Universidad de Oriente Núcleo Bolívar Escuela de Ciencias de la Tierra Cátedra: Estadística II

Profesora: Mariel Mora Bachiller: Ramos Josneidys CI: 21007738

Ciudad Bolívar, Marzo del 2012

Introducción
El análisis de series de tiempo desempeña un papel importante en el análisis requerido para el pronóstico de eventos futuros. Existen varias formas o métodos de calcular cual va a ser la tendencia del comportamiento del proceso en estudio. Toda institución, ya sea la familia, la empresa o el gobierno, tiene que hacer planes para el futuro si ha de sobrevivir y progresar. Hoy en día diversas instituciones requieren conocer el comportamiento futuro de ciertos fenómenos con el fin de planificar, prever o prevenir. La planificación racional exige prever los sucesos del futuro que probablemente vayan a ocurrir. La previsión, a su vez, se suele basar en lo que ha ocurrido en el pasado. En adelante se estudiará como construir un modelo para explicar la estructura y prever la evolución de una variable que observamos a lo largo del tiempo. Son innumerables las aplicaciones que se pueden citar, en distintas áreas del conocimiento, tales como, en economía, física, geofísica, química, electricidad, en demografía,

en marketing, en telecomunicaciones, en transporte, etc. Uno de los problemas que intenta resolver las series de tiempo es el de predicción. En adelante se estudiará como construir un modelo para explicar la estructura y prever la evolución de una variable que observamos a lo largo del tiempo. El objetivo del análisis de una serie de tiempo es el conocimiento de su patrón de comportamiento, para así poder prever su evolución en el futuro cercano, suponiendo por supuesto que las condiciones no variarán significativamente. Los pronósticos que se puedan realizar en base al análisis de este tipo de datos servirán para el desarrollo de nuevos planes para inversiones en agricultura por ejemplo, elaboración de nuevos productos por parte de las empresas, prevención de desastres por cambios en el clima, o captar turistas para la ciudad, etc.

El análisis de series temporales comprende métodos que ayudan a interpretar este tipo de datos. o las series pluviométricas. 30000 25000 20000 15000 10000 5000 0 0 1 2 3 4 5 6 Notación Existen diferentes notaciones empleadas para la representación matemática de una serie temporal: . medidos en determinados momentos del tiempo. de las acciones de bolsa. tanto referente a los orígenes o relaciones subyacentes como a la posibilidad de extrapolar y predecir su comportamiento futuro. Son estudiadas en estadística. uno de los usos más habituales de las series de datos temporales es su análisis para predicción y pronóstico. observaciones o valores. espaciados entre sí de manera uniforme. econometría y muchas otras áreas. Resulta difícil imaginar una rama de las ciencias en la que no aparezcan datos que puedan ser considerados como series temporales. Por ejemplo de los datos climáticos.Análisis de Series de Tiempo Una serie temporal o cronológica es una secuencia de datos. De hecho. procesamiento de señales. normalmente. extrayendo información representativa. ordenados cronológicamente y.

la tendencia de una serie de tiempo caracteriza el patrón gradual y consistente de las variaciones de la propia serie.Ésta es una de las comunes que representa una Serie de Tiempo X que es indexada por números naturales. en las características demográficas de la misma. en el nivel de educación y . Representación de una serie temporal Componentes de una serie de tiempo Tendencia (T): Movimiento a lo largo de los valores de la serie de tiempo durante un número prolongado de años. En términos intuitivos. en la salud. que se consideran consecuencias de fuerzas persistentes que afectan el crecimiento o la reducción de la misma. cambios en los ingresos. Tendencia secular: La tendencia secular o tendencia a largo plazo de una serie es por lo común el resultado de factores a largo plazo. tales como: cambios en la población. También estamos acostumbrados a ver: Representación de una Serie Temporal Par realizar la representación de una serie temporal se debe realizar mediante una gráfica de dispersión x-y como se muestra en la figura.

no se puede esperar predecir su impacto sobre la serie de tiempo. Variación cíclica (C): Movimientos recurrentes hacia arriba y hacia abajo con respecto a la tendencia y que tienen duración de varios años. recesión. esta variación se mantiene después de que se han eliminado las variaciones o tendencias estacional e irregular. Esta se debe a factores a corto plazo. mientras que los fabricantes de equipo para la nieve y ropa de abrigo esperan un comportamiento anual opuesto al del fabricante de albercas. b) Variaciones aleatorias o por casualidad.tecnología. Con frecuencia las series de tiempo presentan secuencias alternas de puntos abajo y arriba de la línea de tendencia que duran más de un año. cuyas causas no se pueden señalar en forma exacta. Variación estacional (E): Movimientos hacia arriba y hacia abajo con respecto a la tendencia y que no duran más de un año. depresión y recuperación. Las tendencias a largo plazo se ajustan a diversos esquemas. . Variación Irregular (I): Variaciones erráticas con respecto a la tendencia. que no pueden adjudicarse a efectos estacionales o cíclicos. Por ejemplo: Un fabricante de albercas inflables espera poca actividad de ventas durante los meses de otoño e invierno y tiene ventas máximas en los de primavera y verano. Esta variación corresponde a los movimientos de la serie que recurren año tras año en los mismos meses (o en los mismos trimestres) del año poco más o menos con la misma intensidad. imprevisibles y no recurrentes que afectan a la serie de tiempo. es impredecible. Un ejemplo de este tipo de variación son los ciclos comerciales cuyos períodos recurrentes dependen de la prosperidad. es decir. huelgas. y otras más permanecen igual en un cierto período o intervalo de tiempo. se llama componente estacional. El componente de la serie de tiempo que representa la variabilidad en los datos debida a influencias de las estaciones. Algunas se mueven continuamente hacía arriba. Como este componente explica la variabilidad aleatoria de la serie. Existen dos tipos de variación irregular: a) Las variaciones que son provocadas por acontecimientos especiales. las cuales no dependen de factores como el clima o las costumbres sociales. pero que tienden a equilibrarse a la larga. como las elecciones. inundaciones. fácilmente identificables. otras declinan. terremotos.

se puede encontrar algún patrón a lo largo del tiempo. por el contrario. pues sólo en este caso podremos seguir con el análisis. . como puede ser el de la figura: Representación de una serie temporal El siguiente paso consistirá en determinar si la secuencia de valores es completamente aleatoria o si.El valor observado de una serie de tiempo puede ser representado como: Y= T*E*C*I Modelado clásico de las series temporales El primer paso obligatorio para analizar una serie temporal es presentar un gráfico de la evolución de la variable a lo largo del tiempo.

como ventas. exportaciones y producción. En la figura vemos un ejemplo de una serie temporal en la que se aprecia la existencia de las componentes comentadas. variación estacional o periódica. Serie temporal con tendencia Análisis de Tendencia Tendencia lineal: Como se dijo antes. Esta línea de tendencia muestra que algo aumenta o disminuye a un ritmo constante. y fundamentalmente se basa en descomponer las series en varias partes: tendencia. El método que se utiliza para obtener la línea recta de mejor ajuste es el Método de Mínimos Cuadrados. La tendencia a largo plazo de muchas series de negocios (industriales y comerciales). . la tendencia de una serie viene dada por el movimiento general a largo plazo de la serie.La metodología tradicional para el estudio de series temporales es bastante sencilla de comprender. con frecuencia se aproxima a una línea recta. y otras fluctuaciones irregulares.

es común que esos análisis se lleven a cabo analizando datos anuales. El método de mínimos cuadrados es la base común que se utiliza para identificar el componente de tendencia de la serie de tiempo. la polinomial. Dentro de las tendencias no lineales que pueden presentarse en una serie se encuentran. determinando la ecuación que mejor se ajuste a la línea de tendencia. logarítmica. El análisis de tendencia se ocupa de la dirección del movimiento de la serie de tiempo a largo plazo. porque la variable dependiente Y no es una variable aleatorio. Utilizando X para representar el año. las fórmulas para determinar los valores de bo y b1 en la ecuación de la línea de tendencia son: ∑ ∑ . exponencial y potencial. siendo la ecuación de la línea de tendencia utilizando X para representar el año es: Donde: bo representa el punto de intersección de la línea de tendencia con el eje Y b1 representa la pendiente de la línea de tendencia. Cuando existe un aumento o disminución a largo plazo se sigue una tendencia lineal. sino un valor histórico acumulado. La línea de tendencia no es una línea de regresión.Tendencia no lineal: Cuando la serie de tiempo presenta un comportamiento curvilíneo se dice que este comportamiento es no lineal. entre otras. Y para el valor observado de la serie de tiempo.

 Otra serie temporal con tendencia (menos pronunciada) Los medios más utilizados para detectar y eliminar la tendencia de una serie se basan en la aplicación de filtros a los datos. Entre esos filtros encontramos las medias móviles.La primera idea sobre la presencia de tendencia en la serie la obtendremos en su representación gráfica. Aplicar el método de medias móviles para el pronóstico de ventas de gasolina a partir de la siguiente información: Se considerará el promedio móvil a partir de las tres observaciones más recientes. Se mostrará este método con los siguientes ejemplos: Ejemplo 1. En este caso se utilizará la siguiente ecuación: ∑ . Un filtro no es más que una función matemática que aplicada a los valores de la serie produce una nueva serie con unas características determinadas. en la siguiente imagen sigue habiendo tendencia pero ya no es tan marcada. Por ejemplo. Una media móvil se calcula para cada punto como un promedio del mismo número de valores a cada lado de ese punto. pero no siempre estará tan clara como en la figura anterior.

se tiene: Semana Valor de la serie de tiempo (miles Pronóstico de la i-ésima semana con de galones) 1 2 3 17 21 19 (17+21+19)/3=19 (21+19+23)/3=21 medias móviles . por ejemplo: En el caso de determinar el promedio móvil para tres observaciones adyacentes de la tabla anterior.Resumen de cálculos para promedios móviles de tres semanas Semana Valor de la serie de tiempo (miles Pronóstico de la i-ésima semana con de galones) 1 2 3 4 5 6 7 8 9 10 11 12 17 21 19 23 18 16 20 18 22 20 15 22 (17+21+19)/3=19 (21+19+23)/3=21 (19+23+18)/3=20 19 18 18 20 20 19 medias móviles Las medias móviles también se pueden construir tomando en cuenta valores adyacentes de las observaciones.

se basa en aplicar diferencias a la serie hasta convertirla en estacionaria. como ajuste de polinomios. Una diferencia de primer orden se obtiene restando dos valores contiguos.4 5 6 7 8 9 10 11 12 23 18 16 20 18 22 20 15 22 (19+23+18)/3=20 (23+18+16)/3=19 18 18 19 19 20 20 Existen otros procedimientos para extraer le tendencia. que es particularmente útil para eliminar la tendencia. se obtiene las siguientes series: Descomposición de una serie temporal en sus componentes . alisado mediante funciones exponenciales. Una vez que se aplica un proceso clásico de descomposición mediante un procedimiento de medias móviles a los datos de la figura. etc. restando los nuevos valores consecutivos obtenemos una nueva serie más suavizada. Si volvemos a diferenciar esa serie. Una clase de filtro.

(x2. se puede calcular un error estándar y por tanto un intervalo de confianza para el coeficiente de autocorrelación. x2). La función de correlación mide la correlación entre los valores de la serie distanciados un lapso de tiempo k. x4). calcularemos el coeficiente de autocorrelación de orden k. Al igual que para el coeficiente de correlación lineal simple. Análogamente se pueden formar parejas con puntos separados por una distancia 2. dada una secuencia temporal de N observaciones x1…xn. en la que se marcan los intervalos de confianza para ayudar a detectar los valores significativos y cuya posición en el eje X nos indicará la probable presencia de un factor de estacionalidad para ese valor de retardo.… (xn-1. y calcular el nuevo coeficiente de autocorrelación de orden 2. etc. La función de autocorrelación es el conjunto de coeficientes de autocorrelación rk desde 1 hasta un máximo que no puede exceder la mitad de los valores observados. Es decir que el coeficiente de autocorrelación para un retardo igual al periodo estacional debe ser significativamente diferente de 0.Para analizar la estacionalidad de una serie introduciremos un nuevo concepto: la función de autocorrelación. si preparamos parejas con puntos separados una distancia k. En el coeficiente de autocorrelación parcial de orden k. . Relacionada con la función de autocorrelación tenemos la función de autocorrelación parcial. los valores separados entre sí por intervalos iguales al periodo estacional deben estar correlacionados de alguna forma. De igual forma. y es de gran importancia para estudiar la estacionalidad de la serie. ya que si esta existe. se calcula la correlación entre parejas de valores separados esa distancia pero eliminando el efecto debido a la correlación producida por retardos anteriores a k. es decir (x1. podemos formar N-1 parejas de observaciones contiguas (x1. xn) y calcular el coeficiente de correlación de estas parejas. En la figura vemos una gráfica típica de la función de autocorrelación parcial. De forma general. x3). (x2. x3). A este coeficiente lo denominaremos coeficiente de autocorrelación de orden 1 y lo denotamos como r1.

el valor reciente de la serie de tiempo se pondera con α.. después de lo cual se suman todos los valores ponderados para determinar el pronóstico: Ŷt-1= Yt + Yt-1 + Yt-2 +.α).Función de autocorrelación parcial LA SUAVIZACIÓN EXPONENCIAL COMO MÉTODO DE PRONÓSTICO La suavización exponencial es un método de pronóstico basado en el uso de promedios ponderados.. + Yt-k Donde: .. Suavizamiento exponencial simple Si a es una constante de suavización. y así sucesivamente. La base de ponderación es exponencial porque se concede la mayor ponderación al valor correspondiente al periodo inmediatamente anterior al periodo de pronóstico y las ponderaciones decrecen exponencialmente para los valores de datos de periodos anteriores.α)2. el Siguiente valor con α(l . el siguiente valor más reciente se pondera con α(l ..

2: Galones/semana Semana (t) 1 2 3 4 5 6 7 8 9 10 11 12 Valor (Yi) 17 21 19 23 18 16 20 18 22 20 15 22 Pronóstico Ft F1 = Y1 = 17. α =constante de suavización.61 F9 = Y8 + (1-) F8 = 18. (0≤α≤1) Yt=valor real para el periodo más reciente.35 F12 = Y11 + (1-) F11 = 18.00 F3 = Y2+ (1-) F2 = 17.03 F6 = Y5 + (1-) F5 = 18.26 F8 = Y7 + (1-) F7 = 18. Ŷt= pronóstico para el periodo más reciente. Yt-1 = valor real para el periodo anterior al más reciente. La fórmula para la determinación de pronóstico por medio del método simplificado de suavización exponencial es: Ŷt-1= Ŷt + α (Yt – Ŷt) Donde Ŷt-1= pronóstico para el siguiente periodo. utilizando como constante de suavizamiento = 0.19 F11 = Y10 + (1-) F10 = 19. a =constante de suavización.48 .83 F7 = Y6 + (1-) F6 = 18.Ŷt-1= pronóstico para el siguiente periodo.49 F10 = Y9 + (1-) F9 = 19. para el que se requiere de un pronóstico "semilla" inicial pero no de la determinación de ponderaciones.80 F4 = Y3 + (1-) F3 = 18.04 F5 = Y4 + (1-) F4 = 19. retomamos el ejemplo de la gasolina.00 F2 = F1 =17. Yt-k = valor real para los k periodos anteriores al más reciente. Por lo general se usa un procedimiento simplificado. Para mostrar el método de suavizamiento exponencial. Aunque la fórmula anterior sirve para exponer el razonamiento de la suavización exponencial. (0≤a≤1) Yt =valor real para el periodo más reciente. su uso es sumamente impráctico.

4 7.9 1.7 4. determine el pronóstico para cada monto de ventas anuales con el método de suavización exponencial simple.1 23 85. EN MILLOLES DE DOLÁRES 0.5 7.80 y después una constante de suavización de α = 0.2 0.9 2.4) =1.08 = 1.4 0.7 1.EJEMPLO: Usando el nivel real de ventas de 1994 de 1.20.3 1.1 + 0. y compare los dos conjuntos de pronósticos.2 0 1 4 9 16 25 36 49 64 81 100 385 XY X2 TOTAL 55 Por ejemplo.1 + 0.3 12. AÑO AÑO CODIFICADO (X) 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 0 1 2 3 4 5 6 7 8 9 10 VENTAS.20 (0.5 0.90 0 0.5 1.1 millones de dólares como el pronóstico “semilla” para 1995.6 17.4 1 2.1 1.8 7. Use primero una constante de suavización de α = 0.20 se determinó de la siguiente manera: Ŷt+1= Ŷt + α (Yt – Ŷt) Ŷ1996 = Ŷ1995 + α (Y1995 – Ŷ1995) =$1.2 .18≈ $1.7 13. el monto pronosticado para 1996 con base en a = 0.1 1.

5 1.3 1.5 1.2 1.1 0. Algunos de estos métodos son: _ Suavización exponencial lineal _ Suavización exponencial de Holt .6 0.2 0.VENTAS.4 1.3 1.1 1.6 1.6 OTROS MÉTODOS DE PRONÓSTICO POR SUAVIZACIÓN Para métodos de pronóstico más complejos.2 0.8 2.9 1.7 1.2 0.3 1.1 0.1 -0.9 1.20 α= 0.12 -0.5 2001 1.1 0.4 1996 1997 1998 1.1 -0.3 0. EN AÑO (t) MILLONES DE DÓLARES (Yt) α= 0.2 1.6 1999 1. se incorporan más influencias y permiten obtener pronósticos para varios periodos futuros.4 0.80 Pronóstico (Ŷ t) Error de pronóstico (Yt –Ŷ t) Pronóstico (Ŷ t) Error de pronóstico (Yt–Ŷ t) 1995 1.4 1.3 2000 2.

los valores de ponderan exponencialmente con base en una constante de suavización. SUAVIZACIÓN EXPONENCIAL DE HOLT Usa una ecuación de tendencia lineal basada en el empleo de dos constantes de suavización: una para estimar el nivel actual de los valores de la serie de tiempo y otra para estimar la pendiente. MODELOS AUTORREGRESIVOS INTEGRADOS Y DE PROMEDIO MÓVIL (ARIMA) Categoría de métodos de pronóstico en los que valores previamente observados en la serie de tiempo se usan como variables independientes en modelos de regresión. la segunda para estimar la pendiente de la línea de tendencia y la tercera para estimar el factor estacional por emplear como multiplicador. y hace uso explícito de la existencia de auto correlación en las series de tiempo._ Suavización exponencial de Winter _ Modelos autorregresivos integrados y de promedio móvil (ARIMA) SUAVIZACIÓN EXPONENCIAL LINEAL Usa una ecuación de tendencia lineal basad en los datos de la serie de tiempo. . Método Box . hace uso de tres constantes de suavización: una para estimar el nivel actual de los valores de series de tiempo.Jenkins Es el método de más amplio uso. SUAVIZACIÓN EXPONENCIAL DE WINTER Incorpora influencias estacionales en el pronóstico.

caracterizados por diferentes fases sucesivas recurrentes. El componente cíclico puede determinarse dividiendo los valores observados entre el valor correspondiente de la tendencia de la siguiente manera: . que no se encuentran ceñidas a lapsos fijos y que son susceptibles de medición. Los valores anuales de una serie de tiempo representan únicamente efectos de los componentes de tendencia y cíclicos. de expansión y contracción. porque ya están definidos los componentes estacional e irregular a corto plazo.Análisis de variaciones o fluctuaciones cíclicas Las fluctuaciones cíclicas son movimientos oscilatorios alrededor de una tendencia. de mayor o menor amplitud.

es importante para la planeación de producción e inventario. Se representa simbólicamente: 2. calculando la Media Modificada 3. Promediar el componente irregular: Enlistando los diversos cocientes aplicables al mismo mes (o trimestre) de varios años. La media aritmética de los 12 números índice mensuales (o de los cuatro números índice trimestrales) es 100. Determinar el cociente de cada valor mensual. La identificación de influencias estacionales positivas y negativas. en relación con el promedio móvil centrado en ese mes. . Ajustar los cocientes medios modificados con un factor de corrección tal que la suma de los doce cocientes mensuales sea de 1200. PROCEDIMENTO PARA DETERMINAR NUMEROS INDICES ESTACIONALES: METODO DEL COCIENTE DEL PROMEDIO MOVIL 1.MEDICION DE VARIACIONES ESTACIONALES La influencia del componente estacional sobre los valores de series de tiempo se identifica determinando el número índice estacional asociado con cada mes (o trimestre) del año.

se ajustan respecto de la influencia estacional: 1. Los valores de serie de tiempo mensuales. de un proyecto.APLICACIÓN DE AJUSTES ESTACIONALES Los ajustes estacionales son particularmente pertinentes cuando se desea comparar datos de diferentes meses. se puede clasificar en: 1. Entonces tenemos que los pronósticos son procesos críticos y continuos que se necesitan para obtener buenos resultados durante la planificación. Se les llama “datos con ajuste estacional o datos desestacionalizados”. Si los clasificamos respecto al tiempo que abarcan. este tipo de pronóstico se efectúa cada mes o menos. y su tiempo de planeación tiene vigencia de un año. y generalmente se refiere a la estimación de series temporales o datos instantáneos. . y planificación de los departamentos de fabricación. Pronósticos a corto plazo: En las empresas modernas. para determinar si ha tenido lugar un incremento (o decremento) en relación con las expectativas estacionales. El resultado se multiplica por 100. El término predicción es similar. El pronóstico ha evolucionado hacia la práctica del plan de demanda en el pronóstico diario de los negocios. (Son valores relativos) Pronósticos Pronóstico es el proceso de estimación en situaciones de incertidumbre. producción. Se utiliza para programas de abastecimiento. La práctica del plan de demanda también se refiere al pronóstico de la cadena de suministros. pero más general. asignación de mano de obra a las plantillas de trabajadores. Dividiendo cada valor entre el índice mensual de ese mes. 2.

procesos y productos. es el componente cíclico de las series de tiempo. Multiplicarlo por el índice estacional del periodo de pronóstico. 2. ECUACION DE LA LÍNEA DE TENDENCIA: [ ][ ] [ ][ ] . 3. así como en la preparación de proyectos. Ajustarlo respecto del componente estacional ESTACIONAL 1. Desestacionalizar el valor observado más reciente y 2. Emplear el valor de tendencia proyectado como base del pronóstico. El tiempo de duración es de tres años o más. producción. lanzamiento de nuevos productos y tendencias tecnológicas de materiales. Pronósticos a largo plazo: Este tipo de pronóstico se utiliza en la planificación de nuevas inversiones. PRONOSTICOS BASADOS EN FACTORES DE TENDENCIA Y ESTACIONALES Una consideración particularmente importante en los pronósticos a largo plazo. (La diferencia entre los dos periodos será la atribuible a la influencia estacional). flujos de efectivo y elaboración de presupuestos. METODOS PARA PRONOSTICOS A CORTO PLAZO: TENDENCIA 1.2. Pronósticos a mediano plazo: Abarca un lapso de seis meses a tres años. Este se utiliza para estimar planes de ventas.

. ECUACIÓN DE TENDENCIA MODIFICADA PARA OBTENER VALORES MENSUALES: [ ] [ ] PRONOSTICOS CICLICOS E INDICADORES ECONOMICOS • Los pronósticos basados en los componentes de tendencia y estacional de una serie de tiempo son apenas el punto de partida de los pronósticos económicos.Los valores de tendencia se asocian con periodos y no con puntos temporales. • La primera razón es la necesidad de considerar el probable efecto del componente cíclico durante el periodo de pronóstico. el punto base del año anteriormente codificado como X = 0. Pronósticos a corto plazo. (b0. se ubicará en el punto medio del año. b1 y X) Para efecto de la transformación a datos mensuales. por lo que deben reducirse los tres elementos de la ecuación de tendencia anual. • La segunda es la importancia de identificar los factores causales específicos que han influido en las variables de series de tiempo. • Suele suponerse que el efecto del componente cíclico es el mismo que se ha incluido en los valores recientes de la serie de tiempo.

Indicadores líder: han llegado habitualmente a puntos de cambio de ciclo antes del cambio correspondiente en la actividad económica general. -El valor de nuevos pedidos de bienes de consumo y materiales -Índice común de precios de las acciones. respecto del ciclo económico general. -La tasa de empleo -El índice de producción industrial.• Cuando se trata de periodos más prolongados. Indicadores rezagados: es el integrado por series de tiempo cuyas cumbres y valles suelen retardarse en comparación con las del ciclo económico general. -Las horas semanales promedio laboradas en manufactura. las ventas industriales de automóviles han coincidido estrechamente con el ciclo económico general de las economías nacionales. en cuanto al factor cíclico. o incluso de periodos cortos en épocas de inestabilidad económica. Por el contrario. El Instituto Nacional de Investigación Económica (NBER) de Estados Unidos ha identificado y dado a conocer series de tiempo históricamente indicadoras de expansiones y recesiones cíclicas respecto del ciclo económico general. • Las variaciones cíclicas asociadas con un producto en particular pueden coincidir o no con el ciclo económico general. Históricamente. es importante identificar los puntos de cambio de ciclo de la economía nacional. Indicadores coincidentes: está compuesto por series de tiempo cuyos puntos de cambio han coincidido usualmente con el ciclo económico general. las ventas de autopartes han sido comúnmente opuestas. EJEMPLO. .

∑ A medida que se dispone del nuevo valor de un dato de una serie de tiempo. Áreas que demandan especial atención. Además de considerar el efecto de las fluctuaciones cíclicas y de pronosticar tales fluctuaciones. lo que explica el motivo de que se llame promedio móvil. la nueva observación remplaza a la antigua en la serie de n valores como base para determinar el nuevo promedio.-Los inventarios de manufactura y comerciales y la tasa preferencial promedio que cobran los bancos. El promedio móvil puede servir para: . . Los análisis históricos Las posibles implicaciones de nuevos productos y de cambios en el ámbito de la comercialización. PRONÓSTICOS BASADOS EN PROMEDIOS MÓVILES Un promedio móvil es el promedio de los n valores de datos más recientes de una serie de tiempo.Los análisis de regresión y correlación son particularmente aplicables a tales estudios * Relación entre estrategia de precios y volumen de ventas. también: deben estudiarse las variables causales específicas que han influido históricamente en los valores de series de tiempo.

9X Los valores pronosticados con base en la ecuación de tendencia trimestral y después ajustados con los índices estaciónales trimestrales son: [ [ ] ] • Primer trimestre.2 + 11. este procedimiento sirve sencillamente para promediar el componente irregular de los datos recientes de una serie de tiempo. pero no los de datos de periodos más distantes a futuro. • Segundo trimestre. Pronostique el nivel de ventas trimestrales para cada trimestre de 2001 con base en la ecuación de tendencia trimestral y en los índices estaciónales. Así.-Pronosticar los valores de datos del siguiente periodo de la serie de tiempo. situación por demás improbable. [ ] Cálculo de los índices estaciónales para los datos trimestrales . -Es un método adecuado de pronóstico cuando en los datos no está presente la influencia de una tendencia. YT (trimestralmente) = 37. cíclica o estacional. [ ] • Cuarto trimestre. • Tercer trimestre.

5 112.5 63.6 146.3 106.7 116.8 85.8 395.0116.4 media x 1.5 111.2 134.5 64.0 87.0 86.0116* 134.1 87.6 86.2 58.8 126.9 modificada 1 32.3 70.7 122.2 114.6 *Factor de ajuste=400/395.3 136.7 76.4= 1.1 399.4 127. .2 64.Índice estacional: Media Trimestre 1995 1996 1997 1998 1999 2000 1 2 3 4 67.0 50.9 110.8 103.

. Estos son: 1. variación estacional. El gráfico de la serie permitirá: detectar tendencias. se obtienen tendencias más suaves. Si tenemos más observaciones que se puedan promediar. Se llama Serie de Tiempo. mensualmente. Existen tres modelos de series de tiempos. esto no siempre es fácil.Un modelo clásico para una serie de tiempo. esta nos permitirá conocer los valores perdidos tanto al inicio como al final del proceso de búsqueda de la línea de tendencia. Esto nos permite detectar las componentes esenciales de la serie. por ejemplo a cada hora. Con el procedimiento de medias móviles siempre es posible elegir el número de observaciones que se deben tomar para el promedio. Si se determina la función matemática de la tendencia lineal. etc. Aditivo: X(t) = T(t) + E(t) + A(t) 2.Conclusión Las series temporales pueden servir para predecir acontecimientos futuros en base a ciertos comportamientos de determinadas variables. que es el orden de la media móvil. El análisis de series de tiempo según la tendencia es válido si es que no se dan otros factores que puedan influenciar de manera significativa la tendencia de ocurrencia de los datos. puede ser expresada como suma o producto de tres componentes: tendencia . Multiplicativo: X(t) = T(t) · E(t) · A(t) 3. por el contrario perdemos información sobre los valores iniciales y finales de la tendencia estimada. semestralmente. Al analizar una serie de tiempo.. trimestralmente. Este hecho no debe hacernos olvidar que aunque hemos mejorado la tendencia con el suavizado. variaciones irregulares (o componente aleatoria).estacional y un término de error aleatorio. lo primero que se debe hacer es graficar la serie. Mixto: X(t) = T(t) · E(t) + A(t) . a un conjunto de experimento registradas mediciones de cierto fenómeno o secuencialmente en el tiempo.

se supone que la componente estacional no está presente. Para estimar la estacionalidad se requiere haber decidido el modelo a utilizar (mixto o aditivo). Los métodos revisados en este apunte son de naturaleza descriptiva. por lo que el juicio y el conocimiento del fenómeno juegan un rol importante en la selección del modelo.Con el fin de obtener un modelo. . Una vez estimada la tendencia y la estacionalidad se está en condiciones de predecir. La estimación se logra al ajustar a una función de tiempo a un polinomio o suavizamiento de la serie a través de los promedios móviles. Para estimar la tendencia. es necesario estimar la tendencia y la estacionalidad. Los métodos clásicos tienen la desventaja que se adaptan a través del tiempo lo que implica que el modelo de estimación debe volver a iniciarse frente al conocimiento de un nuevo dato.

co.upiicsa.wikipedia.Bibliografía File:///C:Users/Usuario/Downloads/Series%20de%20tiempo%20%20monografías.org/wiki/pronóstico_(estadística books.seh-lelha.wikipedia.org/tseries.org/wiki/serie_temporal www.wikipedia.sepi.ipn.google.pdf es.htm es.mx/mdid/anasetie.org/wiki/fluctuaciones_cíclicas www.ve .htm Es.com.

Sign up to vote on this title
UsefulNot useful