Universidad de Oriente Ncleo Anzotegui Escuela de Ciencias Administrativas Departamento de Contadura Pblica Estadstica II

Anlisis de Series de Tiempo

Profesor: Sonia B. Rodrguez

Barcelona; 17 de julio del 2011

SERIES DE TIEMPO Y PRONOSTICOS Con frecuencia se realizan observaciones de datos a travs del tiempo. Cualquier variable que conste de datos reunidos, registrados u observados sobre incrementos sucesivos de tiempo se denomina serie de tiempo. 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. Si bien el comportamiento de cualquier serie de tiempo puede observarse grficamente, no en todos los casos es posible distinguir las particularidades que cada una puede contener. La experiencia basada en muchos ejemplos se series de tiempo, sin embargo, ha revelado que existen ciertos movimientos o variaciones caractersticas que pueden medirse y observarse por separado. Estos movimientos, llamados a menudo componentes, de una serie de tiempo y que se supone son causados por fenmenos distintos. El primer paso para analizar una serie de tiempo es graficarla, esto permite: identificar la tendencia, la estacionalidad, las variaciones irregulares (componente aleatoria). Un modelo clsico para una serie de tiempo, puede ser expresada como suma o producto de tres componentes: tendencia, estacional y un trmino de error aleatorio. Son innumerables las aplicaciones que se pueden citar, en distintas reas del conocimiento, tales como, en economa, fsica, geofsica, qumica, electricidad, en demografa, en marketing, en telecomunicaciones, en transporte, etc. Series De Tiempo Ejemplos - Precios de un artculo - Tasas de desempleo 1. Series econmicas: - Tasa de inflacin - ndice de precios, etc. - Meteorologa - Cantidad de agua cada 2. Series Fsicas: - Temperatura mxima diaria

- Velocidad del viento (energa elica) - Energa solar, etc. 3. Geofsica: - Series sismologas - Tasas de crecimiento de la poblacin Tasa mortalidad de de natalidad, censos

4. Series demogrficas:

- Resultados poblacionales 5. Series de marketing:

- Series de demanda, gastos, ofertas

6. Series de - Anlisis de seales telecomunicaciones: 7. Series de transporte: - Series de trfico

En el anlisis de series de tiempo de datos, una tentacin inmediata consiste en intentar explicar o contabilizar el comportamiento de las series. La descomposicin clsica es un mtodo que se basa en la suposicin de que se pueden descomponer en componentes como tendencia, ciclo, estacionalidad e irregularidad. Una prediccin se hace mediante la combinacin de las proyecciones de cada componente individual. COMPONENTES DE UNA SERIE DE TIEMPO Existen 4 componentes de una serie de Tiempo: La Tendencia, La Variacin Cclica, Variacin Estacional, y la Variacin Irregular.

TENDENCIA SECULAR Las tendencias a largo plazo (sin alteraciones de una serie de tiempo) de las ventas, el empleo, los precios de las acciones, y otras series econmicas y comerciales. Muchas variables macroeconmicas, como el Producto Nacional Bruto (PNB), el empleo y la produccin industrial estn dominadas por una fuerte tendencia. La tendencia de una serie de tiempo es el componente de largo plazo que representa el crecimiento o disminucin en la serie sobre un periodo amplio. Las fuerzas bsicas que ayudan a explicar la tendencia de una serie son el crecimiento de la poblacin, la inflacin de precios, el cambio tecnolgico y los incrementos en la productividad. VARIACIN CCLICA Es la segunda componente de un serie de Tiempo es la Variacin Cclica; ascenso y descenso de una serie de Tiempo en periodos mayores de un ao. El componente cclico es la fluctuacin en forma de onda alrededor de la tendencia, afecta por lo regular por las condiciones econmicas generales. Los patrones cclicos tienden a repetirse en los datos aproximadamente cada dos tres o ms aos. Es comn que las fluctuaciones cclicas estn influidas por cambios de expansin y contraccin econmicas, a los que comnmente se hace referencia como el ciclo de los negocios. MOVIMIENTOS CICLICOS O VARIACIONES CICLICAS Se refieren a las oscilaciones de larga duracin alrededor de la curva de tendencia, los cuales pueden o no ser peridicos, es decir, pueden o no seguir caminos anlogos en intervalos de tiempo iguales. Se caracterizan por tener lapsos de expansin y contraccin. En general, los movimientos se consideran cclicos solo si se produce en un intervalo de tiempo superior al ao(3). En el Grfico los movimientos cclicos alrededor de la curva de tendencia estn trazados en negrita.

VARIACIN ESTACIONAL Patrones de cambio en una serie de tiempos en una ao. Tales patrones tienden a repetirse cada ao. El componente estacional se refiere a un patrn de cambio que se repite a si mismo ao tras ao. En el caso de las series mensuales, el componente estacional mide la variabilidad de las series de enero, febrero, etc. En las series trimestrales hay cuatro elementos estacinales, uno para cada trimestre. La variacin estacional puede reflejar condiciones de clima, das festivos o la longitud de los meses del calendario.

MOVIMIENTOS ESTACIONALES O VARIACIONES ESTACIONALES Se refieren a las fluctuaciones peridicas que se observan en series de tiempo cuya frecuencia es menor a un ao (trimestral, mensual, diaria, etc.), aproximadamente en las mismas fechas y casi con la misma intensidad. Las variaciones estacionales, como veremos, responden fundamentalmente a factores relacionados al clima, lo institucional o las expectativas y no a factores de tipo econmico. En el Grfico no se observa ningn movimiento estacional, puesto que se trata de una serie anual. Las principales fuerzas que causan una variacin estacional son las condiciones del tiempo, como por ejemplo: 1) En invierno las ventas de helado 2) En verano la venta de lana 3) Exportacin de fruta en marzo.

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

Figura 1.3 VARIACIN IRREGULAR El componente aleatorio mide la variabilidad de las series de tiempo despus de que se retiran los otros componentes. Contabiliza la variabilidad aleatoria en una serie de tiempo ocasionada por factores imprevistos y no ocurrentes. La mayora de los componentes irregulares se conforman de variabilidad aleatoria. Sin embargo ciertos sucesos a veces impredecibles como huelgas, cambios de clima (sequas, inundaciones o terremotos), elecciones, conflictos armados o la aprobacin de asuntos legislativos, pueden causar irregularidad en una variable. Movimientos irregulares o al azar o ruido estadstico. Si bien pueden ser generados por factores de tipo econmico, generalmente sus efectos producen variaciones que solo duran un corto intervalo de tiempo. Aunque debe reconocerse que en ocasiones sus efectos sobre el comportamiento de una serie pueden ser tan intensos que fcilmente podran dar lugar a un nuevo ciclo o a otros movimientos. Un claro ejemplo de esto es el efecto del shock de precios de agosto de 1990 sobre el comportamiento de la inflacin. Al analizar una serie de tiempo es necesario, entonces, tener en consideracin el comportamiento de cada uno de estos componentes. Para ello el criterio mas lgico a seguir es aislarlos secuencialmente partiendo de la serie original para luego analizarlos de manera individual. Si bien esto supone la utilizacin de

mtodos estadsticos adecuados, que mas adelante veremos, la mejor forma de apreciarlos es a travs de su observacin visual. Detectar Outlier: se refiere a puntos de la serie que se escapan de lo normal. Un outliers es una observacin de la serie que corresponde a un comportamiento anormal del fenmeno (sin incidencias futuras) o a un error de medicin. 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 produccin diaria en una fbrica se present la siguiente situacin

Los dos puntos enmarcados en un crculo parecen corresponder a un comportamiento anormal de la serie. Al investigar estos dos puntos se vio que correspondan a dos das de paro, lo que naturalmente afect la produccin en esos das. El problema fue solucionado eliminando las observaciones e interpolando. METODOS DE PREDICCION Los mtodos mas utilizados en las series temporales son: Promedio mvil Suavizacin Exponencial Box - Jenkins

PROMEDIO MOVIL Es el mtodo de prediccin mas simple, donde se selecciona un numero dado de periodos N, y se obtiene la media o promedio de la variable para los N periodos, permitiendo que el promedio se mueva conforme se observan los nuevos datos de la variable en cuestin. SUAVISACION EXPONENCIAL Se basa en la idea de que es posible calcular un promedio nuevo a partir de un promedio anterior y tambin del ltimo dato observado. BOX - JENKINS Box y Jenkins han desarrollado modelos dependencia existente entre los datos. estadsticos que tienen en cuenta la

Cada observacin en un momento dado es modelada en funcin de los valores anteriores.

BIBLIOGRAFIA

Monografias.com: http://www.monografias.com/trabajos30/software-ilegales/softwareilegales.shtml Rincondelvago.com: http://zip.rincondelvago.com/00033622 Estadistica.mat.uson.mx: http://www.estadistica.mat.uson.mx/Material/seriesdetiempo.pdf