Modelacion
Resumen 3
Métodos de pronóstico
Estadistica
Cualitativos: se usan en datos históricos, son subjetivos.
Cuantitativos: su objetivo es estudiar lo que pasó en el pasado y poder predecir eventos futuros. Este método se
divide en dos tipos, métodos causales y series de tiempo.
o Métodos de pronósticos causales: a partir de la información de variables ind., se intenta predecir la
variable dep.
o Serie de tiempo: son un conjunto de datos que se registran en un intervalo de tiempo regulares. La
suposición que tiene es que dado lo que ocurren ene el pasado y presente, se mantendrá similar en el futuro.
Series de Tiempo
Secuencia de N observaciones (datos) ordenados y equidistantes sobre una característica (serie univariante) o varias (serie
multivariante).
Representación matemática univariada: Representación matemática multivariada:
y1 , y2 , … , yN y1 , y2 , … , yN
N N
( y t )t=1 ( y t )t=1
( y t :t=1 , … , N ) ( y t :t=1 , … , N )
y t es la observación en el tiempo t con 1 ≤t ≤ N . y ≡ [ y t 1 , y t 2 , … , ytM ] ' ( M ≥ 2) es la observación en el
N es el número total de obs. tiempo t con 1 ≤t ≤ N , N es el número total de obs.
y 1 , y 2 , … , y N se pueden ver como un vector columna y 1 , y 2 , … , y N es una matriz Y de orden N × M .
y ≡ [ y 1 , y 2 , … , y t ].
Modelo y Procesos Estocásticos
Modelo: se usa para lo siguiente: Proceso estocástico: es una secuencia de variables
Describir la evolución de la serie. aleatorias, ordenadas y equidistantes, referidas a una
característica observable en diferentes momentos.
Prever la evolución.
Contrastar una hipótesis.
Representación matemática univariada: Representación matemática multivariada:
… , Y −1 , Y 0 ,Y 1 , … … , Y −1 , Y 0 ,Y 1 , …
(Y t ) (Y t )
( Y t :t=0 ,± 1 ,± 2 … ) ( Y t :t=0 ,± 1 ,± 2 … )
Y es una variable aleatoria escalar observada en el Y ≡ [ Y t 1 , Y t 2 , … , Y tM ] ' ( M ≥ 2) es una variable aleatoria
momento t . vectorial observada en el momento t .
Y t es una característica genérica dada, que es la misma en
todo tiempo t .
Una serie temporal es una muestra de la parte de la historia. Y si a pesar de las circunstancias sociales o naturales, la serie se
mantiene estale. Entonces las conclusiones podrían usar en el futuro (a corto plazo).
Un proceso estocástico ( Y t ) es estacionario cuando las propiedades de cualquier muestra Y t 1 , Y t 2 , … ,Y tn ( n ≥ 1 ) son
semejantes a la secuencia Y t 1 +h ,Y t 2+h , … ,Y tn+h, para cualquier entero h=±1 , ± 2 ,…
Un proceso no estocástico ( Y t ) es no estacionario cuando al menos una secuencia finita de Y t 1 , Y t 2 , … ,Y tn ( n ≥ 1 ) es
diferente a la secuencia Y t 1 +h ,Y t 2+h , … ,Y tn+h, para h ≥ 1.
Factores o Componentes de una serie
Los movimientos de las series temporales se agrupan en cuatro componentes:
1) Tendencia Secular (T ): 2) Variación Cíclica (C ):
es el movimiento de los datos de forma creciente o son movimientos que ser repiten independientes de la
decreciente. estación
3) Variación Estacional ( E ): 4) Variación Irregular ( I ):
son movimientos periódicos por la naturaleza son movimientos que no presentan regularidades
Modelos: una vez estudiados los componentes es de interés estimar que parte de la variable dep. Y puede atribuirse a la
tendencia. Entre estos modelos se tienen:
Modelo Aditivo Modelo Multiplicativo Modelo Combinado
Y =T + E+C + I Y =T ∙ E ∙ C ∙ I Y = (T ∙ E ∙ C )+ I
Aislamiento de la Tendencia
Existen varias técnicas para estimar la tendencia T t , las más comunes son
1) Ajustar la función a otra función suave de t .
Para usarlo, es necesario tener idea del tipo de tendencia antes del ajuste, es decir, hacer un análisis exploratorio
previo. Existen muchas funciones tipo, tales como;
Recta T t=a+bt
bt
Exponencial T t=a e
bt
Exponencial modificada T t=a+b e
m
Polinomial T t=β 0 + β 1 t+ ⋯ + β m t
⋯
El objetivo de esta etapa es identificar la tendencia haciéndola a alguna función tipo.
Luego de identificarla, hay que estimar los parámetros asociados.
Estos estimadores pueden ser estimados por el método de mínimos cuadrados u otro.
2) Suavizar los valores de la serie.
Es una forma para visualizar mejor la serie. La idea es definir una nueva serie a partir de la serie observada que
suaviza los efectos de la tendencia. Para ello se utiliza un operador lineal que transforma la serie x t en una serie
suavizada Z ( t ) : Z ( t )=F ( X ( t ) ).
Otra forma es utilizar el promedio móvil simple,
3) Utilizar diferenciación.
Si es evidente que una línea recta se ajusta a los datos, los métodos más comunes a utilizar son:
Mínimos cuadrados o modelos de regresión lineal
Doble suavización exponencial
Si la serie tiene un movimiento más curvilíneo, se usa:
Mínimos cuadrados
Triple suavización exponencial
Método Doble Suavización Exponencial:
Este modelo es óptimo para patrones que tienen tendencias locales o patrones constantes.
Pronóstico Período t
Y^ t =Lt +T t
Lt : es el valor estimado para el período t T t : es el valor de la tendencia para el período t
Lt =α T t−1 + ( 1−α ) ( Lt−1 +T t−1 ) T t=β ( Lt −Lt−1 ) + ( 1−β ) T t −1
α es la constante de suavizamiento 0 ≤ α ≤ 1 β es la constante de suavizamiento 0 ≤ β ≤ 1
Medias Móviles:
El componente irregular puede ser tan grande que oculta otros componentes. Por ello, a través de los promedios móviles es
posible suavizarlo y tener una imagen más clara.
Este método se basa en la idea de que cualquier componente irregular, en cualquier momento tendrá un efecto menor si se
promedia con sus vecinos inmediatos.
Los promedios móviles consisten en una serie de promedios en el tiempo de longitud L, tal que cada uno se calcula a partir
de la secuencia L.
El método más sencillo es una media móvil centrado en ( 2 m+ 1 ). Es decir, Se sustituye cada observación Y t por la media de
ella misma con las observaciones vecinas.
Aislamiento de la Variación Estacional
Es importante estudiar este movimiento, ya que permite obtener un patrón de los cambios anteriores.
La serie de medias móviles centradas es un elemento fundamental para entender la estructura de la serie, ya que está libre de
estacionalidad pues ya se suavizó el componente irregular.
A partir de esa serie se derivan algunos métodos de desestacionalización, entre ellos destaca el método de índice estacional.
Método de índice estacional:
Tiene el supuesto que la estacionalidad es estable en el tiempo.
La serie de promedios móviles elimina la mayor parte de la variación estacional e irregular.
Para usar este método hay que fijarse bien en el tiempo que se mide la variable de interés.
Para evaluar su influencia, se obtiene una estimación de los
componentes estacionales, llamados Variaciones
Estacionales Específicas: ( )
Yt
Y ¿t
=E ∙ I
Se deben eliminar las variaciones irregulares tanto como sea
posible, para ello se calcula la media o la mediana. Que representan las variaciones estacionales cuando la suma sea
igual al número de períodos considerados.
Aislamiento de la Variación Cíclica
El método más usado para aislar el componente cíclico es el método de los residuales. Los pasos por seguir en términos de un
modelo multiplicativo son:
1) Eliminar la variación estacional, es decir: 2) Calcular la tendencia, por el método de mínimos
Y T ∙E∙C∙I cuadrados.
= =T ∙ C ∙ I
E E
3) Eliminar la tendencia, es decir: 4) Eliminar las fluctuaciones irregulares para obtener
T ∙C ∙ I la variación cíclica, esto es:
=C ∙ I C∙I
T =C
Estas razones se denominan relativas cíclicas irregulares. I
El último componente de una serie cronológica es la variación irregular , para aislar este componente basta dividir los datos
de las relativas cíclicas (C ∙ I ) entre los datos de las variaciones cíclicas.
