SERIES DE TIEMPO

PREDICCIONES

ESTADISTICA

UNIVERSIDAD SAN PEDRO

FACULTAD DE CIENCIAS CONTABLES Y ADMINISTRATIVAS

SERIES DE TIEMPO PREDICCIONES CON EJEMPLOS

MONICA LA CHIRA

PRESENTADO POR:

FUJINO HUAMANCAJA, MAYRA. GOMERO LOLI, CARLOS. INTI GARCIA, RICHARD. RAMIREZ MORALES, JHOSELYN. RAMIREZ PADILLA, GINA ROCA MAURICIO, PAMELA. TATAJE ZUZUNAGA, ANTHONY.
BARRANCA PERU 2013

UNIVERSIDAD PRIVADA SAN PEDRO

Pgina 1

SERIES DE TIEMPO

PREDICCIONES

ESTADISTICA

DEDICATORIA: A ti mi Divino Dios pues nos diriges por el mejor camino de mi vida, y me distes la salud y sabidura para alcanzar todas mis metas. A nuestros padres, que con su apoyo

incondicional nos alientan a conseguir nuestras metas trazadas.

UNIVERSIDAD PRIVADA SAN PEDRO

Pgina 2

SERIES DE TIEMPO

PREDICCIONES

ESTADISTICA

NDICE

UNIVERSIDAD PRIVADA SAN PEDRO

Pgina 3

SERIES DE TIEMPO

PREDICCIONES

ESTADISTICA

INTRODUCCION Una serie de tiempo est dado por un conjunto de observaciones que estn ordenadas en el tiempo, y que estas pueden representar el cambio de una variable ya sea de tipo econmica, fsica, qumica, biolgica, etc. a lo largo esa historia. El objetivo del anlisis de una serie de tiempo es el conocimiento de su patrn de comportamiento, para as poder prever su evolucin en el futuro cercano, suponiendo por supuesto que las condiciones no variarn significativamente.

Una serie de tiempo es el conjunto de datos numricos que se obtienen en perodos regulares a travs del tiempo, tambin se conoce como series temporales o series cronolgicas. La unidad de tiempo puede ser: hora, da, mes, trimestre, ao o

cualquier perodo que se pueda considerar de inters.

UNIVERSIDAD PRIVADA SAN PEDRO

Pgina 4

SERIES DE TIEMPO

PREDICCIONES SERIES DE TIEMPO PREDICCIONES

ESTADISTICA

DEFINICION: Una serie de tiempo o serie cronolgica es un conjunto de observaciones hechas en momentos determinados, generalmente a intervalos iguales. El conjunto de observaciones se simbolizan: y (t1), y (t2),.....Y (tn) Dnde: t1, t2, t3....., tn son sucesivos instantes o tiempos determinados (meses, das, trimestres, etc.) "Y" es la variable cuyo comportamiento a travs del tiempo se desea estudiar o sea que la serie de tiempo es una serie estadstica (informacin cuantitativa) cuyos valores han sido observados en el tiempo. Matemticamente la serie puede simbolizarse como una funcin y = f(t i); donde ti es la variable independiente: tiempo. Las variables que intervienen pueden ser: aos, meses, das, horas, quinquenios, etc. (t). Trabajando generalmente con intervalos iguales e " y": totales, promedios ndices, etc. Ejemplos de series de tiempo:

SERIES DE TIEMPO

EJEMPLOS - Precios de un artculo - Tasas de desempleo - Tasa de inflacin - ndice de precios, etc.

1. Series econmicas:

2. Series Fsicas:

- Meteorologa - Cantidad de agua cada - Temperatura mxima diaria - Velocidad del viento (energa elica) - Energa solar, etc. - Tasas de crecimiento de la poblacin - Tasa de natalidad, mortalidad - Resultados de censos poblacionales

3. Series demogrficas.

4. Series de marketing:

- Series de demanda, gastos, ofertas

5. Series de telecomunicacin:

- Anlisis de seales

6. Series de transporte:

- Series de trfico

UNIVERSIDAD PRIVADA SAN PEDRO

Pgina 5

SERIES DE TIEMPO

PREDICCIONES

ESTADISTICA

APLICACIN: La teora y anlisis de las series de tiempo pueden ser aplicados a mltiples campos, pudiendo afirmarse que todo hecho representable cuantitativamente y que sucede a lo largo de un perodo de tiempo puede estudiarse como una serie de tiempo: podemos mencionar como ejemplo: Temperatura ambiente- temperatura de los enfermos- electrocardiogramas-Movimiento demogrficoAccidentes de trabajocantidad de pasajeros transportadosSeries

Meteorolgicas- Monto de Ventas - Precios minoristas - Mayoristas- Montos de produccin agrcola, ganadero o industrial - volumen de exportaciones e importaciones - Crecimiento Poblacin, etc.

IMPORTANCIA DE SU ESTUDIO: Las series de tiempo hacen referencia, la mayor parte de las veces, a fenmenos econmicos, dando esto una primera idea de la importancia de su estudio. Una de las principales tareas que afronta un empresario, funcionario o un investigador es el planeamiento futuro. Esta tarea es sumamente difcil pues se trabaja en un terreno donde se corren muchos riesgos. Sin embargo, si se desea progresar social, econmica, comercial y an cientficamente es necesario que alguien tome la responsabilidad de adelantarse al futuro y hacer predicciones con respecto a la actividad futura. Si pensamos en estas predicciones futuras vemos que las mismas deben basarse en el pasado, o sea que conviene siempre analizar la experiencia del pasado y lo que ocurre en el presente, para hacer un esfuerzo y predecir lo que puede suceder en un futuro incierto. Un empresario, socilogo, demgrafo, o economista, entonces debe evaluar el pasado, analizar la informacin estadstica del mismo para lograr un conocimiento del fenmeno que luego le permita proyectarse hacia el futuro. Ahora bien, toda esa informacin estadstica se va recogiendo en sucesivos instantes de tiempo o sea que su estudio no es ms que el estudio de una serie de tiempo. En este caso slo veremos los fundamentos del anlisis clsico desde el punto de vista descriptivo; en los ltimos aos se han hecho progresos importantes en la aplicacin de teoras ms avanzadas a los problemas de diagnstico y previsin. El propsito del anlisis de una serie de tiempo es efectuar en base a datos empricos o histricos, una prediccin, cuando ms no sea aproximada acerca del desarrollo futuro del

UNIVERSIDAD PRIVADA SAN PEDRO

Pgina 6

SERIES DE TIEMPO

PREDICCIONES

ESTADISTICA

problema considerado. Esta operacin llamada " prediccin estadstica" se ha convertido en los ltimos tiempos en la base de la planificacin. Las series adquieren an ms importancia, si pensamos en la coyuntura de un sistema econmico, pues para su estudio es necesario analizar un conjunto de series y estudiar la relacin existente entre las mismas. Procesos de control: El problema consiste en detectar cambios en la ejecucin de un proceso de manufactura. Para ello se considera una variable que nos muestra la calidad del proceso. Esta medida se representa frente al tiempo y cuando se aleja de un determinado valor lmite, entonces hemos de efectuar las correcciones oportunas sobre el proceso. Procesos binarios: Son unas series temporales especiales, en las que las observaciones, slo toman dos valores (que usualmente se representan por 0 y 1), suelen darse en teora de la comunicacin. Por ejemplo la posicin de un enchufe, bien apagado o encendido puede ser representado como 0 y 1, respectivamente. Dependiendo del campo en el cual se utilizar esta metodologa, las series se pueden clasificar en: Serie Continua: Una serie de tiempo es continua cuando las observaciones son tomadas continuamente en el tiempo, aun cuando la variable medida slo tome un nmero de valores finitos. Serie Discreta: Una serie temporal es discreta cuando las observaciones son tomadas en tiempos especficos, normalmente igualmente espaciados. Se supondrn los datos en intervalos regulares de tiempo (horas, das, meses, aos,..). El trmino discreto es usado aun cuando la variable medida sea continua. Las series discretas pueden surgir de varias maneras: Muestral: Dada una serie de tipo continua es posible construir una serie de tipo discreta, tomando intervalos de tiempo de igual longitud. Un ejemplo de serie temporal de tipo continua es la temperatura en un lugar dado, considerando la temperatura diaria a las tres de la tarde, obtenemos una serie temporal discreta muestral.

UNIVERSIDAD PRIVADA SAN PEDRO

Pgina 7

SERIES DE TIEMPO

PREDICCIONES

ESTADISTICA

Agregada o Acumulada: Este tipo de series ocurre cuando una variable no tiene valor en un instante (slo tiene sentido en algunos instantes de tiempo) pero se pueden acumular los valores en intervalos de tiempo igualmente espaciados. Ejemplos: las lluvias torrenciales, los accidentes de trfico mensualmente, el nmero de pasajeros mensuales en las lneas areas espaolas. De hecho los accidentes de trfico mensuales son una agregacin de sucesos discretos. Los valores tomados no se observan en cada instante sino que se van acumulando en intervalos de tiempo.

Anlisis clsico - Movimientos caractersticos

En una serie de tiempo cada uno de los valores que toma la variable " y" considerada es el resultado de la interaccin de un conjunto de " factores" o " fuerzas" cambiantes y naturales (sociales, econmicas, climatolgicas, etc.) que actan sobre el fenmeno en estudio. La investigacin de estas fuerzas suelen facilitarse si se descomponen los movimientos de la serie de tiempo de la siguiente forma: a) Tendencia secular: T

b) Variacin estacional: E c) Fluctuacin Cclicas: C d) Movimientos irregulares o residual: I

Interpretaremos, previo al estudio de un mtodo de anlisis, estos cuatro elementos de variacin: Outlier: Se refiere a puntos de la serie que se escapan de lo normal. Si se sospecha que una observacin es un outliers, se debe reunir informacin adicional sobre posibles factores que afectaron el proceso. Por ejemplo, en un estudio de la produccin diaria de cobre se present la siguiente situacin:

UNIVERSIDAD PRIVADA SAN PEDRO

Pgina 8

SERIES DE TIEMPO

PREDICCIONES

ESTADISTICA

a) Tendencia: La tendencia representa el comportamiento predominante de la serie. Esta puede ser definida vagamente como el cambio de la media a lo largo de un extenso perodo de tiempo.

b) Variaciones cclicas o estacionales:

La variacin estacional representa un movimiento peridico de la serie de tiempo. La duracin del perodo puede ser un ao, un trimestre, un mes, un da, etc.

UNIVERSIDAD PRIVADA SAN PEDRO

Pgina 9

SERIES DE TIEMPO

PREDICCIONES

ESTADISTICA

Se suele hacer una distincin entre cclicas y estacionarias. Estas ltimas ocurren con perodos identificables, como la estacionalidad del empleo, o de la venta de ciertos productos, cuyo perodo es un ao. El trmino variacin cclica se suele referir a ciclos grandes, cuyo perodo no es atribuible a alguna causa. Por ejemplo, fenmenos climticos, que tienen ciclos que duran varios aos.

Las tendencias y estacionalidades pueden darse simultneamente.

UNIVERSIDAD PRIVADA SAN PEDRO

Pgina 10

SERIES DE TIEMPO

PREDICCIONES

ESTADISTICA

c) Variaciones aleatorias:

Los movimientos irregulares (al azar) representan todos los tipos de movimientos de una serie de tiempo que no sea tendencia, variaciones estacionales y fluctuaciones cclicas. El componente aleatorio mide la variabilidad de las series de tiempo despus de retirar los otros componentes. La aleatoriedad se puede decir que se presenta en todas las series de tiempo y no es otra cosa que el cambio producido en los valores de una serie de tiempo debido a fenmenos que son en extremo difciles de explicar y que por lo tanto su ocurrencia cae en el mbito del azar.

PASOS EN EL ANALISIS CLASICO DE UNA SERIE DE TIEMPO. 1. Determinar si la secuencia de datos forman una serie no aleatoria. 2. Anlisis exploratorio de datos. Grfico de secuencias. Grfico de caja y sesgo.- clculo de estadsticas descriptivas 3. Suavizar la serie para identificar el comportamiento subyacente de la misma. 4. Descomponer la serie en sus respectivas componentes. 5. Ajuste de modelos matemticos. 6. Anlisis de residuales 7. Realizar estimaciones y pronsticos. 8. Validar el modelo.

UNIVERSIDAD PRIVADA SAN PEDRO

Pgina 11

SERIES DE TIEMPO

PREDICCIONES

ESTADISTICA

Caractersticas de la prediccin Estadstica: En general, la prediccin estadstica tiene las siguientes caractersticas: a) Las predicciones tienen valor en promedio, por lo que se dice que la prediccin consiste en determinar el ms probable comportamiento promedio de los hechos en

un nmero grande de ellos. b) La prediccin es condicional ya que su validez depende de la constancia de las condiciones que se suponen en la prediccin. c) Uno de los progresos tericos ms importantes, ha sido la determinacin de la dispersin en funcin de la distancia del perodo para el cual se quiere hacer la prediccin al presente. Se ha establecido que, en los procesos semi determinsticos, que son los que nos interesan, la dispersin es creciente con el alejamiento del perodo de prediccin respecto al presente. d) La prediccin pierde su valor cuando la componente aleatoria aumenta, es decir, cuando circunstancias imprevistas actan fuertemente. Dominio del tiempo Datos discretos: La clase ms comn de modelo, o proceso estocstico, usado para representar series de tiempo de variables discretas es conocida como cadena de Markov. Datos continuos: Para la representacin de la estructura de series de tiempo de variables continuas se utilizan modelos conocidos como modelos Box-Jenkins.

Representaciones de una serie de tiempo a) De forma numrica o tabular: La columna base es el tiempo. b) De forma grfica: La ms usada es el diagrama lineal, la variante del polgono de frecuencias que no baja al eje de abscisas ya que no se abarca toda la distribucin sino slo una parte de la misma. Si abarca toda la distribucin se usar el polgono de frecuencias. En el eje de abscisas se representa el tiempo y en el de ordenadas la frecuencia correspondiente.

UNIVERSIDAD PRIVADA SAN PEDRO

Pgina 12

SERIES DE TIEMPO

PREDICCIONES

ESTADISTICA

La tabla puede acompaarse de una columna con nmeros ndice, que en general parten de considerar como 100 100% al valor de Y en el primer periodo de tiempo. Para los dems periodos se hace el clculo por una simple regla de tres. Tambin puede ponerse una columna que represente una tasa. Lo esencial de las series de tiempo: Su estudio ha permitido comprobar que estn sometidas a variaciones tpicas, siendo las ms importantes las tres siguientes: Variaciones a largo plazo o tendencia secular: Representan la variacin general de la serie, suavizada por la absorcin de otras variaciones menores en intervalos de tiempo largos. Podra decirse que los datos utilizados son medias de otros muchos datos. Un ejemplo tpico es la talla media de los chicos espaoles cuando se incorporaban al servicio militar obligatorio, registrada durante casi un siglo. Variaciones a medio plazo o fluctuaciones peridicas: Obtenidas en intervalos de tiempo menores. Pueden ser estacionales y cclicas. Son estacionales cuando el plazo es menor de un ao. Ejemplo tpico son las ventas de unos grandes almacenes en Navidad-Reyes, San Valentn, Da de la Madre, etc. Las cclicas ocurren a intervalos mayores de un ao, como los ciclos de la economa. Suelen ser ms suaves. Variaciones irregulares o accidentales. No son previsibles, como el aumento de las ventas de determinados alimentos cuando se rumorea que van a subir mucho de precio o la disminucin de la produccin de una fbrica durante una huelga. Estas variaciones pueden originar nuevos ciclos o tendencias, como la crisis pesquera de los aos 70, que elev mucho los precios, sin vuelta atrs. O el aumento imparable del precio del petrleo tras la primera invasin de Irak. Precauciones: Las series de tiempo se prestan mucho a la manipulacin. Por ejemplo utilizando variaciones cclicas, o incluso accidentales, como si fueran tendencias a ms largo plazo. O tomando como punto de partida de la serie un momento conveniente para lo qu e interesa. Valorarlas siempre con espritu crtico. PARA QUE SIRVE UNA SERIE DE TIEMPO EN LA ADMINISTRACION: Para qu se usa una Serie de Tiempo:

La planificacin racional exige prever los sucesos del futuro que probablemente vayan a ocurrir. La previsin, a su vez, se suele basar en lo que ha ocurrido en el pasado. Se tiene un nuevo tipo de inferencia estadstica que se hace acerca del futuro de alguna variable o compuesto de variables basndose en sucesos pasados.

UNIVERSIDAD PRIVADA SAN PEDRO

Pgina 13

SERIES DE TIEMPO

PREDICCIONES

ESTADISTICA

La tcnica ms importante para hacer inferencias sobre el futuro con base en lo ocurrido en el pasado, es el anlisis de series de tiempo. PRONSTICOS BASADOS EN PROMEDIOS MVILES Un promedio mvil es el promedio de los n valores de datos ms recientes de una serie de tiempo.

PM = (n valores ms recientes) N

A medida que se dispone del nuevo valor de un dato de una serie de tiempo, la nueva observacin remplaza a la antigua en la serie de n valores como base para determinar el nuevo promedio, lo que explica el motivo de que se llame promedio mvil.

El promedio mvil puede servir para: -Pronosticar los valores de datos del siguiente periodo de la serie de tiempo, pero no los de datos de periodos ms distantes a futuro. -Es un mtodo adecuado de pronstico cuando en los datos no est presente la influencia de una tendencia, cclica o estacional, situacin por dems improbable. As, este procedimiento sirve sencillamente para promediar el componente irregular de los datos recientes de una serie de tiempo.

SUAVIZACIN EXPONENCIAL LINEAL Usa una ecuacin de tendencia lineal basad en los datos de la serie de tiempo, los valores de ponderan exponencialmente con base en una constante de suavizacin.

SUAVIZACIN EXPONENCIAL DE HOLT Usa una ecuacin de tendencia lineal basada en el empleo de dos constante de suavizacin: una para estimar el nivel actual de los valores de la serie de tiempo y otra para estimar la pendiente.

UNIVERSIDAD PRIVADA SAN PEDRO

Pgina 14

SERIES DE TIEMPO

PREDICCIONES

ESTADISTICA

SUAVIZACIN EXPONENCIAL DE WINTER Incorpora influencias estacionales en el pronstico, hace uso de tres constantes de suavizacin: una para estimar el nivel actual de los valores de series de tiempo, la segunda para estimar la pendiente de la lnea de tendencia y la tercera para estimar el factor estacional por emplear como multiplicador. Ventajas y Desventajas del anlisis de las series de tiempo Ventajas: Rpidos a utilizar una vez el modelo desarrollado. La toma de datos no implica, en general, gastos adicionales. Almacenados en el sistema de informacin (ej. ventas de los meses pasados) Fcilmente accesibles (ej. ndices econmicos).

Desventajas No consideran los factores nuevos o inesperados . Requieren un histrico de la demanda y/o otras variables pertinentes.

UNIVERSIDAD PRIVADA SAN PEDRO

Pgina 15

SERIES DE TIEMPO

PREDICCIONES

ESTADISTICA

CONCLUSIONES

El objetivo de este trabajo es estudiar la evolucin del incremento anual de software ilegales en Per, durante el perodo comprendido entre 1993 y 2005, a travs de la metodologa de Hamilton (1989) y segundo presentar algunos conceptos relacionados con dicha metodologa, la cual introduce cambios de rgimen en el anlisis convencional de series de tiempo. En este caso, tales cambios en el modelo de la inflacin se suponen asociados a posibles regmenes distintos donde la inflacin presenta cambios en su nivel o en su variabilidad. Esta modelacin posibilita el reconocimiento de los distintos regmenes a travs del tiempo, en lo referente a su tiempo promedio de duracin y a la probabilidad asociada a cada uno de ellos, es decir, la probabilidad de estar en un rgimen particular en un momento dado del tiempo. La aplicacin de la metodologa de Hamilton est motivada por los resultados encontrados a travs de diferentes pruebas economtricas que permiten inferir la existencia de distintos comportamientos de la inflacin trimestral en Colombia en el perodo de anlisis. As tambin daremos a conocer los conceptos principales de la tendencia, el componente cclico, la variacin estacional, variacin irregular. Aplicaremos un caso real demostrando un tipo de variacin cclica.

UNIVERSIDAD PRIVADA SAN PEDRO

Pgina 16

SERIES DE TIEMPO

PREDICCIONES

ESTADISTICA

Bibliografa http://www.estadisticas.gobierno.pr/iepr/LinkClick.aspx?fileticket=4_BxecUaZm g%3D&tabid=100

http://www.contracopia.org.pe/Prensa/2002/Notas/NotasPrensaEner.html

http://www.uap.edu.pe/Fac/02/trabajos/02206/isi%2032/go7/pirateria.htm

http://ciberconta.unizar.es/LECCION/seriest/000F2.HTM

http://apuntes.rincondelvago.com/series-de-tiempo_1.html

http://www.monografias.com/trabajos30/software-ilegales/softwareilegales.shtml#ixzz2Y6Pwt6Av

http://www.monografias.com/trabajos31/series-tiempo-internet/series-tiempointernet.shtml#series

UNIVERSIDAD PRIVADA SAN PEDRO

Pgina 17