Академический Документы
Профессиональный Документы
Культура Документы
12
TIPOS DE DATOS
• OBSERVADOS EN UN MOMENTO
PRECISO DEL TIEMPO: un día, una hora,
una semana, etc.. Ejemplo: observar una
característica en una muestra de productos
para controlar calidad, ingreso de la
población, grado de escolaridad de
empleados, etc...
Objetivo: extrapolar a toda la población las
características de la muestra 13
TIPO DE DATOS
• SERIES DE TIEMPO: una sucesión
cronológica de observaciones de una
variable a intervalos iguales de tiempo.
Ejemplo: ventas trimestrales de los últimos 5
años, desempleo en los últimos años, precio
de un producto en el tiempo, etc..
Objetivo: analizar patrones del pasado que
puedan extrapolarse al futuro
14
PATRONES O COMPONENTES DE
UNA SERIE DE TIEMPO
• TENDENCIA: componente de muy largo
plazo
• CICLICIDAD: componente de largo plazo
• ESTACIONALIDAD:componente de corto
plazo
• FACTOR ALEATORIO: componente de
muy corto plazo
15
TENDENCIA
COMPONENTE DE MUY LARGO PLAZO QUE REPRE-
SENTA EL CRECIMIENTO O DECRECIMIENTO DE
LOS DATOS EN UN PERÍODO EXTENDIDO
40000
30000
20000
10000
0
55 60 65 70 75 80 85
SEARS
17
ESTACIONALIDAD
PATRÓN DE CAMBIO QUE SE REPITE AÑO CON AÑO
EN EL MISMO NÚMERO DE PERÍODOS
160
140
120
100
80
60
81 82 83 84 85 86 87 88 89 90
MURPHY
19
CICLICIDAD
FLUCTUACIÓN ALREDEDOR DE LA TENDENCIA
QUE SE REPITE PERO A INTERVALOS DISTINTOS Y
CON AMPLITUDES DISTINTAS
FUERZAS QUE AFECTAN Y EXPLICAN CICLICIDAD:
350
300
250
200
150
100
60 65 70 75 80 85 90
VENTAS TENDENCIA
21
FACTOR ALEATORIO
MIDE LA VARIABILIDAD DE UNA SERIE CUANDO
LOS DEMÁS COMPONENTES SE HAN ELIMINADO
O NO EXISTEN
800
600
400
200
0
5 10 15 20 25 30
ALEA
23
SERIE ESTACIONARIA
SERIE CUYO VALOR PROMEDIO NO CAMBIA
A TRAVÉS DEL TIEMPO
800
600
400
200
85 86 87 88 89 90 91 92
VENTAS TENDENCIA
25
SERIE CON VARIOS
PATRONES
500
400
300
200
100
60 65 70 75 80 85 90
VENTAS
CICLO
TENDENCIA
26
MODELOS DE PROMEDIOS
MÓVILES (simples de orden 3)
Yt + Yt-1 + Yt-2
Ft+1 =
3
800
600
400
200
0
85 86 87 88 89 90 91 92 93
ACM E M A(2)
28
PROMEDIO MÓVIL DE
ORDEN 3
1000
800
600
400
200
85 86 87 88 89 90 91 92 93
ACM E M A(3) 29
PROMEDIO MÓVIL DE
ORDEN 4
1000
800
600
400
200
0
85 86 87 88 89 90 91 92 93
ACM E M A(4)
30
PROMEDIO MÓVIL DOBLE
LINEAL (Brown)
Ft+p = At +p* Bt
1200
1000
800
600
400
200
0
85 86 87 88 89 90 91 92
ACM E PRON
31
PROMEDIO MÓVIL DOBLE
LINEAL (Brown)
ACME PM1 PM2 AT BT PRON
500.0000 NA NA NA NA NA
350.0000 425.0000 NA NA NA NA
250.0000 300.0000 362.5000 237.5000 -125.0000 NA
400.0000 325.0000 312.5000 337.5000 25.00000 112.5000
450.0000 425.0000 375.0000 475.0000 100.0000 362.5000
350.0000 400.0000 412.5000 387.5000 -25.00000 575.0000
200.0000 275.0000 337.5000 212.5000 -125.0000 362.5000
300.0000 250.0000 262.5000 237.5000 -25.00000 87.50000
350.0000 325.0000 287.5000 362.5000 75.00000 212.5000
200.0000 275.0000 300.0000 250.0000 -50.00000 437.5000
150.0000 175.0000 225.0000 125.0000 -100.0000 200.0000
400.0000 275.0000 225.0000 325.0000 100.0000 25.00000
550.0000 475.0000 375.0000 575.0000 200.0000 425.0000
350.0000 450.0000 462.5000 437.5000 -25.00000 775.0000
250.0000 300.0000 375.0000 225.0000 -150.0000 412.5000
550.0000 400.0000 350.0000 450.0000 100.0000 75.00000
550.0000 550.0000 475.0000 625.0000 150.0000 550.0000
400.0000 475.0000 512.5000 437.5000 -75.00000 775.0000
350.0000 375.0000 425.0000 325.0000 -100.0000 362.5000
600.0000 475.0000 425.0000 525.0000 100.0000 225.0000
750.0000 675.0000 575.0000 775.0000 200.0000 625.0000
500.0000 625.0000 650.0000 600.0000 -50.00000 975.0000
400.0000 450.0000 537.5000 362.5000 -175.0000 550.0000
650.0000 525.0000 487.5000 562.5000 75.00000 187.5000
850.0000 750.0000 637.5000 862.5000 225.0000 637.5000
600.0000 725.0000 737.5000 712.5000 -25.00000 1087.500
450.0000 525.0000 625.0000 425.0000 -200.0000 687.5000
700.0000 575.0000 550.0000 600.0000 50.00000 225.0000
550.0000 625.0000 600.0000 650.0000 50.00000 650.0000
400.0000 475.0000 550.0000 400.0000 -150.0000 700.0000
32
SUAVIZAMIENTO
EXPONENCIAL(simple)
Ft+1 = Yt + ( 1- ) Ft 0
OBSERVACIONES ANTERIORES
SUAVIZAMIENTO
EXPONENCIAL SIMPLE (0.2620)
1000
800
600
400
200
0
85 86 87 88 89 90 91 92 93
ACM E FOR 34
SUAVIZAMIENTO EXPONENCIAL
SIMPLE (0.2620)
35
SUAVIZAMIENTO
EXPONENCIAL DOBLE (0.2620)
Ft+p=at+pbt
Donde=
at= 2At - A’t
bt= /- (At - A’t)
At=Yt+(-)At-1
A’t=At+(-)A’t
36
SUAVIZAMIENTO
EXPONENCIAL DOBLE (0.2620)
37
SUAVIZAMIENTO EXPONENCIAL
DOBLE (0.2620)
38
SUAVIZAMIENTO DE HOLT
= 0.31, = 0
1000
800
600
400
200
0
85 86 87 88 89 90 91 92 93
39
ACM E HOLT
SUAVIZAMIENTO DE HOLT
40
SUAVIZAMIENTO DE
WINTERS
= 1 , = 0,= 0
1200
1000
800
600
400
200
0
85 86 87 88 89 90 91 92 93 41
ACM E WINTERS
SUAVIZAMIENTO DE
WINTERS
42
MEDIDAS DE ERROR
MSE
FOR 21062.94
HOLT 21785.66
WINTERS 7209.052
43
EL MODELO DE REGRESIÓN
• DESCRIBE LA RELACIÓN ENTRE LA VARIABLE
A PRONOSTICAR (VARIABLE DEPENDIENTE, CON
OTROS FACTORES (VARIABLES INDEPENDIENTES)
QUE INFLUYEN EN EL COMPORTAMIENTO DE ESTA.
45
•ES IMPORTANTE DEFINIR LA UNIDAD DE MEDIDA DE CADA
VARIABLE
REGRESIÓN LINEAL
•LA FUNCIÓN DE REGRESIÓN POBLACIONAL (FRP):
TABLA 1
PERÍODO: trimestral
PRECIO: en pesos
PUBLICIDAD: dinero asignado a este rubro
47
VENTAS: pesos vendidos
REGRESIÓN LINEAL
• A PARTIR DE LA MUESTRA SE OBTIENEN LOS
COEFICIENTES (b0, b1, b2 y b3) DEL MODELO
MUESTRAL:
VENTAS = b0 + b1 * PUBLICIDAD+ b2* PRECIO+b3* PERÍODO +e
FRP: E(Y/X)
50
Xi
NOTACIÓN MATRICIAL
SI SE TIENEN n OBSERVACIONES MUESTRALES
(para cada variable) Y k VARIABLES:
E(Y/X)= X
• ESTIMANDO EL VECTOR DE MANERA DE MINIMIZAR
LOS ERRORES Ui, QUE REPRESENTAN LA DISTANCIA
ENTRE CADA OBSERVACIÓN Y LA FRP
U
ESTIMACIÓN DE
PARÁMETROS
LOS COEFICIENTES SE ESTIMAN POR MÍNIMOS
CUADRADOS
• e = Y - X b :errores
• e e = (Y - X b) (Y - X b) :suma de errores cuadrados
• DIFERENCIANDO RESPECTO DE b, IGUALANDO
A CERO Y DESPEJANDO b, SE OBTIENEN LOS
ESTIMADORES
• EXISTEN PAQUETES COMPUTACIONALES QUE
REALIZAN ESTA OPERACIÓN, Y ADEMÁS
54
PROPORCIONAN INFORMACIÓN ESTADÍSTICA
EJEMPLO (ver Tabla1)
(con E-VIEWS)
•VARIABLE DEPENDIENTE: VENTAS (Y)
56
EJEMPLO
3000000
2000000
3000000
VENTAS
1000000
2000000
VENTAS
0
100 200 300 400 500
1000000
PUBLICIDAD
0
16 18 20 22 24 26
PRECIO
57
EL PRONÓSTICO
SI EL MODELO ES ESTADÍSTICAMENTE ADECUADO,
EL PRONÓSTICO DE LAS VENTAS SE REALIZA:
•MULTICOLINEALIDAD: (Xi,Xj) =0
BAJO ESTOS SUPUESTOS, LOS ESTIMADORES SON:
• INSESGADOS: E(b)=
•LINEALES: b ES FUNCIÓN LINEAL DE Y
•DE VARIANZA MÍNIMA: var(b) 59
SUPUESTOS DEL MODELO
DE REGRESIÓN
SI LOS SUPUESTOS NO SON VIOLADOS PUEDE
HACERSE INFERENCIA ESTADÍSTICA:
61
ESTADÍSTICO DURBIN-
WATSON
ei ei-1
d = 2(1- )
ei 2
5.- Montgomery, D., Johnson, l.& Gardiner, J. (1990). Forecasting & Time Series
Analysis.
2d ed., McGraw-Hill International Editions.
9.- Pindyck, Robert & Rubinfeld, D. (1981). Econometric Models and Economic
Forecasting, McGraw-Hill, Inc, Singapore.