Universidad Católica de Honduras

Integrantes:

Laura Julieth Guzmán Portillo 0318-2004-00461

Oscar Lizandro Gonzales Velásquez 0101-1995-02266

Catedrática: Sofia Varela

Clase: Estadística

Sección: “0802”

Fecha: 11/3/2021
 INDICE
INTRODUCCIÓN.......................................................................................................3
OBJETIVO.................................................................................................................4
SERIES DE TIEMPO.................................................................................................5
CONCLUSIONES......................................................................................................9
BIBLIOGRAFIA........................................................................................................10
 INTRODUCCIÓN

Una serie tiempo es una secuencia de observaciones, medidos en determinados

momentos del tiempo, ordenados cronológicamente y, espaciados entre sí de
manera uniforme, así los datos usualmente son dependientes entre sí.
Las organizaciones en general evalúan periódicamente 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, está 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 variación cíclica, la variación estacional y la variación irregular
 OBJETIVO

El objetivo de una serie de tiempo es el conocimiento de su patrón de

comportamiento, para así poder prever su evolución en el futuro cercano,
suponiendo por supuesto que las condiciones no variarán significativamente.
 SERIES DE TIEMPO

¿Que son series de tiempo?

R// Por serie de tiempo nos referimos a datos estadísticos que se recopilan, observan o
registran en intervalos de tiempo regulares (diario, semanal, semestral, anual, entre
otros). El término serie de tiempo se aplica por ejemplo a datos registrados en forma
periódica que muestran, por ejemplo, las ventas anuales totales de almacenes, el valor
trimestral total de contratos de construcción otorgados, el valor trimestral del PIB.
¿Cuáles son sus componentes?
R// Supondremos que en una serie existen cuatro tipos básicos de variación, los cuales
sobrepuestos o actuando en concierto, contribuyen a los cambios observados en un
período de tiempo y dan a la serie su aspecto errático. Estas cuatro componentes son:
Tendencia secular, variación estacional, variación cíclica y variación irregular.
Supondremos, además, que existe una relación multiplicativa entre estas cuatro
componentes; es decir, cualquier valor de una serie es el producto de factores que se
pueden atribuir a las cuatro componentes.
1. Tendencia secular: La tendencia secular o tendencia a largo plazo de una serie es por
lo común el resultado de factores a largo plazo. En términos intuitivos, la tendencia de una
serie de tiempo caracteriza el patrón gradual y consistente de las variaciones de la propia
serie, que se consideran consecuencias de fuerzas persistentes que afectan el
crecimiento o la reducción de la misma, tales como: cambios en la población, en las
características demográficas de la misma, cambios en los ingresos, en la salud, en el nivel
de educación y tecnología. Las tendencias a largo plazo se ajustan a diversos esquemas.
Algunas se mueven continuamente hacía arriba, otras declinan, y otras más permanecen
igual en un cierto período o intervalo de tiempo.
2. Variación estacional: El componente de la serie de tiempo que representa la
variabilidad en los datos debida a influencias de las estaciones, se llama componente
estacional. Esta variación corresponde a los movimientos de la serie que recurren año
tras año en los mismos meses (o en los mismos trimestres) del año poco más o menos
con la misma intensidad. Por ejemplo: Un fabricante de albercas inflables espera poca
actividad de ventas durante los meses de otoño e invierno y tiene ventas máximas en los
de primavera y verano, mientras que los fabricantes de equipo para la nieve y ropa de
abrigo esperan un comportamiento anual opuesto al del fabricante de albercas.
3. Variación cíclica: Con frecuencia las series de tiempo presentan secuencias alternas
de puntos abajo y arriba de la línea de tendencia que duran más de un año, esta variación
se mantiene después de que se han eliminado las variaciones o tendencias estacional e
irregular. Un ejemplo de este tipo de variación son los ciclos comerciales cuyos períodos
recurrentes dependen de la prosperidad, recesión, depresión y recuperación, las cuales
no dependen de factores como el clima o las costumbres sociales.
4. Variación Irregular: Esta se debe a factores a corto plazo, imprevisibles y no
recurrentes que afectan a la serie de tiempo. Como este componente explica la
variabilidad aleatoria de la serie, es impredecible, es decir, no se puede esperar predecir
su impacto sobre la serie de tiempo. Existen dos tipos de variación irregular: a) Las
variaciones que son provocadas por acontecimientos especiales, fácilmente identificables,
como las elecciones, inundaciones, huelgas, terremotos. b) Variaciones aleatorias o por
casualidad, cuyas causas no se pueden señalar en forma exacta, pero que tienden a
equilibrarse a la larga.
¿Métodos para calcular las series de tiempo?
R// Minitab ofrece varios análisis que permiten analizar las series de tiempo. Estos análisis
incluyen los métodos simples de pronóstico y suavización, los métodos de análisis de
correlaciones y el modelo ARIMA. Aunque el análisis de correlaciones puede realizarse
separadamente del modelo ARIMA, Minitab presenta los métodos de correlación como
parte del modelo ARIMA.

Métodos simples de pronóstico y suavización

Los métodos simples de pronóstico y suavización modelan los componentes de una serie
que habitualmente se observa fácilmente en una gráfica de series de tiempo de los datos.
Este enfoque descompone los datos en sus partes componentes y luego extiende las
estimaciones de los componentes en el futuro para generar pronósticos. Usted puede
elegir entre los métodos estáticos del análisis de tendencia y descomposición o los
métodos dinámicos de promedio móvil, suavización exponencial individual y doble y el
método de Winters. Los métodos estáticos tienen patrones que no cambian con el tiempo,
los métodos dinámicos tienen patrones que sí cambian con el tiempo y las estimaciones
se actualizan utilizando los valores contiguos. Usted puede utilizar dos métodos
combinados. Es decir, puede elegir un método estático para modelar un componente y un
método dinámico para modelar otro componente.

Análisis de tendencia: Ajusta un modelo de tendencia

general a los datos de las series de tiempo. Elija entre los
modelos de tendencia lineal, cuadrático, crecimiento o
decadencia exponencial y curva S. Utilice este
procedimiento para ajustar la tendencia cuando sus
series no incluyan un componente estacional.
Pronósticos:

 Longitud: largo

 Perfil: extensión de la línea de tendencia

Descomposición: Separa las series de tiempo en
componentes de tendencia lineal, componentes
estacionales y el error. Elija si el componente
estacional es aditivo o multiplicativo con la tendencia.
Utilice este procedimiento para pronosticar cuando
haya un componente estacional en sus series o
cuando desee examinar la naturaleza de los
componentes.

Pronósticos:
Longitud: largo
Perfil: tendencia con patrón estacional

Promedio móvil: Suaviza los datos al promediar las

observaciones consecutivas en una serie. Puede usar
este procedimiento cuando los datos no tengan un
componente de tendencia. Si tiene un componente
estacional, establezca la longitud del promedio móvil
igual a la longitud del ciclo estacional.
Pronósticos:
Longitud: corto
Perfil: línea plana

Suavización exponencial individual: Suaviza los datos

usando la fórmula de pronóstico de ARIMA óptimo (0,1,1)
de un paso adelante. Este procedimiento funciona mejor
sin un componente de tendencia o estacional. El
componente dinámico individual en un modelo de promedio
móvil es el nivel.

Pronósticos:
Longitud: corto
Perfil: línea plan

Suavización exponencial doble: Suaviza los datos

usando la fórmula de pronóstico de ARIMA óptimo (0,2,2)
de un paso adelante. Este procedimiento puede funcionar
adecuadamente cuando hay una tendencia, pero también
puede servir como un método de suavización general. La
suavización exponencial doble calcula las estimaciones dinámicas para dos componentes:
nivel y tendencia.
Pronósticos:
Longitud: corto
Perfil: línea recta con pendiente igual a la última estimación de tendencia

Método de Winters

Suaviza los datos mediante la suavización exponencial de Holt-

Winters. Utilice este procedimiento cuando haya tendencia y
estacionalidad, siendo estos dos componentes o aditivos o
multiplicativos. El Método de Winters calcula estimaciones
dinámicas para tres componentes: nivel, tendencia y estacional.
Pronósticos:
Longitud: de corta a mediana
Perfil: tendencia con patrón estacional

¿Usos de series de tiempos?

R// Representar los datos del negocio como series de tiempo suele ayudar a las empresas
a visualizar la actividad del negocio. A su vez, usualmente las series de tiempo se utilizan
para predecir el comportamiento futuro de la variable medida.
Predicción de series de tiempo
La predicción de series de tiempo significa que se extienden los valores históricos de la
serie al futuro, donde aún no se han hecho mediciones.
Para llevar a cabo el pronóstico se definen dos variables principales: cantidad de períodos
y horizonte de predicción. La cantidad de períodos representa el nivel de agregación de
los datos. Usualmente los datos se encuentran por meses, semanas o días, permitiendo
obtener el grado necesario de desagregación para sacar correctas conclusiones. Por su
parte, el horizonte de planificación representa el número de períodos futuros o alcance a
pronosticar.
Todo pronóstico tiene asociado un alcance, pudiendo ser de corto, mediano o largo plazo.
A modo general se presenta la siguiente tabla resumen, no obstante el alcance varía de
acuerdo a la industria.
 CONCLUSIONES

Las series de tiempo pueden servir para prevenir acontecimientos futuros en base a
ciertos comportamientos de las determinadas variables.
 BIBLIOGRAFIA

http://www.estadistica.mat.uson.mx/Material/seriesdetiempo.pdf
https://support.minitab.com/es-mx/minitab/18/help-and-how-to/modeling-statistics/time-
series/supporting-topics/basics/methods-for-analyzing-time-series/
https://www.pricing.cl/conocimiento/series-de-tiempo/#:~:text=Aplicaciones%20de%20las
%20series%20de,futuro%20de%20la%20variable%20medida.