Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SUPERIOR DE PANUCO
PRESENTA:
SERGIO EZEQUIEL ALCORTA ENRIQUEZ
NUMERO DE CONTREOL:
PG16CO545
DOCENTE:
ING. AMÉRICO RÍOS MORALES
CARRERA:
INGENIERIA EN GESTION EMPRESARIAL
MATERIA:
ESTADISTICA INFERENCIAL II
INTRODUCCION:
El análisis de series temporales es una técnica estadística que se ocupa de los datos
de series temporales y el análisis de tendencias. Los datos de series temporales siguen
intervalos de tiempo periódicos que se midieron en intervalos de tiempo regulares o se
recopilaron en intervalos de tiempo particulares. En otras palabras, una serie temporal
es simplemente una serie de puntos de datos ordenados en el tiempo, y el análisis de
series temporales es el proceso de dar sentido a dichos datos.
Las fuerzas básicas que producen o afectan la tendencia de una serie son: cambios en
la población, inflación, cambio tecnológico e incremento en la productividad.
Representan la diferencia entre los valores esperados de una variable (tendencia) y los
valores reales (la variación residual que fluctúa alrededor de la tendencia).
Estacionalidad: las fluctuaciones estacionales se encuentran típicamente en los datos
clasificados por trimestres, mes o semana. La variación estacional se refiere a un
patrón de cambio, regularmente recurrente a través del tiempo. El movimiento se
completa dentro de la duración de un año y se repite a sí mismo año tras año.
Mínimos cuadrados es una técnica de optimización matemática que, dada una serie de
mediciones, intenta encontrar una función que se aproxime a los datos (un "mejor
ajuste"). Intenta minimizar la suma de cuadrados de las diferencias ordenadas
(llamadas residuos) entre los puntos generados por la función y los correspondientes
en los datos. Específicamente, se llama mínimos cuadrados promedio (LMS) cuando el
número de datos medidos es 1 y se usa el método de descenso por gradiente para
minimizar el residuo cuadrado. Se sabe que LMS minimiza el residuo cuadrado
esperado, con el mínimo de operaciones (por iteración). Pero requiere un gran número
de iteraciones para converger.
Un requisito implícito para que funcione el método de mínimos cuadrados es que los
errores de cada medida estén distribuidos de forma aleatoria.
Para determinarla de
forma sencilla, se supone
que los datos en x no
tienen incertidumbre y que
los datos en y tienen todos
la misma uy.
La utilización de esta técnica supone que la serie de tiempo es estable, esto es, que los
datos que la componen se generan sin variaciones importantes entre un dato y otro
(error aleatorio=0)2, esto es, que el comportamiento de los datos aunque muestren un
crecimiento o un decrecimiento lo hagan con una tendencia constante.
Cuando se usa el método de promedios móviles se está suponiendo que todas las
observaciones de la serie de tiempo son igualmente importantes para la estimación del
parámetro a pronosticar (en este caso los ingresos) De esta manera, se utiliza como
pronóstico para el siguiente periodo el promedio de los n valores de los datos más
recientes de la serie de tiempo.
El resultado es que el promedio se moverá, esto es, conforme se tengan nuevos datos
y se vayan sustituyendo en la fórmula, el valor del promedio irá modificándose.
No existe una regla específica que nos indique cómo seleccionar la base del promedio
móvil n. Si la variable que se va a pronosticar no presenta variaciones considerables,
Cuando agrega una línea de tendencia a su vista, está creando un modelo estadístico.
Cada línea de tendencia en la vista representa visualmente un modelo estadístico de
regresión lineal. Cada modelo se estima usando datos en el mismo panel y del mismo
color que la línea de tendencia correspondiente. Aunque las líneas de tendencias
pueden ser del tipo lineal, logarítmica, exponencial o polinomial, esto no indica que
ninguno de esos modelos no sea una regresión lineal.
Tendencia lineal o línea recta: Por ejemplo, cuando los ingresos históricos
aumentan o disminuyen a un ritmo constante, se encuentra ante un efecto lineal.
Por ejemplo: si prevé los ingresos durante los dos próximos trimestres
basándose en los ingresos de los cuatro últimos trimestres y si el trazado de
multilínea de los ingresos trimestrales anteriores es lineal o casi lineal, el método
de tendencia le ofrecerá la previsión más fiable.
Tendencia no lineal:
Genera una ecuación para describir la relación no lineal entre una variable de
respuesta continua y una o más predictora, predice nuevas observaciones.
Esto se lleva a cabo usando algoritmos de estimación iterativos. Teniendo en cuenta
que este procedimiento no es necesario para los modelos polinómicos simples de la
forma Y=A BX 2.
Una tendencia logarítmica es una línea curva que se ajusta perfectamente y que
es muy útil cuando el índice de cambios de los datos aumenta o disminuye
rápidamente y después se estabiliza. Esta línea de tendencia logarítmica puede
utilizar valores positivos o negativos.
BIBLIOGRAFÍAS:
Bego E, A. (17 de Abril de 2017). SLIDESHARE. Recuperado el 29 de Octubre
de 2020, de https://es.slideshare.net/ssuser9b90dd/tendencias-lineales-o-no-
linealesestadistica