Resumen 3
Métodos de pronóstico
→ 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
→ (𝑦𝑡 )𝑁𝑡=1 → (𝒚𝑡 )𝑁𝑡=1
→ (𝑦𝑡 ∶ 𝑡 = 1, … , 𝑁) → (𝒚𝑡 ∶ 𝑡 = 1, … , 𝑁)
𝑦𝑡 es la observación en el tiempo 𝑡 con 1 ≤ 𝑡 ≤ 𝑁. 𝒚 ≡ [𝒚𝑡1 , 𝒚𝑡2 , … , 𝒚𝑡𝑀 ]′ (𝑀 ≥ 2) es la observación en
𝑁 es el número total de obs. el tiempo 𝑡 con 1 ≤ 𝑡 ≤ 𝑁, 𝑁 es el número total de
𝑦1 , 𝑦2 , … , 𝑦𝑁 se pueden ver como un vector obs.
columna 𝒚 ≡ [𝑦1 , 𝑦2 , … , 𝑦𝑡 ]. 𝒚1 , 𝒚2 , … , 𝒚𝑁 es una matriz 𝒀 de orden 𝑁 × 𝑀.
Modelo y Procesos Estocásticos
Modelo: se usa para lo siguiente: Proceso estocástico: es una secuencia de
→ Describir la evolución de la serie. variables aleatorias, ordenadas y equidistantes,
referidas a una característica observable en
→ Prever la evolución. diferentes momentos.
→ Contrastar una hipótesis.
Representación matemática univariada: Representación matemática multivariada:
→ … , 𝑌−1 , 𝑌0 , 𝑌1 , … → … , 𝒀−1 , 𝒀0 , 𝒀1 , …
→ (𝑌𝑡 ) → (𝒀𝑡 )
→ (𝑌𝑡 ∶ 𝑡 = 0, ±1, ±2 … ) → (𝒀𝑡 ∶ 𝑡 = 0, ±1, ±2 … )
→
𝑌 es una variable aleatoria escalar observada 𝒀 ≡ [𝒀𝑡1 , 𝒀𝑡2 , … , 𝒀𝑡𝑀 ]′ (𝑀 ≥ 2) es una variable
en el momento 𝑡. aleatoria vectorial observada en el momento 𝑡.
𝑌𝑡 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 (𝑌𝑡 ) es estacionario cuando las propiedades de cualquier muestra 𝑌𝑡1 , 𝑌𝑡2 , … , 𝑌𝑡𝑛
(𝑛 ≥ 1) son semejantes a la secuencia 𝑌𝑡1+ℎ , 𝑌𝑡2+ℎ , … , 𝑌𝑡𝑛+ℎ , para cualquier entero ℎ = ±1, ±2, …
Un proceso no estocástico (𝑌𝑡 ) es no estacionario cuando al menos una secuencia finita de 𝑌𝑡1 , 𝑌𝑡2 , … , 𝑌𝑡𝑛
(𝑛 ≥ 1) es diferente a la secuencia 𝑌𝑡1+ℎ , 𝑌𝑡2+ℎ , … , 𝑌𝑡𝑛+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 son movimientos que ser repiten independientes
o decreciente. de la 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 𝑇𝑡 , 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 𝑇𝑡 = 𝑎 + 𝑏𝑡
→ Exponencial 𝑇𝑡 = 𝑎𝑒 𝑏𝑡
→ Exponencial modificada 𝑇𝑡 = 𝑎 + 𝑏𝑒 𝑏𝑡
→ Polinomial 𝑇𝑡 = 𝛽0 + 𝛽1 𝑡 + ⋯ + 𝛽𝑚 𝑡 𝑚
→ ⋯
• 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 𝑥𝑡 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
𝑌̂𝑡 = 𝐿𝑡 + 𝑇𝑡
𝐿𝑡 : es el valor estimado para el período 𝑡 𝑇𝑡 : es el valor de la tendencia para el período 𝑡
𝐿𝑡 = 𝛼𝑇𝑡−1 + (1 − 𝛼)(𝐿𝑡−1 + 𝑇𝑡−1 ) 𝑇𝑡 = 𝛽(𝐿𝑡 − 𝐿𝑡−1 ) + (1 − 𝛽)𝑇𝑡−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 (2𝑚 + 1). Es decir, Se sustituye cada
observación 𝑌𝑡 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 𝑌𝑡
estimación de los componentes estacionales, ( ∗) = 𝐸 ∙ 𝐼
𝑌𝑡
llamados Variaciones Estacionales Específicas:
→ 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
𝑌 𝑇∙𝐸∙𝐶∙𝐼 mínimos cuadrados.
= = 𝑇∙𝐶∙𝐼
𝐸 𝐸
3) Eliminar la tendencia, es decir: 4) Eliminar las fluctuaciones irregulares para
𝑇∙𝐶∙𝐼 obtener la variación cíclica, esto es:
=𝐶∙𝐼 𝐶∙𝐼
𝑇
Estas razones se denominan relativas cíclicas =𝐶
𝐼
irregulares.
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.
