Series Clasico Ciem

Centro de Investigación Estadística
y Mercadeo
www.leondariobello.com
Enfoque Clásico
CIEM
 DEFINICION.
 Una serie de tiempo es un conjunto de datos numéricos
que se obtienen en periodos regulares a través del
tiempo. La unidad de tiempo puede ser: Hora, día, mes,
trimestre, año o cualquier periodo que se pueda
considerar de interés.
 OBJETIVO.
Identificar y aislar los factores de influencia con propósitos
de hacer predicciones (pronósticos), y prevenir “brotes” o
“epidemias”.
Material preparado por:
CIEM Profesor León Darío Bello Parias

Con el análisis de series temporales se pretende extraer
el patrón de comportamiento sistemático contenido en
una sucesión de observaciones que se recoge de forma
regular y homogénea a lo largo del tiempo. Con este
patrón es posible: a) caracterizar el comportamiento del
fenómeno estudiado; b) predecir su evolución futura; y c)
extraer componentes no observables (señales) que
reflejan más fielmente la evolución subyacente de la
variable de interés.
CIEM Preparado por: León Dario Bello
El tratamiento numérico de las series Temporales es variado y
la metodología a utilizar depende de los objetivos planteados. En
general, se puede decir que de una secuencia cronológica nos
puede interesar adquirir un conocimiento descriptivo o
diagnóstico, en el sentido de poder detectar la dinámica
generadora del fenómeno bajo estudio, y un conocimiento
predictivo o pronóstico, pretendiendo deducir de los datos
registrados hasta el momento, cómo será su
comportamiento futuro.
CIEM
Profesor León Darío Bello Parias
Número 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
400 8.0
Tasas * 100.000
Nº 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
Año Años
http://www.col.ops-oms.org/iah/lisnalsds.htm
CIEM
Número de Casos Acumulados de Rubeola Periodo 13 Tasas Acumuladas por 100.000 habitantes de Rubeola
(Antioquia 1994-2001) Periodo 13 (Antioquia 1994-2001)
6000 120.0
5000 100.0
Tasas * 100.000
4000 80.0
Nº Casos
3000 60.0
2000 40.0
1000
20.0
0
0.0
1994 1995 1996 1997 1998 1999 2000 2001
1994 1995 1996 1997 1998 1999 2000 2001
Años Años
CIEM
Número 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
600 10.0
Tasas * 100.000
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 Años
FUENTE: SIS 12 , REGISTROS DE PROGRAMA, Y SIVIGILA

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

pueden cambiar la forma de captura de
la información.
Comparabilidad: cambios que se originan a través

del tiempo.
CIEM
Preparado por: León Dario Bello
COMPONENTES DE UNA SERIE
 Tendencia: Movimientos percistentes ascendentes o
descendentes a través del tiempo.
 Variaciones estacionales. Fluctuaciones periódicas en
periodos de tiempo cuya frecuencia es menor a un año,
aproximadamente en las mismas fechas y casi con la misma
intensidad.
 Movimientos o variaciones cíclicas.
Los movimientos se consideran cíclicos, solo si se
producen en un intervalo de tiempo superior al año.
 Movimientos irregulares o al azar. movimientos
esporádicos o de corto plazo.

COMPONENTES DE UNA SERIE

USO DE PROMEDIOS MOVILES SERIE INFECCION
RESPIRATORIA AGUDA EN SANTA FE DE BOGOTA (1982-1992)
1 40
1 20
1 00
80
Ser ie1
Ser ie2
Ser ie3
60
40
20
CIEM
ME SE S

Ajuste De Un Modelo
3. i. La curva de tendencia debe
1.T(t) = a + b t 2.T(t) = a e bt (Exponencial cubrir un periodo
relativamente largo para ser
(Lineal) (Exponencial) modificada)
una buena representación de
la tendencia a largo plazo.
ii. La tendencia rectilínea y

exponencial son aplicable a
corto plazo, puesto que una
curva S a largo plazo puede
parecer una recta en un
período restringido de tiempo
(por ejemplo).
Gompertz Logistica
Especialización EIA
Técnicas de suavizado
 Grupo de métodos cuyo objetivo es identificar las
componentes subyacentes de la serie.
 Suaviza el aspecto de la gráfica mediante la eliminación o
alisado de las oscilaciones de la serie.
Promedios Móviles Siguiente observación  Observación más 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 predicción para el instante t
 Zt es el valor real de la serie el instante genérico t
 K es el número de valores considerados en el cálculo de la
media móvil
La previsiones obtenidas con este método, pueden ser útiles

en situaciones en que la serie es muy vólatil y una media
estable. Se recomienda un K alto si la serie es muy
heterógenea. Usualmente se trabaja con valores entre 3 y
11. Material preparado por:
Incidencia de malaria por 100 000 habitantes.
Antioquia 1982-1993 Medias móviles
3000
2500
2000
Real
Proporción
1500 Pronóstico M=3

Pronóstico M=5
1000
500
0
1982 1984 1986 1988 1990 1992
Años
Preparado por: Maria Cristina Velásquez

Exponencial simple:
Esta técnica supera al método de promedios móviles en
el sentido que no elimina valores. Además, le da mayor
ponderación a los últimos 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 pronóstico 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 
X = Xt-1 + a(Zt-1 – Xt-1)
t

Predicción con suavizado exponencial
(Método de Brown):
 Permite la realización de previsiones a muy corto plazo, además puede
emplearse también en el simple suavizado de series, al estilo de las
medias móviles. Debe ser utilizado sólo y sólo para series con ruido.
 Xt = Xt-1 + a(Zt-1 – Xt-1)
 Xt es ekl valor de la serie suavizada para el período t

 Zt es el valor de la serie original en el período 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 método puede dar buenos resultados, si la
serie presenta oscilaciones cíclicas, los resultados serán pobres.
Estimación de la Estacionalidad
 La estimación de la estacionalidad no sólo se

realiza con el fin de incorporarla al modelo
para obtener predicciones, sino también 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
Técnicas de descomposición 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 cíclico está
presente con frecuencia en series de tipo
económico.
CIEM
(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,
produciéndose un ajuste automático del modelo. Se utiliza para series
con ruido y tendencia ( y ).
Xt+m = St + mbt

 Donde:
 Xt+m es la previsión 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
(Modelo Holt - Winters)
 El metodo de Holt no admite la presencia de
variaciones estacionales. Si le añadimos un tercer
término 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 parámetro está 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 extensión del planteamiento de suavizado exponencial, la
diferencia radica en que el procedimiento de suavizado exponencial proporciona una visión 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 método se ha venido refinando
cada vez más, en esta capacitación 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: León Dario Bello Para empezar a realizar los cálculos, hacemos E 2 = Y 2 y T 2 = Y 2 - Y 1
• Es posible tener una apreciación más clara sobre el
comportamiento de la misma.
• Facilita la identificación de patrones subyacentes
en ellas.
• Al aislar los factores exogenos ayuda a conocer como
se relaciona la serie de interés con otras series.
• Ayuda a disminuir las posibilidades de ser
engañados por correlaciones espureas, es decir,
correlaciones que muestran casualidad y no causalidad.
1. Método del porcentaje medio. En este método expresamos los
datos de cada mes como porcentajes del promedio anual. Los
porcentajes para meses correspondientes en distintos años se
promedian entonces (usando una media o una mediana). Los doce
porcentajes resultantes dan el índice estacional.
2. Método del porcentaje de tendencia. En este método

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 índice requerido.
3. Método del promedio móvil en porcentaje. En este
método calculamos un promedio móvil de doce meses. Como los
resultados obtenidos así caen entre meses sucesivos en lugar de en el
centrodel mes ( que es donde caen los datos originales), calculamos
un promedio móvil de dos meses de ese promedio móvil de doce
meses.
El resultado se llama a veces un promedio móvil de doce meses
centrado. Tras hacer eso, expresamos los datos originales de cada
mes como un porcentaje del promedio móvil centrado de 12 meses
que corresponde a los datos originales. Los porcentajes de los meses
correspondientes se promedian a continuación, dando el índice
buscado.
Valor original x 100
Valor ajustado estacionalmente = ----------------------------------
índice estacional Preparado por: León Dario Bello

DESCOMPOSICION DE LA SERIE

Se presentan varios criterios para identificar el modelo que más se
ajusta a los datos originales, los más utilizados son: El Error
Cuadrado Medio (MSE), la Desviación Media Absoluta (DMA) como
métodos numéricos y el análisis de residuales como método gráfico.
La fórmula 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. Análisis exploratorio de datos: -Gráfico de secuencias.

Gráfico de Caja y Sesgo. - Cálculo de estadísticas descriptivas.
3. Identificación de las componentes de la serie:
140
N ú m e ro d e C a s o s
120
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 número de casos reportados en Santa

Fé de Bogotá desde enero de 1988 hasta diciembre de 1999
4. Descomponer la serie.
Prueba de homogeneidad de varianzas

Prueba de homogeneidad de varianzas
Número de Casos 100
100
Número de Casos
Estadístico
de Levene
90
gl1 gl2 Sig. Estadístico
de Levene 90 gl1 gl2 Sig.
1.009 11 132 .442
80 1.242 11 132 .266
Media de Número de Casos
Media de Número de Casos

70 ANOVA 80
ANOVA
Número de Casos
60
Número de Casos 70
Suma de Media
Suma de Media
cuadrados
50 gl cuadrática F Sig.
Inter-grupos 1 2 3 4 5 6 7 8 9 10 11 12 cuadrados gl cuadrática F Sig.
11507.243 11 1046.113 5.408 .000 60
MONTH, period 12
Inter-grupos 1988 1989 8462.910
1990 1991 1992 1993 111994 1995 1996769.355
1997 1998 1999 3.554 .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 año. Diferencia de Medias por mes.

Hay Tendencia Hay Estacionalidad
Modelo de Winter, se realizó el análisis de residuos.

140
Prueba de rachas
Prueba de Kolmogorov-Smirnov para una muestra
120 Error for

Error for
CASOS from
CASOS from
EXSMOOTH, EXSMOOTH,
100
MOD_6 WI A MOD_6 WI A
.20 G .00 D .20 G .00 D
.00 .00
Valor de prueba a -.3225664 N 144
80
Casos < Valor de prueba 72 Parámetros normales a,b Media -.1041087
Casos >= Valor de Desviación típica
72 11.7830248
prueba
60
Casos en total 144 Diferencias más Absoluta .035
Número de rachas 62 extremas Positiva Número de Casos.035
Z
40 -1.840 Negativa -.033
Sig. asintót. (bilateral) .066 Z de Kolmogorov-Smirnov .425 E
Fit for CASOS from
20a. Mediana Sig. asintót. (bilateral) XSMOOTH, MOD_6 .994 WI A

a. La distribución de contraste es la Normal.
b. Se han calculado a partir de los datos.
YEAR, not periodic

Gráfico de Pronosticos
140
120
100
80
60
Número 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 área específica será 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. Preparado por: León Dario Bello
MORTALIDAD POR ACCIDENTE EN
BOGOTÁ ENERO 1995 – OCTUBRE 1999
120 140
120
100
100
80
80
60
60
40
40
HOMBRE
20
HOMBRE 20 MUJER
0 LINT(HOMBRE) 0 TOTAL
JA
DE 19
NO 19 2
OC 19 2
SE 19 3
A 19 4
JU 19 5
JU 19 6
MA 19
A 1 8
M 19 89
FE 1 0
JA 19 1
DE 19 2
NO 19 3
O 1 3
SE T 19 4
A U 19 5
JU 19
JU 19 7
UG 8
A 9
PR 9
C 99
L 8
N 87
B 99
L 9
N 98
N 9
C 9
P 9
N
C 8
P 8
V 8
T 8
V 9
G 96
Y 8
19
99
Fecha Fecha
Estimar valores perdidos.

Identificar componentes de la serie
No existencia de tendencia ni estacionalidad, ajustar suavización
simple
Existe tendencia sin estacionalidad, ajustar Holt
Existe tendencia y estacionalidad, ajustar Winter
Ajustar modelos mínimo cuadráticos y comparar SCE
Validar supuestos de los residuales
Calcular los pronósticos. CIEM

Series Clasico Ciem

Cargado por

Información del documento

Título original

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 Investigación Estadística

Material preparado por:

CIEM Profesor León Darío Bello Parias

FUENTE: SIS 12 , REGISTROS DE PROGRAMA, Y SIVIGILA

Consistencia: Mecanismos de notificación, los cuales

Comparabilidad: cambios que se originan a través

CIEM Profesor León Darío Bello Parias

Material preparado por:

CIEM Profesor León Darío Bello Parias

Preparado por: León Dario Bello

ii. La tendencia rectilínea y

La previsiones obtenidas con este método, pueden ser útiles

1500 Pronóstico M=3

Preparado por: Maria Cristina Velásquez

Material preparado por:

 Xt = Xt-1 + a(Zt-1 – Xt-1)

 Xt es ekl valor de la serie suavizada para el período t

 En series que presenten una tendencia aproximadamente lineal o bien

 La estimación de la estacionalidad no sólo se

 El factor de tendencia recoge comportamiento

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

2. Método del porcentaje de tendencia. En este método

índice estacional Preparado por: León Dario Bello

Preparado por: León Dario Bello

Preparado por: León Dario Bello

2. Análisis exploratorio de datos: -Gráfico de secuencias.

YEAR, not periodic

Serie IRA la cual contiene número de casos reportados en Santa

Prueba de homogeneidad de varianzas

Media de Número de Casos

Diferencia de Medias por año. Diferencia de Medias por mes.

Modelo de Winter, se realizó el análisis de residuos.

120 Error for

20a. Mediana Sig. asintót. (bilateral) XSMOOTH, MOD_6 .994 WI A

YEAR, not periodic

CIEM Preparado por: León Dario Bello

YEAR, not periodic

El conocimiento del área específica será de gran ayuda para

Estimar valores perdidos.

También podría gustarte