Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESTADISTICA INFERENCIAL II
UNIDAD ll
INVESTIGACIÓN
17 CONCLUSIÓN............................................................................................................. 19
BIBLIOGRAFÍA................................................................................................................ 20
INTRODUCCIÓN
Toda institución, ya sea la familia, la empresa o el gobierno, tiene que hacer planes
para el futuro si ha de sobrevivir y progresar. Hoy en día diversas instituciones
requieren conocer el comportamiento futuro de ciertos fenómenos con el fin de
planificar, prever o prevenir.
La planificación racional exige prever los sucesos del futuro que probablemente vayan
a ocurrir. La previsión, a su vez, se suele basar en lo que ha ocurrido en el pasado. Se
tiene pues un nuevo tipo de inferencia estadística que se hace acerca del futuro de
alguna variable o compuesto de variables basándose en sucesos pasados. La técnica
más importante para hacer inferencias sobre el futuro con base en lo ocurrido en el
pasado, es el análisis de series de tiempo.
Son innumerables las aplicaciones que se pueden citar, en distintas áreas del
conocimiento, tales como, en economía, física, geofísica, química, electricidad, en
demografía, en marketing, en telecomunicaciones, en transporte, etc.
Uno de los problemas que intenta resolver las series de tiempo es el de predicción.
Esto es dado una serie {x(t1),..., x(tn)} nuestros objetivos de interés son describir el
comportamiento de la serie, investigar el mecanismo generador de la serie temporal,
buscar posibles patrones temporales que permitan sobrepasar la incertidumbre del
futuro.
1. La tendencia.
2. Las variaciones cíclicas.
3. Las variaciones estacionales.
4. Las variaciones irregulares.
Las variaciones estacionales son cíclicas y de plazo relativamente corto (un año o
menos), las cuales a menudo se relacionan con el cambio de estaciones (clima) o con
las variaciones.
El enfoque clásico para el análisis de los datos de series cronológicas intenta separar
componentes de tendencia, cíclicos, irregulares y estacionales de los datos, a fin de
analizar por separado cada uno de ellos.
Una serie cronológica puede estar compuesta de variaciones de tendencia, cíclicas y
estacionales. (Alec)
Donde:
T = componente de la tendencia C =
componente cíclico.
E = Componente estacional.
I = componente irregular
Las fluctuaciones son movimientos de hacia arriba o hacia abajo variantes de magnitud
que presentan cuando los patrones cíclicos (variables) tienden a repetirse
constantemente en intervalos fijos observados.
METODOS DE PROMEDIOS
Aunque existen más métodos para pronosticar, por simplicidad presentamos
solamente dos, que consideramos los más usuales y sencillos de llevar a cabo.
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 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.
SUAVISACION 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 1 que puede ser mayor que cero y menor que uno. Para
nuestro ejemplo utilizamos un valor de 1 = 0.8, por ser éste el que mejor
ajusta al pronóstico a los datos reales.
Por otro lado, si de hecho existe una tendencia, se pueden aplicar varios métodos de
pronóstico de series de tiempo al manejar datos anuales y otro método para losdatos
de series de tiempo mensual o trimestral.
Las principales fuerzas que causan una variación estacional son las condiciones del
tiempo, como, por ejemplo:
Un modelo clásico para una serie de tiempos supone que una serie puede ser
expresada como suma o producto de 3 componentes; tendencia, estacionalidad
y un término de error aleatorio. (Javier, 2015)
Aditivo
𝑋(𝑡) = 𝑇(𝑡) +
𝐸(𝑡) + 𝐴(𝑡)
Multiplicativo
𝑋(𝑡) = 𝑇(𝑡) ∗
𝐸(𝑡) ∗ 𝐴(𝑡)
Mixto
En el análisis de serie de tiempo, las mediciones pueden efectuarse cada hora, día,
semana, mes o año o en cualquier otro intervalo regular periódico. Aunque los datos
de serie de tiempo presentan, por lo general, fluctuaciones aleatorias, esta serie puede
mostrar también desplazamientos o movimientos graduales hacia valores
relativamente mayores o menores a lo largo de un lapso importante de tiempo. El
desplazamiento gradual de la serie de tiempo se llama tendencia
Este crecimiento anual de las ventas a través del tiempo muestra una tendencia
creciente de la serie de tiempo. La figura 5.4 presenta una recta que puede ser una
buena aproximación a la tendencia de las ventas de bicicletas. Aunque esa tendencia
parece ser lineal y aumentar con el tiempo a veces, en una serie de tiempo, la
tendencia se puede describir mejor mediante otros patrones.
Si al graficar nuestros datos observamos de manera clara la tendencia lineal a largo
plazo (no importando si es positiva o negativa), entonces estaremos en la posición de
pronosticar con un buen nivel de confianza, con alguno de los métodos que se
indicaran más adelante.
Esa tendencia podría ser una buena aproximación de las ventas de un producto, desde
su introducción, pasando por un periodo de crecimiento y llegando a una etapa
desaturación del mercado. La tendencia lineal decreciente en la sección B se aplica a
una serie de tiempo que tenga una disminución continua a través del tiempo. La recta
horizontal de la sección C representa una serie de tiempo que no tiene aumento o
disminución consistentes a través del tiempo y que, en consecuencia, no tiene
tendencia.
TENDENCIA SECULAR
Tendencias a largo plazo de las ventas, el empleo, los precios accionarios y de otras
series de negocios y económicas siguen varios patrones; algunas se mueven hacia
arriba de manera uniforme, otras declinan y otras más permanecen iguales con el paso
del tiempo. El cambio a través del tiempo puede ser lineal y seguir una línea recta, o
puede incrementarse a un ritmo exponencial; el cambio a largo plazo (o la ausencia de
cambio) se denomina tendencia de la serie de tiempo o, de manera más precisa, la
tendencia secular.
Este proceso se repite con los demás trimestres en la columna 3 de la tabla 5.2 y los
resultados se dan en millones de dólares. Puesto que la componente estacionalidades
contiene solo las componentes de tendencia (T), ciclo © e irregular (I). Al revisar las
ventas desestacionalizadas. Es claro que la eliminación del factor estacional permite
considerar la tendencia general a largo plazo de las ventas. También se podrá
determinarla ecuación de regresión de los datos de tendencia y usarla para pronosticar
ventas futuras.
2.7 PRONÓSTICOS BASADOS EN FACTORES
DETENDENCIA Y ESTACIONALES
Como se indicó anteriormente el primer pasó en un análisis de series de tiempo,
consiste en graficar los datos y observar sus tendencias en el tiempo. Primero debe
determinarse si parece haber un movimiento hacia arriba o hacia abajo a largo plazo
en la serie (una tendencia) o si la serie parece oscilar alrededor de una recta
horizontal en el tiempo.
Una serie de tiempo es un conjunto de observaciones sobre los valores que toma una
variable (cuantitativa) a través del tiempo. Por tanto, una serie de tiempo es una forma
estructurada de representar datos.
Los datos se pueden comportar de diferentes maneras a través del tiempo: puede que
se presente una tendencia, estacionalidad o simplemente no presenten una forma
definida.
Representar los datos del negocio como series de tiempo suele ayudar a las empresas
a visualizar la actividad del negocio. A su vez, usualmente las series de tiempo se
utilizan para predecir el comportamiento futuro de la variable medida.
Todo pronóstico tiene asociado un alcance, pudiendo ser de corto, mediano o largo
plazo. A modo general se presenta la siguiente tabla resumen, no obstante, el alcance
varía de acuerdo con la industria.
REFERENCIAS
WALPOLE, R.; MAYERS, R.H.; MAYERS, S.L. 1998. Sexta edición. Probabilidad y
Estadística Para Ingenieros. Pearson Educación