Anlisis de series de tiempo

Se llama serie de tiempo a cualquier sucesin

de observaciones de un fenmeno que es
variable con respecto al tiempo.
El anlisis de series de tiempo es el
procedimiento por el cual se identifican y
aslan los factores relacionados con el tiempo
que influyen en los valores observados en las series de tiempo para que una vez
identificados, estos factores puedan contribuir a la interpretacin de valores histricos
de series de tiempo y hasta entonces pronosticar valores futuros de series de tiempo.

Modelo de regresin lineal

El anlisis de regresin es una de las tcnicas estadsticas la cual se utiliza en la
investigacin al relacionar entre dos o ms variables, una de sus utilizaciones est en la
construccin de modelos que permitan predecir el comportamiento de una variable
Y (dependiente, respuesta) en funcin de una o ms variables (independientes,
predictivas) X.
El comportamiento de estas variables suelen definirse de manera previa lo que nos
remite a un modelo terico, o bien, se tiene el caso de que no exista una relacin
establecida entre estas y sea necesario establecer una primera aproximacin del
comportamiento de las mismas.
Ventajas

Es objetivo, solo depende de los resultados experimentales.

Es reproducible, proporciona la misma ecuacin no importa de quien realice el

anlisis.

Proporciona una estimacin probabilstica de la ecuacin que representa a unos

datos experimentales.

Proporciona intervalos pequeos de error.

Restricciones

Solo sirve para ajustar modelos lineales

Requiere tener al menos diez mediciones bajo las mismas circunstancias

experimentales.

Se requiere de algn equipo de clculo, de lo contrario, es muy engorroso el

procesamiento de la informacin.

Establece la relacin temporal para la variable de pronstico, implica una relacin

causa-efecto.
La ecuacin general es: Y= + x
Y = Variable dependiente = La altura de la recta.
= La pendiente de la recta
x = Variable independiente.
Mtodos de los mnimos cuadrados.
Para calcular y :

= altura de la lnea recta.

= pendiente de la recta.
Y = variable dependiente.
X = variable independiente.
x = promedio de los valores X.
y = promedio de los valores Y.
n = nmero de observaciones.

Ejemplo 1:
Encontrar la lnea recta del mnimo cuadrado.

Descomposicin de una serie de tiempo

Analiza la serie de tiempo y tiene cuatro componentes: tendencia estacionalidad, ciclos
y variacin aleatoria.
Tendencia (T) Es el movimiento gradual, ascendente o descendente, de los datos a
travs del tiempo. Esta refleja los cambios en la tecnologa, los estndares de vida, los
ndices de poblacin, etc.

Estacionalidad (S) Es el patrn de datos que se repite a si mismo despus

de un periodo de das, semanas, meses, trimestres, estaciones, etc. pero
dentro del ao.

Ciclos (C) Son patrones que ocurren en los datos cada varios aos.

Variacin aleatoria (R) Son variaciones aleatorias que no obedecen a ningun

comportamiento.
Aleatorias son variaciones en la demanda que no pueden explicarse mediante
tendencias, variaciones de temporada o variaciones cclicas. Un suceso impredecible,
como una guerra, una huelga, un terremoto o partes de legislacin, puede causar grandes
variaciones aleatorias. A diferencia de las otras tendencias, la variacin aleatoria
siempre est presente.

Modelo de promedio mvil

El Promedio Mvil o PM es el indicador ms utilizado en anlisis tcnico, ya que es uno
de los indicadores experimentados ms antiguos que existen. La utilizacin de un
promedio mvil muestra la direccin y la duracin de una tendencia; el propsito de un
promedio mvil es el de ilustrar la tendencia, de una manera ms suavizada. Debido al
hecho que el promedio mvil es uno de los indicadores ms verstiles y de mayor uso
dentro de todos los indicadores, es la base del diseo de la mayora de sistemas y
estrategias utilizados hoy en da.
Un promedio mvil simple o aritmtico es calculado como la suma de un nmero
predeterminado de precios por un cierto nmero de perodos de tiempo, dividido por el
nmero de perodos de tiempo. El resultado es el precio promedio en dicho perodo de
tiempo. Los promedios mviles simples emplean la misma ponderacin para los
precios. Es calculado usando la siguiente frmula:

Promedio Mvil Simple = SUMA (precios de cierre) / n, donde n es el nmero

de perodos.

Un ejemplo de promedio mvil es el precio promedio del mercado en cierto perodo

de tiempo.
Se describen algunas de las propiedades ms comunes de los promedios mviles:

El promedio mvil es calculado con cierto perodo de tiempo predefinido.

Mientras ms corto el perodo, mayor la probabilidad de una seal falsa.

Mientras ms largo el perodo, menor es la sensibilidad del promedio mvil. Es

decir, ms certera pero existirn menos seales.

Como su mismo nombre lo implica, un promedio mvil es un promedio de un cuerpo

cambiante de data.
Por ejemplo
Un promedio mvil de 50 perodos, utilizado al cierre, es constituido por la sumatoria
de los precios de cierre de los ltimos 50 perodos, dividido por 50.
Se le designa promedio MVIL, por que nicamente los ltimos perodos son los
evaluados, es decir, son los que estn siendo utilizados para calcular los resultados. Y de
esa manera, los datos siendo evaluados se mueven hacia adelante con cada da (o
perodo) que avanza.
El anlisis de promedios mviles puede ser realizado a cualquiera de los siguientes
diferentes tipos de precio

Precio de Apertura:

El anlisis del perodo se hace en base el precio de apertura de cada cuerpo.

Precio de Cierre:
El anlisis del perodo se hace en base el precio de cierre de cada cuerpo.
Precio ms Alto:
El anlisis del perodo se hace en base el precio ms alto de cada cuerpo.
Precio ms Bajo:

El anlisis del perodo se hace en base el precio ms bajo de cada cuerpo.

Precio Medio:
El anlisis del perodo se hace en base el precio medio de cada cuerpo.

Precio Medio = (Precio Alto + Precio Bajo) / 2

Precio Tpico:
El precio tpico del perodo es calculado de la siguiente forma:

Precio Tpico = (Precio Alto + Precio Bajo + Precio Cierre) / 3

Precio Ponderado:
El precio ponderado del perodo es calculado de la siguiente forma:
Precio Ponderado = (Precio Alto + Precio Bajo + Precio Cierre + Precio Cierre) /
4

Tipos de Promedios Mviles

Promedio Mvil Simple (SMA):

El Promedio Mvil Simple es sin duda el promedio mvil ms utilizado hoy en da.
El Promedio Mvil Simple es a veces llamado un promedio mvil aritmtico y
bsicamente es un precio promedio a travs de un perodo de tiempo.
Se calcula sumando los precios de cierre del par analizado durante cierto perodo de
tiempo y luego se divide dentro del mismo nmero de perodos.
Promedio Mvil Exponencial (EMA):
El indicador de Promedio Mvil Exponencial reacciona ms rpidamente a cambios de
precios recientes que el Promedio Mvil Simple debido al hecho que suma los precios
de cierre del perodo actual al perodo anterior, dando as ms peso a los ltimos
perodos de precio.
El perodo es utilizado para determinar el peso relativo que debera ser asignado a
perodos previos. La frmula es utilizada para determinar el porcentaje.
Promedio Mvil Suavizado (SMMA):
Debido a que el indicador del Promedio Mvil Suavizado, suaviza el promedio mvil
por medio de la asignacin de mismos pesos a precios pasados que a precios recientes,
es recomendable utilizar el SMMA con perodos ms largos de tiempo para mejores
resultados.

Promedio Mvil Ponderado Lineal (LWMA)

Un Promedio Mvil Ponderado se calcula a travs de la multiplicacin de cada perodo
de tiempo anterior por un peso. El peso est basado en el nmero de das del promedio
mvil.

El hecho de que es medido linealmente significa que el dato ms antiguo recibe un valor
de 1, luego el dato que le sigue, un valor de 2, luego el dato que le sigue un valor de 3 y
as sucesivamente, hasta que el ltimo dato recibe un peso equivalente al perodo.
As que en un LWMA de 25, el peso del primer da es 1, mientras que el peso del da
ms reciente es de 25. Esto da 25 veces ms peso al precio de hoy que al de hace 25
das.

El mtodo de suavizacin exponencial

El mtodo de suavizacin exponencial es un mtodo de promedio mvil ponderado muy
refinado que permite calcular el promedio de una serie de tiempo, asignando a las
demandas recientes mayor ponderacin que a las demandas anteriores.
Es el mtodo de pronstico formal que se usa ms a menudo, por su simplicidad y por la
reducida cantidad de datos que requiere. A diferencia del mtodo de promedio mvil
ponderado, que requiere n periodos de demanda pretrita y n ponderaciones, la
suavizacin exponencial requiere solamente tres tipos de datos: el pronstico del ltimo
periodo, la demanda de ese periodo y un parmetro suavizador, alfa , cuyo valor flucta
entre 0 y 1.0. Para elaborar un pronstico con suavizacin exponencial, ser suficiente
que calculemos un promedio ponderado de la demanda ms reciente y el pronstico
calculado para el ltimo periodo.
Este mtodo solo necesita el pronstico ms reciente, una constante de suavizacin (es
un valor arbitrario entre 0 y 1) y el ltimo dato real, y as se elimina la necesidad de
almacenar grandes cantidades de datos pasados.
La suavizacin exponencial requiere un valor de inicio. Si se tienen datos disponibles se
puede emplear un promedio sencillo para iniciar el proceso; si los datos no son seguros
se puede hacer una prediccin subjetiva.
La ecuacin correspondiente a este pronstico es:
Ft+1=
periodo)

(demanda para este periodo) + (1-

)(pronstico calculado para el ltimo

Ft+1=

Dt + (1-

)Ft

La siguiente ecuacin es equivalente :

Ft+1= Ft +

(Dt-Ft)

La constante de suavizacin a es un nmero entre 0 y 1 que entra multiplicando en

cada pronstico, pero cuya influencia declina exponencialmente al volverse
antiguos los datos.
Una a baja de ms ponderacin a los datos histricos. Una a de 1 refleja una ajuste
total a la demanda reciente, y los pronsticos sern las demandas reales de los
periodos anteriores.
Para poner en marcha la suavizacin exponencial se requiere un pronstico inicial. Hay
dos formas de realizar este pronstico inicial: Usar la demanda del ltimo periodo, o
bien, se dispone de datos histricos, calcular el promedio de varios periodos recientes de
demanda. El efecto de la estimacin inicial del promedio sobre las estimaciones
sucesivas del mismo disminuye a lo largo del tiempo porque, con la suavizacin
exponencial, las ponderaciones asignadas a las demandas histricas sucesivas, que se
utilizan para calcular el promedio, disminuyen exponencialmente.

Ejemplo
Calcule el pronstico de suavizacin exponencial para la semana 4, considerando los
datos de la siguiente tabla que representan la llegada de pacientes a una clinica en las
ltimas tres semanas. Tenga en cuenta que

= 0.10

Solucin
El mtodo de suavizacin exponencial requiere un pronstico inicial. Suponga que
tomamos los datos de demanda de las dos ltimas semanas y los promediamos para
obtener (400+380)/2 = 390 como pronstico inicial. A fin de calcular el pronstico para

la semana 4, utilizando una suavizacin con

= 0.10, calculamos el promedio al final

de la semana 3 en la siguiente forma:

F4 = 0.10(411) + 0.90(390) = 392.1
As, el pronstico para la semana 4 sera de 392 pacientes. Si la demanda real para la
semana 4 resultara ser de 415, entonces el nuevo pronstico para la semana 5 sera.
F5 = 0.10(415) + 0.90(392.1) = 394.4
o sea, 394 pacientes. Observe que hemos utilizado F4, y no el pronstico en valor entero
para la semana 4, en el clculo de F5. En general, redondeamos solamente el resultado
final, a fin de mantener la mayor precisin posible en los clculos

Error Pronstico
Habitualmente en los casos para proyectar un buen pronstico se debe contar con
excelentes instrumentos, metodologas y experiencia; ya que el mercado actual es muy
cambiante, dinmico y en muchas ocasiones tiende a tener muchos componentes
aleatorios, lo que conlleva a que pronosticar sea una labor compleja. Por tal motivo
cantidades de empresas de hoy en da, han creado puestos y departamentos dedicados a
pronosticar la demanda.
Debido a que un pronstico es una estimacin se debe tener una tcnica de desempeo
de est, ya que esta tcnica ayudara a determinar cul es el mejor mtodo de
pronsticos en el caso que se quiera evaluar varios, y para revisar su desempeo en el
tiempo en bsqueda de mejorarlo.
Es importante utilizar una tcnica de estimacin del desempeo (estimacin del error)
comn, y no utilizar medidas propias, ya que en general las medidas propias hacen que
se pierda objetividad en el anlisis. Hay algo muy importante que tiene que tener las
medidas del desempeo en los pronsticos, que tanto midan cuando el pronstico fue
mayor que el valor real y viceversa, miremos los errores comunes en las empresas
cuanto hacen la estimacin del error de pronstico de ventas:

Solo cuentan el error cuando el pronstico es mayor a la venta real, ya que lo

que les importa a ellos es la venta perdida.

Solo cuentan el error cuando el pronstico es menor a la venta real, debido a que
lo importante es no tener mucho inventario.

No se cuenta la magnitud de la diferencia si no que se cuenta el nmero de veces

que el pronstico estuvo por encima y debajo de la venta real.

Estos errores y muchos mas no miden correctamente el desempeo del pronstico, y en

muchos casos dan la sensacin de que el pronstico est bien, mientras por el contrario
en la realidad no lo est.
La cantidad por la cual la demanda real difiere de la demanda pronosticada. Existen tres
mediciones de funcionamiento para evaluar un modelo de pronstico en el que Dt es la
demanda real en el periodo t y Ft, es la demanda pronosticada en el periodo t,
encontramos:

RMSE: Error medio cuadrado

MAE: Error medio absoluto

MAPE: Error medio porcentual

EJEMPLO.
Se ha desarrollado un modelo de pronstico para predecir las ventas mensuales de un
modelo particular de carro basndose en los siguientes datos de los 6 meses anteriores,
donde hallaremos error de pronstico, error medio cuadrado (RMSE), error medio
absoluto (MAE), error medio porcentual(MAPE).

Como las ventas pronosticadas no son iguales que las ventas reales como podemos
calcular el error de pronstico:

Los errores de pronostico (+) indican que la demanda real excede el pronostico y los
errores (-) significan que la demanda esta por debajo del pronostico.
Ahora hallaremos RMSE y tenemos:

RMSE = 72/6 = 3,46

MAE = 18/6 = 3
MAPE = 28/6 = 4,66

Conclusin
Las series de tiempo ayudan a describir, explicar, predecir y controlar aquellos procesos
que de alguna manera se presentan en el tiempo, si bien hay que recordar que la
observacin se da de manera ordenada en el tiempo por lo que su aplicacin se refleja
de manera concreta en diferentes reas cientficas y sociales ayudando a pronosticar
eventos futuros o a tomar decisiones importantes de diferentes tipos.
Referencias

http://datateca.unad.edu.co/contenidos/104561/Metodos_Probabilisticos_20
13/MODULO_2013_ACTAUALIZADO/leccin_4_suavizacin_exponencial.html
http://datateca.unad.edu.co/contenidos/104561/Metodos_Probabilisticos_20
13/MODULO_2013_ACTAUALIZADO/leccion_2_modelo_de_regresin_lineal.htm
l
http://datateca.unad.edu.co/contenidos/104561/Metodos_Probabilisticos_20
13/MODULO_2013_ACTAUALIZADO/leccin3_modelo_de_promedio_mvil.html
http://www.cca.org.mx/funcionarios/biblioteca/html/finanzas_publicas/docum
entos/3/m3_metodos.pdf