INSTITUTO TECNOLOGICO

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

Fecha de entrega: 20 de OCTURE del 2022

PANUCO, Veracruz
 ANALISIS DE SERIE DE
TIEMPOS

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.

En un contexto comercial, los ejemplos de datos de series temporales incluyen

cualquier tendencia que deba capturarse durante un período de tiempo. Un informe de
tendencias de Google es un tipo de datos de series temporales que se pueden analizar.
También existen aplicaciones mucho más complejas, como la previsión de demanda y
oferta basadas en tendencias pasadas.
3.1 COMPONENTES DE UNA SERIE DE TIEMPO:

Tendencia, es la componente de largo plazo que constituye la base del crecimiento o

declinación de una serie histórica.

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.

Ciclicidad: es un conjunto de fluctuaciones en forma de onda o ciclos, de más de un

año de duración, producidos por cambios en las condiciones económicas.

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.

Aleatoriedad: este comportamiento irregular está compuesto por fluctuaciones

causadas por sucesos impredecibles o no periódicos, como el clima poco usual,
huelgas, guerras, rumores, elecciones y cambio de leyes.
3.2 MÉTODO DE MÍNIMOS CUADRADOS:

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.

El teorema de Gauss-Markov prueba que los estimadores mínimos cuadráticos carecen

de sesgo y que el muestreo de datos no tiene que ajustarse, por ejemplo, a una
distribución normal. También es importante que los datos recogidos estén bien
escogidos, para que permitan visibilidad en las variables que han de ser resueltas (para
dar más peso a un dato en particular, véase mínimos cuadrados ponderados).

La técnica de mínimos cuadrados se usa comúnmente en el ajuste de curvas.

Muchos otros problemas de optimización pueden expresarse también en forma de

mínimos cuadrados, minimizando la energía o maximizando la entropía.
Un coeficiente de correlación próximo a la unidad indica un buen ajuste. Debe tenerse
en cuenta que los datos experimentales estarán afectados por su incertidumbres y por
tanto los valores de m y b
tendrán también
incertidumbre.

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.

3.3 MÉTODO DE LOS PROMEDIOS MOVILES:

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.

Utilizando una expresión matemática, tenemos:

El término móvil indica que conforme se tienen una nueva observación de la serie de
tiempo, se reemplaza la observación más antigua de la ecuación y se calcula un nuevo
promedio.

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,

esto es, si su comportamiento es relativamente estable en el tiempo, se recomienda

que el valor de n sea grande. Por el contrario, es aconsejable un valor de n pequeño si
la variable muestra patrones cambiantes. En la práctica, los valores de n oscilan entre 2
y 10. El método de promedios móviles es muy útil cuando se tiene información no
desagregada y cuando no se conoce otro método más sofisticado y que permita
predecir con mayor confianza.

3.4 MÉTODO DE SUAVIZACION EXPONENCIAL:

Otro método para realizar un pronóstico es el método de suavización exponencial. A

diferencia de los promedios móviles, este método pronostica otorgando una
ponderación a los datos dependiendo del peso que tengan dentro del cálculo del
pronóstico. Esta ponderación se lleva a cabo a través de otorgarle un valor a la
constante de suavización, a, que puede ser mayor que cero y menor que uno. Para
nuestro ejemplo, utilizamos un valor de a = 0.8, por ser éste el que mejor ajusta al
pronóstico a los datos reales.
El método de suavización exponencial supone que el proceso es constante, al igual
que el método de promedios móviles. Esta técnica está diseñada para atenuar una
desventaja del método de promedios móviles, en donde los datos para calcular el
promedio tienen la misma ponderación. De manera particular, esta técnica considera
que las observaciones recientes tienen más valor, por lo que le
otorga mayor peso dentro del promedio.
La suavización exponencial utiliza un promedio móvil ponderado de los datos históricos
de la serie de tiempo como pronóstico; es un caso especial de promedio móvil en
donde se selecciona un solo valor de ponderación 3. El modelo básico de suavización
exponencial se presenta a continuación:

Ft+1 = aYt + (1 - a)Ft

Ft+1 = Pronóstico de la serie de tiempo para el periodo de t + 1.

Yt = Valor real del periodo anterior al año a pronosticar.

Ft = Valor real del periodo anteanterior al año a pronosticar.

a = Constante de suavización (0 ≤ a ≤ 1).

La utilización de esta ecuación implica algunas especificaciones. El cálculo de Ft+1

está ligado con los 2 periodos anteriores. En otras palabras, el pronóstico de
suavización exponencial en determinado periodo es (Ft+1) = al valor real de la serie de
tiempo en el periodo anterior (Yt) X la constante de suavización (a), + 1 - la constante
de suavización (a) X el periodo anteanterior (Ft).

A pesar de que la suavización exponencial nos da un pronóstico que es un promedio

ponderado de todas las
operaciones pasadas, no
es necesario guardar
todos los datos del pasado a fin de calcular el pronóstico para el periodo siguiente.

De hecho, una vez seleccionada la constante de suavización ha, sólo se requiere de

dos elementos de información para calcular el pronóstico. La ecuación Muestra que con
un a dado, podemos calcular el pronóstico para el periodo t + 1 simplemente
conociendo los valores reales y pronosticados de la serie de tiempo el periodo t, es
decir, Yt y Ft.

La elección de la constante de suavización a es crucial en la estimación de pronósticos

futuros. Si la serie de tiempo contiene una variabilidad aleatoria sustancial, se preferirá
un valor pequeño como constante de suavización. La razón de esta aseveración es que
gran parte del error del pronóstico es provocado por la variabilidad aleatoria, por lo que
un valor pequeño de a permite un pronóstico mejor. Por el contrario, para una serie de
tiempo con una variabilidad aleatoria relativamente pequeña, valores más elevados de
la constante de suavización tienen la ventaja de ajustar con rapidez los pronósticos
cuando ocurren errores de pronóstico y permitiendo, por lo tanto, que el pronóstico
reaccione con mayor rapidez a las condiciones cambiantes.

3.5 TENDENCIAS NO LINEALES:

Las tendencias son modelos de una variable en el tiempo, reflejan los cambios en la
tecnología, los estándares de vida, los índices de población, etc. Una tendencia es el
movimiento gradual hacia arriba o hacia debajo de los datos del tiempo.

1.- No se espera se repitan entre sí mismas de igual manera o forma o con

Idénticas propiedades.
2.- Se pueden separar de los otros componentes (periódica, aleatoria) de la serie,
lo que hace posible removerlas o incorporarlas.
3.- Pueden existir en cualquier parámetro de una serie, media, variancia,
coeficiente y en parámetros de alto orden, pero por lo general las tendencias se
presentan únicamente en la media si las información es anual, en la media y la
desviación estándar si la información es mensual.

Tipos de modelos de líneas de tendencia:

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.

 Series de tiempo: Cuando la variable dependiente (que casi siempre es el eje

 vertical en una gráfica) cambia como resultado del tiempo (trazado como el eje
horizontal).

Tendencia no lineal:

Un modelo de regresión no lineal es una ecuación que describe la relación no lineal

entre la variable respuesta y la variable predictora cuando esta no puede ser formada
adecuadamente mediante una relación lineal, es decir, se utilizan cuando los datos no
se ajustan a la recta de mejor ajuste tanto como el investigador.

Es un método para encontrar un modelo no lineal para la relación entre la variable

dependiente y un conjunto de variables independientes • la regresión no lineal, puede
estimar modelos con relaciones arbitrarias entre las variables independientes y las
dependientes. 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.

¿Qué es regresión 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.

 Un algoritmo iterativo calcula los parámetros ajustando sistemáticamente las

 estimaciones de los parámetros para reducir la suma de los cuadrados del error
residual.

 El algoritmo ajusta las estimaciones de los parámetros de una manera que el

algoritmo predice que debería reducir la suma de los cuadrados del error
residual en comparación con la iteración anterior.

 Si el algoritmo no converge, se puede probar con diferentes valores iniciales y/o

el otro algoritmo. Los valores iniciales pueden afectar significativamente los
resultados. Ciertos valores iníciales pueden conducir una falla de convergencia o
una convergencia en una suma mínima de los cuadrados del error residual local,
en vez de global. A veces, puede requerirse mucho esfuerzo para obtener
valores iniciales adecuados.
 CONCLUSIONES:

 Las series temporales pueden servir para predecir acontecimientos futuros en

base a ciertos comportamientos de determinadas variables
 Si tenemos más observaciones que se puedan promediar, que es el orden de la
media móvil, se obtienen tendencias más suaves. Este hecho no debe hacer no
olvidar que aunque hemos mejorado la tendencia con el suavizado, por el
contrario perdemos información sobre los valores iniciales y finales de la
tendencia estimada.
 Con el procedimiento de medias móviles siempre es posible elegir el número
de observaciones que se deben tomar para el promedio, esto no siempre es
fácil, esto da el periodo de oscilación

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

Gomez, I. (28 de Julio de 2012). Slide Share. Recuperado el 29 de Octubre de

2020, de https://www.slideshare.net/isaacgflores/anlisis-de-series-de-tiempo

MiProfe. (s.f.). miprofe.com. Recuperado el 29 de Octubre de 2020, de

https://miprofe.com/minimos-cuadrados/

Salazar Lopez, B. (30 de Junio de 2019). INGENIERIA INDUSTRIAL

ONLINE.COMIRecuperado el 29 de Octubre de 2020, de
https://www.ingenieriaindustrialonline.com/pronostico-de-la
demanda/suavizacion-exponencial-simple/

Villareal, D. F. (Septiembre de 2016). matematica.uns.edu.a. Recuperado el 29

de Octubre de 2020, d
https://www.matematica.uns.edu.ar/uma2016/material/Introduccion_a_los_Model
o _de_Pronosticos.pdf