Академический Документы
Профессиональный Документы
Культура Документы
1|Pgina
resultado tampoco puede ser completamente aleatorio, existiendo alguna regularidad en cuanto a su comportamiento en el tiempo, lo que har posible su modelado y por ende, en su caso, la prediccin. La bsqueda de regularidades y de patrones ha sido siempre una de las tareas bsicas de la ciencia, y muchas veces se descubren simetras que sirven de fundamento para la prediccin del comportamiento de los fenmenos, incluso antes de que se entienda la razn o causa que justifica esa regularidad. Esto ocurri, por ejemplo, con el sistema peridico de los elementos, descrito por Mendeleiev (1834-1907), quien organiz de forma muy correcta los elementos qumicos en base a las simetras observadas entre ellos, antes de que se comprendiese la razn de esas simetras o periodicidad, razones que luego se fundamentaron sobre todo en trabajos de Schrdinger (1887-1961) y Pauli (1900-1958). Por lo tanto, si podemos encontrar patrones de regularidad en diferentes secciones de una serie temporal, podremos tambin describirlas mediante modelos basados en distribuciones de probabilidad. La secuencia ordenada de variables aleatorias X(t) y su distribucin de probabilidad asociada, se denomina proceso estocstico. Un proceso estocstico es por tanto el modelo matemtico para una serie temporal. Un concepto importante que encontramos en este mbito, es el de procesos estacionarios. Si examinamos por ejemplo la temperatura para un determinado mes a lo largo de los aos en una determinada zona geogrfica, y se est produciendo un cambio climtico, aunque haya fluctuaciones, habr una tendencia creciente. De una manera informal, diremos que una serie es estacionaria cuando se encuentra en equilibrio estadstico, en el sentido de que sus propiedades no varan a lo largo del tiempo, y por lo tanto no pueden existir tendencias. Un proceso es no-estacionario si sus propiedades varan con el tiempo, como el clima.
II. Objetivos
Conocer los conceptos bsicos de series de tiempo, y aplicarlos en la modelacin. Al observar una serie de tiempo en un grfico, aprender a detectar las componentes esenciales de la serie. Aprender a construir los modelos de serie de tiempo, mediante las componentes: tendencia, estacional y un trmino de error aleatorio. Identificar el modelo adecuado para la serie que se est analizando. Predecir los datos de una serie de tiempo, de acuerdo con el modelo ms adecuado. 2|Pgina
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 fabrica se present la siguiente situacin ver figura 1.1:
Figura 1.1 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. 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 (ver figura 1.2).
Figura 1.2 c) Variacin estacional: la variacin estacional representa un movimiento peridico de la serie de tiempo. La duracin de la unidad del periodo es generalmente menor que un ao. Puede ser un trimestre, un mes o un da, etc (ver figura 1.3). Matemticamente, podemos decir que la serie representa variacin estacional si existe un nmero s tal que x(t) = x(t + k s). Las principales fuerzas que causan una variacin estacional son las condiciones del tiempo, como por ejemplo:
Deyra Gonzales Pea 07-31204
4|Pgina
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 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 cclicas.
5|Pgina
A(t) componente aleatoria (accidental) Una suposicin 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), s por el contrario la estacionalidad vara con la tendencia, el modelo ms 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 podran seguir series representadas por los modelos (1), (2) y (3).
Figura 2.1
2.2 Estimacin de la tendencia Supondremos aqu que la componente estacional E(t) no est presente y que el modelo aditivo es adecuado, esto es: X(t) = T(t) + A(t), donde A(t) es ruido blanco. Hay varios mtodos para estimar T (t). Los ms utilizados consisten en: 1) 1) Ajustar una funcin del tiempo, como un polinomio, una exponencial u otra funcin suave de t. 2) 2) Suavizar (o filtrar) los valores de la serie. 3) 3) Utilizar diferencias.
1. T(t) = a + bt
4. T(t) = 0 + 1t ,...,+ mtm 5. T(t) = exp(a + b(rt)) (Gompertz 0 < r < 1) (Polinomial)
6. T(t) = (Logstica)
Nota: i. i. la curva de tendencia debe cubrir un periodo relativamente largo para ser una buena representacin de la tendencia a largo plazo. ii. ii. La tendencia rectilnea y exponencial son aplicable a corto plazo, puesto que una curva S a largo plazo puede parecer una recta en un perodo restringido de tiempo (por ejemplo).
Figura 2.2 En la figura 2.2 ambas curvas (recta y Gompertz) ajustan bien pero las proyecciones divergen enormemente a largo plazo. Ejemplo 1: En la tabla 2.1 se presentan los datos trimestrales de unidades habitacionales iniciadas en los Estados Unidos desde el tercer trimestre de 1964 hasta el segundo trimestre de 1972 [1]. (Es necesario advertir que para el anlisis de tendencia el periodo que se considera debera ser ms largo. Sin embargo, ya que el propsito principal es el de ilustrar el mtodo de descomposicin y las tcnicas para inferir partiendo de los elementos as descompuestos, la insuficiencia de los datos no tiene por qu interesar.) 7|Pgina
Deyra Gonzales Pea 07-31204
Figura 2.4 Lo que hacemos es usar una expresin lineal que transforma la serie X(t) en una serie suavizada Z(t): Z(t) = F(X(t)), t = 1,...,n F X(t) Z(t)
de tal modo que F(X(t)) = T(t). La funcin F se denomina Filtro Lineal. El filtro lineal ms usado es el promedio mvil. PROMEDIOS MVILES El objetivo es eliminar de la serie las componentes estacionales y accidentales. Para una serie mensual con estacionalidad anual (s = 12), la serie suavizada se obtiene,
(1) Para una serie trimestral, con estacionalidad anual (s = 4), la serie suavizada est dada por
8|Pgina
existen
muchos
cambios
bruscos,
La estimacin de la estacionalidad no slo se realiza con el fin de incorporarla al modelo para obtener predicciones, sino tambin con el fin de eliminarla de la serie para visualizar otras componentes como tendencia y componente irregular que se pueden confundir en las fluctuaciones estacionales. De acuerdo con los modelos de descomposicin (seccin 2.1), se asume el siguiente modelo para T(t), a) Aditivo
b)
Mixto
Una vez removida la tendencia se obtiene los siguientes grficos, donde en la figura 2.6 (a) aparece el modelo aditivo y en la (b) el modelo mixto.
(b)
Como para serie mensual, entonces basta estimar E(1), E(2), E(3), ... , E(12). Para una serie trimestral, bastara conocer: E(1), E(2), E(3) y E(4).
9|Pgina
Suponga que se ha estimado la tendencia por alguno de los mtodos vistos en la seccin previa. Sea la estimacin de la tendencia ya sea mediante una curva o filtros lineales. Entonces, Si el modelo es aditivo serie con los efectos de tendencia removidos. representa la
Anlogamente, si el modelo es mixto representa la serie, una vez removidos los efectos de tendencia.
Estas series generadas a partir de la original por eliminacin de la tendencia se denominan series de residuos y debern contener predominantemente fluctuaciones estacionales. Para estimar la estacionalidad se requiere haber decidido el modelo a utilizar (mixto o aditivo), lamentablemente esto no es siempre claro, ya sea porque no contamos con informacin a priori para suponerlo o porque el grfico no ha dejado evidencia suficientemente clara como para decidirnos por alguno de ellos. En tal situacin se propone calcular ambas series residuales y elegir aquella cuyos valores correspondientes a una estacin dada oscilen menos en torno a su promedio. Para fijar ideas, supongamos una serie con datos trimestrales y que la informacin de las series residuales pueden ser resumidas como en las tablas 2.4 y 2.5. Tabla 2.4. Residuos modelo Mixto Perodo Estacin 1 2 3 4 1 W(1) W(2) W(3) W(4) 2 W(5) W(6) W(7) W(8) K W(4k-3) W(4k-2) W(4k-1) W(4k) Promedio Fila S1 S2 S3 S4 STD Fila C.V. Fila
Tabla 2.5. Residuos modelo Aditivo Perodo Estacin 1 2 1 R(1) R(2) 2 R(5) R(6) K R(4k-3) R(4k-2) Promedio Fila S1 S2 10 | P g i n a
Deyra Gonzales Pea 07-31204
STD Fila
C.V. Fila
3 4
R(3) R(4)
R(7) R(8)
R(4k-1) R(4k)
S3 S4
Una forma de seleccionar el modelo, es por inspeccin de los coeficientes de variacin (C.V.). Suponemos, que en aquellas filas donde la variacin sea menor en torno a la media tendr menor coeficiente de variacin en trminos absolutos. Luego, comparando dichos coeficientes parece razonable seleccionar el modelo cuyos coeficientes sean menores en trminos absolutos. Esto puede complementarse con grficos para cada fila en ambos modelos. Finalmente, una vez que se ha elegido el modelo a utilizar, se procede a estimar la estacionalidad. Si el modelo es Mixto, entonces,
Donde
Probablemente, la primera idea para estimar la estacionalidad consistira de los promedios por estacin en las series residuales. La correccin que aparece arriba para cada caso, apunta a garantizar que,
11 | P g i n a
3. Predicciones
Predecir, es estimar el futuro utilizando informacin del presente y del pasado. El conocimiento del futuro nos capacita para planificar, prever o prevenir. La idea es estimar X(t) en un instante n + k posterior al ltimo dato observado en t =n, k = 1,2,3,4,... (Trimestre, mes, etc.). Una vez estimada la tendencia y la estacionalidad las frmulas de prediccin quedarn determinadas por: Modelo Mixto Modelo Aditivo
Resumen
Se llama Serie de Tiempo, a un conjunto de mediciones de cierto fenmeno o experimento registradas secuencialmente en el tiempo, por ejemplo a cada hora, mensualmente, trimestralmente, semestralmente, etc... En este apunte se trabaj con series de tiempo discreto, equiespaciadas en cuyo caso se asume que: : {x(t1), x(t2), ..., x(tn)}= {x(1), x(2), ..., x(n)}. Debido al carcter introductorio se restringi al caso de series de tiempo univariadas. Al analizar una serie de tiempo, lo primero que se debe hacer es graficar la serie. Esto nos permite detectar las componentes esenciales de la serie. El grfico de la serie permitir: detectar Outlier, detectar tendencias, variacin estacional, variaciones irregulares (o 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. Existen tres modelos de series de tiempos. 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) 12 | P g i n a
Deyra Gonzales Pea 07-31204
Con el fin de obtener un modelo, es necesario estimar la tendencia y la estacionalidad. Para estimar la tendencia, se supone que la componente estacional no est presente. La estimacin se logra al ajustar a una funcin de tiempo a un polinomio o suavizamiento de la serie a travs de los promedios mviles. Para estimar la estacionalidad se requiere haber decidido el modelo a utilizar (mixto o aditivo). Una vez estimada la tendencia y la estacionalidad se esta en condiciones de predecir. Los mtodos revisados en este apunte son de naturaleza descriptiva, por lo que el juicio y el conocimiento del fenmeno juegan un rol importante en la seleccin del modelo. Los mtodos clsicos tienen la desventaja que se adaptan a travs del tiempo, lo que implica que el proceso de estimacin debe volver a iniciarse frente al conocimiento de un nuevo dato.
13 | P g i n a