o si se quiere analizar la naturaleza de los componentes. Separa las series de tiempo en componentes de tendencia lineal y estacionalidad as como el error. Se puede usar componente de estacionalidad en modo aditivo o multiplicativo con la tendencia. Tiene una amplitud de pronstico amplia siguiendo la tendencia con el patrn de estacionalidad.

Modelos de descomposicin
Multiplicativo Yt es la observacin en el tiempo t. Aditivo Modelo de ajuste: La descompsicin tiene dos pasos: 1. Estimar los ndices de estacionalidad usando el mtodo de promedios mviles. 2. Ajustar la serie en estacionalidad. 3. Estimar la tendencia en la serie ajustada por regresin. Modelos de pronstico: La descomposicin calcula el pronstico como la lnea de regresin multiplicada por (mtodo multiplicativo) o agregado a (mtodo aditivo) los ndices de estacionalidad.

MTODOS DE SUAVIZACIN EXPONENCIAL

Los mtodos de suavizamiento exponencial han sido utilizados con xito a travs de los aos en muchos problemas de pronstico. Fueron sugeridos en 1957 por C.C. Holt para su aplicacin en series de tiempo sin tendencia ni estacionalidad. Posteriormente el mismo ofreci un procedimiento que manejara tendencias. Despus Winters en 1965 generaliz el mtodo para incluir estacionalidad, de ah el nombre de Mtodo de Holt Winters.

Suavizamiento exponencial simple (Holt): Se aplica cuando solo si

se tiene un comportamiento de la serie de tiempo sin tendencia o estacionalidad. Suaviza los datos por medio de la frmula de pronstico de ARIMA de un paso adelante ARIMA (0,1,1). Este modelo trabaja mejor sin uno de los componentes de tendencia o estacionalidad. El componente simple dinmico en un modelo de promedio mvil es el nivel. Tiene una amplitud de pronstico corta siguiendo una lnea paralela.

MTODO DE SUAVIZAMIENTO EXPONENCIAL SIMPLE Los valores suavizados (estimados) se obtienen ya sea con un peso ptimo generado o con un peso especfico manual.

Peso ptimo de ARIMA: 1. Se ajustan los datos con un modelo ARIMA(0,1,1) y se guardan los Y estimados. 2. Los valores suavizados son los valores Y estimados por ARIMA, pero desplazados en una unidad de tiempo. 3. El valor inicial (en tiempo uno) por atraso es:
Valor inicial suavizado = [Valor suavizado del periodo 2 - (dato en periodo 1)] / (1-) Donde (1-) estima el parmetro MA.

Peso especificado 1. Se usa el promedio de los primeros seis (o N si N<6) observaciones para el valor inicial suavizado (en tiempo uno). 2. Los valores suavizados subsecuentes se calculan de la frmula:
Valor suavizado en tiempo t = (dato en periodo t)] + (1-) (valor suavizado en periodo t-1) Donde es el peso.

Pronsticos: el valor estimado en el periodo t, es el valor suavizado en el periodo t 1. Los pronsticos son los valores estimados en el origen de pronstico

Mtodo de Winters: Se aplica cuando en la serie de tiempo se presentan

los patrones de tendencia y estacionalidad. Suaviza los datos por el mtodo exponencial de Holt Winters. Se recomienda este mtodo cuando se tienen presentes los componentes de tendencia y estacionalidad ya sea en forma aditiva o multiplicativa. El mtodo de Winters calcula los estimados de de tres componentes: nivel, tendencia y estacionalidad. Calcula estimados dinmicos con ecuaciones para los tres componentes: nivel, tendencia y estacionalidad. Estas ecuaciones dan una mayor ponderacin a observaciones recientes y menos peso a observaciones pasadas, las ponderaciones decrecen geomtricamente a una tasa constante

La ponderacin seleccionada para Nivel, tendencia y estacionalidad es de 0.2 si se quiere hacer una correspondencia con el modelo ARIMA u otros valores entre 0 y 1 para reducir los errores de estimacin. Tiene una amplitud de pronstico de corta a media siguiendo una tendencia con un patrn estacional.

A continuacin se muestra una grfica con sus pronsticos utilizando un suavizamiento exponencial triple.

El Mtodo de Holt Winters se puede ejecutar en forma sencilla con ayuda del paquete estadstico Minitab.

APLICACIN La aplicacin de estos mtodos tiene dos propsitos: comprender las fuerzas de influencia en los datos y descubrir la estructura que produjo los datos observados. Ajustar el modelo y proceder a realizar pronsticos, monitoreo, retroalimentacin y control en avance. Las aplicaciones incluyen pronsticos econmicos, anlisis de presupuesto, anlisis del mercado, etc.