You are on page 1of 30

Análisis de datos

ING. CARLOS A. BRAVO OLÁN

4. Series de Tiempo

Series de tiempo
Definición
Una serie de tiempo es un conjunto de observaciones producidas en determinados momentos
durante un periodo, semanal, mensual, trimestral o anual, generalmente a intervalos iguales.

No es posible predecir su efecto sobre la serie de tiempo. . Series de Tiempo Componentes Tendencia Variación Variación Variación Secular cíclica estacional irregular • Dirección • Aumento y • Patrones de • Dado que este uniforme de una reducción de una cambio en una componente da serie de tiempo de serie de tiempo serie de tiempo en cuenta de la largo plazo. Estos variabilidad mayores de un patrones tienden a aleatoria en una año. es año. durante periodos un año. repetirse cada serie de tiempo. un componente impredecible.

Series de Tiempo Tendencia Secular (T) Las tendencias de largo plazo de las ventas. el empleo. Algunas se mueven hacia arriba en forma uniforme. . los precios accionarios y de otras series de negocios y económicas siguen varios patrones. otras declinan y otras más permanecen iguales con el paso del tiempo.

Por lo general. este componente de las series de tiempo es debido a movimientos cíclicos multianuales de la economía. . • Los ciclos se manifiestan por las corridas de observaciones sobre y debajo de las líneas de tendencia. Muchas series de tiempo muestran un comportamiento cíclico. Series de Tiempo Cíclico (C) Aunque una serie de tiempo puede tener una tendencia a través de lapsos largos. con observaciones que caen de manera regular abajo y arriba de la línea de tendencia. no todos los valores futuros de la serie de tiempo caerán exactamente sobre la línea de tendencia.

Series de Tiempo Estacional (E) Mientras los componentes cíclico y de tendencia de las series de tiempo se identifican tras el análisis de las variaciones multianuales en los datos históricos. . en muchas series de tiempo se observa un patrón permanente en lapsos de un año. • componente de las series de tiempo que representan la variabilidad en los datos debida a la influencia estacional se le conozca como componente estacional.

es un componente impredecible . Series de Tiempo Irregular (I) El componente irregular de una serie de tiempo es el factor residual o el factor que da cuenta de las desviaciones de los valores reales de la serie de tiempo de los valores que se esperan al considerar los efectos de los componentes de tendencia. cíclicos y estacionales. Dado que este componente da cuenta de la variabilidad aleatoria en una serie de tiempo. imprevistos y no recurrentes que afectan a la serie de tiempo. componente irregular es ocasionado por factores a corto plazo.

Componente Estacional Métodos de Suavizamiento .

cada tres años). El promedio móvil sólo suaviza las fluctuaciones de los datos. es el método básico para medir la fluctuación estacional. Método de Suavizamiento Promedio Móvil Un promedio móvil es útil para suavizar una serie de tiempo y apreciar su tendencia. por ejemplo. . Este objetivo se logra al “desplazar” los valores medios aritméticos en la serie de tiempo. Además. Para aplicar el promedio móvil a una serie de tiempo. Series de Tiempo. los datos deben seguir una tendencia muy lineal y tener un patrón rítmico definido de las fluctuaciones (que se repita.

Promedio móvil de 5 Promedio móvil de 4 . Método de Suavizamiento Promedio Móvil Promedios móviles impares o pares: Estos dependen del movimiento cíclico de la serie. Series de Tiempo.

00 1998 10 7.00 20 2001 7 6.67 2002 10 9.33 2007 15 15.67 25 1999 5 6.67 2003 12 11.67 Producción PM(3) 2013 22 .67 2010 11 13. 1997 8 8. Método de Suavizamiento Año Producción PM(3) Promedio Móvil 1995 1996 5 6 6.33 Promedios móviles impares o pares: Estos dependen del movimiento cíclico de la serie. Series de Tiempo.00 15 2004 11 10.00 2000 3 5.00 5 2009 15 14.67 2005 9 11.33 2008 18 16.33 0 2011 14 14.00 1995 2000 2005 2010 2012 17 17.00 10 2006 13 12.

50 14.375 0 2011 14 16.25 25 1998 10 6. Series de Tiempo.00 15.00 9.625 2010 11 14.25 6.25 20 2001 7 8.50 6.25 10.25 1997 8 7.75 15.00 2009 15 14.00 7.625 10 2006 13 13.375 2000 3 6.875 2007 15 15.75 12.125 2002 10 10.25 6. 1996 6 7.125 1995 2000 2005 2010 2012 17 Producción PMC(4) 2013 22 .50 10.25 14.875 1999 5 6.00 11.50 5 2008 18 14.00 15 2003 12 10. Método de Suavizamiento Año Producción PM(4) PMC(4) Promedio Móvil 1995 5 Promedios móviles impares o pares: Estos dependen del movimiento cíclico de la serie.25 7.25 2004 11 11.25 14.875 2005 9 12.

. Esto implica seleccionar una posible ponderación distinta para cada valor de datos y luego calcular un promedio ponderado de los valores n más recientes como valor uniformizado. La suma total de los valores para la ponderación debe ser igual a 1. Series de Tiempo. Método de Suavizamiento Promedio Móvil Ponderado Un promedio móvil es útil para suavizar una serie de tiempo y apreciar su tendencia asignando una ponderación.

. 𝑭𝒕 = 𝑭𝒕−𝟏 + ∝ (𝑨𝒕−𝟏 − 𝑭𝒕−𝟏 ) Donde: 𝑭𝒕−𝟏 = Pronóstico para el periodo t − 1 de la serie de tiempo. 𝑭𝒕 = Pronóstico para el periodo t de la serie de tiempo. Método de Suavizamiento Exponencial el suavizamiento exponencial se usa un promedio ponderado de los valores pasados de la serie de tiempo. Series de Tiempo. en este caso sólo hay que elegir un peso. el peso para la observación más reciente. es un caso especial del método de promedios ponderados móviles. ∝ = Constante de Suavizamiento 0 ≤∝ ≤ 1 𝑨𝒕−𝟏 = Valor real en el periodo t de la serie de tiempo.

Series de Tiempo Estacional (E) – Métodos de descomposición Modelo Multiplicativo ෝ 𝒚 T E C I Modelo Aditivo ෝ 𝒚 T E C I .

dependerá de la cantidad de observaciones por estación. Series de Tiempo Estacional (E) – Calculo del componente •Para Calcular el componente estacional es necesario el Promedio Móvil Doble. •El numero de periodos a promediar. • Demanda Mensual = 12 observaciones • Demanda Trimestral = 4 observaciones •Por definición. los promedios eliminan las variaciones estacionales y la irregularidad (aleatoriedad) Así: Y PM T C E I PM .

75 2012 1.5 2159.75 2005.8969 1994 I 1837 1991.1477 IV 1908 2146.9181 1995 I 2073 2197.75 2129.8897 II 2343 2191 2181.375 0.625 1.25 1990.625 0.375 0.1367 IV 1799 1989.8961 1992 I 1921 2171.625 1.25 1.9451 II 2414 2198.0535 III 2298 2022 2021.9256 1993 I 1834 2068 2095 0.5 0.0742 III 2514 2169.25 2198 1.8754 II 2154 2021.1172 IV 1965 2189 2140.25 1.0983 III 2339 IV 1967 .125 1.75 2193.0065 III 2304 2091.75 2104.125 0.9229 II 2025 2032.25 2180.75 III 2415 2111.875 0.1531 IV 1986 2122 2145.75 2062.25 0.25 1.25 2044.Series de Tiempo Estacional (E) – Calculo del componente Año Trimestre No Huéspedes PM(4) PMC(4) E0 = Y X/PMC( 4) 1995 I 1861 II 2203 2096.

0143 4 1993 I 1834 2068 2095 0.9229 0. Series de Tiempo Año Trimestre Estacional (E) – Calculo del componente No Huéspedes PM(4) PMC(4) E0 = Y X/PMC( 4) 1991 1992 1993 1994 1995 Prom Ei 1991 I 1861 II 2203 2096.1367 1.9083 0.9181 1995 I 2073 2197.9229 II 2025 2032.9051 III 2415 2111.25 1.9181 0.8754 4 II 2154 2021.0742 III 2514 2169.75 2104.875 0.75 2012 1.1172 IV 1965 2189 2140.25 2044.8961 0.125 1.375 0.75 2005.8969 1994 I 1837 1991.125 0.0581 1.0065 1.25 0.8969 0.8897 0.1531 1.1477 1.9060 IV 1986 2122 2145.75 I 0.8961 1992 I 1921 2171.375 0.75 2129.1172 1.0535 Factor de corrección = Fc = =0.5 0.9256 0.8754 0.0065 III 2304 2091.625 1.9964 III 2298 2022 2021.75 2193.75 2062.0543 IV 1908 2146.1367 4.0983 III 2339 IV 1967 .1531 IV 0.9451 0.25 2180.25 1.9256 4.0535 1.625 0.9092 0.1387 1.5 2159.625 1.1346 II 2343 2191 2181.0742 1.9451 II 2414 2198.0983 1.8897 III 1.0143 IV 1799 1989.25 2198 1.1477 II 1.25 1.25 1990.

Series de Tiempo Estacional (E) – Desestacionalización.21 Se Calcula la regresión con los datos II 2203 1.03 1995 I 2073 0.57 III 2339 1. Año Trimestre No Huéspedes Ei D=Y/Ei 1991 I 1861 0.62 4 III 2304 1.79 1994 I 1837 0.37 1.9060 0.9060 2171.0543 2089.9060 2192.50 II 2343 1.42 IV 1967 0. III 2415 1.9060 2106.9051 2056.0543 2222.11 1992 I 1921 0.9060 1985.45 de la serie desestacionalizada.1346 2061.9051 2290.44 II 2414 1.29 1.24 .1346 2025.57 IV 1965 0.9060 2169.0543 2289.0543 2042.23 Ei III 2514 1.21 0.65 IV 1986 0.40 IV 1908 0.97 III 2298 1.0543 1920.9051 1920.9051 1993 I 1834 0.1346 2128.1346 IV 1799 0.9051 2122.0543 II 2154 1.9051 2026.1346 2030.1346 2215.69 II 2025 1.

1346 19 2061.1346 7 8 2215.7 + 1.1346 3 2128.7 IV 1799 0.65 de la serie desestacionalizada.29 A= 2090.9060 2192.69 II 2025 1.9060 20 2171.79 B= 1.7238𝑥 IV 1965 0.21 1993 I 1834 0.11 1992 I 1921 0. No Huéspedes Ei Periodo D=Y/Ei La razón para desestacionalizar la serie es eliminar las 1991 I 1861 0.57 𝑦ො = 2090. Series de Tiempo Año Trimestre Estacional (E) – Desestacionalización.03 1995 I 2073 0.44 II 2414 1.57 III 2339 1.1346 10 11 2042.9051 13 1920.9051 5 2122.0543 14 1920.0543 18 2289.9051 17 2290.9051 1 2056.97 2025.7238 1994 I 1837 0.21 II 2203 1.24 .23 Se Calcula la regresión con los datos III IV 2514 1986 1.0543 1.42 IV 1967 0.0543 2 2089.45 fluctuaciones estacionales de modo que sea posible III 2415 1. 0.9051 9 2026.62 III 2304 1.50 II 2343 1.1346 15 2030.9060 4 2106.40 estudiar la tendencia y el ciclo.9060 12 1985.37 II III 2154 2298 1.0543 6 2222.9060 16 2169. IV 1908 0.

ෝ 𝒚 T E C I ෝ 𝒚 T C I E .Series de Tiempo Estacional (E) – Desestacionalización.

Tendencia Secular .

Series de Tiempo Tendencia Secular (T) Esta tendencia puede calcularse con los modelos de regresión. Para Variables que tienen una relación Existen 2 modelos generales de correlación simple: Modelo General Modelos Específicos Directo Lineal 𝑦ො = 𝐴 + 𝐵𝑥 Inverso Correlación Logarítmico 𝑦ො = 𝐴 + 𝐵𝐿𝑛(𝑥) Exponencial 𝑦ො = 𝐴𝑒 𝐵𝑥 Potencial 𝑦ො = 𝐴𝑥 𝐵 No Lineal 𝐵 Inverso 𝑦ො = 𝐴 + 𝑥 Cuadrático 𝑦ො = 𝐴 + 𝐵𝑥 + 𝐶𝑥 2 .

el número de asociados ha disminuido a 317 000 en 2010. En 1993 había poco más de 50 000 empleados. Desde entonces. Puede observar que este número aumentó con rapidez en los últimos 15 años. . mientras que en 2006 el número aumentó a más de 364 000. Inc. y es el minorista más grande de Estados Unidos en artículos para mejorar el hogar. Series de Tiempo Tendencia Secular (T) Ejemplo • Home Depot se fundó en 1978. En la siguiente gráfica se muestra el número de empleados en Home Depot.

En 2002. luego permaneció casi igual hasta 1999. cuando el número empezó a declinar. Series de Tiempo Tendencia Secular (T) Ejemplo • El número de casas prefabricadas enviadas en Estados Unidos presentó un aumento uniforme de 1990 a 1996. . el número era menor al de 1990 y continuó declinando hasta 2009.

La expresión matemática para realizar los pronósticos.Pronósticos Teniendo calculados los índices de Estacionalidad y la tendencia se pueden realizar pronósticos . F T E A B t E Modelo Modelo Y Aditivo Y PM Multiplicativo PM . Series de Tiempo Tendencia Secular (T) .

Componente Ciclica .

Series de Tiempo Componente Ciclica (C) La Componente cíclica puede ser calculada como: C T C T PM T Así los índices de ciclo se calculan dividiendo los Promedios Móviles Dobles (Calculados para la estacionalidad) por la tendencia del periodo respectivo .

Investigación Investigar los metos .