INSTITUTO TECNOLOGICO SUPERIOR

DE TANTOYUCA

INVESTIGACION DE LA UNIDAD III

para la Materia:
ESTADISTICA ADMINISTRATIVA II

UNIDAD III

PRESENTA:

VALENTE PEREZ DEL ANGEL

NUMERO DE CONTROL:
213S0044

TITULAR DE LA MATERIA

ING. BLANCA ISABEL HERNANDEZ LARA

TANTOYUCA, VER A 29 DE AGOSTO DEL 2022

Análisis de series de tiempo

Se le llama serie de tiempo a cualquier sucesión de observaciones de un

fenómeno que es variable con respecto al tiempo. Es común representar a las series de
tiempo por medio de una ecuación matemática que describa los valores de la variable observada
como una función del tiempo o equivalentemente como una curva en una gráfica en la que la
coordenada horizontal representa el tiempo.

En la figura 14.1 se muestra la gráfica de una serie de tiempo para el rendimiento de una
inversión gubernamental en los Estados Unidos. La misma información podría exhibirse en
forma tabular pero el patrón de cambio en el tiempo se veía obscurecido en esta forma. Lo que se
usa es comúnmente como instrumento de planeación es el patrón generado por la serie, más que
los valores individuales observados. Una persona que desea invertir en los valores de la figura
14.1 quisiera comprar estos valores en aquellos tiempos en los cuales se espera un incremento de
las tasas de rendimiento., para proyectar en el futuro las tasas de rendimiento, es necesario
considerar las tendencias, los ciclos y otros elementos del patrón indicado por la serie de tiempo
de la figura 14.1

Las aplicaciones de las técnicas analíticas de las series de tiempo no se limitan por supuesto a
negocios donde se trata solamente con datos económicos. Los análisis de demanda son muy
frecuentes en problemas de investigación de mercado.

Los estudios de control de calidad constituyen una de las aplicaciones más frecuentes del análisis
de las series de tiempo a los negocios. La teoría de control para los procesos industriales
modernos, que emplea sistemas de computación para la retroalimentación de la información,
utiliza numerosas series de tiempo para mantener el proceso industrial “bajo control” y para
corregir y ajustar el proceso cuando se detecta que se encuentra, “fuera de control”. Además, los
estudios de la naturaleza le permiten al fabricante alcanzar niveles de mayor calidad en el
producto que resultan en mayores utilidades.

El análisis de las series de tiempo, que es la utilización de los datos muestrales con propósitos de
inferencia, (Estimación, toma de decisiones y predicción), resulta complicado y difícil. Las
observaciones del fenómeno que aparecen en la serie de tiempo están frecuentemente
correlacionadas, con una correlación que aumenta a medida que el intervalo de tiempo entre un
par de observaciones decrece. En consecuencia, los datos de una serie de tiempo, violan a
menuda las suposiciones básicas de independencia que se requieren para los métodos descritos
en capítulos anteriores. Las metodologías de
las series de tiempo están realmente en embrión en comparación con la usada para el caso del
estado estático (independiente del tiempo) con el que ya se ha adquirido bastante familiaridad,
por esta razón, los análisis de series de tiempo publicados parecen estar basados en métodos
altamente subjetivos, y las predicciones pocas veces se acompañan de una medida de su bondad.
Quizás otra razón para el empleo de técnicas más bien rudimentarias que se emplean a menudo
para el análisis de las series de tiempo, es la complejidad matemática en la que se basan las
metodologías más nuevas y sofisticadas. La preparación matemática requerida para entender
algunos de los métodos más poderosos para el análisis de las series de tiempo, sitúa a la materia
más allá del alcance de muchos experimentados pronosticadores que no son matemáticos.

Los estadísticos frecuentemente piensan en una serie de tiempo como la adición de cuatro
importantes componentes de la serie.
Componentes de una Serie de tiempo
1. Tendencia a largo plazo
2. Efecto cíclico
3. Efecto estacional
4. Variación aleatoria
Las tendencias a largo plazo se presentan en una serie de tiempo debido al
crecimiento constante en la población, el producto nacional bruto, el efecto de la competencia y
otros factores que no llegan a producir cambios violentos en la variable observada, pero
producen un cambio gradual y establece sobre el tiempo. Una serie de tiempo con una tendencia
creciente a largo plazo es similar al aumento en los ingresos de las compañías petroleras
norteamericanas de 1995 a 1976 como se muestra en la figura 14.2
 Los efectos cíclicos en una serie de tiempo aparecen cuando la serie de tiempo sube y baja
suavemente, a manera de ondas siguiendo la curva de la tendencia a largo plazo, como en el caso
de la tasa de desempleo en los Estados Unidos de 1900 a 1976 que se ilustra en la figura 14.3. la
tasa de desempleo no parece seguir una tendencia creciente o decreciente sobre el tiempo, sino
que parece fluctuar las condiciones de la economía, demandas del servicio militar, y el
establecimiento de la automatización en las industrias. Por lo general los efectos cíclicos en una
serie de tiempo pueden ser causadas por cambios en la demanda de un producto, ciclos de los
negocios acumulación de bienes y particularmente incapacidad de la oferta para satisfacer
exactamente los requerimientos de la demanda de los consumidores. Para algunas series de
tiempo no económicas los efectos cíclicos son generalmente causados por decisiones
gubernamentales ya sean estas políticas o económicas.

Los efectos estacionales Son aquellas altas y bajas que ocurren en un tiempo particular del
año. Por ejemplo, las ventas de autos tienden a disminuir durante agosto y septiembre debido al
advenimiento de los nuevos modelos en tanto las ventas de los televisores tienden a aumentar en
diciembre.
 Principal entre los efectos cíclicos y los estacionales es que los efectos estacionales
pueden predecirse, y ocurren en un intervalo de tiempo fijo de la última ocurrencia mientras que
los efectos cíclicos son completamente impredecibles.
La cuarta componente en una serie de tiempo es la variación aleatoria.

Esta componente representa los movimientos ascendentes y descendentes de la serie después de

haber ajustado la tendencia a largo plazo, el efecto cíclico y el efecto estacional. La variación
aleatoria puede parecerse a la variación de la tendencia lineal creciente que se muestra en la
figura 14.5
Son aquellos explicables cambios y sacudidas de la serie sobre un periodo corto de tiempo. Son
los eventos políticos, el clima, así como la amalgama de muchas acciones

humanas los que tienden a causar cambios aleatorios e inesperados en una serie de tiempo.
Todas las series de tiempo contienen variación aleatoria. Además, una serie de
tiempo puede contener todas o ninguna de las otras tres componentes, tendencia
a largo plazo, efecto cíclico, y efecto estacional. El objetivo del analista de las series de
tiempo es identificar aquellas componentes presentes para identificar sus causas y predecir
valores futuros de las series.
 En la mayoría de los casos no resulta nada sencillo, en una serie de tiempo, distinguir entre las
componentes. A menudo los efectos cíclicos y estacional o las tres componentes, tendencia a
largo plazo y efectos cíclico y estacional, se han integrado tanto que resultan inseparables. Por el
contrario, si los efectos parecen distinguibles, no es difícil separados.
Por ejemplos las ventas mensuales de una cadena de almacenes que se muestran en la
figura 14.4 ilustran un efecto estacional y una tendencia de largo plazo con una variación
aleatoria superpuesta. Cuando se identifican la tendencia a largo plazo y el efecto estacional,
pueden substraerse de los valores de la serie, la variación restante se considera aleatoria. Una
ilustración de como esto puede llevarse a cabo se presenta en la figura 14.6
Los ingenieros en comunicaciones se refieren a la tendencia a largo plazo y a los efectos
cíclicos y estacionales como la señal de la serie de tiempo. Esta terminología será usada para
propósitos de discusión, puesto que la señal es la parte de la serie que es determinista, resulta
importante para propósitos de predicción ser capaz de separar la señal de la variación aleatoria,
llamada ruido por los ingenieros en comunicaciones. La determinación de los valores futuros
requiere que el estadístico añada simplemente la extrapolación de los patrones de los
componentes conocidos de la señal a la variación aleatoria proyectada al tiempo de la predicción.

Puesto que la variación aleatoria es en el mejor de los casos probabilística, solo es posible una
estimación precisa de los valores futuros cuando la magnitud de la variación aleatoria, medida
por su varianza, es pequeña. De otra forma las oscilaciones (fluctuaciones) de la variación
aleatoria sobre el tiempo pueden sobrepasar el efecto de las componentes de la señal o aun
cancelarlos totalmente. En la figura 14.6 con una variación aleatoria con una gran varianza. La
serie de tiempo resulta ilustra solo la tendencia a largo plazo puesto que el efecto estacional ha
resultado ocultado por la variación aleatoria.
Para evitar juicios subjetivos al construir rectas, parábolas u otras curvas aproximadamente de
ajuste de datos, es necesario acordar una definición de <<rectas de mejor ajuste>> etcétera.
Para ir hacia una tal definición, consideremos la figura 13.3, en la cual los puntos dato vienen
dado por (X1, Y1), (X2, Y2), …, (X N, YN). Para el valor dado de X, digamos X 1, habrá una
diferencia entre el valor Y1, y el correspondiente valor deducido de la curva C. como enseña la
figura, denotamos esta diferencia por D1, que se llama a veces desviación, error o residual, y
puede ser positiva, negativa o nula. Análogamente, asociadas a los datos X2, …, XN se obtiene
desviaciones D2, …, DN.

Una medida de la <<bondad del ajuste>> de la curva C a los datos dados viene proporcionada
por la cantidad D si es pequeña, el ajuste es bueno; si es grande el ajuste es
malo, hacemos por tanto, la siguiente
Definición. De todas las curvas que aproximan a un conjunto dado de datos, la que tiene
la propiedad de que D es mínimo se llama una curva de ajuste óptimo.
Una tal curva se dice que ajusta los datos en el sentido de mínimos cuadrados y se llama una
curva de mínimos cuadrados. Así pues, una recta con esa propiedad se llama recta de
mínimos cuadrados una parábola con esa propiedad se llama parábola de mininos
cuadrados, etc.
Es habitual emplear la definición procedente cuando X es la variable independiente y Y la
dependiente. Si la variable dependiente es X, la definición se modifica considerando
desviaciones horizontales en lugar de verticales, lo que viene a ser como intercambiar los ejes X
e Y. Estas dos definiciones conducen, en general, a curvas distintas de mínimos cuadrados.
Salvo que se especifique lo contrario consideraremos a Y como la variable dependiente y a X
como la independiente.
Es posible definir otras curvas de mínimos cuadrados considerando distancias perpendiculares
desde cada uno de los puntos a la curva, en vez de distintas verticales u horizontales, pero no son
de uso común.

Usando promedios móviles de ordenes apropiados, podemos eliminar esquemas cíclicos,

estacionales e irregulares, dejando así tan solo el movimiento de tendencia.
 Una desventaja de este método es que los datos al comienzo y al final de una serie se pierden:
así, en el ejemplo 1 comenzamos con 7 números y con un promedio móvil de orden 3 llegamos a
cinco números. Otra desventaja es que los promedios móviles pueden generar ciclos u otros
movimientos que no estaban presentes en los datos originales. Una tercera desventaja es que los
promedios móviles se ven muy afectado por los valores extremos. Para obviar esto último en
cierta medida, se usa a veces un promedio móvil ponderado con pesos adecuado; en tal caso al
valor o valores centrales se les asigna peso máximo y a los valores extremos, pesos pequeños.
Promedio móvil Un promedio móvil se construye sustituyendo cada valor de una serie por la
media obtenida con esa observación y algunos de los valores inmediatamente anteriores y
posteriores. Se mostrará este método con los siguientes ejemplos:
Ejemplo 1. Aplicar el método de promedios móviles para el pronóstico de ventas de gasolina a
partir de la siguiente información:
Se considerará el promedio móvil a partir de las tres observaciones más recientes. En este caso se
utilizará la siguiente ecuación:

Resumen de cálculos para promedios móviles de tres semanas

Los promedios móviles también se pueden construir tomando en cuenta valores adyacentes de las
observaciones, por ejemplo: En el caso de determinar el promedio móvil para tres observaciones
adyacentes de la tabla anterior, se tiene:

El

suavizamiento exponencial emplea un promedio ponderado de la serie de tiempo pasada como

pronóstico; es un caso especial del método de promedios móviles ponderados en el cual sólo se
selecciona un peso o factor de ponderación: el de la observación más reciente. En la práctica
comenzamos haciendo que F1, el primer valor de la serie de
valores uniformados, sea igual a Y1, que es el primer valor real de la serie. El modelo básico de
suavizamiento exponencial es el siguiente:

Donde:
Ft+1 = pronóstico de la serie de tiempo para el período t+1 Yt =

valor real de la serie de tiempo en el período t

Ft = pronóstico de la serie de tiempo para el período t

= constante de suavizamiento, 0 ≤ ≤1
En base a lo anterior, el pronóstico para el período dos se calcula de la siguiente manera: F Y1

(1 )F1

F2 = aY1 +(1 )Y1

F 2 = Y1

Como se observa, el pronóstico para el período 2 con suavizamiento exponencial es igual al

valor real de la serie de tiempo en el período uno. Para el período 3, se tiene que:

Para el periodo 4 se tiene:

Para mostrar el método de suavizamiento exponencial, retomamos el ejemplo de la gasolina,

utilizando como constante de suavizamiento = 0.2:

Cuando la serie de tiempo presenta un comportamiento curvilíneo se dice que este comportamiento es
no lineal. Dentro de las tendencias no lineales que pueden
presentarse en una serie se encuentran, la polinomial, logarítmica, exponencial y potencial, entre
otras.
Si el gráfico sugiere que la tendencia puede ser de un tipo no lineal, existen varias alternativas
de ajuste. Por ejemplo, puede tratarse de una forma similar a un polinomio de segundo grado, a
una curva exponencial, logarítmica u otra. Analizaremos los casos de función polinómica de
segundo grado y de una exponencial. Una función polinómica de segundo grado es de la forma:

Donde:
b0: Intersección estimada con el eje y b1: Efecto lineal

estimado sobre y b2: Efecto curvilíneo estimado sobre y

Aplicando el método de mínimos cuadrados igual que en el

caso lineal (solo que ahora hay que estimar tres parámetros):

Resolviendo el sistema por cualquiera de los métodos conocidos para ello, obtenemos los
coeficientes de la ecuación cuadrática. (No es necesario que el estudiante memorice las fórmulas,
debe saber aplicarlas o interpretarlas a partir de una salida de computadora).
 Para el tratamiento con un paquete estadístico, este modelo debe ser considerado

Tabla 4.

como una regresión múltiple en el que, y es la variable dependiente, x una variable independiente
y x2 otra variable independiente, tal como se observa en el ejemplo que sigue.
Los valores hipotéticos del Ingreso Anual de una importante empresa de producción y
venta de bebidas gaseosas, en los últimos 20 años se transcriben en la
3.6. Variación Estacional
Bibliografía
https://www.ingenieriaindustrialonline.com/pronostic o-
delademanda/variacion-estacional-con-tendencia/
http://www.ocw.unc.edu.ar/facultad-de-
cienciaseconomicas/estadisticaii/actividades-y-materiales/material-de-
estudiocapitulo-vi
http://www.estadistica.mat.uson.mx/Material/seriesdetiempo.pdf