Documentos de Académico
Documentos de Profesional
Documentos de Cultura
En la figura 2.2 ambas curvas (recta y Gompertz) ajustan bien pero las
proyecciones divergen enormemente a largo plazo.
Ejemplo 1: En la tabla 2.1 se presentan los datos trimestrales de unidades
habitacionales iniciadas en los Estados Unidos desde el tercer trimestre de 1964
hasta el segundo trimestre de 1972 [1]. (Es necesario advertir que para el
análisis de tendencia el periodo que se considera debería ser más largo. Sin
embargo, ya que el propósito principal es el de ilustrar el método de
descomposición y las técnicas para inferir partiendo de los elementos así
descompuestos, la insuficiencia de los datos no tiene por qué interesar.)
Tabla 2.1: Nuevas unidades habitacionales comenzadas en los Estados Unidos del
tercer trimestre de 1964 al segundo trimestre de 1972 (en miles de unidades).
de tal modo que La función F se denomina Filtro Lineal. El filtro lineal más usado
es el promedio móvil.
PROMEDIOS MÓVILES
El objetivo es eliminar de la serie las componentes estacionales y accidentales.
Para una serie mensual con estacionalidad anual (s = 12), la serie suavizada se
obtiene,
, (1)
Para una serie trimestral, con estacionalidad anual (s = 4), la serie suavizada está
dada por
Para una serie trimestral, con estacionalidad anual (s = 4), la serie suavizada está
dada por
, (2)
Aditivo
Mixto
Una vez removida la tendencia se obtiene los siguientes gráficos, donde en la figura
2.6 (a) aparece el modelo aditivo y en la (b) el modelo mixto.
Pues si no hay tendencia, se espera
y ,
Suponga que se ha estimado la tendencia por alguno de los métodos vistos en la
sección previa. Seala estimación de la tendencia ya sea mediante una curva o
filtros lineales. Entonces,
Si el modelo es aditivo representa la serie con los efectos
de tendencia removidos.
Si el modelo es mixto representa la serie, una vez removidos los efectos de
tendencia.
Estas series generadas a partir de la original por eliminación de la tendencia se
denominan “series de residuos” y deberán contener predominantemente
fluctuaciones estacionales. Para estimar la estacionalidad se requiere haber
decidido el modelo a utilizar (mixto o aditivo), lamentablemente esto no es
siempre claro, ya sea porque no contamos con información a priori para
suponerlo o porque el gráfico no ha dejado evidencia suficientemente clara como
para decidirnos por alguno de ellos. En tal situación se propone calcular ambas
series residuales y elegir aquella cuyos valores correspondientes a una estación
dada oscilen menos en torno a su promedio.
Tabla 2.4. Residuos modelo Mixto
Donde
y si el modelo es Aditivo, entonces,
Donde
Probablemente, la primera idea para estimar la estacionalidad consistiría de los
promedios por estación en las series residuales. La corrección que aparece
arriba para cada caso, apunta a garantizar que,