1.

DEFINCION DE SERIES DE TIEMPO:

Una serie de tiempo representa las variaciones o evolucin de un
fenmeno a travs del tiempo.
Una serie de tiempo o serie temporal es una coleccin de observaciones
tomadas a lo largo del tiempo cuyo objetivo principal es describir,
explicar, predecir y controlar algn proceso. Las observaciones estn
ordenadas respecto al tiempo y sucesivas observaciones son
generalmente dependientes.
2. REPRESENTACION GRAFICA:
La representacin grfica de una serie de tiempo es la representacin de
una trayectoria del proceso estocstico subyacente. En dicha
representacin, podemos observar las principales fuentes de variacin.

3. MOVIMIENTOS CARACTERISTICOS DE LA SERIE DE TIEMPO

Movimientos seculares o de larga duracin: Se refieren a la direccin
general a la que el grfico de una serie de tiempo parece dirigirse en un
intervalo grande de tiempo.

Movimientos cclicos o variaciones cclicas

Se refieren a las oscilaciones de larga duracin alrededor de la recta o
curva de tendencia. Estos ciclos, pueden ser o no peridicos.

Movimientos estacinales o variaciones estacinales

Se refieren a las idnticas, o casi idnticas, normas que una serie de
tiempo parece seguir durante los correspondientes meses de los
sucesivos aos.

Movimientos irregulares o al azar.

Se refieren a movimientos espordicos de las series de tiempo debidos a
sucesos ocasionales, tales como inundaciones, huelgas, etc.

Movimientos medios.
Suavizacin de series de tiempo.
Tienen la propiedad de tender a reducir la cantidad de variacin presente en
un conjunto de datos.
Se utiliza para eliminar las fluctuaciones no deseadas
4. CLASIFICACION DE MOVMIENTOS DE SERIES DE TIEMPO.
I.
Variaciones seculares o de larga duracin: se refiere a la direccin
general a la que el grafico de una serie de tiempo parece dirigirse
en un intervalo grande de tiempo, esta variacin se indica por una
curva de tendencia que aparece a trazos.
II.

Variaciones Cclicas: se refiere a las oscilaciones de larga duracin

alrededor de la recta o curva de tendencia; estos ciclos, como se
llaman a veces, pueden ser o no peridicos, es decir, puede seguir
o no exactamente caminos analgicos despus de intervalos de
tiempo iguales.

III.

Variaciones Estacionales: se refiere a las idnticas o casi idnticas,

normas que una serie de tiempo parece seguir durante los
correspondientes meses de los sucesivos aos. Las variaciones
estacionales, se refiere en general a una periodicidad anual en
negocios o teora econmica, las ideas envueltas pueden
extenderse a incluir una periodicidad de cualquier intervalo de
tiempo, tal como diaria, horaria, semanal, entre otras.,
dependiendo del tipo de datos que se utilicen.

IV.

Variaciones Irregulares: son movimientos espordicos de las series

de tiempo debido a sucesos ocasionales, tales como inundaciones,
huelgas, elecciones, etc. Aunque normalmente se supone que

tales sucesos producen variaciones que solamente duran un corto

intervalo de tiempo.
5. MOVIMIENTO DE MEDIOS ES:
se define por la sucesin de valores correspondientes a las medias
aritmticas
SUAVIZACIN DE SERIES DE TIEMPO:
Se utiliza cuando los datos no presentan ningn patrn de tendencia,
tiene un mecanismo de auto correccin que ajusta los pronsticos.
6. EXPLIQUE ANLISIS DE SERIES DE TIEMPO
El anlisis de series de tiempo desempea un papel importante en el
anlisis requerido para el pronstico de eventos futuros. Existen varias
formas o mtodos de calcular cual va a ser la tendencia del
comportamiento del proceso en estudio.
El anlisis de ocurrencias a travs de series de tiempo para estudios
relativos a procesos de ventas, variaciones en comportamiento respecto
a consumo, variacin de ndices de inflacin o como es el caso presente,
formas de acceso a Internet considerando diversas velocidades de
comunicacin o tambin capacidad del ancho de banda es decir banda
ancha (mayores a 1Mbps) o menores a ella llamndole banda angosta,
nos permitir analizar de manera sencilla el pronstico de resultados
futuros y dependiendo de la tcnica de anlisis de tendencia nos
aproximaremos con mayor o menor precisin a los valores que van a
suceder.
Cualquier anlisis tiene que considerar adems, que los factores que han
venido ocurriendo en el perodo a evaluar seguirn influenciado del
mismo modo en nuestro escenario futuro. Cualquier cambio fuerte o
inesperado en alguno de los factores podr traer el no cumplimiento de
las tendencia calculadas.
7. CUAL ES LA ESTIMACION DE LA TENDENCIA
Es necesario describir la tendencia ascendente o descendente a largo
plazo de una serie cronolgica por medio de alguna lnea, y la ms
adecuada ser la que mejor represente los datos y sea til para
desarrollar pronsticos. Para lograr la estimacin de la tendencia se
utilizan con ms frecuencia los siguientes mtodos:
METODOS DE MINIMOS CUADRADOS ( OBTIENE VALORES DE LA
TENDENCIA)
METODOS DE LOS SEMIPROMEDIOS(Este mtodo se aplica con el objeto
de simplificar los clculos y consiste en:
a) Agrupar los datos en dos grupos iguales
b) Obtener el valor central (mediana) de los tiempos y la media
aritmtica de los datos de cada grupo.
Hay varios mtodos para estimar la tendencia T(t), uno de ellos es
utilizar un modelo de regresin lineal.
Se pueden utilizar otros tipos de regresiones, como regresin cuadrtica,
logstica, exponencial, entre otros.
8. CUAL ES LA ESTIMACION DE LAS VARIACIONES ESTACIONALES

INDICE ESTACIONAL
Para determinar el factor estacional S en la ecuacin (l), se debe estimar
cmo varan los datos en las series de tiempo de un mes a otro,
considerando un ao tpico.
Un conjunto de nmeros que muestra los valores relativos de una
variable
durante los meses del ao se llama ndice estacional de la variable. Por
ejemplo,
si se conoce que las ventas durante enero, febrero, marzo, etc., son de
50, 120,
90, . Por ciento del promedio de las venta mensuales para todo el ao,
entonces
los nmeros 50, 120, 90, . Proporcionan el ndice estacional del ao,
estos
nmeros suelen llamarse nmeros ndice estacionales. El promedio
(media) del
ndice estacional para todo el ao debe ser 100, es decir, la suma de los
nmeros
ndice de los 12 meses tiene que ser 1200%
DIVERSOS METODOS DISPONIBLES PARA CALCULAR EL INDICE
ESTACIONAL
METODO DE PORCENTAJE PROMEDIO:
En este mtodo, los datos de cada se me expresan como
porcentajes del
promedio del ao. Entonces, se promedian los porcentajes de los
meses
correspondientes de diferentes aos, usando una media o una
mediana; si se usa la media, es mejor evitar cualquier valor
extremo que pueda presentarse. Los 12
porcentajes resultantes dan el ndice estacional. Si su media no es
100% (es decir,
si la suma no es 1200%), entonces deben ajustarse, lo que se
logra
multiplicndolos por un factor adecuado.
Mtodo del porcentaje de la tendencia o de la razn de la
tendencia.
En este mtodo, los datos de cada mes se expresan como
porcentajes de valores
de la tendencia mensual. Un promedio adecuado de los
porcentajes para los
meses correspondientes proporcionan, entonces, el ndice
requerido. Igual que en
el mtodo 1, estos se ajustan si no promedian 100%
Mtodo del porcentaje del promedio mvil o la razn del promedio
mvil.
En este mtodo se calcula un promedio mvil de 12 meses.
9. QUE ENTIENDE POR DESESTACIONALIZACIN DE DATOS

O ajuste estacional, es la eliminacin de la componente estacional de una serie temporal a

travs de un procedimiento. El resultado (datos desestacionalizados) se emplea, por
ejemplo, en el anlisis de tendencias no estacionales a lo largo de periodos ms largos.
10. EXPLIQUE LA ESTIMACION DE VARIACIONES CCLICAS:

Una vez que los datos han sido ajustados a las variaciones estacinales,
tambin
suelen ajustarse a la tendencia dividindolos, sencillamente, entre los
valores de
tendencia correspondientes. De acuerdo con la ecuacin (l), el proceso
de ajuste a
la variacin estacional y a la tendencia es equivalente a dividir Y entre
ST, que
resulta en Cl (las variaciones cclicas e irregulares). Un promedio mvil
adecuado
de pocos meses de duracin (como 3, 5 o 7 meses, de modo que en
consecuencia no se necesita centrado) sirve, entonces, para suavizar las
variaciones irregulare l y para dejar nicamente las variaciones cclicas
C. Una vez
que se han aislado estas variaciones cclicas, es posible estudiarlas en
detalle. Si
se presenta una periodicidad o periodicidad aproximada de ciclos, se
pueden
construir ndices cclicos de la misma manera que los ndices
estacinales.
11.QUE ENTIENDE PO ESTIMACIN DE VARIACIONES IRREGULARES O
ALETORIAS
Las variaciones irregulares (o aleatorias) pueden estimarse ajustando los
datos a
las variaciones de tendencia, estacionales y cclicas. Esto equivale a
dividir los
datos originales y entre T, S y C, lo que [por ecuacin (1) da I. En la
prctica se
encuentra que los movimientos irregulare se inclinan a tener una
pequea
magnitud y suelen seguir el patrn de una distribucin normal; es decir,
las
pequeas desviaciones ocurren con gran frecuencia la desviaciones
grandes
suceden con poca frecuencia].
12.QUE ES UNA COMPARACIN DE DATOS?
es contrastar las cualidades de un algo con las de otro algo.
analizar las caracteristicas de dos objetos, personas, animales o sentencias ya sean
iguales o diferentes (por superioridad o inferioridad) y enunciarlas.
relacin que se establece entre dos elementos

Composicin consistente en establecer una relacin de semejanza entre dos

partes. Para ello intentamos descubrir sus relaciones o estimar sus diferencias
o semejanzas, con la idea de dar una idea viva y eficaz de una de ellas.
13.QUE ES UNA PREDICCION

Es la que va a pasar en el futuro.

Se trata de anlisis racional de lo que va a suceder
Es hacer un pronstico de lo que crees que va a ocurrir.
14. PASOS FUNDAMENTALES DEL ANALISIS DE SERIES DE TIEMPO
1. EL ANALISIS: graficarla, esto permite identificar la tendencia, la estacionalidad,
variaciones irregulares
2. Esttimacion de la tendencia ( modelo de regresin lineal)
3. Estimacin componente estacional
4. Suavizamiento de series de tiempo
La Tendencia, La Variacin Cclica, Variacin Estacional, y la Variacin Irregular.

DIFERENCIEA ENTRE CORRELACION Y REGRESION:

El concepto de Correlacion dice que es la medida en la cual se relacionan dos
variables diferentes por ejemplo como se relaciona la cantidad de fumadores
con la cantidad de enfermos de cancer del pulmon o la relacion que tienen las
notas de cursos de estudiantes de diferentes universidades o diferentes nivel
economico.

Por otra parte la Regresion es la ecuacion matematica que describe el

comportamiento de dos medidas, es decir, con la regresion podemos construir
una formula que nos de el numero de enfermos de cancer de pulmon en
funcion de los fumadores o el numero de cursos aprobados en funcion de la
universidad o del estatus social del estudiante.

La correlacion se torna interesante cuando el analista o la persona quien esta

ejecutando el analisis de la relacion entre las variables nececita saber con que
fuerza influye una variable con el comportamiento de la segunda variable, es
decir, cuando medimos la correlacion nos interesa saber que tan importante es
una variable y que tanto influye en el resultado.

En la otra mano tenemos la Regresion que por definicion sabemos que es la

construccion de una ecuacion matematica que describe el coportamiento de
dos variables a partir de datos mustrales capturados, entonces, la regresion es
util cuando saber una prediccion del resultado en base a un valor que resulta
ser la variable de la ecuacion calculada por medio de la regresion de datos por
ejemplo si yo tengo el numero de alumnos en una clase de matematica y
quiero saber la cantidad de alumnos que aprobaran, lo puedo lograr gracias a
datos estadisticos que me han generado una ecuacion que describa el
comportamiento del numero de alumnos aprobados en funcion del numero de
alumnos inscritos de el curso de matematica.

estadstica: cual es la diferencia entre regresin y

correlacin?
El estudio de regresin consiste en ajustar de la mejor manera una funcin de una familia elegida a
una muetra de valores de dos o ms variables una de las cuales se elige como explicada (o
dependiente) y a las otras comovariable dependiente y una dependiente existe una correlacin
entre las dos y nada ms. En caso de varias variables independientes existen las correlaciones
parciales
COEFICIENTE DE DETERMINACION:
predecir futuros resultados o testear una hiptesis.
El coeficiente determina la calidad del modelo para replicar los resultados, y la proporcin de
variacin de los resultados que puede explicarse por el modelo
COEFICENTE DE CORRELACION:
es una medida que indica que tan asociadas estn las variables dependiente e independiente en
un modelo de regresin lineal
REGRESION LINEAL: ue modela la relacin entre una variable dependiente Y, las variables
independientes Xi y un trmino aleatorio . Se calcula el valor esperado
SERIES DE TIEMO:
se usan para estudiar la relacin causal entre diversas variables que cambian con el tiempo y se
influyen entre s
Se dice que hay relacin lineal entre dos valores si al aumentar uno N veces el otro tendra que ser
N veces mayor. Y si uno es cero el otro tambin lo es.
Es decir que si hay una relacin lineal entre dos valores estos son proporcionales.
Relacin no lineal sera cualquier otra relacin. Como la relacin cuadrtica, cbica, exponencial,
logartmica,

Bondad de ajuste.
Describe
cun
bien
se
ajusta
un
conjunto
de
observaciones. Las medidas de bondad en general resumen
la discrepancia entre los valores observados y los
valores esperados en el modelo de estudio. Tales medidas
se pueden emplear en el contraste de hiptesis, el test
de normalidad de los residuos, comprobar si dos muestras
se obtienen a partir de dos distribuciones idnticas, o
si las frecuencias siguen una distribucin especfica.

Varianza.

La varianza (que suele representarse como 2) de una

variable aleatoria es una medida de dispersin definida
como la esperanza del cuadrado de la desviacin de dicha
variable respecto a su media.

Covarianza.
Es un valor que indica el grado de variacin conjunta de
dos variables aleatorias. Es el dato bsico para
determinar si existe una dependencia entre ambas
variables y adems es el dato necesario para estimar
otros parmetros bsicos, como el coeficiente de
correlacin lineal o la recta de regresin

Variabilidad.
Es el dato que nunca es constante y siempre es
cambiante, como la incidencia en nios al nacer siempre
es variable nunca puedes decir que al da nacen 34 nios
puede que maana sean 50.

Variable dependiente.
Es aquella caracterstica, propiedad o cualidad de una
realidad o evento que estamos investigando. Es el objeto
de estudio, sobre la cual se centra la investigacin en
general. Tambin la variable independiente es manipulada
por el investigador, porque el investigador puede variar
los factores para determinar el comportamiento de la
variable.

Variable independiente.

Es aquella propiedad, cualidad o caracterstica de una

realidad, evento o fenmeno, que tiene la capacidad para
influir, incidir o afectar a otras variables. Se llama
independiente, porque esta variable no depende de otros
factores para estar presente en esa realidad en estudio.
Funcin lineal.
Es una funcin polinmica de primer grado; es decir, una
funcin cuya representacin en el plano cartesiano es
una lnea recta.

Regresin simple:
Cuando
la
nicamente de una nica variable X.

Regresin mltiple: Cuando

la
variable Y depende
varias variables (X1, X2, ..., Xr)

variable Y depende

de

5.2. EN FUNCIN DEL TIPO DE FUNCIN f(X).

Regresin lineal: Cuando f(X) es una funcin lineal.

La
Regresin
lineal
presenta
respectivos a sus funciones.

tipos

de

grficos

- Cuando la funcin f (x) es lineal,

f (x) = 0+ 1x
- Si 1> 0 hay relacin lineal positiva.
- Si 1< 0 hay relacin lineal negativa.

Los datos presentan un aspecto lineal.

Regresin
lineal.

no

lineal:

Cuando f(X)

no

es

una

funcin

Cuando la funcin f(x) no

f(x)=log(x),f(x)=x23, . . .

es

lineal.

Por

ejemplo,

Por otro lado, se puede apreciar un tipo de regresin en la

cual el grafico no presenta una prediccin clara, esta se
llamara:

Ausencia de relacin: Cuando

f(x) = 0.