Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ReporteInvestigaciónTema3 CarlosFlores
ReporteInvestigaciónTema3 CarlosFlores
ALUMNO:
CARLOS ALBERTO FLORES DURAN
MAESTRO:
JAVIER GARCÍA GUZMÁN
MATERIA :
ESTADÍSTICA INFERENCIAL II
CARRERA :
ING. EN GESTION EMPRESARIAL A DISTANCIA
Referencias .............................................................................................................. 13
3.1 Componentes de una serie de tiempo.
Una serie de tiempo es una secuencia de observaciones en una variable que se
mide en puntos sucesivos en el tiempo o sobre un periodo sucesivo. Las medidas
pueden ser tomadas cada hora, día, semana, mes o año, o en cualquier otro
intervalo regular.1 El patrón de datos es un factor importante en la comprensión de
cómo las series de tiempo se han comportado en el pasado. Si se espera que tal
comportamiento continúe en el futuro, se puede utilizar el patrón anterior como guía
en la selección de un método de elaboración de pronósticos adecuado.
Para una serie de tiempo que sólo tiene tendencia lineal a largo plazo, se demostró
que puede utilizarse la regresión simple de la serie de tiempo para hacer
proyecciones de su tendencia. También se estudió cómo una extensión del
suavizamiento exponencial simple, conocido como suavizamiento exponencial
lineal de Holt, se utiliza para pronosticar una serie de tiempo con tendencia lineal a
largo plazo. Para una serie de tiempo con una tendencia curvilínea o no lineal, se
demostró cómo la regresión múltiple permite ajustar los datos a una ecuación de
tendencia cuadrática o a una ecuación de tendencia exponencial.
Para una serie de tiempo con un componente estacional, se demostró cómo utilizar
las variables ficticias en un modelo de regresión múltiple a efecto de desarrollar una
ecuación de regresión estimada con efectos estacionales. Luego se amplió el
método de regresión para incluir situaciones en las que la serie de tiempo contiene
1
tanto el efecto estacional como el efecto de tendencia lineal, y se mostró cómo
combinar el método de la variable fi cticia para el manejo de la estacionalidad con
el método de regresión de la serie de tiempo para el manejo de la tendencia lineal.
2
3.2 Método de mínimos cuadrados.
Es un procedimiento de análisis numérico en la que, dados un conjunto de datos
(pares ordenados y familia de funciones), se intenta determinar la función continua
que mejor se aproxime a los datos (línea de regresión o la línea de mejor ajuste),
proporcionando una demostración visual de la relación entre los puntos de los
mismos. En su forma más simple, busca minimizar la suma de cuadrados de las
diferencias ordenadas (llamadas residuos) entre los puntos generados por la
función y los correspondientes datos.
Este método se utiliza comúnmente para analizar una serie de datos que se
obtengan de algún estudio, con el fin de expresar su comportamiento de manera
lineal y así minimizar los errores de la data tomada.
Σ es el símbolo sumatoria de todos los términos, mientas (x, y) son los datos en
estudio y n la cantidad de datos que existen.
3
El método de mínimos cuadrados calcula a partir de los N pares de datos
experimentales (x, y), los valores m y b que mejor ajustan los datos a una recta. Se
entiende por el mejor ajuste aquella recta que hace mínimas las distancias d de los
puntos medidos a la recta.
Teniendo una serie de datos (x, y), mostrados en un gráfico o gráfica, si al conectar
punto a punto no se describe una recta, debemos aplicar el método de mínimos
cuadrados, basándonos en su expresión general:
Cuando se haga uso del método de mínimos cuadrados se debe buscar una línea
de mejor ajuste que explique la posible relación entre una variable independiente y
una variable dependiente. En el análisis de regresión, las variables dependientes se
designan en el eje y vertical y las variables independientes se designan en el eje x
horizontal. Estas designaciones formarán la ecuación para la línea de mejor ajuste,
que se determina a partir del método de mínimos cuadrados.
4
3.3 Métodos de promedios móviles.
El método de promedios móviles utiliza el promedio de los valores de los k datos
más recientes de la serie de tiempo como pronóstico para el próximo periodo. En
términos matemáticos, un pronóstico de promedio móvil de orden k es el siguiente.
El término móvil se utiliza porque cada vez que en la serie de tiempo hay una nueva
observación, ésta sustituye a la observación más antigua de la ecuación y se calcula
un nuevo promedio. Como resultado, el promedio se modifica, o se mueve,
conforme se disponga de una nueva observación.
Para utilizar los promedios móviles a efecto de pronosticar las series de tiempo,
primero sedebe seleccionar el orden, o el número de los valores de las series de
tiempo que se incluirán en el promedio móvil. Si sólo los valores más recientes se
consideran relevantes, es preferible utilizar un valor pequeño de k. Si existen valores
más antiguos que se consideren relevantes, entonces es mejor un valor grande de
k. Como se mencionó antes, una serie de tiempo con un patrón horizontal puede
cambiar con el tiempo a un nuevo nivel.
Para ilustrar cómo los promedios móviles pueden utilizarse para pronosticar las
ventas de gasolina, se utilizará un promedio móvil de tres semanas (k = 3). Se
comienza por calcular el pronóstico de ventas en la semana 4 con la media de los
valores de la serie de tiempo en las semanas 1 a 3.
5
Por tanto, el pronóstico del promedio móvil de ventas en la semana 4 es 19 o 19 mil
galones de gasolina. Debido a que el valor real observado en esta semana es 23,
el error de pronóstico en la semana 4 es 23 - 19 = 4.
6
3.4 Métodos de suavización exponencial.
El suavizamiento exponencial también utiliza un promedio ponderado de los valores
pasados de la serie de tiempo como pronóstico; es un caso especial del método de
promedio móvil ponderado en el que se elige sólo un peso, aquel para la
observación más reciente. Los pesos de los valores para los demás datos se
calculan automáticamente y son más pequeños conforme las observaciones se
vuelven más antiguas. La ecuación de suavizamiento exponencial es la siguiente.
Para empezar los cálculos, sea F1 el valor real de la serie de tiempo en el periodo
1, es decir, F1 = Y1. Por tanto, el pronóstico para el periodo 2 es:
7
Observe que el pronóstico de suavizamiento exponencial para el periodo 2 es igual
al valor real de la serie de tiempo en el periodo 1.
Una vez que se conoce el valor real de la serie de tiempo en el periodo 3, Y3 = 19,
se puede generar un pronóstico para el periodo 4 de la siguiente manera.
8
9
3.5 Tendencias no lineales.
Para modelar una tendencia suele utilizarse el modelo de función lineal. Sin
embargo, como ya se vio, algunas veces las series de tiempo tienen tendencias
curvilíneas o no lineales.
10
3.6 Variación estacional.
La tendencia de una serie de tiempo se puede identifi car con el análisis de las
variaciones multianuales en los datos históricos. Los patrones estacionales son
reconocidos al identifi carse los mismos patrones de repetición en periodos
sucesivos. Por ejemplo, un fabricante de albercas espera tener pocas ventas en los
meses de otoño e invierno, y aumentarlas en los meses de primavera y verano. Los
fabricantes de equipos de remoción de nieve y de ropa de invierno, sin embargo,
prevén exactamente lo contrario. Como era de esperar, el patrón de una gráfi ca de
series de tiempo que tiene un comportamiento repetitivo en un periodo de un año
debido a la influencia estacional se llama patrón estacional.
11
3.7 Aplicaciones.
Las series de tiempo se utilizan para predecir valores futuros en función de los
valores observados previamente.
12
Referencias
LEVIN, RICHARD, I., RUBIN & DAVID, S. (2010). Estadistica para Administracion y
Economia (7.a ed., Vol. 7). PEARSON EDUCACIÓN.
https://www.academia.edu/16570654/Estadistica_para_Administracion_y_Economi
a_Levin_Rubin_7ma_Ed_Pearson
Williams, Sweeney & Anderson. (2012). Estadística para negocios y economía (11.a
ed., Vol. 11). Cengage Learning.
https://www.academia.edu/37099878/Estad%C3%ADstica_para_negocios_y_econ
om%C3%ADa
13