Professional Documents
Culture Documents
Aleatoriedad, este comportamiento irregular est compuesto por fluctuaciones causadas por
sucesos impredecibles o no peridicos, como el clima poco usual, huelgas, guerras,
rumores, elecciones y cambio de leyes, como se presenta en la figura 1.4. Figura 1. 4
Grfica de una serie de datos con aleatoriedad.
Estacionaria, es aquella serie de datos cuyas propiedades estadsticas bsica, como media y
la varianza, permanecen constantes en el tiempo, se dice que una serie que no presenta
crecimiento o declinacin es estacionaria, como se presenta en la figura 1.5. Figura 1. 5
Grfica de una serie de datos estacionaria.
Mnimos cuadrados es una tcnica de optimizacin matemtica que, dada una serie de
mediciones, intenta encontrar una funcin que se aproxime a los datos (un "mejor ajuste").
Intenta minimizar la suma de cuadrados de las diferencias ordenadas (llamadas residuos)
entre los puntos generados por la funcin y los correspondientes en los datos.
Especficamente, se llama mnimos cuadrados promedio (LMS) cuando el nmero de datos
medidos es 1 y se usa el mtodo de descenso por gradiente para minimizar el residuo
cuadrado. Se sabe que LMS minimiza el residuo cuadrado esperado, con el mnimo de
operaciones (por iteracin). Pero requiere un gran nmero de iteraciones para converger.
Un requisito implcito para que funcione el mtodo de mnimos cuadrados es que los
errores de cada medida estn distribuidos de forma aleatoria. El teorema de Gauss-Markov
prueba que los estimadores mnimos cuadrticos carecen de sesgo y que el muestreo de
datos no tiene que ajustarse, por ejemplo, a una distribucin normal. Tambin es importante
que los datos recogidos estn bien escogidos, para que permitan visibilidad en las variables
que han de ser resueltas (para dar ms peso a un dato en particular, vase mnimos
cuadrados ponderados). La tcnica de mnimos cuadrados se usa comnmente en el ajuste
de curvas. Muchos otros problemas de optimizacin pueden expresarse tambin en forma
de mnimos cuadrados, minimizando la energa o maximizando la entropa Dada una serie
de datos la recta de mejor ajuste a esos datos est dada por y = mx =b, donde la pendiente
es y la ordenada en el origen es En el caso frecuente en el que la recta deba pasar por el
origen, su ecuacin ser y la pendiente es La bondad del ajuste por mnimos cuadrados se
puede estimar calculando el coeficiente de correlacin
5. Un coeficiente de correlacin prximo a la unidad indica un buen ajuste. Debe tenerse en
cuenta que los datos experimentales estarn afectados por sus incertidumbres y por tanto
los valores de m y b tendrn tambin incertidumbre. Para determinarla de forma sencilla, se
supone que los datos en x no tienen incertidumbre y que los datos en y tienen todos la
misma uy. Entonces la incertidumbre en la pendiente est dada por donde U es el valor
mayor entre uy y oe. La incertidumbre en la ordenada en el origen es: donde U es el valor
mayor entre uy y oe. En el caso de una recta que pasa por el origen, la incertidumbre en la
pendiente es donde U es el valor mayor entre uy y oe.
6. 3.3 Mtodos de promedios mviles.
La utilizacin de esta tcnica supone que la serie de tiempo es estable, esto es, que los
datos que la componen se generan sin variaciones importantes entre un dato y otro (error
aleatorio=0)2, esto es, que el comportamiento de los datos aunque muestren un crecimiento
o un decrecimiento lo hagan con una tendencia constante. Cuando se usa el mtodo de
promedios mviles se est suponiendo que todas las observaciones de la serie de tiempo
son igualmente importantes para la estimacin del parmetro a pronosticar (en este caso los
ingresos). De esta manera, se utiliza como pronstico para el siguiente periodo el promedio
de los n valores de los datos ms recientes de la serie de tiempo. Utilizando una expresin
matemtica, tenemos: El trmino mvil indica que conforme se tienen una nueva
observacin de la serie de tiempo, se reemplaza la observacin ms antigua de la ecuacin
y se calcula un nuevo promedio. El resultado es que el promedio se mover, esto es,
conforme se tengan nuevos datos y se vayan sustituyendo en la frmula, el valor del
promedio ir modificndose. No existe una regla especfica que nos indique cmo
seleccionar la base del promedio mvil n. Si la variable que se va a pronosticar no presenta
variaciones considerables, esto es, si su comportamiento es relativamente estable en el
tiempo, se recomienda que el valor de n sea grande. Por el contrario, es aconsejable un
valor de n pequeo si la variable muestra patrones cambiantes. En la prctica, los valores de
n oscilan entre 2 y 10. El mtodo de promedios mviles es muy til cuando se tiene
informacin no desagregada y cuando no se conoce otro mtodo ms sofisticado y que
permita predecir con mayor confianza.
7. 3.4 Mtodos de suavizacin exponencial.
Otro mtodo para realizar un pronstcico es el mtodo de suavizacin exponencial. A
diferencia de los promedios mviles, este mtodo pronostica otorgando una ponderacin a
los datos dependiendo del peso que tengan dentro del clculo del pronstico. Esta
ponderacin se lleva a cabo a travs de otorgarle un valor a la constante de suavizacin, ,
que puede ser mayor que cero y menor que uno. Para nuestro ejemplo, utilizamos un valor
de = 0.8, por ser ste el que mejor ajusta al pronstico a los datos reales. El mtodo de
suavizacin exponencial supone que el proceso es constante, al igual que el mtodo de
promedios mviles. Esta tcnica est diseada para atenuar una desventaja del mtodo de
promedios mviles, en donde los datos para calcular el promedio tienen la misma
ponderacin. De manera particular, esta tcnica considera que las observaciones recientes
tienen ms valor, por lo que le otorga mayor peso dentro del promedio. La suavizacin
exponencial utiliza un promedio mvil ponderado de los datos histricos de la serie de
tiempo como pronstico; es un caso especial de promedio mvil en donde se selecciona un
solo valor de ponderacin 3. El modelo bsico de suavizacin exponencial se presenta a
continuacin: Ft+1 = Yt + (1 - )Ft (2) Donde: Ft+1 = Pronstico de la serie de tiempo
para el periodo de t + 1. Yt = Valor real del periodo anterior al ao a pronosticar. Ft = Valor
real del periodo anteanterior al ao a pronosticar. = Constante de suavizacin (0 1).
La utilizacin de esta ecuacin implica algunas especificaciones. El clculo de Ft+1 est
ligado con los 2 periodos anteriores. En otras palabras, el pronstico de suavizacin
exponencial en determinado periodo es (Ft+1) = al valor real de la serie de tiempo en el
periodo anterior (Yt) X la constante de suavizacin (), + 1 - la constante de suavizacin
() X el periodo anteanterior (Ft). Ft+1 = Yt + (1 - )Ft (2) A pesar de que la
suavizacin exponencial nos da un pronstico que es un promedio ponderado de todas las
operaciones pasadas, no es necesario guardar todos los datos del pasado a fin de calcular el
pronstico para el periodo siguiente. De hecho, una vez seleccionada la constante de
suavizacin , slo se requiere de dos elementos de informacin para calcular el pronstico.
La ecuacin (2) muestra que con un dado, podemos calcular el pronstico para el periodo
t + 1 simplemente conociendo los valores reales y pronosticados de la serie de tiempo el
periodo t, es decir, Yt y Ft. La eleccin de la constante de suavizacin es crucial en la
estimacin de pronsticos futuros. Si la serie de tiempo contiene una variabilidad aleatoria
sustancial, se preferir un valor pequeo como constante de suavizacin. La razn
8. de esta aseveracin es que gran parte del error del pronstico es provocado por la
variabilidad aleatoria, por lo que un valor pequeo de permite un pronstico mejor. Por el
contrario, para una serie de tiempo con una variabilidad aleatoria relativamente pequea,
valores ms elevados de la constante de suavizacin tienen la ventaja de ajustar con rapidez
los pronsticos cuando ocurren errores de pronstico y permitiendo, por lo tanto, que el
pronstico reaccione con mayor rapidez a las condiciones cambiantes. En la prctica, el
valor de est entre .01 y .90. Utilizando la ecuacin 2, sustituimos los valores
correpondientes para hacer el pronstico para el ao 1992. Sutituyendo valores nos
quedara: Fingresos 1992 = 0.8 (201986) + (1 0.8)(163305) Fegresos 1992 = 0.8 (189498)
+ (1 0.8)(162370) El mismo procedimiento se realiza para el resto de los aos y
obtenemos los resultados que aparecen en el cuadro 2. Una vez que se calculan los
Diplomado en Gestin Estratgica de las Finanzas Pblicas D.R. Instituto Tecnolgico y de
Estudios Superiores de Monterrey, Mxico, 2006 pronsticos de ingresos y egresos, la
diferencia entre stos nos da el ahorro, que aparece en la ltima columna del mismo cuadro.
Podemos observar que el pronstico se ajusta ms a los datos reales que en el caso de los
promedios mviles. Este mtodo nos permite realizar un pronstico ms confiable que el
caso anterior. Claramente se observa que el pronstico tiene mejor ajuste y la diferencia
entre los valores reales y los pronosticados es mnima.
9. 3.5 Tendencias no lineales.
En el caso de tendencias no lineales, los dos tipos de curvas de tendencia de uso mas
frecuente son la curva de tendencia exponencial y la curva de tendencia parablica. Una
curva de tendencia exponencial comn refleja una tasa constante de crecimiento durante un
periodo de aos. La curva exponencial debe su nombre al hecho de que la variable
independiente X es el exponente de b1 en la ecuacin general: Formula n3 b = valor de Y
en el ao 0 b1= tasa de crecimiento. De la obtencin del logaritmo de ambos lados resulta
la ecuacin de tendencia lineal logartmica: Formula n4La ventaja de la transformacin a
logaritmos es que la ecuacin lineal para el anlisis de tendencias puede aplicarse a los
logaritmos de los valores cuando la serie de tiempo sigue una curva exponencial. Los
valores logartmicos pronosticados de Y pueden reconvertirse despus a las unidades de
medida originales mediante la obtencin del antilogaritmo de los valores. Una lnea de
tendencia logartmica es una lnea curva que se ajusta perfectamente y que es muy til
cuando el ndice de cambios de los datos aumenta o disminuye rpidamente y despus se
estabiliza. Esta lnea de tendencia logartmica puede utilizar valores positivos o negativos.
En el siguiente ejemplo se utiliza una lnea de tendencia logartmica para mostrar el
crecimiento previsto de la poblacin animal en un rea determinada, donde la poblacin se
estabiliz al reducirse el espacio para los animales. Observe que el valor R cuadrado es
0,9407, que es un ajuste relativamente bueno de la lnea respecto a los datos.
10. 3.6 Variacin estacional.
El anlisis de las variaciones estacionales tiene por objeto determinar oscilaciones de
perodo corto, inferior o igual al ao por lo general, que son de mximo inters para el
economista o empresario, para la mejor organizacin de sus actividades operativas. En una
segunda fase se trata de eliminar tales variaciones de los datos observados que permitan
apreciar de cierto modo la influencia de causas importantes de variacin en las series
medias despus de someter los valores de sta a un redondeo que hace que las sumas de las
variaciones estacionales sea cero, que se efecta de la forma siguiente: Se suma la columna
de medias y se divide esta suma por 12. Si el resultado es positivo se resta de cada una de
las medias mensuales y si es negativo se suma. En nuestro caso el total de medias vale
0,1150 y por lo tanto 0,1150/12 = 0,0095. Este valor se resta algebraicamente a la columna
de medias y el resultado se redondea a dos cifras decimales, que es la aproximacin con
que venan dados los datos iniciales, conservando la segunda cifra decimal o forzndola en
una unidad, segn que las dos ltimas formen un nmero menor o mayor que 50
respectivamente.
12. As pues: 3,6675 - 0,0095 = 3,6580 = 3,66 - 0,1275 - 0,0095 = 0,1370 = -0,14 6,7025 0,0095 = 6,6930 = 6,69 Se puede representar ahora la variacin estacional en un grfico, en
el que como abscisa se toman los distintos meses y en ordenadas los valores obtenidos.
Resulta as la figura 4. Componente Estacional E F M A M J J A S O N D
http://es.slideshare.net/f2721/unidad3analisisdeseriesdetiempo