Series De Tiempo

INSTITUTO TECNOLÓGICO DE CERRO AZUL

MATERIA:

ESTADÍSTICA INFERENCIAL

ING. JUAN PEDRO TORRES HERNÁNDEZ

UNIDAD 5:

SERIES DE TIEMPO

PRESENTAN:

LUIS RENE TORRES SERRANO

ANAHI CELESTINO HERNANDEZ

5.1. MODELO CLASICO DE SERIE DE TIEMPO

Un modelo clásico para una serie de tiempo, supone que una serie x(1), ..., x(n) puede ser expresada como suma o producto de tres componentes: tendencia, estacionalidad y un término deerror aleatorio.

Existen tres modelos de series de tiempos, que generalmente se aceptan como buenas aproximaciones a las verdaderas relaciones, entre los componentes de los datos observados. Estos son:

1. Aditivo: X(t) = T(t) + E(t) + A(t)

2. Multiplicativo: X(t) = T(t) • E(t) • A(t)

3. Mixto: X(t) = T(t) • E(t) + A(t)

Donde:

X(t) serie observada en instante t

T(t) componente de tendencia

E(t) componente estacional

A(t) componente aleatoria (accidental)

Una suposición usual es que A(t) sea una componente aleatoria o ruido blanco con media cero y varianza constante.

Un modelo aditivo (1), es adecuado, por ejemplo, cuando E(t) no depende de otras componentes, como T(t), sí por el contrario la estacionalidad varía con la tendencia, el modelo más adecuado es un modelo multiplicativo (2). Es claro que el modelo 2 puede ser transformado en aditivo, tomando logaritmos. El problema que se presenta, es modelar adecuadamente las componentes de la serie.

La figura 2.1 ilustra posibles patrones que podrían seguir series representadas por los modelos (1), (2) y (3).

Figura 2.1

5.2 ANALISIS DE FLUCTUACIONES

El primer paso en un análisis de series de tiempo, consiste en graficar los datos y observar sus tendencias en el tiempo. Primero debe determinarse si parece haber un movimiento hacia arriba o hacia abajo a largo plazo en la serie (una tendencia) o si la serie parece oscilar alrededor de una recta horizontal en el tiempo. En este caso (es decir, no hay tendencia positiva o negativa a largo plazo), puede emplearse el método de promedios móviles o el de suavización exponencial para “emparejar” la serie y proporcionar un panorama global a largo plazo. Por otro lado, si de hecho existe una tendencia, se pueden aplicar varios métodos de pronóstico de series de tiempo al manejar datos anuales, y otro método para los datos de series de tiempo mensual o trimestral. El patrón o comportamiento de los datos en una serie de tiempo tiene diversos componentes. El supuesto usual es que se combinan cuatro componentes separados: la tendencia, el cíclico, el estacional y el irregular para definir valores específicos de la serie de tiempo. Examinaremos cada uno de estos componentes. El gráfico de la serie permitirá:

a) Detectar Outlier: se refiere a puntos de la serie que se escapan de lo normal. Un outliers es una observación de la serie que corresponde a un comportamiento anormal del fenómeno (sin incidencias futuras) o a un error de medición. Se debe determinar desde fuera si un punto dado es outlier o no. Si se concluye que lo es, se debe omitir o reemplazar por otro valor antes de analizar la serie.

Por ejemplo, en un estudio de la producción diaria en una fábrica se presentó la siguiente situación ver figura 5.3:

Figura 5.3 Producción diaria

Los dos puntos enmarcados en una flecha parecen corresponder a un comportamiento anormal de la serie. Al investigar estos dos puntos se vio que correspondían a dos días de paro, lo que naturalmente afectó la producción en esos días.

El problema fue solucionado eliminando las observaciones e interpolando.

b) Permite detectar tendencia: la tendencia representa el comportamiento predominante de la serie. Esta puede ser definida vagamente como el cambio de la media a lo largo de un periodo.

c) Variación estacional: la variación estacional representa un movimiento periódico de la serie de tiempo. La duración de la unidad del periodo es generalmente menor que un año. Puede ser un trimestre, un mes o un día, etc.

Matemáticamente, podemos decir que la serie representa variación estacional si existe un número s tal que x(t) = x(t + k*s).

Las principales fuerzas que causan una variación estacional son las condiciones del tiempo, como por ejemplo:

1) en invierno las ventas de helado

2) en verano la venta de lana

3) exportación de fruta en marzo.

Todos estos fenómenos presentan un comportamiento estacional (anual, semanal, etc.)

d) Variaciones irregulares (componente aleatoria): los movimientos irregulares (al azar) representan todos los tipos de movimientos de una serie de tiempo que no sea tendencia, variaciones estacionales y fluctuaciones cíclicas.

Un modelo clásico para una serie de tiempo, supone que una serie x(1), ..., x(n) puede ser expresada como suma o producto de tres componentes: tendencia, estacionalidad y un término de error aleatorio. Existen tres modelos de series de tiempos, que generalmente se aceptan como buenas aproximaciones a las verdaderas relaciones, entre los componentes de los datos observados.

Estos son:

1. Aditivo: X(t) = T(t) + E(t) + A(t)

2. Multiplicativo: X(t) = T(t) • E(t) • A(t)

3. Mixto: X(t) = T(t) • E(t) + A(t)

donde:

X(t) serie observada en instante t

T(t) componente de tendencia

E(t) componente estacional

A(t) componente aleatoria (accidental)

Una suposición usual es que A(t) sea una componente aleatoria o ruido blanco con media cero y varianza constante. Un modelo aditivo (1), es adecuado, por ejemplo, cuando E(t) no depende de otras componentes, como T(t), sí por el contrario la estacionalidad varía con la tendencia, el modelo más adecuado es un modelo multiplicativo (2). Es claro que el modelo 2 puede ser transformado en aditivo, tomando logaritmos. El problema que se presenta, es modelar adecuadamente las componentes de la serie.

...