Matemáticas. Series de tempo
|
Ano | t | t2 | Inmigrantes (ut) | t*ut |
2007 | 1 | 1 | 26.386 | 26.386 |
2008 | 2 | 4 | 22.165 | 44.330 |
2009 | 3 | 9 | 15.135 | 45.405 |
2010 | 4 | 16 | 13.878 | 55.512 |
2011 | 5 | 25 | 13.847 | 69.235 |
2012 | 6 | 36 | 10.322 | 61.932 |
2013 | 7 | 49 | 9.268 | 64.876 |
2014 | 8 | 64 | 10.377 | 83.016 |
2015 | 9 | 81 | 12.094 | 108.846 |
2016 | 10 | 100 | 15.736 | 157.360 |
2017 | 11 | 121 | 19.078 | 209.858 |
2018 | 12 | 144 | 24.183 | 290.196 |
2019 | 13 | 169 | 26.932 | 350.116 |
n=13 (anos) | St=91 | St2=819 | Sut=219.401 | St*ut=1.567.068 |
Polo tanto:
O axuste linear da tendencia ven dado por: f(t) = 15.674,7 + 171,8t
Determinación dos parámetros para o axuste parabólico da tendencia
A fórmula do axuste lineal da tendencia polo método dos mínimos cadrados pode xeneralizarse para os modelos polinómicos de calquera grado. En particular para os polinomios de segundo grado os coeficientes veñen dados por:
Se queres ver todos os pasos de como obter os coeficientes do axuste parabólico podes pinchar na seguinte ligazón
Exemplo : No exemplo do número de inmigrantes que chegaron a Galicia procedentes do estranxeiro o axuste parabólico da serie calcúlase do seguinte xeito:
Ano | t | t2 | t3 | t4 | Inmigrantes (ut) | t*ut | t2*ut |
2007 | 1 | 1 | 1 | 1 | 26.386 | 26.386 | 26.386 |
2008 | 2 | 4 | 8 | 16 | 22.165 | 44.330 | 88.660 |
2009 | 3 | 9 | 27 | 81 | 15.135 | 45.405 | 136.215 |
2010 | 4 | 16 | 64 | 256 | 13.878 | 55.512 | 222.048 |
2011 | 5 | 25 | 125 | 625 | 13.847 | 69.235 | 346.175 |
2012 | 6 | 36 | 216 | 1.296 | 10.322 | 61.932 | 371.592 |
2013 | 7 | 49 | 343 | 2.401 | 9.268 | 64.876 | 454.132 |
2014 | 8 | 64 | 512 | 4.096 | 10.377 | 83.016 | 664.128 |
2015 | 9 | 81 | 729 | 6.561 | 12.094 | 108.846 | 979.614 |
2016 | 10 | 100 | 1.000 | 10.000 | 15.736 | 157.360 | 1.573.600 |
2017 | 11 | 121 | 1.331 | 14.641 | 19.078 | 209.858 | 2.308.438 |
2018 | 12 | 144 | 1.728 | 20.736 | 24.183 | 290.196 | 3.482.352 |
2019 | 13 | 169 | 2.197 | 28.561 | 26.932 | 350.116 | 4.551.508 |
n=13 (anos) | St=91 | St2=819 | St3=8.281 | St4=89.271 | Sut=219.401 | St*ut=1.567.068 | St2*ut=15.204.848 |
Entón o axuste parabólico da tendencia da serie é: f(t) = 32.194,4 - 6436,1t + 472 t2
Nas seguintes gráficas pódese observar como ao aumentar o grado do polinomio o axuste parece aproximarse mellor aos datos da serie.
O método das medias móbiles consiste en promediar cada valor da serie temporal cos valores contiguos mediante unha media aritmética. O número de datos a promediar determínase en función do período (p) de oscilacións máis importante que mostra a serie. A serie dos datos así obtida proporciona a tendencia da serie e ten unha distribución con menor dispersión ca serie orixinal.
¿Cómo se calculan as médias móbiles de orden p?Exemplo: cálculo das medias móbiles de orden 4 para a produción de vehículos automóbiles na comunidade galega.
2010 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | |
I Trimestre | 116.061 | 102.259 | 85.750 | 105.949 | 110.238 | 110.069 | 116.617 | 112.393 | 109.397 | 101.371 |
II Trimestre | 95.813 | 103.022 | 63.030 | 119.118 | 99.463 | 118.856 | 124.374 | 123.955 | 127.267 | 99.443 |
III Trimestre | 89.690 | 65.231 | 72.637 | 94.455 | 85.053 | 89.765 | 94.885 | 97.829 | 71.178 | 87.952 |
IV Trimestre | 95.648 | 85.283 | 75.971 | 87.642 | 84.360 | 88.403 | 88.097 | 102.853 | 90.235 | 117.912 |
Esta serie ten estacionalidade trimestral, polo que se considera p=4. Como p é par, primeiro calcúlanse as medias móbiles de orden p-1=3 e p+1=5.
Por exemplo, para o segundo trimestre de 2010 a media móbil de orden 3 calcúlase como a media aritmética do primeiro, segundo e terceiro trimestre de 2010, é dicir como (116.061 + 95.813 + 89.690)/3 = 100.521. Analogamente para o terceiro trimestre de 2010 a media móbil de orden tres viría dada por (95.813 + 89.690 + 95.648)/3 = 93.717. Operando de maneira similar para todo o período considerado, obtéñense as seguintes medias móbiles de orden 3:
Medias móbiles de orden 3
2010 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | |
I Trimestre | - | 100.310 | 78.021 | 100.346 | 99.114 | 104.428 | 109.798 | 108.148 | 113.172 | 97.016 |
II Trimestre | 100.521 | 90.171 | 73.806 | 106.507 | 98.251 | 106.230 | 111.959 | 111.392 | 102.614 | 96.255 |
III Trimestre | 93.717 | 84.512 | 70.546 | 100.405 | 89.625 | 99.008 | 102.452 | 108.212 | 96.227 | 101.769 |
IV Trimestre | 95.866 | 78.755 | 84.852 | 97.445 | 93.161 | 98.262 | 98.458 | 103.360 | 87.595 | - |
De xeito análogo a como se calcularon as medias móbiles de orden 3 calcúlanse as de orden 5. Por exemplo, para o terceiro trimestre de 2010 esta calcularíase como: (116.061 + 95.813 + 89.690 + 95.648 + 102.259)/5 = 99.894
Medias móbiles de orden 5
2010 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | |
I Trimestre | - | 91.170 | 74.386 | 93.626 | 95.370 | 97.621 | 102.809 | 103.432 | 101.705 | 90.036 |
II Trimestre | - | 90.289 | 76.534 | 96.627 | 93.351 | 98.291 | 102.475 | 105.025 | 100.186 | 99.383 |
III Trimestre | 99.894 | 88.309 | 80.667 | 103.480 | 97.837 | 104.742 | 107.273 | 109.285 | 99.890 | - |
IV Trimestre | 97.286 | 80.463 | 87.341 | 102.183 | 99.560 | 107.603 | 108.741 | 112.260 | 97.899 | - |
Finalmente, para calcular as medias móbiles de orden 4 promédianse, para cada trimestre, as correspondentes medias móbiles de orden 3 e de orden 5. Por exemplo, para o terceiro trimestre de 2010 a media móbil de orden 4 é: (93.717 + 99.894)/2 = 96.806.
Medias móbiles de orden 4
2010 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | |
I Trimestre | - | 95.740 | 76.204 | 96.986 | 97.242 | 101.024 | 106.303 | 105.790 | 107.439 | 93.526 |
II Trimestre | - | 90.230 | 75.170 | 101.567 | 95.801 | 102.260 | 107.217 | 108.209 | 101.400 | 97.819 |
III Trimestre | 96.806 | 86.411 | 75.607 | 101.943 | 93.731 | 101.875 | 104.863 | 107.749 | 98.058 | - |
IV Trimestre | 96.576 | 79.609 | 86.097 | 99.814 | 96.360 | 102.932 | 103.600 | 107.810 | 92.747 | - |
Na representación gráfica da serie resultante pódese observar como a serie das medias móbiles é máis suave que a serie orixinal.
As variacións estacionais son oscilacións que normalmente se producen cun período igual ou inferior ao ano e que son recoñecibles nos diferentes anos. Para estudar o movemento real ou tendencia dunha serie, é necesario eliminar previamente as flutuacións, ou variacións estacionais, presentes na serie e que encobren a evolución real do fenómeno.
Por simplicidade suporemos que a serie de datos é mensual. Denotarase por xij o dato da serie correspondente ao mes j (j=1,2,..., 12) do ano i (i=1,2, ..., n)
Os pasos a seguir son os seguintes:
Axustar as medias anuais dos datos (xi· ) a unha recta a+bi polo método dos mínimos cadrados. A pendente desta recta (b) representa o incremento dos valores medios anuais no transcurso dun ano. Polo tanto, supoñendo que o incremento anual se produce uniformemente ao longo de cada ano, b/12 é o incremento debido ao transcurso dun mes.
Como en xaneiro aínda non transcorreu ningún mes, a media mensual corrixida coincide coa media mensual. Porén, en Febreiro hai que descontarlle á media mensual a parte do efecto total do transcurso dun ano correspondente ao mes de xaneiro. É dicir, hai que restarlle á media orixinal a doceava parte do incremento anual (b/12). En marzo habería que restarlle dúas doceavas partes do incremento anual (2b/12) e así sucesivamente.
Calcular a media global corrixida (x'·· ) como a media aritmética das medias mensuais corrixidas.
Exemplo: na seguinte táboa móstranse os matrimonios que tiñan pensado fixar a súa residencia en Galicia nos últimos 8 anos con datos definitivos.
2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | |
Xaneiro | 288 | 241 | 279 | 294 | 289 | 334 | 286 | 314 |
Febreiro | 314 | 306 | 317 | 375 | 331 | 349 | 327 | 313 |
Marzo | 436 | 525 | 448 | 406 | 375 | 430 | 464 | 337 |
Abril | 590 | 563 | 473 | 467 | 490 | 621 | 625 | 371 |
Maio | 843 | 832 | 840 | 870 | 958 | 745 | 777 | 647 |
Xuño | 952 | 1.209 | 1.008 | 937 | 1.040 | 1.044 | 1.042 | 1.040 |
Xullo | 1.557 | 1.211 | 1.111 | 1.133 | 1.268 | 1.463 | 1.316 | 1.069 |
Agosto | 1.372 | 1.371 | 1.404 | 1.552 | 1.475 | 1.273 | 1.198 | 1.230 |
Setembro | 1.335 | 1.471 | 1.237 | 1.222 | 1.302 | 1.343 | 1.463 | 1.307 |
Outubro | 755 | 808 | 676 | 705 | 840 | 845 | 823 | 898 |
Novembro | 406 | 472 | 374 | 411 | 417 | 434 | 455 | 581 |
Decembro | 408 | 496 | 406 | 433 | 457 | 498 | 511 | 530 |
Medias anuais | 771 | 792 | 714 | 734 | 770 | 782 | 774 | 720 |
A continuación obterase a compoñente estacional polo método das relacións medias mensuais con respecto á tendencia.
Unha vez calculadas as medias anuais dos datos, o seguinte paso é axustalas a unha recta polo método dos mínimos cadrados.
i | i2 | Medias anuais (xi·) |
i*xi· | |
2011 | 1 | 1 | 771 | 771 |
2012 | 2 | 4 | 792 | 1.584 |
2013 | 3 | 9 | 714 | 2.143 |
2014 | 4 | 16 | 734 | 2.935 |
2015 | 5 | 25 | 770 | 3.851 |
2016 | 6 | 36 | 782 | 4.690 |
2017 | 7 | 49 | 774 | 5.417 |
2018 | 8 | 64 | 720 | 5.758 |
n=8 (anos) | Si=36 | Si2=204 | Sxi·=6.057 | Sixi·=27.150 |
Entón a recta de axuste é: 769 -3i
A continuación calcúlanse as medias mensuais dos datos e as correspondentes medias mensuais corrixidas:
Mes | j | media mensual (x·j ) |
media mensual corrixida (x'·j ) |
Compoñente estacional (modelo aditivo) |
Xaneiro | 1 | 291 | 291 | -468 |
Febreiro | 2 | 329 | 329 | -429 |
Marzo | 3 | 428 | 428 | -330 |
Abril | 4 | 525 | 526 | -233 |
Maio | 5 | 814 | 815 | 57 |
Xuño | 6 | 1.034 | 1.035 | 277 |
Xullo | 7 | 1.266 | 1.267 | 509 |
Agosto | 8 | 1.359 | 1.361 | 603 |
Setembro | 9 | 1.335 | 1.337 | 578 |
Outubro | 10 | 794 | 796 | 37 |
Novembro | 11 | 444 | 446 | -312 |
Decembro | 12 | 467 | 470 | -289 |
x'··= 758 |
Por exemplo, a media mensual para novembro calcúlase como: x·2 = 1/8(406 + 472 + 374 + 411 + 417 + 434 + 455 +581) = 444 e a media mensual corrixida como x'·2 = x·2 - (10/12)*b = 328 - (10/12)*(-3) = 446
Unha vez calculadas as medias mensuais corrixidas, a media global corrixida obtense como promedio das anteriores, é dicir: x'·· = 1/12 (291 + 329 + 428 + 526 + 815 + 1.035 + 1.267 + 1.361 + 1.337 + 796 + 446 + 470) = 758
Finalmente para cada mes, e supoñendo que o modelo é aditivo, calcúlase a compoñente estacional como a diferenza entre a correspondente media mensual corrixida e a media global corrixida. Por exemplo, para o mes de novembro a compoñente estacional ven dada por: si2= x·2 - x'·· = 446 - 758 = -312
A compoñente estacional que se mostra na gráfica anterior ten un marcado balance positivo nos meses de verán, sobre todo en agosto. Porén, os meses de inverno presentan unha compoñente estacional negativa moi forte, é dicir, son os meses nos que se celebra un menor número de matrimonios.
O método das medias móbiles para a análise da compoñente estacional consiste en:
Exemplo: neste exemplo calcularase a compoñente estacional da serie de matrimonios mediante o método das medias móbiles.
Como p=12 é un número par, primeiro hai que calcular as medias móbiles de orden p-1=11 e p+1=13.
Medias móbiles de orden 11
2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | |
Xaneiro | - | 723 | 726 | 677 | 710 | 729 | 719 | 679 |
Febreiro | - | 708 | 702 | 652 | 684 | 727 | 723 | 668 |
Marzo | - | 712 | 696 | 681 | 707 | 725 | 710 | 646 |
Abril | - | 777 | 735 | 731 | 761 | 771 | 766 | 690 |
Maio | - | 813 | 754 | 761 | 800 | 809 | 802 | 731 |
Xuño | 804 | 819 | 742 | 761 | 799 | 807 | 798 | 737 |
Xullo | 815 | 842 | 754 | 774 | 814 | 822 | 818 | 757 |
Agosto | 809 | 840 | 752 | 766 | 814 | 822 | 817 | - |
Setembro | 797 | 821 | 745 | 759 | 812 | 807 | 803 | - |
Outubro | 791 | 810 | 739 | 751 | 806 | 793 | 777 | - |
Novembro | 765 | 778 | 705 | 716 | 776 | 782 | 740 | - |
Decembro | 755 | 744 | 693 | 718 | 749 | 758 | 704 | - |
Medias móbiles de orden 13
2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | |
Xaneiro | - | 825 | 793 | 745 | 785 | 827 | 823 | 758 |
Febreiro | - | 810 | 808 | 779 | 811 | 827 | 802 | 752 |
Marzo | - | 818 | 797 | 765 | 792 | 817 | 817 | 760 |
Abril | - | 777 | 736 | 724 | 763 | 782 | 777 | 717 |
Maio | - | 756 | 703 | 704 | 741 | 750 | 747 | 698 |
Xuño | - | 763 | 698 | 709 | 744 | 757 | 753 | 704 |
Xullo | 731 | 753 | 682 | 700 | 737 | 743 | 739 | - |
Agosto | 732 | 758 | 689 | 702 | 741 | 743 | 741 | - |
Setembro | 748 | 769 | 696 | 702 | 749 | 752 | 741 | - |
Outubro | 758 | 765 | 698 | 709 | 768 | 767 | 734 | - |
Novembro | 777 | 787 | 728 | 747 | 787 | 779 | 736 | - |
Decembro | 805 | 800 | 736 | 760 | 794 | 802 | 756 | - |
Medias móbiles de orden 12
2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | |
Xaneiro | - | 774 | 759 | 711 | 747 | 778 | 771 | 719 |
Febreiro | - | 759 | 755 | 716 | 748 | 777 | 763 | 710 |
Marzo | - | 765 | 747 | 723 | 750 | 771 | 763 | 703 |
Abril | - | 777 | 736 | 727 | 762 | 776 | 772 | 703 |
Maio | - | 784 | 728 | 732 | 770 | 780 | 774 | 714 |
Xuño | - | 791 | 720 | 735 | 771 | 782 | 775 | 720 |
Xullo | 773 | 797 | 718 | 737 | 775 | 783 | 778 | - |
Agosto | 770 | 799 | 721 | 734 | 778 | 780 | 779 | - |
Setembro | 972 | 795 | 721 | 731 | 780 | 779 | 772 | - |
Outubro | 774 | 788 | 718 | 730 | 787 | 780 | 756 | - |
Novembro | 771 | 782 | 717 | 731 | 782 | 780 | 738 | - |
Decembro | 780 | 772 | 714 | 739 | 771 | 780 | 730 | - |
Unha vez calculadas as medias móbiles de orden p=12 e supoñendo que o modelo é aditivo, calcúlanse a estimación da compoñente estacional como: s·j = x·j - E·j
Por exemplo, para o mes de xaneiro x·1 = 1/8(288 + 241 + 279 + 294 + 289 + 334 + 286 + 314) = 291 e E·1 = 1/7(774 + 759 + 711 + 747 + 778 + 771 + 719) = 751, polo que s·1 = 291 - 751 = -461
Media mensual x·j |
E·j | s·j | |
Xaneiro | 291 | 751 | -461 |
Febreiro | 329 | 747 | -418 |
Marzo | 428 | 746 | -318 |
Abril | 525 | 750 | -225 |
Maio | 814 | 755 | 59 |
Xuño | 1.034 | 756 | 278 |
Xullo | 1.266 | 766 | 500 |
Agosto | 1.359 | 766 | 594 |
Setembro | 1.335 | 764 | 571 |
Outubro | 794 | 762 | 32 |
Novembro | 444 | 757 | -314 |
Decembro | 467 | 755 | -288 |