Академический Документы
Профессиональный Документы
Культура Документы
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
ventas
tiempo
Componente de Tendencia
(cont.)
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
Segunda media:
x 2 x3 x 4 x5 x 6
x *6
5
etc.
Ejemplo: Datos Anuales
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
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
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)
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)
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
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.)
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 , )
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