Estadística Administrativa II

Unidad 4. Métodos de suavización

4.1 Enumerar y describir los patrones de los

componentes de una serie de tiempo
 Objetivos de esta presentación

4.1.1 Identificar el patron de una serie mediante el análisis de

autocorrelación.
Métodos se suavización
Explorando los patrones con análisis de autocorrelación

Cuando una variable se mide sobre el tiempo, las observaciones en

diferentes periodos se encuentran frecuentemente correlacionadas. La
correlación es entonces medida con el coeficiente de autocorrelación.

El coeficiente de autocorrelación mide la correlación entre una variable y

sus valores rezagados uno o más periodos de tiempo.

Los patrones de los datos (el estacionario, tendencia, cíclico, y la

estacionalidad) pueden ser estudiados a través del coeficiente de
autocorrelación.
 Métodos se suavización
Explorando los patrones con análisis de autocorrelación

El coeficiente de autocorrelación es:

n
rk =
 (Y
t k 1
t  Y)(Yt k  Y)
k = 0, 1, 2,……
n

 t
(Y
t 1
 Y) 2

Donde,
rk Coeficiente de autocorrelación para un rezago de k periodos
Ybarra Es la media de las observaciones
Yt Es la observación de la variable en el periodo t
Yt-k Es la observación de la variable rezagada t-k periodos
 Métodos se suavización
Explorando los patrones con análisis de autocorrelación

Tiempo Ventas k=1 k=2

t Mes Yt Yt-1 Yt-2
1 Enero 123
2 Febrero 130 123
3 Marzo 125 130 123
4 Abril 138 125 130
5 Mayo 145 138 125
6 Junio 142 145 138
7 Julio 141 142 145
8 Agosto 146 141 142
9 Septiembre 147 146 141
10 Octubre 157 147 146
11 Noviembre 150 157 147
12 Diciembre 160 150 157
 Métodos se suavización
Explorando los patrones con análisis de autocorrelación

Correlalograma o función de autocorrelación

El correlalograma es un gráfico de las autocorrelaciones para varios rezagos de una

serie de tiempo.

Los coeficientes de autocorrelación para diferentes rezagos de tiempo de una variable

puede ser usados para saber si la serie es estacionaria, si tiene tendencia, o si tiene
estacionalidad.

Si una serie es estacionaria las autocorrelaciones de Yt y Yt-k para cualquier rezago k

serán cercanas a cero. Esto quiere decir que los valores sucesivos de una serie de
tiempo no están relacionados.
 Métodos se suavización
Explorando los patrones con análisis de autocorrelación

Si una serie tiene tendencia, las observaciones sucesivas de la serie estarán

altamente correlacionadas, y los coeficientes de correlación serán
significativamente diferentes de cero para los primeros rezagos y después, y
gradualmente, caerán a cero a medida que los rezagos se incrementan. El
coeficiente de autocorrelación para el rezago 1 será frecuentemente muy
grande (cercano a 1). El coeficiente de autocorrelación para el rezago 2 será
también grande, sin embargo no será tan grande como el el rezago 1.

Si la serie tiene un patrón estacional, un coeficiente de autocorrelación

significativo existirá en el periodo estacional rezagado o en periodos múltiples
del periodo estacional rezagado. El rezago estacional es 4 para datos
trimestrales y 12 para datos mensuales.
 Métodos se suavización
Explorando los patrones con análisis de autocorrelación

Significancia estadística de los coeficientes de autocorrelación

Para determinar la significancia de un coeficiente de autocorrelación se tiene primero que

calcular su error estándar:

k 1
Nota.
1  2 ri 2

El error estándar para la

SE (rk ) 
Donde: i 1
autocorrelación del rezago 1
n
SE(rk) es el error estándar de la autocorrelación
esen1/(n^.5),
el rezagopara
k el rezago 2
ri es la autocorrelación en el rezago i en adelante aplica la fórmula
K= es el periodo de rezago
n= número de observaciones en la serie
 Métodos se suavización
Explorando los patrones con análisis de autocorrelación

Un coeficiente de autocorrelación será considerado estadísticamente diferente de cero si

se prueba la siguiente hipótesis nula y se rechaza:

Ho : k = 0 Ha : k ≠ 0

Estadístico de prueba tcalc = rk / SE(rk)

Región de rechazo Rechazar si |tcalc| >= t/2,  = n-1

O bien si está fuera del siguiente intervalo:

0 ± (t/2,  = n-1)SE(rk)
Métodos se suavización
Explorando los patrones con análisis de autocorrelación

Si bien es útil probar si es significativamente diferente de cero cada coeficiente de

autocorrelación, también es útil probar si un conjunto de coeficientes de
autocorrelación son estadísticamente diferentes de cero.

Ho: Todos los coeficientes de autocorrelación son cero

Ha: al menos uno es diferente de cero

Estadístico de prueba: m
 rk2 
Q  n(n  2)  
1  n  k  igual a cero
Donde m = al total de coeficientes que sonk probados

Región de rechazo: Rechazar si

Q  2,m
Métodos se suavización

Esta unidad y la siguiente, tienen la intención de presentarnos las ideas

básicas para estudiar series de tiempo, esto es, eventos que varían a
través del tiempo.

Cuando, por el conocimiento del fenómeno bajo estudio, se sabe que el

comportamiento de la serie se mantendrá, al menos localmente, es
común recurrir a los métodos de suavización para realizar pronósticos
de la variable estudiada.

A continuación presentamos los métodos que se cubrirán en ésta

unidad, clasificados de acuerdo al comportamiento de la serie.
Métodos de suavización
Introducción

Series estacionarias
• Método en base a la media
• Método de promedios móviles simples
• Método de suavización exponencial simple
• Método de suavización exponencial simple de respuesta adaptativa

Series con tendencia

• Promedios móviles dobles
• Suavización exponencial doble
 Método Brown
 Método Holt
Métodos de suavización
Introducción

Series estacionales con tendencia

• Método de suavización exponencial triple
 Método Winters
• Descomposición de series de tiempo