You are on page 1of 24

INSTITUTO TECNOLÓGICO

SUPERIOR DE LA SIERRA NEGRA
DE AJALPAN

UNIDAD 4
“SERIES DE
TIEMPO”

1

LUCIA FLORES GARCÍA
ING. EN DAMINISTRACIÓN 4º
SEMESTRE
ESTADÍSTICA II

2012

UNIDAD Series de Tiempo
4

4.1 Los componentes de una
serie de tiempos
4.1.1 Componente de
tendencia
4.1.2 Componente cíclico
4.1.3 Componente
estacional
4.1.4 Componente irregular
4.2 Métodos de
suavizamiento en los
Pronósticos
4.2.1 Promedios móviles
4.2.2 Promedios móviles
ponderados
4.2.3 Suavizamiento
exponencial
4.3 El análisis de regresión
en pronósticos
4.3.1 Modelo causal
4.3.2. Estimación de
pronósticos
4.4 Software de aplicación

1

1 COMPONENTES DE UNA SERIE DE TIEMPOS TENDENCIA La tendencia de una serie de tiempo es el componente de largo plazo que representa el crecimiento o disminución en la serie sobre un periodo amplio. esto permite: identificar la tendencia. avances tecnológicos. En adelante se estudiará como construir un modelo para explicar la estructura y prever la evolución de una variable que observamos a lo largo del tiempo. estacional y un término de error aleatorio. El primer paso para analizar una serie de tiempo es graficarla. Un modelo clásico para una serie de tiempo. cambios culturales. Como se puede ver la tendencia es la propensión al aumento o disminución en los valores de los datos de una serie de tiempo. demográficos. cambios que podrían ser originados como por ejemplo. religiosos. geopolíticos. la estacionalidad. 4. puede ser expresada como suma o producto de tres componentes: tendencia. es decir que no cambiará en el futuro lejano mientras no hayan cambios significativos o radicales en el entorno en el que se encuentra inmersa y que determina el comportamiento de la serie de tiempo en estudio. que permanece a lo largo de un lapso muy extendido de tiempo.SERIES DE TIEMPO Se llama Series de Tiempo a un conjunto de mediciones de cierto fenómeno o experimento registrado secuencialmente en el tiempo. Gráfica de una serie de datos con tendencia 1 . etc. las variaciones irregulares (componente aleatoria). por descubrimientos científicos.

1 Serie de tiempo con tendencia creciente. .

1 .

1 .

El movimiento se completa dentro de la duración de un año y se repite a sí mismo año tras año. La variación estacional se refiere a un patrón de cambio. mes o semana. Estacionalidad.1 Representan la diferencia entre los valores esperados de una variable (tendencia) y los valores reales (la variación residual que fluctúa alrededor de la tendencia). . regularmente recurrente a través del tiempo. las fluctuaciones estacionales se encuentran típicamente en los datos clasificados por trimestres. Gráfica de una serie de datos con estacionalidad.

Estacionaria. se dice que una serie que no presenta crecimiento o declinación es estacionaria. como media y la varianza. ya sean menores o mayores a un año. ocurriendo esto cada dos meses. El patrón de cambio por lo general es un aumento o una disminución cuantitativa en los valores observados de una serie de tiempo específica. Gráfica de una serie de datos estacionaria 1 El componente estacional es un patrón de cambio que se repite a sí mismo año tras año. sucedido esto cada seis años ocasionado por las elecciones presidenciales. permanecen constantes en el tiempo. siendo éste un lapso de tiempo mayor a un año. Cabe mencionar que aunque en la mayor parte de los casos el patrón estacional es un fenómeno que se presenta en lapsos de tiempo de duración aproximada a un año. O el caso del aumento en las ventas de panfletos publicitarios. . el caso de la verificación de vehículos que se eleva en las dos primeras semanas de cada periodo de verificación. siendo éste lapso de tiempo menor a un año. Como por ejemplo. es aquella serie de datos cuyas propiedades estadísticas básica. también puede manifestarse éste fenómeno en periodos de tiempo.

Ejemplo: 1 .

1 Ahora explicaremos el concepto del comportamiento cíclico que se presenta en las series de tiempo y que es de los más difíciles de pronosticar. El componente cíclico es la fluctuación en forma de onda alrededor de la tendencia. La Ciclisidad es un fenómeno que en lo general parece estar relacionado con la variación de la actividad económica ocurrida durante periodos de crisis o prosperidad.En la siguiente gráfica es notorio un patrón en los valores de los datos de la serie de tiempo vistos en la tabla que parece repetirse en lapsos de tiempo aproximados a un año. La fluctuación también puede presentarse en series de tiempo estacionarias. .

Ejemplo: En la tabla que sigue podemos ver los valores de una serie mensual que presenta el fenómeno cíclico. 1 .

1 .

La aleatoriedad se puede decir que se presenta en todas las series de tiempo y no es otra cosa que el cambio producido en los valores de una serie de tiempo debido a fenómenos que son en extremo difíciles de explicar y que por lo tanto su ocurrencia cae en el ámbito del azar. .A continuación se presenta el comportamiento cíclico en su forma más pura. 1 El componente aleatorio mide la variabilidad de las series de tiempo después de retirar los otros componentes.

1 .

1 .

Ejemplo: 1 .

1 .

1 .

es por esto que se les conocen o nombran como “promedios móviles”. es una decisión que corresponde al juicio del analista en cuestión. estacionalidad.2 MÉTODOS PRONÓSTICOS DE SUAVIZAMIENTO EN LOS En éstas técnicas o métodos se atenúan o suavizan los datos (es decir los valores observados en la serie de tiempo que se está analizando) obteniendo la media aritmética de un subconjunto de los datos históricos más recientes observados eliminando la observación o dato histórico más antiguo cada vez que se dispone de una nueva observación o dato. o dicho de otra manera el valor pronosticado para ese periodo. o Ciclisidad en los datos. moviendo o desplazando. Basados en esas medias o promedios obtenidos se calcula el valor estimado para el siguiente periodo. por decirlo así. Existiendo diferentes formas o variantes de hacerlo en cada método o técnica particular. El número de datos a tomar en cuenta para obtener los promedios. Promedio Móvil Simple Promedio Simple Este método consiste en atenuar los datos al obtener la media aritmética de cierto número de datos históricos para obtener con este el pronóstico para el siguiente periodo. De manera que el promedio o media aritmética se va. El número de datos a tomar en cuenta para calcular el promedio es una decisión de la persona que realiza el pronóstico.4. Este modelo solo es recomendable para series de tiempo que no presentan patrones de tendencia. Cada ves que 1 . Promedio Móvil Simple Esta técnica se utiliza cuando se quiere dar más importancia a conjuntos de datos más recientes para obtener el pronóstico. es decir a la persona que está calculando los pronósticos basados en esa serie de tiempo en particular. El pronóstico se obtiene al calcular la media aritmética del conjunto de datos más recientes seleccionado.

la sensibilidad a los cambios en el comportamiento de la serie se reduce al utilizar un número mayor de observaciones en el conjunto de datos. 4. Promedio Móvil Exponencial El indicador de Promedio Móvil Exponencial reacciona más rápidamente a cambios de precios recientes que el Promedio Móvil Simple debido al hecho que suma los precios de cierre del período actual al período anterior. Este modelo no maneja muy bien los datos con estacionalidad o con tendencia pero si lo hace mejor que la técnica del promedio simple. El número de datos más recientes a considerar en el conjunto de observaciones del cual se calcula la media aritmética es una decisión del analista que realiza el pronóstico. El Promedio Móvil Simple es a veces llamado un promedio móvil aritmético y básicamente es un precio promedio a través de un período de tiempo.se tiene una nueva observación se agrega esta al conjunto de datos. . El período es utilizado para determinar el peso relativo que debería ser asignado a períodos previos. y se elimina de éste la observación o dato más antiguo.3 EL ANÁLISIS DE REGRESIÓN EN PRONÓSTICOS Promedio Móvil Simple (SMA): El Promedio Móvil Simple es sin duda el promedio móvil más utilizado hoy en día. Aquí se muestra que el valor pronosticado es igual al promedio móvil. dando así más peso a los últimos períodos de precio. 1 La siguiente ecuación establece el modelo del promedio móvil simple.

mayor será la suavización de los datos mas recientes.Se calcula sumando los precios de cierre del par analizado durante cierto período de tiempo y luego se divide dentro del mismo número de períodos. He aquí un ejemplo del GBP/USD SMA 25 Promedio Móvil Exponencial (EMA): El indicador de Promedio Móvil Exponencial reacciona más rápidamente a cambios de precios recientes que el Promedio Móvil Simple debido al hecho que suma los precios de cierre del período actual al período anterior. Debido al hecho que el Promedio Móvil Simple da el mismo peso a cada período de precio siendo evaluado. dividido dentro de 10. 1 . dando así más peso a los últimos períodos de precio. Por ejemplo. mientras más largo sea el período de tiempo evaluado. La fórmula es utilizada para determinar el porcentaje. El período es utilizado para determinar el peso relativo que debería ser asignado a períodos previos. el Promedio Móvil de los últimos 10 días del precio de cierre.

suaviza el promedio móvil por medio de la asignación de mismos pesos a precios pasados que a precios recientes. es recomendable utilizar el SMMA con períodos más largos de tiempo para mejores resultados He aquí el mismo ejemplo de GBP/USD 25 pero con SMMA: (Notar como la curva esta mucho más suavizada) .He aquí un ejemplo del GBP/USD 25 EMA 1 Promedio Móvil Suavizado (SMMA): Debido a que el indicador del Promedio Móvil Suavizado.

hasta que el último dato recibe un peso equivalente al período. El peso esta basado en el número de días del promedio móvil. da más peso a información más reciente que a datos más antiguos.1 Promedio Móvil Ponderado Lineal (LWMA) Un Promedio Móvil Ponderado se calcula a través de la multiplicación de cada período de tiempo anterior por un peso. El hecho de que es medido linealmente significa que el dato más antiguo recibe un valor de 1. luego el dato que le sigue un valor de 3 y así sucesivamente. Así que en un LWMA de 25. Esto da 25 veces más peso al precio de hoy que al de hace 25 días. el peso del primer día es 1. un valor de 2. mientras que el peso del día más reciente es de 25. Un Promedio Móvil Ponderado Lineal. . luego el dato que le sigue.

Es ineficaz para pronosticar las ventas de nuevos productos.He aquí el mismo ejemplo del GBP/USD 25 pero LWMA: 1 Análisis de Regresión Se trata de encontrar una relación entre las ventas históricas (variable dependiente) y una o más variables independientes. ingreso per cápita o producto interno bruto (PIB). Este método puede ser útil cuando se dispone de datos históricos que cubren amplios períodos de tiempo. . como población.