Análisis de Series de Tiempo y

Pronósticos de corto plazo

 Objetivos del Módulo

Al finalizar este módulo usted debería ser capaz de:

 Identificar la tendencia, estacionalidad, cíclica y
componentes irregulares en una serie de tiempo
 Utilizar modelos de pronósticos suavizados, incluyendo
la suavización del promedio móvil y exponencial
 Aplicar modelos autorregresivos integrando a los
modelos de promedios móviles
 Datos de Series de Tiempo

 Datos numéricos ordenados en el tiempo

 El tiempo de los intervalos puede ser anual,
trimestral, diario, por horas, etc.
 Es importante la secuencia de observaciones
 Ejemplo:
Años: 2001 2002 2003 2004 2005
Ventas: 75.3 74.2 78.5 79.7 80.2
 Gráfico de Series de Tiempo
Un gráfico de series de tiempo es un gráfico
bidimensional de datos de series de tiempo

 El eje vertical mide la tasa de inflación en EE.UU

variable de interés 16,00
14,00
tasa de inflación (%)

12,00
 El eje horizontal 10,00
8,00
corresponde a los 6,00
periodos de tiempo 4,00
2,00
0,00
1975

1981
1983
1985
1987

1991
1993
1995
1997

2001
1977
1979

1989

1999
año
 Componentes de las Series de Tiempo

Series de
tiempo

Componente Componente Componente Componente

de Tendencia estacional cíclico irregular
 Componente de Tendencia
 Aumento o reducción a largo plazo
(movimiento general ascendente o descendente)
 Datos tomados durante un largo periodo de
tiempo

ventas

tiempo
 Componente de Tendencia
(cont.)

 La tendencia puede ser positiva o negativa

 La tendencia puede ser lineal o no-lineal

ventas ventas

Tiempo Tiempo
Tendencia lineal Tendencia no lineal
descendente ascendente
 Componente Estacional
 Término a corto plazo de ondas regulares (como
un patrón)
 Observado dentro de 1 año
 Siempre mensual o trimestral

ventas
verano
invierno
verano
invierno primavera otoño

primavera otoño

Tiempo (trimestral)
 Componente Cíclico
 Término a largo plazo de ondas
 Ocurren en forma regular pero pueden variar en
longitud
 A menudo se mide de pico a pico o de valle a valle
1 ciclo
ventas

año
 Componente Irregular

 Impredecible, aleatorio, fluctuaciones

“irregulares”
 Se debe a variaciones aleatorias de:
 La Naturaleza
 Accidentes o eventos inusuales
 “Ruido” en las series de tiempo
 Análisis de los Componentes de
las Series de Tiempo
 Se utiliza principalmente para pronósticos
 El valor observado en la serie de tiempo es la suma o el
producto de los componentes
 Modelo Aditivo
Xt  Tt  St  Ct  It
 Modelo Multiplicativo (lineal en la forma de log)
Xt  Tt St CtIt
donde Tt = valor de tendencia en el periodo t
St = valor estacional en el periodo t
Ct = valor cíclico en el tiempo t
It = valor irregular (aleatorio) del periodo t
 Suavizar las Series de Tiempo

 Calcula las medias móviles para obtener una

impresión general de los patrones de
movimientos en el tiempo
 Esto suaviza el componente irregular

Medias Móviles: promedios de ciertos

números de valores
consecutivos en el tiempo
 Punto de Medias Móviles (2m+1)

 Una serie de medias aritméticas en el tiempo

 El resultado depende de la elección de m (el
número del valor de datos en cada promedio)
 Ejemplos:
 Para medias móviles de 5 años, m = 2
 Para medias móviles de 7 años, m = 3
 Etc.
 Reemplace cada xt con
m
1
X 
*
t 
2m  1 j  m
X t  j (t  m  1, m  2, , n  m)
 Medias Móviles
 Ejemplo: Medias móviles de 5 años
 Primera media:
x1  x 2  x3  x 4  x5
x 
*
5
5

 Segunda media:

x 2  x3  x 4  x5  x 6
x *6 
5
 etc.
 Ejemplo: Datos Anuales

año ventas ventas anuales

1 23
60
2 40
50
3 25
4 27 40 …
5 32 ventas 30
6 48 20
7 33
10
8 37
9 37
0
1 2 3 4 5 6 7 8 9 10
…
11
10 50 años
11 40
etc… etc…
 Calculando las Medias Móviles
 Sea, m = 2 Media
Año Móvil de
año ventas promedio 5 años
23  40  25  27  32
1 23 3 29.4 29.4 
5
2 40 4 34.4
3 25 5 33.0
4 27 6 35.4
5 32 7 37.4
6 48 8 41.0
7 33 9 39.4
8 37 etc… … …
9 37
10 50  Cada media móvil es para un
11 40 bloque consecutivo de (2m+1) años
 Anual vs. Media Móvil

 La media móvil anual vs. media móvil de 5 años

de 5 años 60

suaviza los 50

datos y muestra 40

Sales
30
la tendencia
20
fundamental
10
0
1 2 3 4 5 6 7 8 9 10 11
Year

Annual 5-Year Moving Average

 Interpretación de los índices de
las estaciones
 Suponga que se obtienen estos
índices de las estaciones:

Índice de  Interpretación:
Estación
Estación El Promedio de ventas en primavera es
82.5% del promedio anual de ventas
Primavera 0.825
Las ventas en verano son 32.0%
Verano 1.310
mayores al promedio anual de
ventas
Otoño 0.920 etc…

Invierno 0.945
 = 4.000 -- cuatro estaciones, por lo que debe sumar 4
 Suavizado exponencial

 Una media móvil ponderada

 La ponderación disminuye exponencialmente
 Las observaciones más recientes poseen más
ponderación

 Se utiliza para suavizar y hacer

pronósticos a corto plazo (siempre uno o
dos periodos a futuro)
 Suavizado exponencial
(cont.)

 La ponderación (coeficiente de suavizado)

es 
 Elegido de forma subjetiva
 Rango de 0 a 1
 Menor valor de  significa más suavización,
mayor valor de  menos suavización
 La ponderación es:
 Cercana a 0 para suavizar ciclos no deseados o
componentes irregulares
 Cercana a 1 para pronósticos
 Modelo de Suavizado
Exponencial
 Modelo de Suavizado Exponencial

xˆ 1  x 1

xˆ t  α xˆ t  1  (1  α )x t (0  α  1 ; t  1 ,2 ,  , n)
donde:
x̂t = valor exponencial suavizado para el
periodo t
x̂ t -1 = valor exponencial suavizado ya calculado
para el periodo i – 1
xt = valor observado en el periodo t
 = ponderación (coeficiente de suavizado),
0<<1
 Ejemplo de Suavizado Exponencial
 Suponga que usamos la ponderación  = .2 xˆ t  0 .2 xˆ t  1  (1  0 .2 )x t
Periodo Pronóstico
ventas Valor exponencial suavizado
de periodo
(Yi) para este periodo (Ei)
tiempo (t) anterior (Ei-1)
1 23 -- 23 x̂1 = x1
2 40 23 (.2)(40)+(.8)(23)=26.4 dado que
no existe
3 25 26.4 (.2)(25)+(.8)(26.4)=26.12
información
4 27 26.12 (.2)(27)+(.8)(26.12)=26.296 anterior
5 32 26.296 (.2)(32)+(.8)(26.296)=27.437
6 48 27.437 (.2)(48)+(.8)(27.437)=31.549
7 33 31.549 (.2)(48)+(.8)(31.549)=31.840
8 37 31.840 (.2)(33)+(.8)(31.840)=32.872
9 37 32.872 (.2)(37)+(.8)(32.872)=33.697
10 50 33.697 (.2)(50)+(.8)(33.697)=36.958
etc. etc. etc. etc.
 Ventas vs. Ventas Suavizadas
 Las fluctuaciones
han sido
suavizadas
60

50
 obs: el valor 40
suavizado en esta
ventas
30
clase generalmente
20
es un poco bajo, dado
que la tendencia tiene 10

pendiente positiva y el 0
1 2 3 4 5 6 7 8 9 10
factor de ponderación periodo de tiempo
es solo 0.2 Sales Smoothed
 Pronósticos sobre periodos de
tiempo (t + 1)

 El valor suavizado en el periodo actual (t)

se utiliza como el valor de pronóstico para
el siguiente periodo (t + 1)

 En el tiempo n, se obtiene el pronóstico de

valores futuros, Xn+h de las series

xˆ n  h  xˆ n (h  1 ,2 ,3  )
 Pronósticos con el Método Holt-
Winters: Series no estacionales
 Para llevar a cabo el pronóstico por el método Holt-
Winters:
 Obtenga niveles estimados de x̂ ty de tendencia Tt como
xˆ 1  x 2 T2  x 2  x 1
xˆ t  α ( xˆ t  1  T t  1 )  (1  α )x t (0  α  1 ; t  3 ,4 ,  , n)
T t  β T t  1  (1  β )( xˆ t  xˆ t  1 ) (0  β  1 ; t  3 ,4 ,  , n)

 donde  y  con constantes suavizadas y sus valores

están fijos entre 0 y 1
 En el tiempo n, se obtienen pronósticos de valores futuros,
Xn+h de las series mediante
xˆ n  h  xˆ n  hT n
 Pronósticos con el Método Holt-
Winters: Series estacionales

 Suponga una serie de tiempo estacional del

periodo s
 El método del pronóstico Holt-Winters utiliza
un conjunto de estimaciones recursivas de
series históricas
 Estas estimaciones utilizan un factor de nivel,
, un factor de tendencia, , y un factor
estacional multiplicativo, 
 Pronósticos con el Método Holt-
Winters: Series estacionales
(cont.)
 Las estimaciones recursivas se basan en las
siguientes ecuaciones
xt
xˆ t  α( xˆ t 1  Tt 1 )  (1  α) (0  α  1)
Ft  s

T t  β T t  1  (1  β )( xˆ t  xˆ t  1 ) (0  β  1 )

xt
Ft  γ Ft  s  (1  γ ) (0  γ  1)
xˆ t
donde x̂ t es el nivel de suavización de las series, Tt es la tendencia
suaviazada de las series, y Ft es el ajuste estacional suavizado de las
series.
 Pronósticos con el Método Holt-
Winters: Series estacionales (cont.)
 Después de los procedimientos iniciales para
generar el nivel, la tendencia, y los factores
estacionales a partir de series históricas
podemos usar los resultados para pronosticar
valores futuros h en periodos de tiempo antes
de la última observación Xn en las series
históricas
 La ecuación de pronóstico es
xˆ n  h  ( xˆ t  hT t )F t  h  s
Donde el factor estacional, Ft, es aquel generado por
el periodo de tiempo estacional más reciente
 Modelos Autorregresivos

 Utilizados para hacer pronósticos

 Toma ventaja de la autocorrelación
 1º orden- correlación entre valores consecutivos
 2º orden- correlación entre los valores de 2 periodos
por separado
 Modelo Autorregresivo de orden pth :
x t  γ  φ1x t 1  φ 2 x t  2    φ p x t  p  ε t
Error
aleatorio
 Modelos Autorregresivos
(cont.)

 Dado que Xt (t = 1, 2, . . ., n) es una serie de tiempo

 Un modelo que represente estas series es el modelo
Autorregresivo de orden p:

x t  γ  φ1x t 1  φ 2 x t  2    φ p x t  p  ε t
 donde
 , 1 2, . . .,p son parámetros fijos
 t son variables aleatorias que tienen
 media 0
 La varianza es una constante
 No están correlacionados unos con otros
 Modelos Autorregresivos
(cont.)

 Los parámetros del modelo autorregresivo son

estimados mediante un algoritmo de mínimos
cuadrados, como los valores de , 1 2, . . .,p para
los cuales la suma de los cuadrados
n
SS   t
(x  γ
t  p 1
 φ x
1 t 1  φ x
2 t2    φ x
p t p ) 2

es un mínimo
 Pronósticos a partir de las Estimaciones
de Modelos Autorregresivos
 Considere x1, x2, . . . , xt observaciones de series de tiempo
 Suponga que se ha integrado estos datos a un modelo
autorregresivo de orden p:

x t  γˆ  φˆ 1 x t  1  φˆ 2 x t  2    φˆ p x t  p  ε t
 Estando en el tiempo n, obtenemos pronósticos de valores futuros
de series de tiempo a partir de
xˆ t  h  γˆ  φˆ 1 xˆ t  h  1  φˆ 2 xˆ t  h  2    φˆ p xˆ t  h  p (h  1 ,2 ,3 ,  )

 Donde para j > 0, xˆ n  j es el pronóstico de Xt+j en el periodo n y

para j  0 , xˆ n  j es simplemente el valor observado de Xt+j
 Modelo Autorregresivo: Ejemplo
La empresa Concept Corp. ha adquirido un cierto número
de oficinas (en metros cuadrados) a lo largo de los últimos
ocho años. Desarrollar el modelo Autorregresivo de
segundo orden.
año unidades
1999 4
2000 3
2001 2
2002 3
2003 2
2004 2
2005 4
2006 6
 Modelo Autorregresivo:
Ejemplo de Solución
 elaborar la tabla de año xt xt-1 xt-2
segundo orden 99 4 -- --
00 3 4 --
 usar Excel para estimar 01 2 3 4
un modelo de regresión 02 3 2 3
Resultado en Excel 03 2 3 2
04 2 2 3
coeficientes
05 4 2 2
Intercepto 3,5
06 6 4 2
Variable X, 1 0,8125
Variable X, 2 -0,9375

xˆ t  3.5  0.8125x t 1  0.9375x t 2

 Ejemplo de Modelo
Autorregresivo: Pronóstico

Usar la ecuación de segundo orden para

pronosticar el número de unidades para el
2007:
xˆ t  3.5  0.8125x t 1  0.9375x t 2

xˆ 2007  3.5  0.8125(x 2006 )  0.9375(x 2005 )

 3.5  0.8125(6)  0.9375(4)

 4.625
 Pasos del Modelo Autorregresivo

 Elegir p
 Formar unas series de variables de
“predicción rezagadas” xt-1 , xt-2 , … ,xt-p
 Elaborar un modelo de regresión utilizando
todas las variables p
 Probar la significancia del modelo
 Usar el modelo para realizar pronósticos
 Resumen del Capítulo
 Se abordó sobre los componentes del modelo de series
de tiempo
 Se analizaron los pronósticos de series de tiempo de
datos de estaciones usando el índice estacional
 Se realizó el suavizado de una serie de datos
 Medias Móviles
 Suavizado Exponencial
 Se trató sobre pronósticos de modelos autorregresivos