SERIES DE TIEMPO

Definición

 Se llama Series de Tiempo a un conjunto de

observaciones sobre valores que toma una variable
(cuantitativa) en diferentes momentos del tiempo.
 Hoy en día diversas organizaciones requieren conocer el
comportamiento futuro de ciertos fenómenos con el fin
de planificar, prevenir,es decir, se utilizan para predecir
lo que ocurrirá con una variable en el futuro a partir del
comportamiento de esa variable en el pasado.
Aplicaciones

 En las organizaciones es de mucha utilidad en

predicciones a corto y mediano plazo, por ejemplo ver
que ocurriría con la demanda de un cierto producto, las
ventas a futuro, decisiones sobre inventario, insumos,
etc....
 No así para el diseño de un proceso productivo ya que
no se disponen de datos históricos y se trata de un
proyecto a largo plazo
Selección de un modelo

 El horizonte de tiempo para realizar la proyección.

 La disponibilidad de los datos.
 La exactitud requerida.
 El tamaño del presupuesto de proyección.
 La disponibilidad de personal calificado.
Modelos de series de tiempo
Método de proyección Cantidad de datos Patrón de los datos Horizonte de Tiempo de Antecedentes del
históricos proyección preparación personal

  5 a 10 observaciones Los datos deben ser      

Ajuste exponencial para fijar la estacionarios Corto Corto Poca sofisticación
simple ponderación

Ajuste exponencial de 10 a 15 observaciones Tendencias pero no     Ligera sofisticación

Holt para fijar la estacionalidad Corto a mediano Corto
ponderación

Ajuste exponencial de Por lo menos 4 ò 5 Tendencias y     Sofisticación

Winter observaciones por estacionalidad Corto a mediano Corto moderada
trimestre
  10 a 20 observaciones        
Modelos de la para la estacionalidad, Tendencias y      
tendencia de regresión por lo menos 5 por estacionalidad Corto a mediano Corto Sofisticación
trimestre moderada

        Largo tiempo  
  10 observaciones por Puede manejar   para el  
Modelos de regresión variable patrones complejos Corto , mediano o desarrollo , corto Sofisticación
causal independiente largo para la puesta en considerable
ejecución
    Maneja patrones      
Descomposición de las Suficiente para ver 2 cíclicos y estacionales   Corto tiempo  
series de tiempo picos y simas puede identificar los Corto a mediano para la Poca sofisticación
puntos críticos moderación

    Deben ser      
Box Jenkins 50 o mas estacionarios o ser Corto , mediano o Largo Alta sofisticación
observaciones transformados en largo
estacionarios
Comportamiento de los Datos

 Los datos se pueden comportar de diferentes formas

a través del tiempo, puede que se presente una
tendencia, un ciclo; no tener una forma definida o
aleatoria, variaciones estacionales (anual, semestral,
etc).
Descomposición de los datos de series de
tiempo
Tendencia
Estacionalidad

 Se dice que una serie de tiempo es estacionaria

cuando el valor de su media, varianza y covarianza
no varían Sistemáticamente en el tiempo.
Suavizado de una serie de tiempo

 Cuando se analizan datos en donde los movimientos de la

tendencia en la serie se ven confusos las variaciones de un
año a otro, y no es fácil darse cuenta de si realmente existe en
la serie algún efecto de la tendencia hacia arriba o hacia
abajo.
Métodos de Predicción

 Los métodos mas utilizados en las series temporales

son:

 Promedio móvil
 Suavización Exponencial
 Box - Jenkins
Promedio móvil

 Es el método de predicción mas simple, donde se

selecciona un numero dado de periodos N, y se obtiene
la media o promedio de la variable para los N periodos,
permitiendo que el promedio se mueva conforme se
observan los nuevos datos de la variable en cuestión.
Suavización Exponencial

 Se basa en la idea de que es posible calcular un promedio nuevo a partir de un

promedio anterior y también del ultimo dato observado.

At =  D t + (1-) F t
At =  Dt + (1-) At-1
0<<1
Box - Jenkins

 Box y Jenkins han desarrollado modelos estadísticos

que tienen en cuenta la dependencia existente entre los
datos.
 Cada observación en un momento dado es modelada
en función de los valores anteriores.
 Se modela a través de ARIMA (Autorregresive
Integrate Moving Average).
METODOLOGIA DE BOX-JENKINS

 Tiene solamente en cuenta la pauta de serie serie de

tiempo en el pasado.
 Ignora la información de variables causales.
 Procedimiento técnicamente sofisticado de
predicción de una variable.
 Utiliza la observación más reciente como valor
inicial.
 Permite examinar el modelo más adecuado
METODOLOGIA DE
BOX-JENKINS
 Analiza errores recientes de pronósticos para
seleccionar el ajuste apropiado para periodos futuros.
 Box-Jenkins es más apropiado para predicciones a
largo plazo que para corto plazo.
 Extrae mucha información de la serie de tiempo, más
que cualquier otro método.
Elección del modelo

 Existen tres tipos básicos de modelos a ser

examinados
 Modelos autorregresivos (AR).
 Modelos de medias móviles (MA)
 Modelos mixtos autorregresivos-medias móviles (ARIMA)
Modelos autorregresivos AR(p).

 Describe una clase particular de proceso en que las

observaciones en un momento dado son predecibles a
partir de las observaciones previas del proceso mas un
termino de error.,el caso mas simple ARIMA (1,0,0) o
AR(1).
 Yt = Ф1 Yt-1 + at
Modelos de medias móviles MA(q)
 También describe una serie de tiempo estacionaria. En
este modelo el valor actual puede predecirse a partir
de lasmcomponentes aleatorias de este momento y, en
menor medida los impulsos aleatorios anteriores. ARIMA
(0,0,1) o MA (1)
Yt = at - V1 at-1
ARIMA

 Es un modelo que permite describir un valor como

una funcion lineal de datos como una funcion lineal de
datos anteriores y errores debidos al azar.
 Se analiza sobre una serie estacionaria y se necesitan
como minimo 50 datos.
Autocorrelacion simple (ACF)

 La autocorrelación muestra la asociación entre valores

de la misma variable en diferentes periodos de
tiempo(no aleatoria).
Grafico
DEMANDA
1.0

.5

0.0

-.5
Confidence Limits
ACF

-1.0 Coefficient
1 2 3 4 5 6 7 8 9 10 11 12 13

Lag Number
Autocorrelacion Parcial (PACF)

 La autocorrelación parcial identifica la relación entre

los valores actuales y los valores anteriores de la serie
cronológica original.
Grafico
DEMANDA
1.0

.5

0.0
P a rtia l A C F

-.5
Confidence Limits

-1.0 Coefficient
1 2 3 4 5 6 7 8 9 10 11 12 13

Lag Number
AR (1)

 Los procesos AR(1) se reconocen por una ACF

infinita y una PACF que desaparece tras el primer
retardo. Si los datos tienen media, es necesario
especificar un termino constante.