Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MENCIÓN:TRIBUTACIÓN
ESTADÍSTICA
SERIES TEMPORALES
390
380
370
Empleados
360
350
340
330
320
310
1 6 12 18 24 30 36 42 48 54 60
Índice
El gráfico muestra las observaciones (Actual), la curva de tendencia que se ajusta a las
mismas (Ajustes), y los valores pronosticados (Pronósticos).
Las observaciones presentan una tendencia creciente, con un claro componente
estacional. La curva obtenida parece ajustarse bastante bien a la tendencia de las
observaciones, pero el patrón estacional no está siendo considerado en este modelo.
Análisis de descomposición
Elegir la opción:
Estadísticas > Series de tiempo > Descomposición.
En el cuadro de dialogo:
1.En Variable, ingrese RESID1.
2.En Longitud estacional, ingrese 12.
3.En Tipo de modelo, elija Aditivo.
4.Seleccione Generar pronósticos. En Número de
pronósticos, ingrese 12
5.Seleccione almacenamiento y marque ajustes, residuos y
pronosticos
6.Haga clic en Aceptar.
Los resultados son:
Descomposición de series de tiempo para RESID1
Método
Tipo de modelo Modelo aditivo
Datos RESID1
Longitud 60
Número de valores faltantes 0
Ecuación de tendencia ajustada
Yt = 2.535 - 0.0831×t
Índices estacionales Pronósticos Medidas de exactitud
Período Índice Período Pronóstico
1 -8.4826 61 -11.0172 MAPE 527.615
2 -13.3368 62 -15.9545 MAD 2.646
3 -11.4410 63 -14.1418 MSD 9.828
4 -5.8160 64 -8.5999
5 0.5590 65 -2.3080
6 3.5590 66 0.6089
7 1.7674 67 -1.2659
8 3.4757 68 0.3594
9 3.2674 69 0.0679
10 5.3924 70 2.1098
11 8.4965 71 5.1309
12 12.5590 72 9.1103
Gráfica de descomposición de series de tiempo de RESID1
10 10
0 0
-10 -10
-20 -20
1 12 24 36 48 60 1 12 24 36 48 60
Índice Índice
10 5
0
0
-10
-20 -5
1 12 24 36 48 60 1 12 24 36 48 60
Índice Índice
10
10
0 0
-10
-10
-20
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
0
4
-5
0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Se observa que los valores ajustados son muy similares a los originales por lo
tanto el modelo escogido es el adecuado. El valor del MSD para la combinación
de tendencia cuadrática y descomposición de residuos es de 11.8989, lo que
indica que este método combinado es el que proporciona un mejor ajuste.
MSD = SUM((Empleados - Ajuste-fin)^2)/(N(Empleados))
FUNDAMENTO PROBABILISTICO DE
UNA SERIE DE TIEMPO.
Por definición una serie temporal es la realización
particular de un proceso escolástico, luego las leyes que
gobiernan a una proceso estadístico, también gobiernan
en una serie de tiempo. Y en general aquellas que rigen
para la familia de variables que definen a un proceso
estocástico.
Una serie temporal es completamente caracterizado, si
se conocen los “r”- esimos momentos finito
dimensionales. Sin embargo al observar en la realidad
solamente una observación por periodo de tiempo se
requiere suponer algunas propiedades que hacen
posible realizar las inferencias estadísticas a partir del
conjunto de datos disponibles.
Dos de estas propiedades recaen en la
ESTACIONARIEDAD y en la ERGODICIDAD.
MODELOS DE SERIE DE TIEMPO
Estructuras especificas para la componente Dt ,determinaran las
formas generales de una serie de tiempo.
1.- FORMA DE MEDIA MOVIL INFINITO.- Se fundamenta, en que toda
serie de tiempo se origina como una suma infinita de choques
aleatorios; es decir, se genera bajo el esquema de la siguiente
ecuación;
Zt 0 t 1 t 1 e
2 t 2 3 t 3 ... ... , t 1,2,3, ... , T
Donde los j son los parámetros del modelo, y t las
perturbaciones aleatorias, Y “B” el operador de desface o
rezago, y opera solo sobre la variable aleatoria cuyo parámetro
indicador es el tiempo “t”.
Zt 0 Z
1 t 1 Z
2 t 2 Z
3 t 3 ... t t 1,2,3, ... , T
La forma autoregresiva es más conveniente para efectos de la
obtención de los pronósticos.
3.- FORMA DE ECUACION DE DIFERENCIAS.- Una forma alternativa
entre los dos modelos se puede formular aplicando una razón
de dos polinomios de orden finito del siguiente modo;
f(B) Zt = θ(B) t , t=1,2,3,....,T
Donde los polinomios f(B), y θ(B) tienen elementos finitos, y
por tanto pueden usarse para calcular los pronósticos
respectivos.
Funciones de Autocorrelación
• En series de tiempo las herramientas fundamentales, a partir de los
cuales se inicia el análisis exploratorio de los datos, recaen en la Función
de autocorrelación, y la función de autocorrelación parcial; las mismas
que se definen de la siguiente manera;
ρ(k) = γ(k) / γ(0)
• Donde γ(k) es la función de autocovarianza y se estima desde la muestra
observada, a través de la función de autocovaianza muestral, el cual se
define como; T -k
1
g ( k ) =C k = å(Z t -Z )( Z t +k -Z ) ; k =1,2, ...,T -1
T t =1
45.0
42.5
Temp
40.0
37.5
35.0
1 9 18 27 36 45 54 63 72 81 90
Índice
En primer lugar, a fin de determinar si la temperatura en
una hora concreta está correlacionada con la
temperatura registrada una hora antes, dos horas antes,
etc., calcularemos la función de autocorrelación con
lags = 24
En MINITAB, para hacer la hallar la función de autocorrelación se sigue la
secuencia
Estadísticas > Series de tiempo > Autocorrelación.
Elementos del cuadro de diálogo
Serie: Marcar la columna que contiene la serie de datos:
variable Temp.
Hacer clic en aceptar
Autocorrelation Function: Temp
Resultados:
Lag ACF T LBQ
1 0.949284 9.25 88.34 13 -0.678601 -2.19 472.74
2 0.835845 4.87 157.57 14 -0.622735 -1.91 516.86
3 0.674533 3.21 203.14 15 -0.531927 -1.57 549.45
4 0.477057 2.06 226.19 16 -0.409360 -1.18 569.00
5 0.261378 1.08 233.18 17 -0.262960 -0.75 577.17
6 0.038862 0.16 233.34 18 -0.096963 -0.27 578.29
7 -0.172223 -0.70 236.44 19 0.076070 0.21 578.99
8 -0.355473 -1.44 249.83 20 0.242756 0.69 586.23
9 -0.504385 -2.00 277.09 21 0.393810 1.11 605.55
10 -0.610853 -2.33 317.54 22 0.524039 1.45 640.21
11 -0.673287 -2.43 367.27 23 0.617273 1.68 688.98
12 -0.695611 -2.37 420.99 24 0.661579 1.75 745.79
estarán positivamente
ió
0.2
0.0
correlacionadas, mientras que
-0.2
1.0
0.8
0.6
Autocorrelac n parcial
0.4
0.2
ió
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
2 4 6 8 10 12 14 16 18 20 22 24
Desfase
Se excluyeron
Estadístico los pronósticos
de chi-cuadrada modificadoretrospectivos
de Box-Pierce (Ljung-Box)
Desfase 12 24 36 48
Chi-cuadrada 52.96 72.38 82.78 98.30
GL 6 18 30 42
Valor p 0.000 0.000 0.000 0.000
47.5
45.0
Temp
42.5
40.0
37.5
35.0
1 12 24 36 48 60 72 84 96
Tiempo