Series de Tiempo

Wilson Sandoval Rodriguez

2023-01-14

Series de tiempo

La metodología de es una herramienta estadística que pretende estudiar un mismo fenómeno cuantitativo a través del tiempo con la finalidad de poder obtener pronósticos de forma asertiva.

Esta metodología se utiliza ampliamente en los negocios, las ciencias sociales, las ciencias biológicas, y en muchas otras disciplinas.

  • Economía y Marketing
    • Proyecciones del empleo y desempleo.
    • Evolución del índice de precios de la leche.
    • Beneficios netos mensuales de cierta entidad bancaria.
    • Índices del precio del petróleo.

economia

Created with Highcharts 9.3.1IPCSeries 120002002200420062008201020122014201620182020-0.00500.0050.010.0150.020.025

Descomposición de la serie

Created with Highcharts 9.3.1dataseasonaltrendremainder20002002200420062008201020122014201620182020-0.02500.025-0.0100.0100.010.02-0.0100.01

JanFebMarAprMayJunJulAugSepOctNovDec00.010.02200020052010201500.010.02JanFebMarAprMayJunJulAugSepOctNovDec00.010.02
20002001200220032004200520062007200820092010201120122013201420152016201720182019JanFebMarAprMayJunJulAugSepOctNovDecSeasonality Plot - inflaBy Frequency CycleBy Frequency UnitBy Frequency Unit

JanFebMarAprMayJunJulAugSepOctNovDec−0.00500.0050.012000200520102015−0.00500.0050.01JanFebMarAprMayJunJulAugSepOctNovDec−0.00500.0050.01
20002001200220032004200520062007200820092010201120122013201420152016201720182019JanFebMarAprMayJunJulAugSepOctNovDecSeasonal Plot - Ventas en Volumen (sin tendencia)By Frequency CycleBy Frequency UnitBy Frequency Unit

Created with Highcharts 9.3.1Aug '22Sep '22Oct '22Nov '22Dec '22Jan '23Sep '22Nov '22Jan '23125130135140145150155ZoomView 1 month1mView 3 months3mView 6 months6mView year to dateYTDView 1 year1yView allAllJul 19, 2022Jan 13, 2023

2000200520102015JanFebMarAprMayJunJulAugSepOctNovDec
00.010.02Heatmap - inflaYearMonth

Análisis de correlación

00.5101200.5
Seasonal Lag 12Non-Seasonalinfla ACF and PACF PlotsLagACFPACF

00.010.0200.010.0200.010.0200.010.0200.010.0200.010.0200.010.02
infla - Series (Y axis) vs. Lags (X axis)Lag 1Lag 2Lag 3Lag 4Lag 5Lag 6Lag 7Lag 8Lag 9Lag 10Lag 11Lag 12

Created with Highcharts 9.3.1PronósticoARIMA(2,1,1)(0,1,0)[12]ARIMA(2,1,1)(0,1,0)[12]19501952195419561958196019620200400600800

  • Demografía
    • Número de habitantes por año.
    • Tasa de mortalidad infantil por año.

Demografia

  • Medioambiente

    • Evolución horaria de niveles de óxido de azufre y de niveles de óxido de nitrógeno en una ciudad durante una serie de años.
    • Lluvia recogida diariamente en una localidad.
    • Temperatura media mensual.
    • Medición diaria del contenido en residuos tóxicos en un río.

Demografia

Series de Tiempo Univariadas

  • objetivo: Aprender y aplicar métodos estadísticos para el análisis de los datos que se han observado a lo largo del tiempo.

    Los temas:

    • Modelado de datos de series temporales univariantes con modelos autorregresivos y de media móvil (denominados modelos ARIMA, a veces llamados modelos Box Jenkins).

    • Herramientas para la identificación del modelo, la estimación del modelo y la evaluación de la idoneidad del modelo.

    • Usar un modelo para pronosticar y determinar intervalos de predicción para pronósticos.

Series de Tiempo Multivariadas

  • Introducción a las series de tiempo multivariadas

  • Modelos SARIMAX

  • Modelo VAR

  • Modelo VEC

  • Datos Tipo Panel

  • Describir las características importantes del patrón de series de tiempo.

  • Explicar cómo el pasado afecta el futuro o cómo dos series temporales pueden “interactuar”.

  • Para pronosticar valores futuros de la serie.

  • Posiblemente sirva como un estándar de control para una variable que mide la calidad del producto en algunas situaciones de fabricación.

Redes Neuronales

Demografia

Created with Highcharts 9.3.1Series de Tiempo Multivariadaslog(M1)log(GNP)rsrl195519601965197019751980198566.256.578900.200.10.2

ibm

Algunos trabajos en series de tiempo