Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SP Maril II Metodologia Documento
SP Maril II Metodologia Documento
METODOLOGÍA DE ANÁLISIS
SERIES DE TIEMPO
ESTADÍSTICA INFERENCIAL
o Pruebas de hipótesis
o Análisis de varianza
o Tablas de contingencia
CONTROL ESTADÍSTICO DE
PROCESOS
Página 1
Metodología de análisis con Series de tiempo, Estadística inferencial y Control Estadístico
1. INTRODUCCIÓN
2. TENDENCIA Y ESTACIONALIDAD
Tendencias: Si los datos muestran una tendencia, se pueden ajustar los datos con
algún tipo de curva o recta.
Por ejemplo:
Accuracy Measures
5000 MAPE 3.9
MAD 164.9
MSD 36852.8
Clave 2
4500
4000
3500
3000
2003 2004 2005 2006 2007 2008 2009
Year
Página 2
Metodología de análisis con Series de tiempo, Estadística inferencial y Control Estadístico
FALTAS ADMINISTRATIVAS
Linear Trend Model
Yt = 1411.87 - 0.782418*t
1800 Variable
Actual
1700 Fits
Accuracy Measures
FALTAS ADMINISTR
1400
1300
1200
1100
Month Ene Mar May Jul Sep Nov Ene
Year 2004 2005
4. MÉTODOS DE PRONÓSTICO
Modelan componentes en una serie que normalmente son fáciles de ver en una
serie de tiempo.
Página 3
Metodología de análisis con Series de tiempo, Estadística inferencial y Control Estadístico
Accuracy Measures
MAPE 12
5000
MAD 340
Clave 1
MSD 142893
4000
3000
2000
1000
2004 2005 2006 2007 2008 2009 2010 2011
Year
Método de Descomposición
Por ejemplo:
Se desea predecir la tasa de faltas administrativas durante 2006 a 2009. Como los
datos tienen una tendencia que se ajusta bien con un modelo de tendencia
cuadrática y tiene un componente estacional se utilizan los residuos del ejemplo
Página 4
Metodología de análisis con Series de tiempo, Estadística inferencial y Control Estadístico
FALTAS ADMINISTRATIVAS
Multiplicative Model
1900 Variable
Actual
1800 Fits
Trend
1700 Accuracy Measures
MAPE 2.12
FALTAS A DM
1400
1300
1200
1100
Month Ene Ene Ene Ene Ene Ene
Year 2004 2005 2006 2007 2008 2009
1.0 1.0
0.8 0.8
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
20
0
10 -200
-400
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
Página 5
Metodología de análisis con Series de tiempo, Estadística inferencial y Control Estadístico
1. Una gráfica de serie de tiempo mostrando los datos originales con la línea
de tendencia ajustada, valores estimados y pronósticos
2. Un análisis de componentes con gráficas separadas para la serie, datos sin
tendencia, datos ajustados con estacionalidad y los datos ajustados
estacionalmente y sin tendencias (los residuos).
3. Un análisis estacional, mostrando los índices estacionales y la variación
porcentual dentro de cada estación respecto a la suma de la variación por
estación y gráficas de caja de los residuos por periodo estacional.
METODO DE WINTERS
El efecto aditivo es mejor cuando el patrón estacional en los datos no depende del
valor de los datos, o sea que el patrón estacional no cambia conforme la serie se
incrementa o disminuye de valor.
Página 6
Metodología de análisis con Series de tiempo, Estadística inferencial y Control Estadístico
Instrucciones de Minitab
95.0% PI
50 Smoothing Constants
Alpha (lev el) 0.2
Gamma (trend) 0.2
40 Delta (seasonal) 0.2
Accuracy Measures
MAPE 13.8561
30 MAD 4.8550
MSD 44.5868
20
10
Month Ene Ene Ene Ene Ene Ene Ene
Year 2004 2005 2006 2007 2008 2009 2010
La gráfica muestra los valores de la serie y los valores estimados (un periodo
adelante) y los cuatro pronósticos.
Los valores de exactitud del modelo MAPE, MAD y MSD utilizando el modelo
Aditivo proporcionan un mejor ajuste en dos de los tres indicadores que con el
modelo Multiplicativo como se muestra a continuación.
Accuracy Measures
MAPE 13.5600
MAD 4.7628
MSD 43.1327
Página 7
Metodología de análisis con Series de tiempo, Estadística inferencial y Control Estadístico
Accuracy Measures
Multiplicative Additive
MAPE 13.8561 13.5600
MAD 4.8550 4.7628
MSD 44.5868 43.1327
El Modelo ARIMA puede utilizarse para modelar series de tiempo con o sin
componentes de tendencia o estacionalidad y proporcionar pronósticos.
Las diferencias se calculan entre los valores de los datos de la serie de tiempo,
sirven para identificar patrones de tendencia y estacionalidad.
Los atrasos (lags), son valores anteriores con los que se determina el siguiente
valor pronosticado
Ejemplo de ARIMA:
Instrucciones de Minitab
1 Worksheet DELITOS.MTW.
2 Stat > Time Series > ARIMA.
3 En Series, poner FALTAS_ADM.
4 Seleccionar Fit seasonal model. En Period poner 12 en Nonseasonal, poner 1 en
Autoregressive. En Seasonal y en Difference poner 0.
5 Seleccionar Graphs. Seleccionar ACF of residuals y PACF of residuals .
6 En Forecasts poner 12 en Lead e indicar una columna vacía para Store los pronósticos.
7 OK en cada cuadro de diálogo.
1.0
0.8 El modelo ARIMA converge en 10
0.6 iteraciones. El modelo AR(1) tiene un
0.4
estadístico t de 46.78, como regla si t
Autocorrelation
0.2
0.0 es mayor a 2 se puede juzgar el
-0.2
-0.4
parámetro como significativo diferente
-0.6 de cero. Los residuos no parecen
-0.8
-1.0
estar correlacionados como se
1 2 3 4 5 muestra en las gráficas (están dentro
Lag
de los intervalos de confianza,
Página 8
Metodología de análisis con Series de tiempo, Estadística inferencial y Control Estadístico
2000
1750
FALTAS_ADM
1500
1250
1000
3 6 9 12 15 18 21 24 27 30 33
Time
Interpretación de resultados
Página 9
Metodología de análisis con Series de tiempo, Estadística inferencial y Control Estadístico
1. INTRODUCCIÓN
Prueba Minitab
Resultados
Página 10
Metodología de análisis con Series de tiempo, Estadística inferencial y Control Estadístico
H 0 1 2 3 .... k
H 1 : Al menos dos medias poblacionales son diferentes.
Ejemplo :
Se desea saber si los promedios de faltas administrativas por escándalos son estadísticamente
iguales (Ho) o diferentes (Ha), se toman los datos siguientes:
Escándalos Escándalos
2004 2005
4536 3520
2707 2992
4141 2543
2162
ANOVA en Minitab.
Seleccionar:
Resultados:
La gráfica normal de residuos debe mostrar los residuos aproximados por una recta para validar el
modelo
Source DF SS MS F P
Factor 1 1681586 1681586 2.92 0.148
Error 5 2880825 576165
Total 6 4562411
S = 759.1 R-Sq = 36.86% R-Sq(adj) = 24.23%
Página 11
Metodología de análisis con Series de tiempo, Estadística inferencial y Control Estadístico
3 En las Columnas de la tabla poner Zona Centro, Zona Norte y Zona Sur, OK.
Interpretación de resultados
Como el P value de 0.00 es menor a 0.05, se rechaza Ho, por tanto existe
dependencia entre el tipo de delitos y la zona donde se realizan.
Página 12
Metodología de análisis con Series de tiempo, Estadística inferencial y Control Estadístico
Las causas comunes o aleatorias se deben a la variación natural del proceso. Las
causas especiales o atribuibles son por ejemplo: una situación anormal en el
proceso.
40 _
X= 36.20
30
20
LC L=18.11
1 7 14 21 28 35 42 49 56 63 70
O bse r v a tio n
U C L=22.22
20
Moving Range
15
10
__
M R=6.80
5
0 LC L=0
1 7 14 21 28 35 42 49 56 63 70
O bse r v a tio n
Página 13