Está en la página 1de 7

Patrones de Datos:

 Tendencia:
Es el componente de largo plazo que representa el CRECIMIENTO o
DISMINUCIÓN en la serie sobre un periodo amplio.
 Cíclico
Es la fluctuación en forma de ONDA alrededor de la TENDENCIA.
 Estacional
Es un PATRÓN DE CAMBIO que se REPITE a sí mismo año tras año.
 Aleatorio
Mide la variabilidad de las series de tiempo después de retirar los otros
componentes.
a) ¿Identifica algún patrón de datos?
Time Series Plot of Deuda
80000

70000
Deuda

60000

50000

40000

3 6 9 12 15 18 21 24
Index

Como se puede apreciar en la figura, nos da a detallar patrones de tendencia (porque


muestra el crecimiento de la serie sobre un periodo amplio) y estacional (porque el patrón
de cambio se repite).

Efectué el análisis para los coeficientes de autocorrelación que considere


pertinentes para sustentar su respuesta.
Autocorrelation Function for Deuda
(with 5% significance limits for the autocorrelations)

1.0

0.8

0.6

0.4
Autocorrelation

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-1.0

1 2 3 4 5 6 7 8 9 10 11 12
Lag

Autocorrelation Function: Deuda

Lag ACF T LBQ


1 0.820971 4.19 19.63
2 0.679327 2.26 33.63
3 0.523369 1.48 42.30
4 0.489856 1.28 50.24
5 0.343500 0.84 54.33
6 0.236289 0.57 56.36
7 0.121962 0.29 56.93
8 0.127742 0.30 57.59
9 0.032886 0.08 57.63
10 -0.027623 -0.06 57.67
11 -0.120002 -0.28 58.37
12 -0.109182 -0.26 58.99

Ahora quitamos la tendencia y la estacionalidad se mantiene, esto debería ser muy clara
la serie estacional. Y hallamos la autocorrelación sin tendencia.
Autocorrelation Function for C2
(with 5% significance limits for the autocorrelations)

1.0

0.8

0.6

0.4
Autocorrelation

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-1.0

1 2 3 4 5 6 7 8 9 10
Lag

DATO:
 Los coeficientes de autocorrelación de una serie estacionaria decrecen hacia
cero bastante rápidamente, por lo común después del segundo o tercer retraso de
tiempo. Por otro lado, las autocorrelaciones muestrales de serie no estacionaria se
permanecen muy grandes durante varios periodos.
 Los patrones cíclicos son difíciles de modelar porque sus patrones generalmente
son inestables. Las fluctuaciones ondulatorias hacia arriba y hacia abajo de la
tendencia rara vez se repiten en intervalos de tiempo fijos, en tanto que la
magnitud de las variaciones también tiende a cambiar.
 Para una serie de tiempo con tendencia, el nivel de la serie no es constante. Es
común que las series de tiempo de economía muestren una tendencia.
Por lo tanto se puede apreciar que la autocorrelación nos muestra que ninguno es
significativamente diferente de cero, cumpliendo así la condición del patrón de tendencia
y estacionaria.

Evidencia de tendencia:
Ho = no están autocorrelacionados
H1 = están autocorrelacionados
1. Hallando el valor Chi-Cuadrado
Distribution Plot
Chi-Square; df=10
0.10

0.08

0.06
Density

0.04

0.02

0.05
0.00
0 18.31
X

El valor LBQ de 58.99 en el resultado Minitab es menor que el valor .05 superior de una
variable chi cuadrada, con 10 grados de libertad.
2. Análisis de decisión

Si LBQ k > 𝑥 2 alfa, x ----> Se rechaza H0

58.99 > 18.31


Por lo tanto se rechaza la Ho, lo cual nos indica que los datos están autocorrelacionados,
es decir que existe evidencia de tendencia en el comportamiento de datos.

b) Utilice promedios móviles dobles a 5 periodos. Halle e interprete la Desviación


Media Absoluta.
t Deuda Promedio Móvil Promedio Móvil Doble Valor de a Valor de b Pronótico a + bp (p=1) e
1 38767 - - - - - -
2 39525 - - - - - -
3 40445 39579 - - - - -
4 46917 42296 - - - - -
5 45494 44285 42053 46517 2232 - -
6 44740 45717 44099 47335 1618 48749 -4009
7 44605 44946 44983 44909 -37 48953 -4348
8 50341 46562 45742 47382 820 44872 5469
9 47404 47450 46319 48581 1131 48202 -798
10 46535 48093 47368 48818 725 49712 -3177
11 47473 47137 47560 46714 -423 49543 -2070
12 53923 49310 48180 50440 1130 46291 7632
13 50545 50647 49031 52263 1616 51570 -1025
14 51102 51857 50605 53109 1252 53879 -2777
15 51053 50900 51135 50665 -235 54361 -3308
16 58961 53705 52154 55256 1551 50430 8531
17 53128 54381 52995 55767 1386 56807 -3679
18 54311 55467 54518 56416 949 57153 -2842
19 56013 54484 54777 54191 -293 57365 -1352
20 65014 58446 56132 60760 2314 53898 11116
21 63262 61430 58120 64740 3310 63074 188
22 64247 64174 61350 66998 2824 68050 -3803
23 66676 64728 63444 66012 1284 69822 -3146
24 74825 68583 65828 71338 2755 67296 7529
25 71844 71115 68142 74088 2973 74093 -2249
26 71748 72806 70835 74777 1971 77061 -5313

Desviación media absoluta = 2336


Interpretación: con este análisis el pronóstico dado en 5 periodos se desvía en 2336 del
dato original.

c) Utilice suavizamiento exponencial simple con alfa = 0.5, considerando el promedio de


los tres primeros periodos para pronosticar. Halle e interprete el error porcentual medio.
Single Exponential Smoothing for Deuda

Data Deuda
Length 26

Smoothing Constant

α 0.5

Accuracy Measures

MAPE 5
MAD 2719
MSD 16936599

Interpretación:
El MAPE (error porcentual absoluto medio) nos indica el desempeño del pronóstico en
la cual se aleja un 5% de los datos originales.
Dato:
MAD (desviación absoluta media) El concepto de error en una proyección de demanda
tiene que ver con la diferencia entre el valor real (observado) y el valor pronosticado. Esto
da origen a errores de sobre estimación o sub estimación de la demanda real cuando
dichos errores son negativos o positivos, respectivamente. En este contexto cuando los
errores que ocurren en el pronóstico de demanda tienen una distribución normal (el caso
más común) la Desviación Absoluta Media (MAD) se relaciona con la Desviación
Estándar del Error (σ) de la siguiente forma: