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.

econometría y muchas otras áreas.Análisis de Series de Tiempo Una serie temporal o cronológica es una secuencia de datos. de las acciones de bolsa. procesamiento de señales. extrayendo información representativa. Por ejemplo de los datos climáticos. De hecho. 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: . espaciados entre sí de manera uniforme. Son estudiadas en estadística. tanto referente a los orígenes o relaciones subyacentes como a la posibilidad de extrapolar y predecir su comportamiento futuro. o las series pluviométricas. uno de los usos más habituales de las series de datos temporales es su análisis para predicción y pronóstico. medidos en determinados momentos del tiempo. observaciones o valores. normalmente. El análisis de series temporales comprende métodos que ayudan a interpretar este tipo de datos. Resulta difícil imaginar una rama de las ciencias en la que no aparezcan datos que puedan ser considerados como series temporales. ordenados cronológicamente 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 la salud. en las características demográficas de la misma. en el nivel de educación y . cambios en los ingresos. En términos intuitivos. que se consideran consecuencias de fuerzas persistentes que afectan el crecimiento o la reducción de la misma. 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. la tendencia de una serie de tiempo caracteriza el patrón gradual y consistente de las variaciones de la propia serie. 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.Ésta es una de las comunes que representa una Serie de Tiempo X que es indexada por números naturales.

Existen dos tipos de variación irregular: a) Las variaciones que son provocadas por acontecimientos especiales. inundaciones. se llama componente estacional. recesión. no se puede esperar predecir su impacto sobre la serie de tiempo. que no pueden adjudicarse a efectos estacionales o cíclicos. b) Variaciones aleatorias o por casualidad. terremotos. 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. Como este componente explica la variabilidad aleatoria de la serie. imprevisibles y no recurrentes que afectan a la serie de tiempo. Variación estacional (E): Movimientos hacia arriba y hacia abajo con respecto a la tendencia y que no duran más de un año. mientras que los fabricantes de equipo para la nieve y ropa de abrigo esperan un comportamiento anual opuesto al del fabricante de albercas. 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. depresión y recuperación. esta variación se mantiene después de que se han eliminado las variaciones o tendencias estacional e irregular. 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. Un ejemplo de este tipo de variación son los ciclos comerciales cuyos períodos recurrentes dependen de la prosperidad. Variación Irregular (I): Variaciones erráticas con respecto a la tendencia. pero que tienden a equilibrarse a la larga. es decir. 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. otras declinan. Variación cíclica (C): Movimientos recurrentes hacia arriba y hacia abajo con respecto a la tendencia y que tienen duración de varios años. . y otras más permanecen igual en un cierto período o intervalo de tiempo. fácilmente identificables. como las elecciones. Esta se debe a factores a corto plazo.tecnología. es impredecible. Las tendencias a largo plazo se ajustan a diversos esquemas. las cuales no dependen de factores como el clima o las costumbres sociales. cuyas causas no se pueden señalar en forma exacta. huelgas.

por el contrario. .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 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. se puede encontrar algún patrón a lo largo del tiempo. pues sólo en este caso podremos seguir con el análisis.

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

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

en la siguiente imagen sigue habiendo tendencia pero ya no es tan marcada.La primera idea sobre la presencia de tendencia en la serie la obtendremos en su representación gráfica. Entre esos filtros encontramos las medias móviles. 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. Por ejemplo. 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. pero no siempre estará tan clara como en la figura anterior. Una media móvil se calcula para cada punto como un promedio del mismo número de valores a cada lado de ese punto.  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. En este caso se utilizará la siguiente ecuación: ∑ . Se mostrará este método con los siguientes ejemplos: Ejemplo 1.

por ejemplo: En el caso de determinar el promedio móvil para tres observaciones adyacentes de la tabla 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 .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.

alisado mediante funciones exponenciales. etc. Una vez que se aplica un proceso clásico de descomposición mediante un procedimiento de medias móviles a los datos de la figura. restando los nuevos valores consecutivos obtenemos una nueva serie más suavizada.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. como ajuste de polinomios. que es particularmente útil para eliminar la tendencia. Una clase de filtro. se basa en aplicar diferencias a la serie hasta convertirla en estacionaria. Una diferencia de primer orden se obtiene restando dos valores contiguos. Si volvemos a diferenciar esa serie. se obtiene las siguientes series: Descomposición de una serie temporal en sus componentes .

La función de correlación mide la correlación entre los valores de la serie distanciados un lapso de tiempo k. (x2. . A este coeficiente lo denominaremos coeficiente de autocorrelación de orden 1 y lo denotamos como r1. podemos formar N-1 parejas de observaciones contiguas (x1. (x2. es decir (x1. 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. si preparamos parejas con puntos separados una distancia k. De igual forma. Es decir que el coeficiente de autocorrelación para un retardo igual al periodo estacional debe ser significativamente diferente de 0. x4). los valores separados entre sí por intervalos iguales al periodo estacional deben estar correlacionados de alguna forma. Análogamente se pueden formar parejas con puntos separados por una distancia 2. 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. Al igual que para el coeficiente de correlación lineal simple. De forma general. etc. En el coeficiente de autocorrelación parcial de orden k. calcularemos el coeficiente de autocorrelación de orden k. y calcular el nuevo coeficiente de autocorrelación de orden 2. y es de gran importancia para estudiar la estacionalidad de la serie.… (xn-1. dada una secuencia temporal de N observaciones x1…xn. Relacionada con la función de autocorrelación tenemos la función de autocorrelación parcial. x2). ya que si esta existe. 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. En la figura vemos una gráfica típica de la función de autocorrelación parcial. x3). xn) y calcular el coeficiente de correlación de estas parejas. se puede calcular un error estándar y por tanto un intervalo de confianza para el coeficiente de autocorrelación.Para analizar la estacionalidad de una serie introduciremos un nuevo concepto: la función de autocorrelación. x3).

α)2.. Suavizamiento exponencial simple Si a es una constante de suavización.. después de lo cual se suman todos los valores ponderados para determinar el pronóstico: Ŷt-1= Yt + Yt-1 + Yt-2 +. + Yt-k Donde: .. el siguiente valor más reciente se pondera con α(l . el Siguiente valor con α(l . y así sucesivamente. el valor reciente de la serie de tiempo se pondera con 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.. 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).

utilizando como constante de suavizamiento = 0. Ŷt= pronóstico para el periodo más reciente. a =constante de suavización.83 F7 = Y6 + (1-) F6 = 18. (0≤α≤1) Yt=valor real para el periodo más reciente.00 F2 = F1 =17. retomamos el ejemplo de la gasolina.03 F6 = Y5 + (1-) F5 = 18.19 F11 = Y10 + (1-) F10 = 19. Para mostrar el método de suavizamiento exponencial.35 F12 = Y11 + (1-) F11 = 18.61 F9 = Y8 + (1-) F8 = 18. su uso es sumamente impráctico.49 F10 = Y9 + (1-) F9 = 19. α =constante de suavización.80 F4 = Y3 + (1-) F3 = 18.48 . 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.Ŷt-1= pronóstico para el siguiente periodo.04 F5 = Y4 + (1-) F4 = 19.2: 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. para el que se requiere de un pronóstico "semilla" inicial pero no de la determinación de ponderaciones.00 F3 = Y2+ (1-) F2 = 17. Por lo general se usa un procedimiento simplificado. (0≤a≤1) Yt =valor real para el periodo más reciente. Aunque la fórmula anterior sirve para exponer el razonamiento de la suavización exponencial.26 F8 = Y7 + (1-) F7 = 18. Yt-k = valor real para los k periodos anteriores al más reciente. Yt-1 = valor real para el periodo anterior al más reciente.

18≈ $1.7 13.9 1.5 1.4 7.7 1.20.90 0 0.1 + 0. EN MILLOLES DE DOLÁRES 0.6 17.1 23 85. determine el pronóstico para cada monto de ventas anuales con el método de suavización exponencial simple.80 y después una constante de suavización de α = 0. el monto pronosticado para 1996 con base en a = 0.7 4.2 .5 0.20 (0.9 2.EJEMPLO: Usando el nivel real de ventas de 1994 de 1.5 7.4 0.3 1.8 7.2 0.2 0 1 4 9 16 25 36 49 64 81 100 385 XY X2 TOTAL 55 Por ejemplo. Use primero una constante de suavización de α = 0.4 1 2.3 12.20 se determinó de la siguiente manera: Ŷt+1= Ŷt + α (Yt – Ŷt) Ŷ1996 = Ŷ1995 + α (Y1995 – Ŷ1995) =$1.1 1. y compare los dos conjuntos de pronósticos.1 1. 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.1 millones de dólares como el pronóstico “semilla” para 1995.1 + 0.08 = 1.4) =1.

4 1.3 2000 2.1 -0.2 1.6 1.3 1.2 0.6 OTROS MÉTODOS DE PRONÓSTICO POR SUAVIZACIÓN Para métodos de pronóstico más complejos.7 1.6 0.5 2001 1.1 0. EN AÑO (t) MILLONES DE DÓLARES (Yt) α= 0.1 1.5 1.80 Pronóstico (Ŷ t) Error de pronóstico (Yt –Ŷ t) Pronóstico (Ŷ t) Error de pronóstico (Yt–Ŷ t) 1995 1.8 2.9 1.VENTAS.3 0.5 1.1 0.2 0.9 1. Algunos de estos métodos son: _ Suavización exponencial lineal _ Suavización exponencial de Holt .6 1999 1.2 0.1 -0.3 1. se incorporan más influencias y permiten obtener pronósticos para varios periodos futuros.12 -0.4 0.3 1.2 1.1 0.20 α= 0.4 1996 1997 1998 1.4 1.

. 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. SUAVIZACIÓN EXPONENCIAL DE WINTER Incorpora influencias estacionales en el pronóstico. hace uso de tres constantes de suavización: una para estimar el nivel actual de los valores de series de tiempo. 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. Método Box ._ 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. 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.Jenkins Es el método de más amplio uso.

de mayor o menor amplitud. Los valores anuales de una serie de tiempo representan únicamente efectos de los componentes de tendencia y cíclicos. 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. El componente cíclico puede determinarse dividiendo los valores observados entre el valor correspondiente de la tendencia de la siguiente manera: . caracterizados por diferentes fases sucesivas recurrentes. de expansión y contracción. que no se encuentran ceñidas a lapsos fijos y que son susceptibles de medición.

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

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

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

• La segunda es la importancia de identificar los factores causales específicos que han influido en las variables de series de tiempo. b1 y X) Para efecto de la transformación a datos mensuales. • La primera razón es la necesidad de considerar el probable efecto del componente cíclico durante el periodo de pronóstico. • Suele suponerse que el efecto del componente cíclico es el mismo que se ha incluido en los valores recientes de la serie de tiempo. el punto base del año anteriormente codificado como X = 0. (b0. . Pronósticos a corto plazo. por lo que deben reducirse los tres elementos de la ecuación de tendencia anual. 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. se ubicará en el punto medio del año.Los valores de tendencia se asocian con periodos y no con puntos temporales.

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.• 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 ventas industriales de automóviles han coincidido estrechamente con el ciclo económico general de las economías nacionales. las ventas de autopartes han sido comúnmente opuestas. • Las variaciones cíclicas asociadas con un producto en particular pueden coincidir o no con el ciclo económico general. Indicadores líder: han llegado habitualmente a puntos de cambio de ciclo antes del cambio correspondiente en la actividad económica general. . en cuanto al factor cíclico. o incluso de periodos cortos en épocas de inestabilidad económica. Históricamente. -El valor de nuevos pedidos de bienes de consumo y materiales -Índice común de precios de las acciones. -La tasa de empleo -El índice de producción industrial. es importante identificar los puntos de cambio de ciclo de la economía nacional. EJEMPLO. -Las horas semanales promedio laboradas en manufactura. Por el contrario. respecto del ciclo económico general. Indicadores coincidentes: está compuesto por series de tiempo cuyos puntos de cambio han coincidido usualmente con el ciclo económico general.

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

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

8 85. .4 media x 1.0116* 134.7 76.2 58.0 86.0116.7 122.1 87.5 64.9 modificada 1 32.0 50.1 399.5 63.6 86.2 134.2 64.3 106.7 116.8 395.6 *Factor de ajuste=400/395.4 127.4= 1.9 110.Índice estacional: Media Trimestre 1995 1996 1997 1998 1999 2000 1 2 3 4 67.5 111.8 103.6 146.3 136.3 70.8 126.0 87.2 114.5 112.

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

. Una vez estimada la tendencia y la estacionalidad se está en condiciones de predecir. es necesario estimar la tendencia y la estacionalidad. se supone que la componente estacional no está presente. 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. Para estimar la tendencia. 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. 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.Con el fin de obtener un modelo. Para estimar la estacionalidad se requiere haber decidido el modelo a utilizar (mixto o aditivo).

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

Sign up to vote on this title
UsefulNot useful