INSTITUTO TECNOLOGICO SUPERIOR DE CHETUMAL

ALUMNO:
CARLOS ALBERTO FLORES DURAN

MAESTRO:
JAVIER GARCÍA GUZMÁN

MATERIA :
ESTADÍSTICA INFERENCIAL II

CARRERA :
ING. EN GESTION EMPRESARIAL A DISTANCIA

FECHA ENTREGA: 28 DE OCTUBRE DE 2022

ACTIVIDAD: GLOSARIO DE PALABRAS CLAVES DEL TEMA 3.

INDICE

3.1 Componentes de una serie de tiempo.............................................................. 1

3.2 Método de mínimos cuadrados. ........................................................................ 3

3.3 Métodos de promedios móviles. ....................................................................... 5

3.4 Métodos de suavización exponencial. ............................................................. 7

3.5 Tendencias no lineales. .................................................................................... 10

3.6 Variación estacional. ........................................................................................ 11

3.7 Aplicaciones. ..................................................................................................... 12

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.

Las variaciones o comportamientos característicos de una serie cronológica,

pueden dividirse en cuatro componentes diferenciados:

Tendencia o Movimiento Secular.

Variaciones Estacionales.
Variaciones Cíclicas.
Variaciones Irregulares.

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.

El patrón cíclico existe si la gráfica de la serie de tiempo muestra una secuencia de

puntos que caen de manera alterna por arriba y debajo de la línea de tendencia por
más de un año. Muchas series de tiempo económicas suelen mostrar un
comportamiento cíclico con observaciones regulares que caen por debajo y por
encima de la línea de tendencia. A menudo, el patrón cíclico se debe a ciclos
multianuales de la economía. Por ejemplo, periodos de inflación moderada seguidos
por periodos de infl ación rápida pueden dar lugar a que la serie de tiempo alterne
hacia arriba y hacia abajo de la línea general de tendencia creciente (por ejemplo,
una serie de tiempo sobre el costo de vivienda).

El componente irregular o de error toma en cuenta la variabilidad de la serie de

tiempo que no puede ser explicada por los componentes de tendencia y estacional.

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.

Su expresión general se basa en la ecuación de una recta y = mx + b. Donde m es

la pendiente y b el punto de corte, y vienen expresadas de la siguiente manera:

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.

A continuación se calcula el pronóstico de ventas en la semana 5 al promediar los

valores de la serie de tiempo de las semanas 2 a 4.

Por tanto, el pronóstico de las ventas en la semana 5 es 21 y el error relacionado

con este indicador es 18 - 21 = - 3. Un resumen completo del pronóstico del
promedio móvil para las series de tiempo en las tres semanas de ventas de gasolina
se se proporciona en la tabla.

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.

La ecuación muestra que el pronóstico para el periodo t1 es un promedio ponderado

del valor real en el periodo t y del valor pronosticado para el periodo t. El peso dado
al valor real en el periodo t es la constante de suavizamiento α, y el peso dado al
pronóstico para el periodo t es 1 - α. Resulta que el pronóstico exponencial para
cualquier periodo es en realidad un promedio ponderado de todos los valores reales
anteriores de la serie de tiempo. Se ilustra lo anterior con una serie de tiempo que
sólo implica los datos de tres periodos: Y1, Y2 y Y3.

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.

Para ilustrar el método de suavizamiento exponencial, considere de nuevo la serie

de tiempo de los precios de la gasolina presentada en la tabla y en la figura
anteriores .Como ya se explicó, para iniciar los cálculos se establece un pronóstico
de suavizamiento exponencial para el periodo 2 igual al valor real de la serie de
tiempo en el periodo 1. Por tanto, como Y1 = 17, para empezar con los cálculos del
suavizamiento exponencial se pone F2 = 17. Referente a los datos de la serie de
tiempo en la tabla 18.1, se encuentra que el valor real de la serie de tiempo en el
periodo 2 es Y2 = 21. Por tanto, el error de pronóstico del periodo 2 es 21 - 17 = 4.
Al continuar con los cálculos del suavizamiento mediante una constante de
suavización α = 0.2, se obtiene el siguiente pronóstico para el periodo 3:

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.

Al continuar con los cálculos para el suavizamiento exponencial se determinan los

valores de los pronósticos semanales que se muestran en la tabla

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.

La regresión no lineal es una forma de análisis de regresión en la que los datos se

ajustan a un modelo y luego se expresan como una función matemática. La
regresión lineal simple relaciona dos variables (X e Y) con una línea recta (y = mx +
b), mientras que la regresión no lineal relaciona las dos variables en una relación no
lineal (curva).

El modelo de regresión no lineal es similar al modelo de regresión lineal en el sentido

de que ambos buscan rastrear gráficamente una respuesta particular de un conjunto
de variables. Los modelos no lineales son más complicados de desarrollar que los
modelos lineales porque la función se crea a través de una serie de aproximaciones
(iteraciones) que pueden surgir de prueba y error. Los matemáticos utilizan varios
métodos establecidos, como el método de Gauss-Newton y el método de
Levenberg-Marquardt.

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.

Se considera que las variaciones estacionales son aquellas que se representan en

un lapso de un año, los datos de series de tiempo también pueden presentar
patrones estacionales de menos de un año. Por ejemplo, el volumen de tráfi co
diario muestra en un día un comportamiento “estacional”, donde los valores
máximos se presentan en las horas pico, un flujo moderado el resto del día y al
comienzo de la noche, y un flujo ligero desde la medianoche hasta la madrugada.

11
 3.7 Aplicaciones.

Los datos de series de tiempo están en todas partes, ya que el tiempo es un

componente de todo lo que es observable. A medida que nuestro mundo se
instrumenta cada vez más, los sensores y los sistemas emiten constantemente un
flujo incesante de datos de series temporales. Dichos datos tienen numerosas
aplicaciones en diversas industrias.

Ejemplos de análisis de series de tiempo:

Actividad eléctrica en el cerebro.
Mediciones de lluvia
precios de las acciones
Número de manchas solares
Ventas minoristas anuales
suscriptores mensuales
Latidos del corazón por minuto

Las series de tiempo se utilizan para predecir valores futuros en función de los
valores observados previamente.

· El análisis de series de tiempo se utiliza para identificar la fluctuación en la

economía y los negocios.

· Ayuda en la evaluación de los logros actuales.

· Las series de tiempo se utilizan en el reconocimiento de patrones, el

procesamiento de señales, el pronóstico del tiempo y la predicción de terremotos.

Se puede decir que el análisis de series de tiempo es una gran herramienta en

manos de los ejecutivos de negocios para planificar sus ventas, precios, políticas y
producción.

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