Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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.
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 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
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.
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.
Y= T X C X E X I
Estadstica II
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.
Y=T+S+C+I
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.
Curva exponencial y = 0 + 1x
Curva recproca 1 / y = 0 + 1X
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.
Donde:
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.
Donde:
X = es un valor de la variable independiente
b = 0.855048485
a = 25.87490182
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.
Luego entonces:
b = 4381.585428
a = 15753.9777
Y = 15753.9777 + 4381.5854 X
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 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
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:
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
Ao (X) X Y XY X2 Y2
Interpretacin:
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:
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
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.
- Precios de un artculo
- Tasas de desempleo
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")