ANLISIS DE SERIES DE TIEMPO:

OBJETIVOS: 1. Analizar la variacin de los datos a lo largo del tiempo. 2. Determinar el modelo que explique los componentes de variacin en el tiempo. 3. Estimar pronsticos a futuro aplicando el modelo de variacin obtenido. INTRODUCCIN AL ANLISIS DE SERIES DE TIEMPO SERIE DE TIEMPO/TEMPORAL/HISTRICA/CRONOLGICA: Una base de datos obtenidos a lo largo de periodos regulares en el tiempo. VARIABLES

Yt: variable temporal

T: tiempo

Variable dependiente (Y) Es la de inters o sea la que se quiere estimar

Variable independiente (X) Periodos regulares a lo largo del tiempo

EJEMPLO: Ingresos, costos, utilidades, precios, ndices, poblacin, PIB, etc

PERIODICIDAD: frecuencia con la que se toman los datos

EJEMPLO: diaria, semanal, mensual, bimensual, anual EJEMPLOS DE BASES DE DATOS:

Yi: dato de la variable temporal (de inters) ti: Periodo de tiempo (1,2,3.n) n: Longitud de la serie (Tamao de la muestra)

COMPONENTES DE VARIACIN EN UNA SERIE DE TIEMPO: Se pueden presentar hasta 4 componentes MINITAB: GRAPH/TIME SERIES PLOT/SIMPLE TENDENCIA (T): Variacin central (promedio) de los datos para plazos muy largos (a plazo largo)

ESTACIONALIDAD (S): Variacin regular alrededor de la tendencia para periodos menores a un ao

CICLO (C): Variacin regular alrededor de la tendencia para periodos menores a un ao

IRREGULAR (I): Valores que se alejan del comportamiento central o sea picos. No significativo= Pequeos picos que acompaan al ciclo Regresin con variables dummy. Significativo: (ruidos, errores)

REGRESIN MLTIPLE

1. Analizar la variacin de series que no presenten ruidos (picos marcados en la variacin) 2. Determinar el mejor modelo de variacin utilizando el criterio de menor error cuadrtica promedio(NSD) 3. Estimar pronsticos a futuro utilizando el mejor modelo. PRINCIPIOS DEL MTODO DE VARIACIN SIMPLE:

EJEMPLO 1: VARIACIN SIMPLE

Los datos que se muestran en la columna corresponden a los balances trimestrales de las ventas de una empresa a partir del ltimo trimestre de 1990 A partir del anlisis de esta serie de ventas determina a) El mejor modelo que describa la variacin de los datos de ventas b) La estimacin de las ventas para el segundo trimestre de 2011.

Cero- Datar la serie:

Variable temporal: (YT): VENTAS Periodo Inicial: (t1): TRIMESTRE 4 (1990) Periodo final: (tn): TRIMESTRE 4 (2005) JALO EN EXCEL Y EN DONDE ACABEN LOS DATOS. Periodicidad: TRIMESTRAL (4 DATOS POR AO) Longitud: n : 61 Periodo de estimacin: (tp) : TRIMESTRE 4 (2011)

1. ANALIZAR GRFICO DE LA SERIE ORIGINAL:

Objetivo: Analizar el tipo de variacin que presenta la serie. GRAPH/T.S. PLOT/SIMPLE= VENTAS

ANLISIS EXPLORATORIO: Empieza en T=1 y termina T=61 *Presenta Tendencia. *No presenta ruidos (picos MUY marcados) COMENZAR ANLISIS CON VARIACIN SIMPLE.

***EN SERIES DE TIEMPO, EL ANLISIS DEL GRFICO DE LA SERIE ORIGINAL NOS VA PERMITIR SELECCIONAR CON CUAL DE LOS TRES MTODOS SE INICIA LA OBTENCIN DEL MEJOR MODELO PARA ESTIMAR LOS PRONSTICOS***

2. DETERMINAR MEJOR MODELO:

2.1 PROMEDIOS MVILES CARATERSTICA (L) L: Longitud de los Promedios (# de valores que se promedian en cada movimiento a lo largo de la serie) Ejemplo: L=3 (NOS LO DAN) MINITAB: STAT/T.S./MOVING AVERAGE VARIABLE: VENTAS MA LENGHT: 2, 4, 6 (LO HAGO 3 VECES)

Moving Average for Ventas

Data Length NMissing Ventas 61 0

Moving Average for Ventas

Data Length NMissing Ventas 61 0

Moving Average for Ventas

Data Length NMissing Ventas 61 0

Moving Average Length 2

Moving Average

Moving Average Length 6

MEJOR MODELO

Length

Accuracy Measures MAPE MAD MSD 8.97995E+00 2.27480E+06 8.23781E+12

Accuracy Measures MAPE MAD MSD 1.30677E+01 3.69142E+06 1.92434E+13

Accuracy Measures MAPE MAD MSD 1.73756E+01 5.21205E+06 3.53192E+13

MSD: (Yt-(Y^t)^2/n

EL MENOR VALOR DE MSD ES EL MEJOR MODELO, POR LO TANTO EL MODELO 1 CON MA LENGHT=2 ES EL MEJOR= MSD 8.23781E+12

2.2 SUAVIZAMIENTO EXPONENCIAL: Son polinomios de regresin a lo largo de la serie de datos CARACTERISTICA: Constante de suavizamiento RANGO: (0<theta<1) STAT/TIME SERIES/SINGLE EXP SMOOTHING VARIABLE: VENTAS (Yt)/WEIGHT TO USE IN SMOOTHING=0.2/0.4/0.6
Single Exponential Smoothing for Ventas
Data Length Ventas 61

THETHA=

Smoothing Constant Alpha 0.2

Accuracy Measures MAPE MAD MSD 2.05479E+01 6.33907E+06 5.67819E+13

Single Exponential Smoothing for Ventas

Data Length Ventas 61

Smoothing Constant Alpha 0.4

Accuracy Measures MAPE MAD MSD 1.28294E+01 3.45024E+06 1.71242E+13

Single Exponential Smoothing for Ventas

Data Length Ventas 61

Smoothing Constant Alpha 0.6

Accuracy Measures MAPE MAD MSD 9.78533E+00 2.40946E+06 9.06496E+12

MEJOR MODELO

EL QUE TENGA EL MSD MENOR, ES EL MEJOR MODELO.

2.3 TENDENCIA CON REGRESIN SIMPLE: SE PRUEBAN 3 TIPOS DE MODELOS DE REGRESIN SIMPLE: 1. LINEAL: Yt=bo+b1(t) 2. CUADRTICO: Yt=bo+b1(t)+b2(t^2) 3. EXPONENCIAL DE CRECIMIENTO: Yt=bo(b1^t) STAT/TIME SERIES/TREND ANALYSIS VARIABLE: VENTAS (Yt) MODEL TYPE: LINEAR/QUADRATIC/EXPONENTIAL GROWTH
Trend Analysis for Ventas
Data Length NMissing Ventas 61 0

Fitted Trend Equation Yt = -11844364 + 1503085*t Accuracy Measures MAPE MAD MSD 4.84564E+01 5.40753E+06 3.68965E+13

Trend Analysis for Ventas

Data Length NMissing Ventas 61 0

Fitted Trend Equation Yt = 1664968 + 216482*t + 20752*t**2 Accuracy Measures MAPE MAD MSD 7.87186E+00 1.43107E+06 3.81620E+12

MEJOR MODELO

Trend Analysis for Ventas

Data Length NMissing Ventas 61 0

Fitted Trend Equation Yt = 3698943 * (1.05996**t) Accuracy Measures

EL QUE TENGA EL MSD MENOR, ES EL MEJOR MODELO.

MAPE MAD MSD

1.67287E+01 5.90500E+06 1.05429E+14

ESTIMAR PRONSTICOS
A) DATOS PARA LA ESTIMACIN PERDIODO FINAL (tn=61) TRIMESTRE 4 2005 PERIODO DE ESTIMACION (tp=85) TRIMESTRE 4 2011 61+24=85 (1 AO TIENE 4 TRIMESTRES, POR 6 AOS 4*6=24) # PERIODOS A FUTURO (DESDE tn HASTA tp) B) SUSTITUIR EN EL MEJOR MODELO ***SE TOMA EL MODELO CON EL MENOR MSD DE LOS 9 MODELOS QUE SE ANALIZARON*** MEJOR MODELO, ES MODELO CARACTERISTICA MSD EL MENOR DE LOS 3: PROMEDIOS MVILES L=2 8.23*10^12 SUAVIZAMIENTO THETA= 0.6 9.06*10^12 USAMOS EXPONENCIAL PROCEDIMIENTO REGRESIN SIMPLE CUADRTICO 3.81*10^12 MINITAB PARA ESE MODELO

EN MINITAB EL PROCEDIMIENTO QUE USAMOS FUE: STAT/TIMES SERIES/TREND ANALYSIS VARIABLE: Yt MODEL TYPE: CUADRATIC *GENERATE FORECASTS: NUMBER OF FORECASTS: 24 (PERIODOS A FUTURO) STARTING FROM ORIGIN: 61= tn

Trend Analysis Plot for Ventas Trend Analysis for Ventas

Data Length NMissing Ventas 61 0

Fitted Trend Equation Yt = 1664968 + 216482*t + 20752*t**2 Accuracy Measures MAPE MAD MSD 7.87186E+00 1.43107E+06 3.81620E+12

Forecasts Period 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 Forecast 94856218 97666658 100518601 103412047 106346996 109323449 112341405 115400864 118501827 121644293 124828263 128053735 131320711 134629191 137979173 141370659 144803649 148278141 151794137 155351637 158950639 162591145 166273154 169996667

EL VALOR QUE NOS INTERESA ES EL LTIMO YA QUE TE DA EL RESULTADO DE TODOS. RESULTADO DEL PRONSTICO: Y^=$169 ,996 ,667 VENTAS ESTIMADAS PARA EL TRIMESTRE 4 DEL 2011

*** SI NOS PIDIERAN (EN ESTE CASO PROMEDIO DEL 2011), TOMAS LOS 4 LTIMOS VALORES Y LES SACAS EL PROMEDIO***

EJEMPLO 2 VARIACIN SIMPLE

Utilizando los datos histricos del ndice actividad econmica para Mxico, reportados por el INEGI. a). Determina el mejor modelo de variacin simple que describa el comportamiento de los datos en el tiempo seleccionando entre los siguientes: Promedios mviles: L= 9, 12, 15 Suavizamiento exponencial: alfa= 0.4, 0.6, 0.8 Modelos de regresin simple para la tendencia: Lineal, Cuadrtico, Exponencial b). Estima el ndice de actividad econmica que se hubiese esperado para diciembre de 2011 (sin no se tomara en cuenta la influencia de la crisis mundial actual).

CERO: DATAR LA SERIE

Se apilan los datos por ao para despus meterlo a MINITAB

PERIODO INICIAL (t1): ENERO 1993 PERIODO FINAL (tn): DICIEMBRE 2007 PERIODICIDAD: MENCUAL (12 DATOS/AO) LONGITUD: 180 PERIODO DE ESTIMACION (tp): DICIEMBRE 2011

1. ANALIZAR GRFICO DE LA SERIE ORIGINAL GRAPH/TIMES SERIES PLOT/SIMPLE SERIES= Yt=IAE

ANLISIS GRFICO: *Tendencia creciente. *Puede presentar estacionalidad. *NO presenta variaciones aleatorias significativas POR LO TANTO: Comenzar el anlisis con variacin simple.

2. DETERMINAR EL MEJOR MODELO DE VARIACIN SIMPLE

ANLISIS DE VARIACIN DE LA SERIE OBJETIVO: Encontrar el modelo que permita estimar pronsticos con el menor error (MSD)

2.1 PROMEDIOS MVILES

STAT/TIMNE SERIES/MOVING AVERAGE L= 9, 12, 15 (EN CASO DE QUE NO ME LO DEN: EL 12 ES POR LA PERIODICIDAD, MENSUAL. LOS OROS LOS VAS CALCULANDO) Moving Average for IAE L= 9, 12, 15
Data Length NMissing IAE 180 0

Moving Average for IAE

Data Length NMissing IAE 180 0

Moving Average for IAE

Data Length NMissing IAE 180 0

Moving Average Length 9

Moving Average Length 12

Moving Average Length 15

Accuracy Measures MAPE MAD MSD 3.1536 3.8399 20.5847

Accuracy Measures MAPE MAD MSD 3.1836 3.8995 21.2963

Accuracy Measures MAPE MAD MSD 3.4699 4.2785 26.0587

L MSD

9 20.58

12 21.29

15 26.05

MEJOR MODELO

2.2 SUAVIZAMIENTO EXPONENCIAL STAT/TIME SERIES/SINGLE EXPONENTIAL SMOOTHING

THETA/ALFA= 0.4, 0.6, 0.8 Single Exponential Smoothing for IAE
Data Length IAE 180

Single Exponential Smoothing for IAE

Data Length IAE 180

Single Exponential Smoothing for IAE

Data Length IAE 180

Smoothing Constant Alpha 0.4

Smoothing Constant Alpha 0.6

Smoothing Constant Alpha 0.8

Accuracy Measures MAPE MAD MSD 2.9040 3.5275 16.7905

Accuracy Measures MAPE MAD MSD 2.9345 3.5709 17.0162

Accuracy Measures MAPE MAD MSD 2.9038 3.5333 17.2853

ALFA MSD

0.4 16.79

0.6 17.01

0.8 17.28

MEJOR MODELO

2.3 TENDENCIA CON REGRESIN SIMPLE, LINEAL, CUADRTICO, EXPONENCIAL. STAT/TIME SERIES/TREND ANALYSIS VARIABLE Yt=IAE
Trend Analysis for IAE
Data Length NMissing IAE 180 0

Trend Analysis for IAE

Data Length NMissing IAE 180 0

Trend Analysis for IAE

Data Length NMissing IAE 180 0

Fitted Trend Equation Yt = 94.226 + 0.313*t Accuracy Measures

Fitted Trend Equation Yt = 96.08 + 0.2515*t + 0.000337*t**2 Accuracy Measures

Fitted Trend Equation Yt = 96.1661 * (1.00257**t) Accuracy Measures

MAPE MAD MSD

3.2919 3.8858 22.3390

MAPE MAD MSD

3.2256 3.8196 21.6758

MAPE MAD MSD

3.2269 3.8245 21.7192

LINEAR ECUACIN MSD

Yt = 94.226 + 0.313*t

CUADRATICO
Yt = 96.08 + 0.2515*t + 0.000337*t**2

EXPONENCIAL
Yt = 96.1661 * (1.00257**t)

22.3390

21.6758

21.7192

MEJOR MODELO

3. ESTIMAR PRONSTICOS A FUTURO A) DATOS PARA ESTIMACIN: PERIODO FINAL (tn=180) DICIEMBRE 2007 PERIODO DE ESTIMACIN: (tp=228) (180+48(12*4)=228) DICIEMBRE DEL 2004 NUMERO DE PERIODOS A FUTURO: 48 B) MEJOR MODELO
SUAVIZAMIENTO EXPONENCIAL THETA: 0.4 MSD: 16.79 C) SUSTITUIR EN EL MEJOR MODELO STAT/TIME SERIES/ SINGLE EXPONENTIAL SMOOTHING VARIABLE: Yt WEIGHT TO USE: 0.4 GENERAL FORECAST NUMBER: 48 =NO DE PERIODOS A FUTURO STARTING: 180= tn

Single Exponential Smoothing for IAE

Data Length IAE 180

Smoothing Constant Alpha 0.4

Accuracy Measures MAPE MAD MSD 2.9040 3.5275 16.7905

Forecasts Period 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 Forecast 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 155.417 Lower 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 146.775 Upper 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059 164.059

***EN ESTE CASO SE LE ACABA EL MATERIAL POR LO QUE TODOS LOS NMEROS SON IGUALES Y TE DAN UN INTERVALO***

PROMEDIO ESTIMADO PARA EL IAE EN DICIEMBRE 2011. CONCLUSION: EL NDICE ESPERADO DE ACTIVIDAD ECONMICA PARA DICIEMBRE DEL 2011 ES DE 155.417

INTERVALO DEL PRONSTICO

ANLISIS CON SERIES DE VARIACIN COMPUESTA

MTODO 3.2: Descomposicin con modelo Multiplicativo Yt= T*S*I*C 2.1 T=Tendencia 2.2 S= Estacionalidad 2.3 I= Ruidos 2.4 C= Ciclos 2.2 S= Estacionalidad Yt/T*S=I*C 2.4 C= Ciclos/Residuos

2.1 T=Tendencia Yt/T=S*T*C OBJETIVOS:

2.3 I= Ruidos

Yt/T*S*I=C + RESIDUOS

1. Analizar la variacin compuesta de series con tendencia continua aplicando el modelo multiplicativo 2. Estimar pronsticos aplicando el modelo con los componentes significativos.

EJEMPLO 1 DESCOMPOSICIN:
ENUNCIADO: A partir de la serie de precios de un producto de amplia demanda que se presenta; con datos tomados hasta Noviembre de 2008; a) Analiza la variacin de los datos de las serie utilizando la metodologa adecuada. b) Estima el precio del producto en diciembre de 2011.

PERIODO INICIAL (t1)=NOVIEMBRE 2007 PERIODO FINAL (tn=)133 =NOVIEMBRE 2008 PERIODICIDAD=MENSUAL (12 DATOS/AO) LONGITUD n=133 NO AOS: n/PERIODICIDAD=133/12=11.08 (11 AOS 1 MES) PERIODO DE ESTIMACION (tp)=DICIEMBRE 2011 =0.05

1. ANALIZAR GRFICO DE LA SERIE ORIGINAL GRAPH/TIME SERIES PLOT/SIMPLE /SERIES Yt

ANLISIS GRFICO: *Tendencia continua. *Puede presentar estacionalidad. *Presenta posibles ruidos *Presenta estacionalidad y ciclo ***Compuesta porque hay ruido, multiplicativo porque es continua, no hay escaln*** MODELO MULTIPLICATIVO

2. ANLISIS DE VARIACIN DE LA SERIE En este caso se aplica: MODELO MULTIPLICATIVO 2.1 Descomponer la Tendencia (T) a) Seleccionar el mejor modelo STAT/TIME SERIES/TREND ANALYSIS/ VARIABLE Trend Analysis for precio
Data Length NMissing precio 133 0

Trend Analysis for precio

Data Length NMissing precio 133 0

Trend Analysis for precio

Data Length NMissing precio 133 0

Fitted Trend Equation Yt = 7.51 + 0.364*t Accuracy Measures

Fitted Trend Equation Yt = 17.24 - 0.0683*t + 0.003228*t**2 Accuracy Measures

Fitted Trend Equation Yt = 13.0407 * (1.01162**t) Accuracy Measures MAPE MAD MSD 15.8062 4.4363 46.9599

MAPE MAD MSD

19.6521 5.4429 62.7082

MAPE MAD MSD

16.3259 4.3852 44.6021

LINEAR ECUACIN MSD

Yt = 7.51 + 0.364*t 62.7082

CUADRATICO
Yt = 17.24 - 0.0683*t + 0.003228*t**2 44.6021

EXPONENCIAL
Yt = 13.0407 * (1.01162**t) 46.9599

MEJOR MODELO
b) Obtener Componente T STAT/TIME SERIES/TREND ANALYSIS: VARIABLE Yt= SERIE ORIGINAL MODEL TYPE /QUADRATIC STORAGE: FITS (TREND LINE)

FITS= COMPONENTE DE LA TENDENCIA (T )

2.2. Descomponer estacionalidad c) Eliminar tendencia por Divisin CALC/CALCULATOR STORE: SIN TENDENCIAS (C3) EXPRESSION: PRECIOS/FITS Yt/T=S*I*C

Para descomponer la estacionalidad, se obtiene un PATRN DE ESTACIONALIDAD formado por los ndices Estacionales (IE) correspondientes a los periodos dentro de un ao. IE= Promedio del periodo/Promedio anual 2 caractersticas: *Base: promedio anual (Se mueve alrededor del promedio) *variacin Regular: Se repite STAT/TIME SERIES/DESCOMPOSITION VARIABLE: SIN TENDENCIA SEASON LENGHT: 12 MODEL TYPE: MULTIPLICATIVO MODEL COMPONENTS: SEASONAL ONLY OPTIONS: FIRST OBS IN SEASON PERIOD: 11 (PERIODO INICIAL=NOVIEMBRE=MES 11) STORAGE: SEASONALLY ADJUSTED DATA Time Series Decomposition for SIN TENDENCIA
Multiplicative Model Data Length NMissing SIN TENDENCIA 133 0

SACA LA DESESTACIONALIDAD DESE 1

RESPUESTA A
Seasonal Indices Period 1 2 3 4 5 6 7 8 9 10 11 12 Index 0.98488 1.00912 1.04939 1.06447 1.04811 1.06545 0.98634 0.93412 0.97336 1.00007 0.96169 0.92300

INDICES ESTACIONALES

IE>1

LA VARIABLE SUPERA AL PROMEDIO DEL AO (6TO MES/JUNIO) CRECIMIENTO

A) PATRN ESTACIONAL DE LA SERIE

IE=1

LA VARIABLE EST A

NIVEL DEL PROMEDIO ANUAL (10 MES/OCTUBRE) MAS SE ACERCA A 1

Accuracy Measures MAPE MAD MSD 15.9812 0.1407 0.0451

IE<1

LA VARIABLE ES MENOR

AL PROMEDIO DEL AO (12 MES/DICIEMBRE)

INCREMENTO PORCENTUAL: (IE-1)*100 SI ME PIDEN ANLISIS PARA DESCRIBIR EL COMPORTAMIENTO ESTACIONAL DE LA SERIE, ME VOY A EXCEL: Period 1 2 3 4 5 6 7 8 9 10 11 12 Index 0.98488 1.00912 1.04939 1.06447 1.04811 1.06545 0.98634 0.93412 0.97336 1.00007 0.96169 0.923 % -1.512 0.912 4.939 6.447 4.811 6.545 -1.366 -6.588 -2.664 0.007 -3.831 -7.7

ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC

EN JUNIO EL PRECIO SE ESPERA UN 6.54% POR ENCIMA DEL PROMEDIO

EN DICIEMBRE SE ESPERA EL PRECIO 7.7% POR DEBAJO DEL PROMEDIO DEL AO

GRAPH/SCATTERPLOTS/WITH CONNECT LINE Y VARIABLES= INDEX X VARIABLES= PERIOD

SOBRE LA GRFICA DAS CLICK EN EL BOTN DERECHO: ADD/REFERENCE LINES

B)SERIE SIN ESTACIONALIDAD SERIE DESESTACIONALIZADA EJEMPLO DE CALCULO PARA DESESTACIONALIZAR LA SERIE: MODELO: (Yt/T)/S=(SERIE SIN TENDENCIA/IE) CALCULO PERIODO t1(INICIAL) USAMOS LOS VALORES DE SIN TENDENCIA DE MINITAB 1.06473/.96169=1.10714 VALOR DE LA SERIE DESESTACIONALIZADA PARA EL PERIODO t1

2.3 Eliminar ruidos significativos NOTA: Los ruidos significativos son errores aleatorios que se presentan en el comportamiento de la serie. (PICOS) *Se analizan para la serie de Desestacionalizada (DESE1) *Se eliminan utilizando modelos de Regresin Mltiple con variables Dummy para los ruidos (DR#) a) Identificar periodos posibles de Ruidos (Picos) Se analiza el grfico de la serie desestacionalizada GRAPH/TIME SERIES PLOT/ SIMPLE series: DESE1 ADD/REFERENCE LINES/Y VALUES 0.5 1.5 BANDA CENTRAL DE VARIACIN CICLICA RUIDOS SE LOCALIZAN LOS PERIODOS (T) DONDE OCURREN LOS POSIBLES RUIDOS SE SACAN PONIENDO EL MOUSE SOBRE CADA PUNTITO Y SALE UNA PESTAA AMARILLA

1ER RUIDO t=15 2 RUIDO t=72 3ER RUIDO t=111 b) Determinar el mejor modelo para los RUIDOS: Modelo de Regresin Mltiple DESE1= bo+b1(DR15)+b2(DR72)+b3(DR111) CODIFICACIN PARA DUMMIES DE RUIDO (DR#) =0 Para los periodos donde NO ocurre el ruido =1 Slo para el periodo donde ocurre el ruido

***SE GENERAN COLUMNAS CON EL TIEMPO OBTENIDO EN EL PASO ANTERIOR PARA CADA RUIDO*** Llenas las columnas de puro cero, localizas los ruidos dentro de las columnas y cambias el cero por un uno Aplica el Mtodo de Regresin Mltiple paso a paso 1 Regresin mltiple STAT/REGRES/REGRES RESPONSE: DESE1 PREDICTORS: DR15 DR72 DR111

*PRUEBA DE SIGNIFICACIN PARA LOS COEFICIENTES Regression Analysis: DESE1 versus DR15, DR72, DR111
The regression equation is DESE1 = 1.00 - 0.686 DR15 + 1.41 DR72 - 0.533 DR111 Predictor Constant DR15 DR72 DR111 Coef 1.00140 -0.6862 1.4108 -0.5334 SE Coef 0.01407 0.1610 0.1610 0.1610 T 71.17 -4.26 8.76 -3.31 P 0.000 NO SE TOMA EN CUENTA 0.000 0.000 0.001

S = 0.160432

R-Sq = 45.3%

R-Sq(adj) = 44.0%

P VALUE 0.000 0.000 0.001

< < <

ALFA 0.05 0.05 0.05

CONCLUSION SIGNIFICATIVO SIGNIFICATIVO SIGNIFICATIVO

MEJOR MODELO DE RUIDOS

PVALUE < ALFA RECHAZA Ho ES SIGNIFICATIVO Y SE MANTIENE EN EL MODELO--- RUIDO SIGNIFICATIVO HAY QUE ELIMINARLO PVALUE> ALFA ACEPTO Ho NO ES SIGNIFICATIVO Y SE ELIMA EL MODELO--- NO HAY RUIDO, NO HAY QUE ELIMINARLO *** EL MEJOR MODELO SE OBTIENE CUANDO TODOS SON SINIFICATIVOS*** c) Obtener la componente de ruidos significativos (FITS2) STAT/REGRESS/REGRESS RESPONSE: DESE1 PREDICTORS: DR15 DR72 DR111 STORAGE: FITS d) Se eliminan los ruidos por divisin: CALC/CALCULATOR STORE: SIN RUIDOS EXPRESSION: DESE 1/ FITS 2 (DIVIDIR)

2.4 Descomponer Ciclo (c) + Residuo (r) *SE APLICA UN MODELO DE SUAVIZAMIENTO EXPONENCIAL Y SE OBTIENEN CILO+RESIDUOS *SE UTILIZA LA SERIE SIN RUIDOS STAT/TIME SERIES/SINGLE EXPON SMOOTHING VARIABLE: SIN RUIDOS WEIGHT TO USE IN SMOOTHING: OPTIMAL ARIMA STORAGE: SMOOTHED DATACOMPONENTE CICLO (C) RESIDUALS RESIDUOS DE VARIACION

RESI 1 (RESIDUOS DE VARIACIN)= (SERIE SIN RUIDO)- (CICLO(SMOO1))

COMPROBACIN FINAL DE LA DESCOMPOSICIN: RESI 1 0 ( ALREDEDOR) SI NO REVISAR PASOS 2.1 2.2 2.3

OK ESTIMAR PRONSTICOS

DEBE ESTAR CERCA DE CERO PORQUE SIGNIFICA QUE LA DESCOMPOSICIN FUE LA CORRECTA.

Single Exponential Smoothing Plot for SIN RUIDOS

TIPS:
2.1 MEJOR MODELO DE TENDENCIA CON ESO VA ESTAR BIEN 2.2 ESTABLECER BIEN LOS PARMETROS DE DESESTACIONALIDAD 2.3 SEECCIONAR LOS PICOS MS ALEJADOS PARA CICLOS

Trend Analysis for precio

Data Length NMissing precio 133 0

Fitted Trend Equation Yt = 17.24 - 0.0683*t + 0.003228*t**2 Accuracy Measures MAPE MAD MSD 16.3259 4.3852 44.6021

3. ESTIMAR PRONSTICOS A FUTURO:

a) DATOS PARA ESTIMACIN PERIODO FINAL (tn=)133 =NOVIEMBRE 2008 PERIODO DE ESTIMACION (tp)=133+37=170 =DICIEMBRE 2011 # PERIODOS A FUTURO: 37 (12+12+12+1 MESES) b) ESTIMAR COMPONENTES DEL MODELO MULTIPLICATIVO ** SOLO SE ESTIMAN TENDENCIA (Tp) /ESTACIONALIDAD (Sp) /CICLO (Cp)

Forecasts Period 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 Forecast 66.0449 66.8449 67.6513 68.4641 69.2834 70.1092 70.9414 71.7801 72.6252 73.4768 74.3348 75.1993 76.0703 76.9477 77.8315 78.7218 79.6186 80.5218 81.4315 82.3477 83.2703 84.1993 85.1348 86.0768 87.0252 87.9801 88.9414 89.9092 90.8834 91.8641 92.8513 93.8449 94.8450 95.8515 96.8644 97.8839 98.9098

1. ESTIMACIN DE LA TENDENCIA (Tp): CON EL MEJOR MODELO DEL 2.1 STAT/TIME SERIES/TREND ANALYSIS VARIABLE Yt= SERIE ORIGINAL MODEL TYPE: QUADRATIC (POR SER EL MEJOR MODELO) GENERATE FORECAST: NUMBER OF: 37 PEROIODOS A FUTURO STARTING FROM: 133 (Tn)

2. ESTIMACIN DE LA ESTACIONALIDAD: SLO HAY QUE TOMAR EL VALOR DEL NDICE ESTACIONAL CORRESPONDIENTE AL PEROIODO DE ESTIMACIN (PASO 2.2)
Period 1 2 3 4 5 6 7 8 9 10 11 12 Index 0.98488 1.00912 1.04939 1.06447 1.04811 1.06545 0.98634 0.93412 0.97336 1.00007 0.96169 0.92300

CUADRO DEL PUNTO 2.2 DICIEMBRE 2011 ESTIMACIN

3. ESTIMACIN DEL CICLO: SE TOMA EL LTIMO VALOR DE LA COLUMNA DEL CICLO (SMOO 1) MINITAB= 1.3246 c) CALCULO DE PRONSTICOS ESTIMADO : MULTIPLICACION DE LOS 3 TENDENCIA*ESTACIONALIDAD*CICLO

98.9098*0.92300*1.3246= $ 120.723 PRECIO ESTIMADO PARA DICIEMBRE DEL 2011

EJEMPLO 2 DESCOMPOSICIN DE SERIES

ENUNCIADO: PARA ESTIMAR LAS VENTAS DE UN MERCADO MINORISTA SE TOMARON DATOS DE LOS BALANCES TRIMESTRALES DE VENTAS HASTA EL LTIMO TRIMESTRE DE 2008. UTILIZANDO LA BASE DE DATOS DE LA COLUMNA C1 DETERMINA: a) EL ANLISIS DE LA VARIACIN DE LA SERIE CON EL MODELO ADECUADO. b) LA ESTIMACIN DE LAS VENTAS PROMEDIO EN EL CUARTO TRIMESTRE DE 2011

Cero- Datar la serie:

Variable temporal: (YT): VENTAS Periodo Inicial: (t1): (tn=32) TRIMESTRE 4 (2011) Periodo final: (tn): TRIMESTRE 4 2008 Periodicidad: TRIMESTRAL (4 DATOS POR AO) Longitud: n : 32 Nmero de aos: 32/4=8 aos Periodo de estimacin: (tp) : TRIMESTRE 4 (2011) Alfa==.05 **SE SABE QUE EMPIEZA EN EL 2001 PORQUE EN LOS DATOS EN EXCEL ESCRIBES T4 2008 Y LO JALAS HACIA ARRIBA**

1. ANALIZAR GRFICO DE LA SERIE ORIGINAL:

Objetivo: Analizar el tipo de variacin que presenta la serie. GRAPH/T.S. PLOT/SIMPLE= *PRESENTA TENDENCIA CONTINUA *OSCILACIN DE ESTACIONALIDAD Y CICLO *POSIBLES RUIDOS -VARIACIN COMPIUESTA CON TENDENCIA CONTINUA. **SE APLICA DESCOMPOSICIN CON EL MODELO MULTIPLICATIVO Yt=T*S*1*C

2. ANALIZAR VARIACIN DE LA SERIE:

COMPONENTES DE VARACIN PRESENTE TENDENCIA (SI)CONTINUA ESTACIONALIDAD (SI)TRIMESTRAL RUIDOS (SI)AL MENOS UNO CICLO (SI)OSCILACIONES (MAYOR A 1.5 AOS MS O MENOS

2.1 Descomponer Tendencia:

Yt/T=S*I*C

a) Seleccionar el mejor modelo STAT/TIME SERIES/TREND ANALYSIS/ VARIABLE Trend Analysis for Ventas
Data Length NMissing Ventas 32 0

Trend Analysis for Ventas

Data Length NMissing Ventas 32 0

Trend Analysis for Ventas

Data Length NMissing Ventas 32 0

Fitted Trend Equation Yt = 1253.2 + 6.80*t Accuracy Measures

Fitted Trend Equation Yt = 1373.8 - 14.5*t + 0.645*t**2 Accuracy Measures

Fitted Trend Equation Yt = 1246.61 * (1.00495**t) Accuracy Measures

MAPE MAD MSD

10.4 131.7 28476.0

MAPE MAD MSD

10.2 130.9 26065.2

MAPE MAD MSD

10.2 131.4 28489.4

LINEAR ECUACIN MSD

Yt = 1253.2 + 6.80*t MSD 28476.0

CUADRATICO
Yt = 1373.8 - 14.5*t + 0.645*t**2 MSD 26065.2

EXPONENCIAL
Yt = 1246.61 * (1.00495**t) MSD 28489.4

MEJOR MODELO

b) Obtener Componente T STAT/TIME SERIES/TREND ANALYSIS: VARIABLE Yt= SERIE ORIGINAL MODEL TYPE /QUADRATIC STORAGE: FITS (TREND LINE) FITS 1 MINITAB c) Eliminar la tendencia por Divisin: (VENTAS/FITS 1)= Yt/T=S*I*C

2.2 Descomponer estacionalidad (S) d) Eliminar tendencia por Divisin CALC/CALCULATOR STORE: SIN TENDENCIAS (C3) EXPRESSION: VENTAS/FITS Yt/T=S*I*C Para descomponer la estacionalidad, se obtiene un PATRN DE ESTACIONALIDAD formado por los ndices Estacionales (IE) correspondientes a los periodos dentro de un ao. IE= Promedio del periodo/Promedio anual 2 caractersticas: *Base: promedio anual (Se mueve alrededor del promedio) *variacin Regular: Se repite STAT/TIME SERIES/DESCOMPOSITION VARIABLE: SIN TENDENCIA SEASON LENGHT: PERIODICIDAD: 4 MODEL TYPE: MULTIPLICATIVO MODEL COMPONENTS: SEASONAL ONLY OPTIONS: FIRST OBS IN SEASON PERIOD: 1 (PERIODO INICIAL=TRIM 1) STORAGE: SEASONALLY ADJUSTED DATA Time Series Decomposition for SERIE SIN TENDENCIA
Multiplicative Model Data Length NMissing SERIE SIN TENDENCIA 32 0

Seasonal Indices Period 1 2 3 4 Index 1.03798 0.88303 1.12448 0.95451 1.03798-1*100=3.8% A LA ALZA .88303-1*100= -11.7% A LA BAJA 12.48% A LA ALZA -4.5% A LA BAJA

ESTACIONALIDAD A LA ALZA O A LA BAJA SEGN LOS NDICES

Accuracy Measures MAPE MAD MSD 4.59929 0.04120 0.00360

COPIO NDICES EN MINITAB: STAT/TIME SERIES PLOT/SIMPLE VARIABLE: INDEX

2.3 Eliminar ruidos significativos (I) de la serie STAT/TIME SERIES PLOT/SIMPLE VARIABLE: DESE1

a) Identificar posibles ruidos t=14 b) Determinar mejor modelo de ruidos DESE1=bo+b1(DR14) 1)POR QUE SE SUPONE QUE ESTA EN EL 14 AL PONERLE EL MOUSE ENCIMA DEL PICO DEL RUIDO, HAGO UNA COLUMNA (DUMMY) Y RELLENO DE CEROS MENOS EN DONDE SE ENCUENTRA EL POSIBLE RUIDO, EN LA FILA 14 2)APLICAS METODOLOGA DE REGRESIN STAT/REGRESSION/REGRESSION RESPONDE: DESE1 PREDICTORS:DR14

Predictor Constant DR14

Coef 1.00830 -0.30832

SE Coef 0.00678 0.03837

T 148.65 -8.04

P 0.000 0.000

P value 0.00

Vs <

0.05

CONCLUSION: SE RECHAZA Ho, TENEMOS UN RUIDO SIGNIFICATIVO HAY QUE ELIMINARLO (SI SE ACEPTA Ho, NO HAY RUIDO SIGNIFICATIVO Y ME SIGO AL PASO 2.4) c) Obtener la componente de ruidos: STAT/REGRESSION/REGRESSION RESPONSE: DESE1 PREDICTORS: DR14 STORAGE: FITS d) Eliminar Ruidos por Divisin: CALC/CALCULATOR STORE: SIN RUIDOS EXPRESS: DESE1/FITS 2

2.4 Descomposicin Ciclo+ Residuos STAT/TIME SERIES/SINGLE EXPON SMOOTHING VARIABLE: SIN RUIDOS WEIGHT TO USE IN SMOOTHING: OPTIMAL ARIMA STORAGE: SMOOTHED DATACOMPONENTE CICLO (C) RESIDUALS RESIDUOS DE VARIACION

RESI 1 (RESIDUOS DE VARIACIN)= (SERIE SIN RUIDO)- (CICLO(SMOO1))

COMPROBACIN FINAL DE LA DESCOMPOSICIN: RESI 1 0 ( ALREDEDOR) SI NO REVISAR PASOS 2.1 2.2 2.3

OK ESTIMAR PRONSTICOS

DEBE ESTAR CERCA DE CERO PORQUE SIGNIFICA QUE LA DESCOMPOSICIN FUE LA CORRECTA.

3. ESTIMAR PRONSTICOS A FUTURO:

a) DATOS PARA ESTIMACIN PERIODO FINAL (tn=) 32 (TRIM 4 2008) PERIODO DE ESTIMACION (tp)= 32+12=44 (TRIM 4 2011) # PERIODOS A FUTURO: 12

Trend Analysis for Ventas

Data Ventas b) ESTIMAR COMPONENTES DEL MODELO MULTIPLICATIVO Length 32 ** SOLO SE ESTIMAN TENDENCIA (Tp) /ESTACIONALIDAD (Sp) /CICLO (Cp) NMissing 0 Fitted Trend Equation Yt = 1373.8 - 14.5*t + 0.645*t**2 Accuracy Measures MAPE MAD MSD 10.2 130.9 26065.2

1. ESTIMACIN DE LA TENDENCIA (Tp): CON EL MEJOR MODELO DEL 2.1 STAT/TIME SERIES/TREND ANALYSIS VARIABLE Yt= SERIE ORIGINAL MODEL TYPE: QUADRATIC (POR SER EL MEJOR MODELO) GENERATE FORECAST: NUMBER OF: 12 PEROIODOS A FUTURO STARTING FROM: 32 (Tn)

Forecasts Period 33 34 35 36 37 38 39 40 41 42 43 44 Forecast 1598.31 1627.04 1657.06 1688.37 1720.97 1754.85 1790.03 1826.50 1864.26 1903.31 1943.64 1985.27

2. ESTIMACIN DE LA ESTACIONALIDAD (Sp): SLO HAY QUE TOMAR EL VALOR DEL NDICE ESTACIONAL CORRESPONDIENTE AL PERIODO DE ESTIMACIN (PASO 2.2) Period Index 1 2 3 4 1.03798 0.88303 1.12448 0.95451

4. ESTIMACIN DEL CICLO: SE TOMA EL LTIMO VALOR DE LA COLUMNA DEL CICLO (SMOO 1) MINITAB= 0.978888 CALCULO DE PRONSTICOS ESTIMADO : MULTIPLICACION DE LOS 3 TENDENCIA*ESTACIONALIDAD*CICLO

1985.27*0.95451*0.978888= $ 1854.95 VENTAS PROMEDIO ESTIMADAS PARA 4 TRIMESTRE DEL 2011