Series Clasico Ciem

Centro de Investigacin Estadstica
y Mercadeo
www.leondariobello.com
Enfoque Clsico
CIEM
DEFINICION.
Una serie de tiempo es un conjunto de datos numricos
que se obtienen en periodos regulares a travs del
tiempo. La unidad de tiempo puede ser: Hora, da, mes,
trimestre, ao o cualquier periodo que se pueda
considerar de inters.
OBJETIVO.
Identificar y aislar los factores de influencia con propsitos
de hacer predicciones (pronsticos), y prevenir brotes o
epidemias.
Material preparado por:
CIEM Profesor Len Daro Bello Parias

Con el anlisis de series temporales se pretende extraer
el patrn de comportamiento sistemtico contenido en
una sucesin de observaciones que se recoge de forma
regular y homognea a lo largo del tiempo. Con este
patrn es posible: a) caracterizar el comportamiento del
fenmeno estudiado; b) predecir su evolucin futura; y c)
extraer componentes no observables (seales) que
reflejan ms fielmente la evolucin subyacente de la
CIEM
variable de inters.
Preparado por: Len Dario Bello
El tratamiento numrico de las series
Temporales es variado y la metodologa a
utilizar depende de los objetivos planteados. En
general, se puede decir que de una secuencia
cronolgica nos puede interesar adquirir un
conocimiento descriptivo o diagnstico, en el
sentido de poder detectar la dinmica
generadora del fenmeno bajo estudio, y un
conocimiento predictivo o pronstico,
pretendiendo deducir de los datos
registrados hasta el momento, cmo ser su
comportamiento futuro.
CIEM
Profesor Len Daro Bello Parias
Nmero de Casos Acumulados de Tosferina Periodo 13 Tasas Acumulada por 100.000 habitantes de Tosferina
(Antioquia 1994-2001) Perioido 13 (Antioquia 1994-2001)
600 12.0
500 10.0
Tasas * 100.000
400 8.0
N Casos
300 6.0
200 4.0
100 2.0
0 0.0
1994 1995 1996 1997 1998 1999 2000 2001 1994 1995 1996 1997 1998 1999 2000 2001
Ao Aos
http://www.col.ops-oms.org/iah/lisnalsds.htm
CIEM
Tasas Acumuladas por 100.000 habitantes de Rubeola
Periodo 13 (Antioquia 1994-2001)
120.0
100.0
Tasas * 100.000
80.0
60.0
40.0
20.0
0.0
1994 1995 1996 1997 1998 1999 2000 2001
Aos
CIEM
Nmero de Casos Acumulados de HIV/Sida Periodo 13 Tasas Acumuladas por 100.000 habitantes de VIH/Sida
(Antioquia 1992-2001) Periodo 13 (Antioquia 1992-2001)
800 14.0
700 12.0
Tasas * 100.000
600 10.0
500 8.0
400 6.0
300 4.0
200 2.0
100 0.0
0 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 Aos
FUENTE: SIS 12 , REGISTROS DE PROGRAMA, Y SIVIGILA

* CERTIFICADOS DE DEFUNCIN DANE( SISTEMAS)
CIEM
http://www.dssa.gov.co/infecc/infecciosas.htm
Consideraciones Previas
Consistencia: Mecanismos de notificacin, los cuales

pueden cambiar la forma de captura
de la informacin.
Comparabilidad: cambios que se originan a travs

del tiempo.
CIEM
COMPONENTES DE UNA SERIE
Tendencia: Movimientos percistentes ascendentes
o descendentes a travs del tiempo.
Variaciones estacionales. Fluctuaciones peridicas
en periodos de tiempo cuya frecuencia es menor
a un ao, aproximadamente en las mismas fechas
y casi con la misma intensidad.
Movimientos o variaciones cclicas.
Los movimientos se consideran cclicos, solo si se
producen en un intervalo de tiempo superior al
ao.
Movimientos irregulares o al azar. movimientos
espordicos o de corto plazo.
CIEM
COMPONENTES DE UNA SERIE
CIEM Profesor Len Daro Bello Parias

CIEM Preparado por: Len Dario Bello
Ajuste De Un Modelo
3. i. La curva de
1.T(t) = a + bt 2.T(t) = a e bt (Exponencial tendencia debe cubrir
un periodo
(Lineal) (Exponencial) modificada)
relativamente largo
para ser una buena
representacin de la
tendencia a largo
plazo.
ii. La tendencia
rectilnea y exponencial
son aplicable a corto
plazo, puesto que una
Gompertz Logistica curva S a largo plazo
puede parecer una
recta en un perodo
restringido de tiempo
(por ejemplo).
Especializacin EIA
Tcnicas de suavizado
Grupo de mtodos cuyo objetivo es identificar
las componentes subyacentes de la serie.
Suaviza el aspecto de la grfica mediante la
eliminacin o alisado de las oscilaciones de la
serie.
Especializacin EIA
Tcnicas de
suavizado
Promedios Mviles Siguiente observacin Observacin ms remota
y t y t 1
M
El objetivo es eliminar de la serie las
componentes estacionales y accidentales.
Z t k Z t k 1 ... Z t 1
Xt
k
Xt es el valor de la prediccin para el instante t

Zt es el valor real de la serie el instante genrico t
K es el nmero de valores considerados en el
clculo de la media mvil Material preparado por:
La previsiones obtenidas con este mtodo,

pueden ser tiles en situaciones en que la serie es
muy vlatil y una media estable. Se recomienda
un K alto si la serie es muy hetergenea.
Usualmente se trabaja con valores entre 3 Material
y 11. preparado por:
Incidencia de malaria por 100 000 habitantes.
Antioquia 1982-1993 Medias mviles
3000
2500
Proporcin
2000
Real
1500 Pronstico M=3
Pronstico M=5
1000
500
0
1982 1984 1986 1988 1990 1992
Aos
Preparado por: Maria Cristina Velsquez
Exponencial simple:
Esta tcnica supera al mtodo de promedios mviles
en el sentido que no elimina valores. Adems, le da
mayor ponderacin a los ltimos valores de la serie y
menos peso a los primeros. Se recomienda cuando
la serie no tiene tendencia ni estacionalidad, es decir,
se estima el nivel de la serie. El pronstico debe ser
a muy corto plazo.
S1 y1
S t y t 1 S t 1 0 1 t 2, 3, , n
El problema radica en determinar el valor de
Xt = Xt-1 + a(Zt-1 Xt-1)
Prediccin con suavizado
exponencial (Mtodo de Brown):
Permite la realizacin de previsiones a muy corto plazo,
adems puede emplearse tambin en el simple suavizado de
series, al estilo de las medias mviles. Debe ser utilizado slo y
slo para series con ruido.
Xt = Xt-1 + a(Zt-1 Xt-1)
Xt es ekl valor de la serie suavizada para el perodo t

Zt es el valor de la serie original en el perodo t
a es la constante de suavizado, 0<=a<=1.
En series que presenten una tendencia aproximadamente

lineal o bien sean estables en media, este mtodo puede dar
buenos resultados, si la serie presenta oscilaciones cclicas, los
resultados sern pobres. Especializacin EIA
Estimacin de la Estacionalidad
La estimacin de la estacionalidad no
slo se realiza con el fin de incorporarla
al modelo para obtener predicciones,
sino tambin con el fin de eliminarla de la
serie para visualizar otras componentes
como tendencia y componente irregular
que se pueden confundir en las
fluctuaciones estacionales.
CIEM
Tcnicas de descomposicin de
series
El factor de tendencia recoge
comportamiento general, a largo plazo
de la serie. El factor estacional recoge
comportamientos repetitivos de ciclo
corto, este comportamiento cclico est
presente con frecuencia en series de tipo
econmico.
CIEM
series (Modelo Holt )
Este modelo pretende identificar la tendencia de la serie de un
modo tal que permita que esa tendencia pueda variar a lo
largo del tiempo, producindose un ajuste automtico del
modelo. Se utiliza para series con ruido y tendencia ( y ).
Xt+m = St + mbt
Donde:
Xt+m es la previsin obtenida para el instante t+m, desde el
instante t
St es el nivel de suavizado en que se encuentra la serie en el
instante t
bt es la tendencia que presentaba la serie en el instante t.
CIEM
series (Modelo Holt - Winters)
El metodo de Holt no admite la presencia de
variaciones estacionales. Si le aadimos un
tercer trmino para recoger este elemento,
tenemos el modelo de Winters que, por tanto,
considera la serie como formada por tres
factores : nivel tendencia y ciclos (, y ).
El primer parmetro est relacionado con el

factor aleatorio de la serie, el segundo con la
tendencia y el tercero con la componente
estacional.
CIEM
EL METODO DE HOLT-WINTER PARA EL AJUSTE DE LA
TENDENCIA Y DEL PRONOSTICO
METODO DE HOLT-WINTER, es una extensin del planteamiento de suavizado exponencial, la
diferencia radica en que el procedimiento de suavizado exponencial proporciona una visin de los
movimientos a largo plazo sin tener en cuenta la estacionalidad ni la tendencia, mientras que Holt
Winter permite pronosticar teniendo en cuenta ambas componentes. El mtodo se ha venido refinando
cada vez ms, en esta capacitacin se presentan las formulas para tratar la tendencia.
NIVEL E i = U(E i -1+ Ti - 1) + (1-U) Y i
TENDENCIA T i = VT i -1 +(1-V)(E i - E I - 1)
^
PRONOSTICO Yn +J = En + j (Tn)
E i = Nivel de la serie suavizada en el periodo i.
E i - 1 = Nivel de la serie suavizada en el periodo i - 1.
T i = Valor del componente de tendencia en el periodo i.
T i - 1 = Valor del componente de tendencia en el periodo i - 1
Y i = Valor de la serie en el tiempo i.
U = Constante de suavizado asignada de manera subjetiva (0<U<1).
V = Constante de suavizado asignada de manera subjetiva (0<V<1).
Preparado por: Len Dario Bello Para empezar a realizar los clculos, hacemos E 2 = Y 2 y T 2 = Y 2 - Y 1
Es posible tener una apreciacin ms clara sobre el
comportamiento de la misma.
Facilita la identificacin de patrones subyacentes
en ellas.
Al aislar los factores exogenos ayuda a conocer como
se relaciona la serie de inters con otras series.
Ayuda a disminuir las posibilidades de ser
engaados por correlaciones espureas, es decir,
correlaciones que muestran casualidad y no causalidad.

1. Mtodo del porcentaje medio. En este mtodo expresamos los
datos de cada mes como porcentajes del promedio anual. Los
porcentajes para meses correspondientes en distintos aos se
promedian entonces (usando una media o una mediana). Los doce
porcentajes resultantes dan el ndice estacional.
2. Mtodo del porcentaje de tendencia. En este mtodo

expresamos los datos para cada mes como porcentajes de valores de
tendencia mensuales. Un promedio apropiado de los porcentajes
para meses correspondientes da entonces el ndice requerido.
3. Mtodo del promedio mvil en porcentaje. En este
mtodo calculamos un promedio mvil de doce meses. Como los
resultados obtenidos as caen entre meses sucesivos en lugar de en el
centrodel mes ( que es donde caen los datos originales), calculamos
un promedio mvil de dos meses de ese promedio mvil de doce
meses.
El resultado se llama a veces un promedio mvil de doce meses
centrado. Tras hacer eso, expresamos los datos originales de cada
mes como un porcentaje del promedio mvil centrado de 12 meses
que corresponde a los datos originales. Los porcentajes de los meses
correspondientes se promedian a continuacin, dando el ndice
buscado.
Valor original x 100
Valor ajustado estacionalmente = ----------------------------------
ndice estacional Preparado por: Len Dario Bello

DESCOMPOSICION DE LA SERIE

Se presentan varios criterios para identificar el modelo que ms se
ajusta a los datos originales, los ms utilizados son: El Error
Cuadrado Medio (MSE), la Desviacin Media Absoluta (DMA) como
mtodos numricos y el anlisis de residuales como mtodo grfico.
La frmula para el DMA esta dada por.

DMA= Y i - Y ij / n

PASOS EN EL ANALISIS CLASICO DE
UNA SERIE DE TIEMPO.
1. DETERMINAR SI LA SECUENCIA DE DATOS

FORMAN UNA SERIE NO ALEATORIA.
2. ANALISIS EXPLORATORIO DE DATOS.
3.SUAVIZAR LA SERIE para identificar el
comportamiento subyacente de la misma.
4. DESCOMPONER LA SERIE en sus respectivas
componentes.
5. AJUSTE DE MODELOS MATEMATICOS.
6. ANALISIS DE RESIDUALES
7. REALIZAR ESTIMACIONES Y PRONOSTICOS.
8. VALIDAR EL MODELO
CIEM
Desarrollo de los Pasos
1. Realmente es una serie no aleatoria: Rachas
2. Anlisis exploratorio de datos: -Grfico de secuencias.

Grfico de Caja y Sesgo. - Clculo de estadsticas
descriptivas.
3. Identificacin de las componentes de la serie:
140
120
N m e ro d e C a s o s
100
80
60
40
20
1988 1989 1990 1992 1993 1994 1996 1997 1998
1988 1990 1991 1992 1994 1995 1996 1998 1999
YEAR, not periodic
Serie IRA la cual contiene nmero de casos reportados en Santa

F de Bogot desde enero de 1988 hasta diciembre de 1999
4. Descomponer la serie.
Prueba de homogeneidad de v arianzas

Prueba de homogeneidad de v arianzas
Nmero de Casos 100 100
Nmero de Casos
Estadstico
de Levene
90
gl1 gl2 Sig. Estadstico
de Levene 90 gl1 gl2 Sig.
1.009 11 132 .442
80 1.242 11 132 .266
Media de Nmero de Casos
Media de Nmero de Casos

70 ANOVA 80
ANOVA
Nmero de Casos
60 Nmero de Casos
70
Suma de Media
cuadrados gl cuadrtica F Sig. Suma de Media
50
1 2 3 4 5 cuadrados gl cuadrtica F Sig.
Inter-grupos 11507.243 11 6 1046.113
7 8 9 10 11 12
5.408 .000 60
MONTH, period 12 Inter-grupos 1988 8462.910
1989 1990 1991 1992 1993 111994 1995769.355
1996 1997 1998 3.554
1999 .000
Intra-grupos 25532.083 132 193.425
Intra-grupos YEAR,
28576.417
not periodic 132 216.488
Total 37039.326 143
Total 37039.326 143
Diferencia de Medias por ao. Diferencia de Medias por mes.

Hay Tendencia Hay Estacionalidad
Modelo de Winter, se realiz el anlisis de residuos.

140
Prueba de rachas
Prueba de Kolmogorov-Sm irnov pa ra una muestra
120 Error for

Error for
CASOS from
CASOS from
EXSMOOTH, EXSMOOTH,
MOD_6 WI A MOD_6 W I A
100
.20 G .00 D .20 G .00 D
.00 .00
Valor de pruebaa -.3225664 N 144
80
Casos < Valor de prueba 72 Parmetros normalesa,b Media -.1041087
Casos >= Valor de Desviacin tpica
72 11.7830248
prueba
60
Casos en total 144 Diferencias ms Absoluta .035
Nmero de rachas 62 ex tremas Positiva .035
Nmero de Cas os
Z
40 -1.840 Negativa -.033
Sig. as intt. (bilateral) .066 Z de Kolmogorov-Smirnov Fit for CASOS from E .425
20 a. Mediana Sig. as intt. (bilateral) XSMOOT H, MOD_6 WI A.994
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2
9 9 9 9 9 9 9 9 9 19 19 9 a. 9 9 19 9 9 9 0 0
8 8 8 9 9 9 9 La 9 dis9 tribucin 9 de 9contras 9 te0 es la 0 Normal.
8 8 9 0 0 91 92 92 3 94 94 5 6 6 97 8 8 9 0 0
b. Se han calculado a partir de los datos .
YEAR, not periodic

Grfico de Pronosticos
140
120
100
80
60
Nmero de Casos
40
Fit for CASOS from A
20 RIMA, MOD_16 NOCON
19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 19 20 20
88 88 89 90 90 91 92 92 93 94 94 95 96 96 97 98 98 99 00 00
YEAR, not periodic
El conocimiento del rea especfica ser de gran

ayuda para seleccionar modelo adecuado. el
participante puede comparando los errores absolutos
de otros modelos y realizando las pruebas de
residuales, encontrar otros modelos validos.
MORTALIDAD POR ACCIDENTE EN
BOGOT ENERO 1995 OCTUBRE 1999
120 140
120
100
100
80
80
60
60
40
40
HOMBRE
20
HOMBRE 20 MUJER
0 LINT(HOMBRE) 0 JA A P JU OC JA A P JU OC JA A P JU OC JA A P JU OC JA A P JU OC TOTAL
DE 19
NO 19
O 1 2
A 19 4
M 19
M 19 89
DE 19
NO 19
O 1 3
A 19 5
JA
SE 19 3
JU G 1 5
JU 19 6
A Y1 8
FE R 1 0
JA 19 1
SE 1 4
JU 1
JU 19 97
N R L1 T N R L1 T N R L1 T N R L1 T N R L1 T
CT 98
U 8
A 8
A 9
CT 99
UG 96
PR 9
C 82
C 93
19 19 9 19 19 19 9 19 19 19 9 19 19 19 9 19 19 19 9 19
L 98
N 87
L 9
N 98
B 99
N
N 92
P 8
P 99
V 8
V 9
19
95 95 95 95 96 96 96 96 97 97 97 97 98 98 98 98 99 99 99 99
99
Fecha Fecha
Estimar valores perdidos.

Identificar componentes de la serie
No existencia de tendencia ni estacionalidad, ajustar suavizacin
simple
Existe tendencia sin estacionalidad, ajustar Holt
Existe tendencia y estacionalidad, ajustar Winter
Ajustar modelos mnimo cuadrticos y comparar SCE
Validar supuestos de los residuales
Calcular los pronsticos. CIEM

Series Clasico Ciem

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

Series Clasico Ciem

Cargado por

Copyright:

Formatos disponibles

Centro de Investigacin Estadstica

Material preparado por:

CIEM Profesor Len Daro Bello Parias

FUENTE: SIS 12 , REGISTROS DE PROGRAMA, Y SIVIGILA

Consistencia: Mecanismos de notificacin, los cuales

Comparabilidad: cambios que se originan a travs

Material preparado por:

CIEM Profesor Len Daro Bello Parias

Xt es el valor de la prediccin para el instante t

La previsiones obtenidas con este mtodo,

Xt = Xt-1 + a(Zt-1 Xt-1)

Xt es ekl valor de la serie suavizada para el perodo t

En series que presenten una tendencia aproximadamente

El primer parmetro est relacionado con el

NIVEL E i = U(E i -1+ Ti - 1) + (1-U) Y i

E i = Nivel de la serie suavizada en el periodo i.

E i - 1 = Nivel de la serie suavizada en el periodo i - 1.

T i = Valor del componente de tendencia en el periodo i.

T i - 1 = Valor del componente de tendencia en el periodo i - 1

Y i = Valor de la serie en el tiempo i.

U = Constante de suavizado asignada de manera subjetiva (0<U<1).

V = Constante de suavizado asignada de manera subjetiva (0<V<1).

CIEM Preparado por: Len Dario Bello

2. Mtodo del porcentaje de tendencia. En este mtodo

ndice estacional Preparado por: Len Dario Bello

Preparado por: Len Dario Bello

Preparado por: Len Dario Bello

1. DETERMINAR SI LA SECUENCIA DE DATOS

2. Anlisis exploratorio de datos: -Grfico de secuencias.

YEAR, not periodic

Serie IRA la cual contiene nmero de casos reportados en Santa

Prueba de homogeneidad de v arianzas

Media de Nmero de Casos

Diferencia de Medias por ao. Diferencia de Medias por mes.

Modelo de Winter, se realiz el anlisis de residuos.

120 Error for

CIEM Preparado por: Len Dario Bello

YEAR, not periodic

El conocimiento del rea especfica ser de gran

Estimar valores perdidos.

También podría gustarte