Unidad 5 series de tiempo

5.1 modelo clsico de serires de tiempo

5.2 analisis de fluctuaciones

5.3 analisis de tendencia

5.4 analisis de variaciones cclicas

5.5 medicion de variaciones estacionales e irregulares

5.6 aplicacin de ajustes estacionales

5.7 pronosticos basados en factores de tendencia y estacionales

Resumen
El anlisis de series de tiempo desempea un papel importante en el anlisis requerido para
el pronstico de eventos futuros. Existen varias formas omtodos de calcular cual va a ser la
tendencia del comportamiento del proceso en estudio.
En el presente documento se procede a aplicar el anlisis de series de tiempo aplicado al
estudio del comportamiento en la forma de acceso a Internet, considerando bsicamente el
factor ancho de banda.
Hoy en da las aplicaciones y mayores avances en cuanto a uso de Internet se dan con
aplicaciones que requieren un gran ancho de banda. Latelemedicina, por ejemplo no se
podra dar si es que no estamos en capacidad de poder comunicarnos a un ancho de banda
que nos asegura una inmediata comunicacin tanto en envi como respuesta de seal.
Un pas va midiendo su avance tecnolgico, tambin en funcin de que forma y con que
caractersticas accede a Internet, cuales son las velocidades decomunicacin, cuantos
usuarios hay en las diferente modalidades y tambin a que nivel de penetracin se llega en
el uso de Internet.
El anlisis estadstico hoy en da se ve facilitado en gran medida
por herramientas de software que permiten una rapidez en el procesamiento para posterior
anlisis as como su amplia capacidad grfica, en este documento se muestran reportes y
clculos obtenidos con una de ellas, trabajada dentro de su perodo de evaluacin libre.
1. El anlisis de ocurrencias a travs de series de tiempo para estudios relativos
a procesos de ventas, variaciones en comportamiento respecto aconsumo, 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.
2. Introduccin

Una serie de tiempo es un conjunto de datos numricos que se obtienen en perodos

regulares a travs del tiempo [1]. Estos datos pueden ser muy variados, generalmente
son usados para evaluar el comportamiento de las ventas de una empresa, o para
evaluar el comportamiento de los ndices de precio de un pas o de un tipo
de producto pero en general pueden aplicarse a cualquier negocio y /o rea. Este
comportamiento puede tener caractersticas de tipo estacional, o cclico o siguen
alguna tendencia ya sea a la baja, de subida o sin variacin.
Las organizaciones en general evalan peridicamente el comportamiento de su
actividad y/o productos a fin de pronosticar que va a suceder en el futuro en base a lo
que ha venido ocurriendo en el pasado, esta sucediendo en el presente y tiene la
tendencia a comportarse de la misma manera en el futuro.
El comportamiento de las series de tiempo, se debe a 4 componentes: la tendencia, la
variacin cclica, la variacin estacional y la variacin irregular [2].
La tendencia o tendencia secular, es aquella tendencia a largo plazo sin alteraciones
de una serie de tiempo. Esta tendencia pudiera ser de tipo lineal o no lineal, as como
tambin creciente o decreciente y tambin como una combinacin de alguna de las
anteriores. Muchos productos,servicios e indicadores econmicos siguen un
comportamiento de este tipo, y su anlisis ms generalizado es a travs de varios
aos, teniendo en cuenta los perodos que ms se ajustan a cada negocio, pudiendo
ser semestrales, trimestrales, mensuales, semanales, etc.
La segunda componente es la variacin cclica en la que a travs del perodo de tiempo
analizado se producen ascensos y descensos en varias oportunidades. Este tipo de
comportamiento es muy asociado a variaciones de carcter econmico.
La tercera componente es la variacin estacional, que tiene como caracterstica de
variacin regular dentro de un ao y que a su vez se repite cada ao, casos tpicos son
la produccin de algunas frutas y/o comestibles o ventas asociadas a productos como
ropa de temporada.
La ltima componente es la componente irregular que adiciona las caractersticas
anteriores pero adems tiene comportamiento extraos imprevisibles que se dan
generalmente en el corto plazo.
Para poder pronosticar cual es el comportamiento futuro de una variable en funcin a
estas caractersticas de comportamiento es necesario poder representarlo
matemticamente. Existen mtodos llamados mtodos de suavizamiento [3] porque
su objetivo es suavizar la variacin causada por el componente irregular de la serie de
tiempo, estos mtodos son: el de promedios mviles, promedios mviles ponderados
y suavizamiento exponencial. La tendencia lineal es la mas sencilla de representar, y
utilizar s es se el comportamiento de nuestra variable analizada.
3. Series de Tiempo

El uso de Internet, y las caractersticas de acceso a ste, nos permiten hoy en da tener
una idea de en que grado se esta usando las Tecnologas
deInformacin y Comunicaciones en general. Podemos analizar y comparar personas,
miembros de una institucin y hasta pases enteros., es ms se utiliza mucho de esa
 manera para ver que grado de desarrollo y avance estn teniendo los pases o
regiones.
4. Comportamiento de Acceso a Internet considerando diferentes
velocidades de comunicacin o acceso.

Por ejemplo la Oficina de la Autoridad de Telecomunicaciones de Hong Kong, [4], nos

seala algunas caractersticas de estos servicios, por ejemplo nos dice que a Agosto de
2005 se tenan 986, 852 usuarios que se conectan a travs e comunicacin no
dedicada o conmutada a velocidades menores a 1Mbps, y 1618,975 usuarios se
conectan a velocidades mayores a 1Mbps es decir banda ancha. As mismo cuenta con
187proveedores e servicio de Internet (ISP). Tanto Hong Kong como Per pertenecen
al Foro Econmico Asia Pacfico que agrupa a 21 miembros, y observando algunos
ndices vemos que estamos muy atrasados al respecto. Velocidades mayores a 1Mbps
a nivel usuario individual particular son bastante caras y no tiene un nmero elevado
de usuarios, es ms la mayora de cabinas pblicas hasta con 10 mquinas utiliza
como ancho de banda 512 Kbps.
Del 29 de mayo al 3 de Junio del 2005 se celebr en nuestra capital la 6ta Reunin
Ministerial sobre la Industria de las Telecomunicaciones e Informacin [5] y en ella se
dieron diversas exposiciones de los avances logrados en cada uno de los miembros,
siendo muy escasos los logros sostenidos por Per, talvez los ms saltantes son los de
acceso rural satelital para las comunidades mas alejadas [6], pero caractersticas de
avance en cuanto velocidades de acceso y nivel de penetracin del Internet, no se han
logrado grandes avances. Cabe remarcar que este foro comprende una de las regiones
dems dinamismo y desafos en el mundo, pertenecen a ella grandes potencias
como China, EEUU, Canad, Corea y tambin Per. Comprende alrededor del 60%
del Producto Interno Bruto mundial y un 47% del comercio global, representa la
regin econmicamente ms activa habiendo generado cerca del 70% del crecimiento
econmico global. Ha invertido 632 billones de dlares enTecnologa de
Informacin y Comunicaciones (TICs), para el ao 2007 se espera que la cifra se eleve
a 822 billones de dlares. Es claro pues la importancia que se le da a las TICs e
Internet para el desarrollo de esta rea.
5. Antecedentes

Teniendo en cuenta que en las pginas mencionadas anteriormente se ha encontrado

informacin estadstica respecto al nmero de usuarios y/oclientes de acceso a
Internet diferenciados por la velocidad de acceso a la que tienen el servicio, menores o
mayores a 1 Mbps [7], se proceder a analizar a travs de series de tiempo la tendencia
de crecimiento o decrecimiento en nmero de usuarios de estos servicios. En
dicho informe se tiene informacin para acceso a banda angosta o menor a 1Mbps
desde marzo de 1999, y solo a partir de febrero del 2000 se tiene la informacin
correspondiente a acceso mayores a 1 Mbps.. Para efectos e nuestro an{alisis solo
tomaremos la informacin recogida para los perodos de enero del 2002 hasta agosto
del 2005. Esta informacin fue proporcionada a la OFTA por los proveedores de
servicios de Internet (ISPs ) de la ciudad de Hong Kong. No se ha hecho un estudio
sobre la base de nuestro pas, porque simplemente no se dispone de ella.
6. Planteamiento

Determinar la tendencia en la cantidad de usuarios con conexiones a Internet en las

dos modalidades: menores a 1Mbps y tambin de las iguales o superiores a 1Mbps
 considerada de banda ancha. Se encontrar tanto grfica como matemticamente
las ecuaciones que representen esta tendencia, para los prximos 6 meses. Para poder
lograr nuestro objetivo utilizaremos el software estadstico MINITAB Release 14.13
(MINITAB es marca registrada de Minitab Inc.)
7. Objetivos

Para el Caso 1: Clientes que acceden a Internet a travs de Banda angosta, se estima
seguir una tendencia decreciente.
Para el Caso 2: Clientes que acceden a Internet a travs de Banda ancha, se estima
que irn aumentando.
8. Hiptesis

El anlisis realizado tom en cuenta dos tipos de clientes o cuentas de acceso a

Internet, dependiendo de la velocidad de acceso hacia la red, menores a 1 Mbps.
(banda angosta) e iguales o mayores a 1 Mbps.(banda ancha)
1. Caso 1: Clientes que acceden a Internet a travs de Banda angosta
2. Para este primer caso se analiz el comportamiento de clientes con un tipo de
acceso a travs de lneas no dedicadas o tambin conocido como acceso
conmutado o dial-up que son realizado a travs de un modem, y son de banda
angosta (velocidades de acceso menores a 1 Mbps).
En la Figura 1 se presenta un grfico con los valores obtenidos de la serie de
tiempo, de Enero del 2002 a Agosto del 2005. Se puede observar que en los
primeros 18 meses el descenso fue mas pronunciado que en los ltimos doce
meses de anlisis.

Luego lo que se obtuvo fue el anlisis de tendencia siguiendo el mtodo lineal, la

ecuacin que representa esta tendencia esta dada por la expresin:
Yt = 1801091 - 23085.4*t
y como se aprecia en la figura 2 se muestra la tendencia el valor proyectado para
los prximos 6 meses. Para los anlisis de tendencias consideraremos el valor
para el factor MAD, (Mean Absolute Deviation Desviacin Absoluta Media que
es igual a [la suma del valor absoluto de (valor actual- valor predicho)] / nmero
de observaciones) Para este caso el MAD = 1.00E+05.
El siguiente anlisis es usando el modelo de tendencia cuadrtica, obtenindose
como ecuacin:
Yt = 2060597 - 56933.9*t + 752.190*t**2
En la figura 3 se aprecia la tendencia y el valor MAD = 34506.

El siguiente anlisis es usando el modelo de la curva creciente, obtenindose

como ecuacin:
Yt = 1837199 * (0.982902**t)
En la figura 4 se aprecia la tendencia y el valor MAD = 82922.
Finalmente el ltimo anlisis es el de tendencia de la Curva-S, obtenindose
como ecuacin:
Yt = (10**7) / (11.3571 - 7.60101*(0.954664**t))
En la figura 5 se aprecia la tendencia y el valor MAD = 6.16E+04.
De los 4 anlisis hechos observamos:
Modelo de Tendencia Lineal : MAD = 1.00E+05
Modelo de Tendencia Cuadrtica: MAD = 34506
Modelo de Curva Creciente: MAD = 82922
Modelo de Tendencia de la Curva-S: MAD = 6.16E+04
De todos ellos se escoge el de menor valor MAD, seria el Modelo de Tendencia
Cuadrtico, seguido por el la Curva-S, pero el efecto real as probable para este
tipo de conexin es que siga la tendencia propuesta por el modelo Curva-S, es
decir el nmero de usuarios conectados a velocidades menores a 1Mbps seguir
esta tendencia.
 3. Caso 2: Clientes que acceden a Internet a travs de Banda ancha.

Para el segundo caso se analiz el comportamiento de clientes con un tipo de acceso a

travs de lneas dedicadas de banda ancha (velocidades de acceso a partir de 1 Mbps o
mayores). Los datos considerados tienen en cuenta el acceso de hogares, oficinas y
otros pero excluye las redesestablecidas en los campus universitarios.
Este tipo de acceso se logra a travs de diversos tipos de comunicacin, como son: el
cable modem, ATM (asynchronus transfer mode),ADSL(asymmetric digital subscriber
line), DSL(digital subscriber line) y otras tecnologas.
En la Figura 6 se presenta un grfico con los valores obtenidos de la serie de tiempo,
de Enero del 2002 a Agosto del 2005. Se puede observar que hay una orientacin
clara de crecimiento sostenido en el nmero de usuarios, aunque este no es
perfectamente regular.
Luego lo que se obtuvo fue el anlisis de tendencia siguiendo el mtodo lineal, la
ecuacin que representa esta tendencia esta dada por la expresin:
Yt = 696314 + 21519.8*t
y como se aprecia en la figura 7 se muestra la tendencia el valor proyectado para los
prximos 6 meses. De igual modo que el caso anterior consideraremos el factor MAD.
Para este caso el MAD = 22249.
El siguiente anlisis es usando el modelo de tendencia cuadrtica, obtenindose como
ecuacin:
Yt = 655895 + 26791.9*t - 117.159*t**2
En la figura 8

se aprecia la tendencia y el valor MAD = 15670.

El siguiente anlisis es usando el modelo de la curva creciente, obtenindose como

ecuacin: Yt = 743915 * (1.01940**t)
En la figura 9 se aprecia la tendencia y el valor MAD = 43460.
Finalmente el ltimo anlisis es el de tendencia de la Curva-S, obtenindose como
ecuacin:
Yt = (10**7) / (4.60237 + 9.53967*(0.959983**t))
En la figura 10 se aprecia la tendencia y el valor MAD = 20555.
De los 4 anlisis hechos observamos:
Modelo de Tendencia Lineal: MAD = 22249
 Modelo de Tendencia Cuadrtica: MAD = 15670
Modelo de Curva Creciente: MAD = 43460
Modelo de Tendencia de la Curva-S: MAD = 20555
De todos ellos se escoge el de menor valor MAD, seria el Modelo de Tendencia
Cuadrtico, MAD = 15670, seguido del modelo de la Curva-S,
es decir el nmero de usuarios conectados a velocidades mayores a 1Mbps seguir la
tendencia establecida en el modelo cuadrtico.
9. Anlisis e interpretacin de resultados

El nmero de usuarios con velocidad menor a 1Mbps, para los prximos 6 meses ira
decreciendo segn el comportamiento dado por el modelo de tendencia curva- S que
seguir la ecuacin:
Yt = (10**7) / (11.3571 - 7.60101*(0.954664**t)).
El nmero de usuarios con velocidad mayor a 1Mbps, para los prximos 6 meses ira
creciendo segn el comportamiento dado por el modelo de tendencia cuadrtico que
seguir la ecuacin:
Yt = 655895 + 26791.9*t - 117.159*t**2.
10. Conclusiones

El anlisis de series de tiempo segn la tendencia es valido si es que no se dan otros

factores que puedan influenciar de manera significativa la tendencia de ocurrencia de
los datos, en nuestro caso un avance tecnolgico inesperado podra alterar
considerablemente el comportamiento de la tendencia.

modelo clsico de serires de tiempo

Los modelos de series de tiempo son las tcnicas de pronsticos que se basan nicamente en
la historia de la demanda del tem que se esta pronosticando. Trabajan capturando los
patrones en los datos histricos extrapolndolos en el futuro. Los Modelos de series de
tiempo son adecuados cuando se puede asumir una cantidad razonable de datos y una
continuidad en el futuro prximo de las condiciones que se presentaron en el pasado. Estos
modelos se adaptan mejor al corto plazo del pronstico. Esto se debe a la hiptesis de que
los patrones pasados y las tendencias actuales se asemejan a los patrones y tendencias que
se van a presentar en el futuro. Esto es una suposicin razonable en el corto plazo, pero va
perdiendo validez en el largo plazo.
Modelos muy Simples: Promedios mviles, Igual al ao anterior, incrementos porcentuales y
ajustes a la curva son los modelos de series de tiempo ms sencillos los cuales pueden ser
utilizados para generar pronsticos. Estos modelos pueden ser implementados a travs de hojas
de clculo rpidamente y no requieren un conocimiento experto en estadstica por parte del
pronosticador, usualmente estos modelos son muy simples y para tener mayor exactitud en el
pronstico las compaas casi siempre deben acudir a modelos alternativos de series de tiempo.
Modelos de suavizacin exponencial: suavizacin exponencial es el mtodo seleccionado por la
mayora de empresas. Estos modelos se desempean bien en trminos de exactitud, son fciles
de aplicar y pueden ser automatizados, permitiendo ser utilizados a gran escala. Los modelos de
suavizacin exponencial capturan y pronostican el nivel de los datos con los diferentes tipos de
tendencias y patrones estacinales. Los modelos son adaptativos y pronostican dando mayor
importancia a los datos mas recientes sobre los datos ms distantes en el pasado.
Box-Jenkins (modelos ARIMA): Los modelos de Box-Jenkins son similares a los modelos de
suavizacin exponencial en que ambos son adatativos, pueden capturar tendencia y patrones
estacinales y son automatizables, se diferencia en que los modelos Box-Jenkins son basados
en autocorrelaciones en lugar de una vista estructural de nivel, tendencia y estacionalidad. Los
modelos de Box-Jenkins tienden a obtener mejores resultados que los modelos de suavizacin
exponencial para series de tiempo mas largas y estables no son buenos para datos con ruido y
alta volatilidad.
Modelo de demanda intermitente de Croston: El modelo de croston esta especficamente
diseado para series de datos donde la demanda para un periodo determinado a menudo es
cero y el calendario exacto de la siguiente orden no se conoce. Los datos se caracterizan por un
bajo volumen, productos fabricados especialmente para un cliente especfico o piezas de
repuesto a menudo presentan este tipo de patrn de la demanda. El pronostico no es milagroso
(no van a indicarle cuando se pondr la prxima orden) sin embargo a menudo producen un
mejor pronostico que otros enfoques de series de tiempo.
Seleccionar el modelo de serie de tiempo adecuado para un determinado grupo de datos puede
realizarse de varias maneras. Por ejemplo, el pronosticador puede aplicar el modelo adecuado
de acuerdo al conocimiento que posee de los datos. Otra alternativa es probar diferentes
modelos y seleccionar aquel que dentro o fuera de la muestra minimiza el error.

El algoritmo de seleccin experta de forecast pro selecciona el modelo adecuado a la serie de

tiempo usando una lgica basada en reglas y evaluando el pronstico generado con modelos
diferentes partiendo de una muestra de los datos. Los modelos de series de tiempo
considerados en seleccin experta incluyen las diferentes modelos de suavizacin exponencial,
los modelos de Box/Jenkins, el modelo de demanda intermitente de croston, modelos discretos
y promedios mviles.

Modelo clsico de series de tiempo

Una serie de tiempo es un conjunto de valores observados, como datos de

produccin o ventas, durante una serie de periodos temporales secuenciales
ordenada.

Ejemplo de estos datos son las ventas de un producto en particular durante una
serie de meses y el nmero de trabajadores empleados en una industria en
particular durante una serie de anos. Una serie de tiempo se representa
grficamente por medio de una grafica de lneas, sobre cuyo eje horizontal se
representan los periodos y en cuyo eje vertical de representan los valores de la
serie de tiempo.

El anlisis de series de tiempo es el procedimiento por el cual se identifican y

aslan los factores relacionados con el tiempo que influyen en los valores
observados en las series de tiempo. Una vez identificados, estos factores
pueden contribuir a la interpretacin de valores histricos de series de tiempo y
a pronosticar valores futuros de series de tiempo. El mtodo clsico para el
anlisis de serie de tiempo identifica cuatro de estas influencias o componentes.
Tendencia (T): el movimiento general a largo plazo de los de la serie de tiempo
(Y) sobre un extenso periodo de anos.

Fluctuaciones cclicas : movimientos ascendentes y descendentes recurrentes

respecto de la tendencia con una duracin de varios anos.

Variaciones estacinales (E): movimientos ascendentes y descendentes

respecto de la tendencia que se consuman en el termino de un ano y se repiten
anualmente. Estas variaciones suelen identificarse con base en datos
mensuales o trimestrales.

Variaciones irregulares (I): las variaciones errticas respecto de la tendencia

que no pueden atribuirse a las influencias cclicas o estacinales.

Este modelo en que se apoya el anlisis clsico de serie de tiempo se basa en el

supuesto de que, el valor de la variable esta determinado por los cuatro
componentes tiene una relacin multiplicativa. As donde representa el valor de
serie de tiempo observado.

Y= T X C X E X I

Estadstica II

8. ANLISIS DE SERIES DE TIEMPO

Una serie de tiempo muestra el comportamiento de una variable en el tiempo.

Las entidades econmicas, usualmente toman decisiones administrativas
basndose en los registros de la vida activa de la empresa, o bien, del ramo en
que se desenvuelve. El gobierno tambin toma decisiones y desarrolla nuevas
polticas pblicas y programas de gobierno, despus de estudiar el
comportamiento de diferentes variables a lo largo del tiempo.

Tanto la toma de decisiones como la planeacin, siempre requieren del

pronstico estadstico que se basa en el estudio del comportamiento de una
variable y en la suposicin de que ese comportamiento puede prolongarse a un
futuro.

El comportamiento de la variable estudiada, puede ser causado por diversos

factores, algunos de naturaleza econmica, otros referentes al clima, unos ms
por razones de modas, otros ms por razones financieras; y as podran
enunciarse infinidad de factores que pueden producir fluctuaciones de tipo
cclico, estacional, aleatorias, etc.

Una serie de tiempo es una secuencia de los valores que asume una
determinada variable o conjunto de variables, dispuestas en un orden
cronolgico. Estas variables pueden ser relativas a unidades monetarias, el
nmero de artculos vendidos o comprados, etc. En general, cualquier variable
cuantitativa puede ser estudiada de esta manera, siempre y cuando se
conozcan los valores que asumi en intervalos regulares de tiempo.

Cuando una serie muestra un determinado patrn de comportamiento, por un

perodo largo; es posible esperar que ese mismo patrn contine en el futuro, y
as, esta posibilidad puede darnos una base razonable para establecer
pronsticos a un plazo corto.

Cuando una variable flucta en funcin del tiempo, generalmente est

respondiendo a cuatro componentes: la tendencia (T), el ciclo , la variacin
estacional (S) y la variacin aleatoria o irregular (I). Estos componentes actan
segn dos modelos, el aditivo y el multiplicativo.

El modelo aditivo asume que el valor de la serie original (Y) proviene de la

suma de los cuatro componentes:

Y=T+S+C+I

El modelo multiplicativo asume que el valor de la serie original es el producto

de los cuatro componentes:

Y=TxSxCxI

El modelo aditivo supone que los cuatro componentes son independientes entre
s. Esto supone que, por ejemplo, cuando la tendencia tenga un valor alto, esto
no afecte al comportamiento cclico o estacional. El modelo multiplicativo
asume que los componentes s tienen relacin entre s. El modelo mutiplicativo
es que ha sido considerado como modelo clsico.

8.1. Tendencia secular (T)

De manera convencional, se utiliza este componente con fines predictivos; es

decir para la elaboracin de proyecciones o pronsticos.

Las tendencias seculares reflejan el continuo crecimiento o decrecimiento a

largo plazo de las series de tiempo. El concepto largo plazo ha sido estudiado
como de al menos dos periodos anuales en adelante, para que sea posible la
caracterizacin del comportamiento de una variable, que generalmente se
describe por medio de una recta o de alguna curva que se ajuste al
comportamiento de los datos.

Curva de primer grado y = 0 + 1X

Curva de segundo grado y = 0 + 1X + 2X2

Curva de tercer grado y = 0 + 1X1 + 2X2 + 3X3

Curva exponencial y = 0 + 1x

Curva recproca 1 / y = 0 + 1X

Curva exponencial logstica y = 1 / 0 + 12x

Es posible ajustar la tendencia de los datos de las series de tiempo, por varios
mtodos, como el de los mnimos cuadrados, el de la doble suavizacin y el de
la triple suavizacin. Sin embargo, en este curso utilizaremos el de los mnimos
cuadrados para curvas de primer grado.

FORMA GENERAL DE LA ECUACIN DE LA REGRESIN LINEAL Y = a + bX

Donde:

Y = Se lee Y prima, es el valor predictorio de la variable Y para un valor

seleccionado de X.

a = Es la interseccin con el eje Y. Es el valor estimado de Y cuando X = 0.

b = Es la pendiente de la lnea, o el cambio promedio en Y por cada cambio en

una unidad de la variable independiente X.

X = Es el valor que se escoge para la variable independiente.

Esta relacin lineal es utilizada para representar una tendencia secular que
cambia a una tasa constante. Si las series se incrementan con el tiempo,
pueden ser representadas con una lnea con pendiente positiva; si por el
contrario, decrecen con el tiempo, pueden representarse por una lnea con
pendiente negativa.

Como ya se dijo en el tema anterior, para conocer los valores de a y b, es

necesario resolver las ecuaciones siguientes:

PENDIENTE DE LA LNEA DE REGRESIN b = n ( XY ) ( X ) ( Y )

n ( X2 ) ( X ) 2

INTERSECCIN CON EL EJE Y a = Y b X

n N

Donde:
X = es un valor de la variable independiente

Y = es un valor de la variable dependiente

n = es el nmero de elementos en la muestra

Cuando se conocen los valores de x e y, se sabe que los de x se refieren al

tiempo, dado en intervalos regulares, en el que se desarrolla el comportamiento
de y; por esta razn, en el tiempo es posible definir si estamos en presencia de
periodos y as codificarlos.

Cuando se trata de un nmero par de periodos, se codifican asignando el valor

cero al primer periodo, al segundo el uno y as sucesivamente. Cuando se trata
de un nmero impar de periodos se fija el origen en la mitad de la sucesin, a
los aos anteriores se les asignan valores negativos y a los posteriores
positivos.

Serie de nmero de periodos par (n = 6 )

Ao Cdigo 2001 0 2002 1 2003 2 2004 3 2005 4 2006 5

Serie de nmero de perodos impar ( n = 7 )

Ao Cdigo 2001 3 2002 2 2003 1 2004 0 2005 1 2006 2 2007 3

Ejercicio (para una serie de nmero de periodos par)

En la siguiente tabla aparecen los valores correspondientes al INPC del periodo

comprendido entre 1962 y 1971. Supn que se quiere realizar un pronstico del
INPC para 1972.

Ao Perodo de codificacin (X) 1962 0 1963 1 1964 2 1965 3 1966 4 1967 5

1968 6 1969 7 1970 8 1971 9
45.0

Lo primero que se tiene que hacer es sustituir las frmulas mencionadas

anteriormente para ajustar una lnea de tendencia, de este modo:

Ao Perodod de codificacin (X) INPC (Y) XY X2 1962 0 26.5440 0.0000 0

1963 1 26.6376 26.6376 1 1964 2 28.1153 56.2306 4 1965 3 28.1714 84.5142
9 1966 4 28.9758 115.9032 16 1967 5 29.4809 147.4045 25 1968 6 30.0794
180.4764 36 1969 7 31.5411 220.7877 49 1970 8 33.0211 264.1688 64 1971
9 34.6596 311.9364 81
45 297.2262 1408.0594 285
PENDIENTE DE LA LNEA DE REGRESIN b = n ( XY ) ( X ) ( Y )
n ( X2 ) ( X ) 2

PENDIENTE DE LA LNEA DE REGRESIN b = 10 ( 1408.0594 ) ( 45 ) (

297.2262 )
10 ( 285 ) ( 45 ) 2

b = 0.855048485

INTERSECCIN CON EL EJE Y a = Y b X

N N

INTERSECCIN CON EL EJE Y a = 297.2262 (0.85504) 45

10 10

a = 25.87490182

FORMA GENERAL DE LA ECUACIN DE LA REGRESIN LINEAL Y = a + bX

FORMA GENERAL DE LA ECUACIN DE LA REGRESIN LINEAL Y = 25.8749 +

0.8550X

FORMA GENERAL DE LA ECUACIN DE LA REGRESIN LINEAL Y = 25.8749 +

0.8550 (10)

Y = 34.4254

Luego entonces, se podra esperar que para 1972 el INPC fuera de 34.4254

Cabe mencionar que el INPC real a diciembre de 1972 fue de 36.5858, valor
superior en ms de 2 puntos del estimado. Grficamente se podra esperar una
figura como la siguiente.

Ejercicio (para una serie de nmero de periodos impar)

Cuando los datos se presentan con un nmero impar de perodos, al codificar,

como ya mencion, el valor cero en el centro de la serie, la sumatoria de los
valores de X seran siempre cero, por lo tanto las frmulas cambian.

PENDIENTE DE LA LNEA DE REGRESIN b = XY

X 2

INTERSECCIN CON EL EJE Y a = Y

n
En el siguiente cuadro aparecen los valores del INPC correspondientes a los
aos comprendidos entre 1984 y 1992. Supn que deseas saber cul sera el
INPC en 1983.

Ao Perodo de codificacin (X) INPC (Y) XY X2 1984 4 1219.3764

4877.5056 16 1985 3 1996.7229 5990.1687 9 1986 2 4108.2000
8216.4000 4 1987 1 10647.2000 10647.2000 1 1988 0 16147.3000
0.0000 0 1989 1 19327.9000 19327.9000 1 1990 2 25112.7000 50225.4000 4
1991 3 29832.5000 89497.5000 9 1992 4 33393.9000 133575.6000 16
0 141785.7993 262895.1257 60

Luego entonces:

b = 4381.585428

a = 15753.9777

Y = 15753.9777 + 4381.5854 X

Y = 15753.9777 + 4381.5854 (5)

Y = 37661.90484
Fluctuaciones cclicas

Ciclo solar1 de 11 aos en promedio: laradiacin electromagntica que emite el sol, lasmanchas solares y en
general la actividad solar flucta cclicamente.

Las fluctuaciones cclicas son movimientos oscilatorios alrededor de una tendencia,

caracterizados por diferentes fases sucesivas recurrentes, de expansin y contraccin, de mayor o
menor amplitud, que no se encuentran ceidas a lapsos fijos y que son susceptibles de medicin.

Las fluctuaciones cclicas han sido registradas y estudiadas por ciencias tan diferentes como
la astronoma,1 la geologa,2 la meteorologa,3 la biologa,4 5 6 o la economa.7 Ya en 1922 cientficos
de diferentes disciplinas realizaron una Conferencia sobre el Ciclo en la Carnegie Institution for
Science, en la cual se presentaron investigaciones sobre fluctuaciones cclicas tan diversas como
las manchas solares, las glaciaciones o el ciclo econmico.8
[editar]Medicin

Dado que las series cronolgicas o temporales se componen de movimientos seculares a largo
plazo o tendencias, fluctuaciones cclicas, fluctuaciones estacionales y fluctuaciones accidentales,
irregulares o casuales,9 la existencia de determinadas fluctuaciones cclicas se establece mediante
diferentes mtodos de anlisis de las series temporales,10 mediante los cuales es posible aislarlas
de las fluctuaciones estacionales y de las tendencias. Una vez eliminada la estacionalidad y hecho
el ajuste de tendencia se obtienen los ciclos, no es necesario eliminar los movimientos
casuales.9 Los mtodos bsicos utilizados son los mnimos cuadrados y los promedios mviles, pero
actualmente existen diferentes procedimientos y tcnicas estadsticos para efectuar anlisis
especficos, tales como los correlogramas,11 12 el Filtro de Hodrick-Prescott o el programa de
computador BV4.1.13

Aunque los estudios a largo plazo pueden encontrar la duracin promedio de determinada
fluctuacin cclica, es imposible predecir su duracin exacta, la cual no puede deducirse del
promedio, ni de la duracin del ciclo anterior ni de la de algn grupo de ciclos precedentes. En
cambio s es posible determinar el carcter necesario de determinadas fluctuaciones cclicas, cuyo
desenvolvimiento concreto resulta de una compleja interrelacin de mltiples variables, de manera
que se une la determinacin con la probabilidad.14

Anlisis de tendencia para series de tiempo

1) INTRODUCCIN
Las series de tiempo llamadas tambin series cronolgicas o series histricas son un
conjunto de datos numricos que se obtienen en perodos regulares y especficos a travs
del tiempo, los tiempos pueden ser en aos, meses, semanas, das o otra unidad adecuada al
problema que se est trabajando. Ejemplos de series de tiempo son: Ventas mensuales de
un producto en una empresa, produccin total anual de petrleo en Ecuador durante un
cierto nmero aos o las temperaturas anunciadas cada hora por el meteorlogo para un
aeropuerto.
Matemticamente, una serie de tiempo se define por los valores Y1, Y2, Y3,.de una
variable Y (ventas mensuales, produccin total, etc.) en tiempos t1, t3, t3.. Si se
reemplaza a X por la variable tiempo, estas series se definen como distribuciones de pares
ordenados (X,Y) en el plano cartesiano, siendo Y una funcin de X; esto se denota por:

El principal objetivo de las series de tiempo es hacer proyecciones o pronsticos sobre una
actividad futura, suponiendo estables las condiciones y variaciones registradas hasta la
fecha, lo cual permite planear y tomar decisiones a corto o largo plazo. Despus, con base
en esa situacin ideal, que supone que los factores que influyeron en la serie en el pasado lo
continuarn haciendo en el futuro, se analizan las tendencias pasadas y
elcomportamiento de las actividades bajo la influencia de ellas; por ejemplo, en la
proyeccin de ventas de un producto o de un servicio de una empresase calculan los
posibles precios, la reaccin del consumidor, la influencia de la competencia, etc.
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:

2) MTODO DE LOS MNIMOS CUADRADOS

Este mtodo ya se estudi en el captulo anterior, en el que se indic las formas para hallar
la ecuacin de una recta de mnimos cuadrados. Con esta recta se obtendrn los valores de
tendencia.
Ejemplo ilustrativo:
Con los siguientes datos acerca de las ventas en millones de dlares de la Empresa M & M:

Ao (X) Ventas (Y)

1995 3,4

1996 3,1

1997 3,9

1998 3,3

1999 3,2

2000 4,3

2001 3,9

2002 3,5

2003 3,6

2004 3,7

2005 4

2006 3,6

2007 4,1

2008 4,7

2009 4,2
 2010 4,5

1) Hallar la ecuacin de tendencia por el mtodo de los mnimos cuadrados.

2) Pronosticar la tendencia de exportacin para el 2011.
3) Elaborar la grfica para los datos y la recta de tendencia.
Solucin:
1) Para hallar la ecuacin de tendencia por el mtodo de los mnimos cuadrados se llena la
siguiente tabla, codificando la numeracin de los aos 1995 como 1, 1996 como 2, y as
consecutivamente para facilitar los clculos.

Ao (X) X Y XY X2 Y2

1995 1 3,4 3,40 1 11,56

1996 2 3,1 6,20 4 9,61

1997 3 3,9 11,70 9 15,21

1998 4 3,3 13,20 16 10,89

1999 5 3,2 16,00 25 10,24

2000 6 4,3 25,80 36 18,49

2001 7 3,9 27,30 49 15,21

2002 8 3,5 28,00 64 12,25

2003 9 3,6 32,40 81 12,96

2004 10 3,7 37,00 100 13,69

2005 11 4 44,00 121 16,00

2006 12 3,6 43,20 144 12,96

2007 13 4,1 53,30 169 16,81

2008 14 4,7 65,80 196 22,09

2009 15 4,2 63,00 225 17,64

 2010 16 4,5 72,00 256 20,25

Total 136 61 542,3 1496 235,86

Reemplazando valores en las siguientes frmulas se obtiene los valores de a0 y a1:

Interpretacin:

- El valor al ser positiva indica que existe una tendencia ascendente de

las exportaciones aumentando a un cambio o razn promedio de 0,07 millones de dlares
por cada ao.

- El valor de indica el punto en donde la recta interseca al eje Y cuando X = 0, es

decir indica las exportaciones estimadas para el ao 1996 igual a 3,22.
Reemplazado los valores anteriores en la recta de tendencia se obtiene:

Y = 3,22 + 0,07X
2) Para pronosticar la tendencia de exportacin para el 2011 se reemplaza X = 17 en la recta
de tendencia, obteniendo el siguiente resultado:
Y = 3,22 + 0,07X
Y = 3,22 + 0,0717 = 4,41
Los clculos en Excel se muestran en la siguiente figura:
3) La grfica de los datos y la recta de tendencia elaborada en Excel se muestran en la
siguiente figura:

3) MTODO 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, consiguindose as dos puntos de la recta de tendencia y
c) Estos valores se reemplazan en el siguiente sistema:
d) Resolviendo el sistema se encuentran los valores de y los cuales se reemplazan en
la ecuacin de la recta de tendencia, la cual es:

Con esta recta de tendencia se puede realizar pronsticos, los cuales son menos exactos que
los obtenidos con el mtodo de los mnimos cuadrados, sin embargo, su diferencia es
mnima.
Ejemplo ilustrativo
Con los siguientes datos sobre las ventas en millones de dlares de la Empresa D & M

Ventas
Ao (X)
(Y)

2000 1,5

2001 1,8

2002 2

2003 1,5

2004 2,2

2005 2

2006 3

2007 2,8

2008 2,4

2009 2,9

2010 3

1) Hallar la ecuacin de tendencia por el mtodo de los semipromedios.

2) Pronosticar la tendencia de ventas para el 2011.
3) Elaborar la grfica para los datos y la recta de tendencia.
Solucin:
1) Se codifica la numeracin de los aos 2000 como 1, 2001 como 2, y as consecutivamente
para facilitar los clculos. Se agrupa en dos grupos iguales.
El ao 2005 se dej por fuera para tener grupos con el mismo nmero de aos. El valor
central de 3 corresponde a la mediana del primer grupo 1, 2, 3, 4 y 5. El valor central de 9
corresponde a la mediana del segundo grupo 7, 8, 9, 10 y 11. El semipromedio 1,8
corresponden a la media aritmtica del primer grupo. El semipromedio 2,82 corresponden
a la media aritmtica del segundo grupo. De esta manera se obtienen dos puntos (3, 1.8) y
(9, 2.82) de la recta de tendencia.
Reemplazando los puntos en el siguiente sistema se obtiene:

Resolviendo el sistema empleando la regla de Cramer se obtiene:

Como es positiva, la recta tiene una tendencia ascendente (pendiente positiva).

Reemplazando los valores calculados se tiene la recta de tendencia, la cual es:

2) Para pronosticar la tendencia de exportacin para el 2011 se reemplaza X = 12 en la recta

de tendencia, obteniendo el siguiente resultado:
Y = 1,29 + 0,17X
Y = 1,29 + 0,1712 = 3,33
Interpretacin: Existe una tendencia ascendente a un cambio promedio de 0,17 millones
de dlares por cada ao, por lo que el Gerente de ventas de la empresa debe seguir
aplicando las polticas necesarias para mantener la tendencia ascendente y mejorar la tasa
de crecimiento.
Los clculos realizados en Excel se muestran en la siguiente figura:
3) La grfica de los datos y la recta de tendencia elaborada en Graph se muestran en la
siguiente figura:

INTRODUCCIN
Toda institucin, ya sea la familia, la empresa o el gobierno, tiene que hacer planes para el
futuro si ha de sobrevivir y progresar. Hoy en da diversasinstituciones requieren conocer
el comportamiento futuro de ciertos fenmenos con el fin de planificar, prever o prevenir.
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
En adelante se estudiar como construir un modelo para explicar la estructura y prever
la evolucin de una variable que observamos a lo largo deltiempo.
Son innumerables las aplicaciones que se pueden citar, en distintas reas del conocimiento,
tales como, en economa, fsica, geofsica, qumica,electricidad, en demografa,
en marketing, en telecomunicaciones, en transporte, etc.
Uno de los problemas que intenta resolver las series de tiempo es el de prediccin. En
adelante se estudiar como construir un modelo para explicar la estructura y preveer la
evolucin de una variable que observamos a lo largo del tiempo.
La variables de inters puede ser macroeconmica (ndice
de precios al consumo, demanda de electricidad, series de exportaciones o importaciones,
etc.), microeconmica (ventas de una empresa, existencias en
un almacn, gastos en publicidad de un sector), fsica (velocidad del viento en una central
elica, temperatura en un proceso, caudal de un ro, concentracin en la atmsfera de un
agente contaminante), o social (nmero de nacimientos, matrimonios, defunciones, o
votos a un partido poltico).
Resumen
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 laprobabilidad 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 esta 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, los componente
cclico, la variacin estacional, variacin irregular. Aplicaremos un caso real demostrando
un tipo de variacin cclica.
MARCO TEORICO
ESTADSTICA
Es la Ciencia que se ocupa de Recolectar, Organizar, Presentar, analizar e
interpretar datos para ayudar a una toma de decisiones mas efectiva.
* Existen dos clases de Estadstica:
A.- Estadstica Descriptiva, que incluye los procedimientos para organizar y resumir
datos.
B.- Estadstica Inferencial, que comprende la toma de una muestra de una poblacin o
de una realizacin de estimaciones acerca de esa poblacin, con base en los
resultados para la muestra .Una Poblacin es el conjunto total de los individuos u objetos
de inters. Una Muestra es una parte de la Poblacin.
* Existen dos tipos de variables :
A. Una variable cualitativa es no numrica .Generalmente nos interesa el numero o
porcentaje de las observaciones en cada categora .Los datos Cualitativos
normalmente se resumen en cuadros o graficas de barras.

B. Hay dos tipos de variales cuantitativas, y generalmente se reportan de manera

Numrica.Las variables discretas que solo pueden asumir ciertos valores y
normalmente existen huecos y brechas entre esos valores. Una variable continua que
puede asumir cualquier valor dentro de un intervalo especfico.
SERIES DE TIEMPO Y PRONOSTICOS
Con frecuencia se realizan observaciones de datos a travs del tiempo. Cualquier variable
que conste de datos reunidos, registrados u observados sobre incrementos sucesivos de
tiempo se denomina serie de tiempo.
Una serie de tiempo es un conjunto de observaciones producidas en determinados
momentos durante un periodo, semanal, mensual, trimestral o anual, generalmente a
intervalos iguales.
Si bien el comportamiento de cualquier serie de tiempo puede observarse grficamente, no
en todos los casos es posible distinguir las particularidades que cada una puede contener.
La experiencia basada en muchos ejemplos se series de tiempo, sin embargo, ha revelado
que existen ciertos movimientos o variaciones caractersticas que pueden medirse y
observarse por separado. Estos movimientos, llamados a menudo componentes, de
una serie de tiempo y que se supone son causados por fenmenos distintos.
El primer paso para analizar una serie de tiempo es graficarla, esto permite: identificar la
tendencia, la estacionalidad, las variaciones irregulares (componente aleatoria). Un modelo
clsico para una serie de tiempo, puede ser expresada como suma o producto de tres
componentes: tendencia, estacional y un trmino de error aleatorio.
Son innumerables las aplicaciones que se pueden citar, en distintas reas del conocimiento,
tales como, en economa, fsica, geofsica, qumica, electricidad, en demografa, en
marketing, en telecomunicaciones, en transporte, etc.

Series De Tiempo Ejemplos

- Precios de un artculo

- Tasas de desempleo

1. Series econmicas: - Tasa de inflacin

- ndice de precios, etc.

 - Meteorologa

- Cantidad de agua cada

2. Series Fsicas: - Temperatura mxima diaria

- Velocidad del viento (energa elica)

- Energa solar, etc.

3. Geofsica: - Series sismologas

- Tasas de crecimiento de la poblacin

4. Series demogrficas: - Tasa de natalidad, mortalidad

- Resultados de censos poblacionales

5. Series de marketing: - Series de demanda, gastos, ofertas

6. Series de telecomunicacin: - Anlisis de seales

7. Series de transporte: - Series de trfico

En el anlisis de series de tiempo de datos, una tentacin inmediata consiste en intentar

explicar o contabilizar el comportamiento de las series. La descomposicin clsica es
un mtodo que se basa en la suposicin de que se pueden descomponer en componentes
como tendencia, ciclo, estacionalidad e irregularidad. Una prediccin se hace mediante la
combinacin de las proyecciones de cada componente individual.
COMPONENTES DE UNA SERIE DE TIEMPO
Existen 4 componentes de una serie de Tiempo : La Tendencia, La Variacin Cclica,
Variacin Estacional, y la Variacin Irregular.
TENDENCIA SECULAR
Las tendencias a largo plazo (sin alteraciones de una serie de tiempo) de las ventas,
el empleo, los precios de las acciones, y otras series econmicas y comerciales .
Muchas variables macroeconmicas, como el Producto Nacional Bruto (PNB), el empleo y
la produccin industrial estn dominadas por una fuerte tendencia.
La tendencia de una serie de tiempo es el componente de largo plazo que representa el
crecimiento o disminucin en la serie sobre un periodo amplio. Las fuerzas bsicas que
ayudan a explicar la tendencia de una serie son el crecimiento de la poblacin, la inflacin
de precios, el cambio tecnolgico y los incrementos en la productividad.
La figura 2.3 muestra grficamente la recta de tendencia ajustada a los datos trimestrales .
La recta de trazos despus de 1972 representa proyecciones (ver seccin 3 Predicciones).
 Figura 2.3
Es decir, Movimientos seculares contienen los movimientos suaves de largo plazo, los
cuales estn dominados fundamentalmente por factores de tipo econmico.

VARIACIN CCLICA
Es la segunda componente de un serie de Tiempo es la Variacin Cclica; ascenso y
descenso de una serie de Tiempo en periodos mayores de un ao.
El componente cclico es la fluctuacin en forma de onda alrededor de la tendencia, afecta
por lo regular por las condiciones econmicas generales. Los patrones cclicos tienden a
repetirse en los datos aproximadamente cada dos tres o ms aos. Es comn que las
fluctuaciones cclicas estn influidas por cambios de expansin y contraccin econmicas, a
los que comnmente se hace referencia como el ciclo de los negocios.
Movimientos cclicos o variaciones cclicas o ciclo.
Se refieren a las oscilaciones de larga duracin alrededor de la curva de tendencia, los
cuales pueden o no ser peridicos, es decir, pueden o no seguir caminos anlogos en
intervalos de tiempo iguales. Se caracterizan por tener lapsos de expansin y contraccin.
En general, los movimientos se consideran cclicos solo si se produce en un intervalo de
tiempo superior al ao(3). En el Grfico los movimientos cclicos alrededor de la curva de
tendencia estn trazados en negrita.

VARIACIN ESTACIONAL
Patrones de cambio en una serie de tiempos en una ao. Tales patrones tienden a repetirse
cada ao. El componente estacional se refiere a un patrn de cambio que se repite a si
mismo ao tras ao. En el caso de las series mensuales, el componente estacional mide la
variabilidad de las series de enero, febrero, etc. En las series trimestrales hay cuatro
elementos estacinales, uno para cada trimestre. La variacin estacional puede reflejar
condiciones de clima, das festivos o la longitud de los meses del calendario.
Movimientos estacionales o variaciones estacionales.
Se refieren a las fluctuaciones peridicas que se observan en series de tiempo cuya
frecuencia es menor a un ao (trimestral, mensual, diaria, etc.), aproximadamente en las
mismas fechas y casi con la misma intensidad. Por ejemplo, el mayor monto de recaudacin
del Impuesto a la Renta se observa en el mes de marzo de todos los aos o la mayor brecha
entre el tipo de cambio de compra y venta se produce los das viernes dcada semana o la
mayor cotizacin de los ttulos que se mueven en la Bolsa de Valores de Lima se observa
diariamente entre las 11 a.m. y 12 m.
Las variaciones estacionales, como veremos, responden fundamentalmente a factores
relacionados al clima, lo institucional o las expectativas y no a factores de tipo econmico.
En el Grfico no se observa ningn movimiento estacional, puesto que se trata de una serie
anual.
Las principales fuerzas que causan una variacin estacional son las condiciones del tiempo,
como por ejemplo:
1) En invierno las ventas de helado
2) En verano la venta de lana
3) Exportacin de fruta en marzo.
Todos estos fenmenos presentan un comportamiento estacional (anual, semanal, etc.)

Figura 1.3
VARIACIN IRREGULAR
El componente aleatorio mide la variabilidad de las series de tiempo despus de que se
retiran los otros componentes. Contabiliza la variabilidad aleatoria en una serie de tiempo
ocasionada por factores imprevistos y no ocurrentes. La mayora de los componentes
irregulares se conforman de variabilidad aleatoria. Sin embargo ciertos sucesos a veces
impredecibles como huelgas, cambios de clima (sequas, inundaciones o terremotos),
elecciones, conflictos armados o la aprobacin de asuntos legislativos, pueden causar
irregularidad en una variable.
Movimientos irregulares o al azar o ruido estadstico. Si bien pueden ser
generados por factores de tipo econmico, generalmente sus efectos producen variaciones
que solo duran un corto intervalo de tiempo. Aunque debe reconocerse que en ocasiones
sus efectos sobre el
comportamiento de una serie pueden ser tan intensos que fcilmente podran dar lugar a
un nuevo ciclo o a otros movimientos. Un claro ejemplo de esto es el efecto del shock de
precios de agosto de 1990 sobre el comportamiento de la inflacin.
Al analizar una serie de tiempo es necesario, entonces, tener en consideracin el
comportamiento de cada uno de estos componentes. Para ello el criterio mas lgico a seguir
es aislarlos secuencialmente partiendo de la serie original para luego analizarlos de manera
individual. Si bien esto supone la utilizacin de mtodos estadsticos adecuados, que mas
adelante veremos, la mejor forma de apreciarlos es a travs de su observacin visual.
a) Detectar Outlier: se refiere a puntos de la serie que se escapan de lo normal. Un
outliers es una observacin de la serie que corresponde a un comportamiento anormal del
fenmeno (sin incidencias futuras) o a un error de medicin.
Se debe determinar desde fuera si un punto dado es outlier o no. Si se concluye que lo es, se
debe omitir o reemplazar por otro valor antes de analizar la serie.
Por ejemplo, en un estudio de la produccin diaria en una fabrica se present la siguiente
situacin ver figura 1.1:

Figura 1.1
Los dos puntos enmarcados en un crculo parecen corresponder a un comportamiento
anormal de la serie. Al investigar estos dos puntos se vio que correspondan a dos das
de paro, lo que naturalmente afect la produccin en esos das. El problema fue
solucionado eliminando las observaciones e interpolando.
CASO
La piratera sigue creciendo
La tasa de piratera en el Per fue del 73% en el 2004, cinco puntos porcentuales ms que
en el 2003, y las prdidas por piratera de software ascendieron a 39 millones de dlares.
Estos son algunos de los hallazgos de un estudio de piratera mundial de software publicado
por la Business Software Alliance (BSA), asociacin internacional de desarrolladores de
software.
El estudio independiente -que indica que la piratera de software contina representando
un gran desafo en todo el mundo- fue realizado por la consultora, Internacional Data
Corporacin (IDC).
El informe indic que el Per est entre los cinco pases con tasas de piratera mayores a la
tasa latinoamericana, fijada en 66% por el estudio de IDC, que gener prdidas por 1.546
millones de dlares. "En el Per, siete de cada diez copias de software en uso hoy en da han
sido obtenidas ilegalmente", dijo el presidente y CEO de Business Software Alliance, Robert
Holleyman. "Las prdidas por piratera de software ocasionan un gran impacto econmico
en los pases de la regin y en todo el mundo.
Cada copia de software utilizada sin la licencia apropiada cuesta ingresos fiscales, empleos y
oportunidades de crecimiento para mercados de software que estn en desarrollo".
La tasa de piratera de Amrica Latina (66%) fue significativamente ms alta que la tasa
mundial, de 35%. De las seis regiones incluidas en el estudio,Latinoamrica fue la que
registr la mayor tasa de piratera, seguida por la regin identificada como "Resto
de Europa" en el reporte (pases que no son parte de la Unin Europea), con un 61%, Medio
Oriente y frica (58%), Asia-Pacfico (53%), la Unin Europea (35%) y Norteamrica (22%).
La piratera todava es mucho ms fuerte en pases y regiones donde el mercado de software
est en crecimiento, a medida que la computacin se integra ms al trabajo y a la vida
diaria", dijo John Gantz, el oficial principal de investigacin en IDC. "La piratera sube o
baja como consecuencia de una compleja ecuacin que incluye, por un lado, la educacin y
el cumplimiento de las leyes; y, por otro, el ingreso de nuevos usuarios al mercado, la
simplificacin del acceso a software pirateado y/o nuevos factores externos, como el cambio
en las condiciones polticas".
Por su lado, Holleyman indic que "los programas educativos, el fomento de polticas
pblicas y los esfuerzos de aplicacin y ejecucin de la ley de BSA alrededor del mundo
continan teniendo un impacto sobre el problema de la piratera. Pero la afluencia continua
de nuevos usuarios en mercados emergentes y la creciente disponibilidad de software
pirateado, principalmente a travs de la Internet y redes P2P, demuestra que
la educacinpermanente es esencial".
A nivel mundial, el 35% del software instalado en computadoras personales en el 2004 era
pirateado, una baja de un punto porcentual del 36% en el 2003. No obstante, las prdidas a
raz de la piratera incrementaron de 29 mil millones de dlares estadounidenses a 33 mil
millones de dlares.
En el 2004, en el mundo se gastaron ms de 59 mil millones de dlares en software
comercial empaquetado para PC, una cifra mayor a los 51 mil millones de dlares gastados
en el 2003. Pero, en realidad, fue instalado software por ms de 90 mil millones de dlares,
un incremento de los 80 mil millones de dlares instalados el ao anterior.
El alza a 33 mil millones de dlares en prdidas fue, en parte, producto de que el mercado
de software para PC haya crecido en ms de un 6%, y que el dlar estadounidense se haya
debilitado en comparacin con muchas de las divisas del mundo.
Para este estudio, IDC utiliz estadsticas propias de envos de software y hardware, realiz
ms de siete mil entrevistas en 23 pases para confirmar las tendencias en piratera de
software, y cont con analistas en ms de 50 pases para estudiar las condiciones de los
mercados locales.
El siguiente grafico muestra la cantidad en soles perdidos en el Per durante los ltimos 11
aos en software piratas . Se presenta como Tendencia Secular se presenta como una
tendencia decreciente a largo plazo.
 BIBLIOGRAFAS
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
Estadsticas para Administracin y Economa ("Lind Marchal Mason")

MARITZA SANTOS Yaurivilca

UNIVERSIDAD : INCA GRACILAZO DE LA VEGA
MAESTRIA : INGENIERIA DE SISTEMAS con mencin en Tecnologas de Informacin
ASIGNATURA : MODELOS ESTADISTICOS
CICLO : PRIMER (1er modulo)