Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EXPERIMENTAL
“SIMÓN RODRÍGUEZ”
SUBDIRECCIÓN ACADEMICA
COORDINACIÓN DE EDUCACIÓN
NÚCLEO – CORO
Facilitadora: Lcda. Jamilet Almeda
Curso: Estadística II Unidad V
Ejemplos:
Uno de los usos más habituales de las series de datos temporales es su análisis
para predicción y pronóstico (así se hace por ejemplo con los datos climáticos, las
acciones de bolsa, o las series de datos demográficos). Resulta difícil imaginar
una rama de las ciencias en la que no aparezcan datos que puedan ser
considerados como series temporales. Las series temporales se estudian
en estadística, procesamiento de señales, econometría y muchas otras áreas.
Componentes
El análisis más clásico de las series temporales se basa en que los valores que toma la
variable de observación es la consecuencia de cinco componentes, cuya actuación conjunta
da como resultado los valores medidos, estos componentes son:
Tendencia secular o regular, que indica la marcha general y persistente del fenómeno
observado, es una componente de la serie que refleja la evolución a largo plazo. Por
ejemplo, la tendencia creciente del índice de reciclado de basuras en los países
desarrollados, o el uso creciente de Internet en la sociedad, independientemente de que
en un mes concreto en un país, por determinadas causas, haya una baja en la utilización
de Internet.
Variación estacional o variación cíclica regular, el movimiento periódico de corto plazo. Se
trata de una componente causal debida a la influencia de ciertos fenómenos que se
repiten de manera periódica en un año (las estaciones), una semana (los fines de
semana) o un día (las horas puntas) o cualquier otro periodo. Recoge las oscilaciones que
se producen en esos períodos de repetición.
Variación cíclica, el componente de la serie que recoge las oscilaciones
periódicas de amplitud superior a un año. movimientos normalmente
irregulares alrededor de la tendencia, en las que a diferencia de las variaciones
estacionales, tiene un período y amplitud variables, pudiendo clasificarse como
cíclicos, cuasicíclicos o recurrentes.
Variación aleatoria o ruido, accidental, de carácter errático, también
denominada residuo, no muestran ninguna regularidad (salvo las regularidades
estadísticas), debidos a fenómenos de carácter ocasional como pueden ser
tormentas, terremotos, inundaciones, huelgas, guerras, avances tecnológicos,
etcétera.
Variación transitoria, accidental, de carácter errático, debido a fenómenos
aislados que pueden llegar a modificar el comportamiento de la serie
(tendencia, estacionalidad variaciones cíclicas y aleatorias).
DEFINICIÓN Según autores: Series Cronológicas
Una serie de tiempo es una colección de datos reunidos sobre la misma variable a lo largo
del tiempo; [Hildebrand, 1998].
Se llama serie de tiempo a un conjunto de mediciones de cierto fenómeno o experimento
registrado secuencialmente en el tiempo; [Chatfield, 2003].
Una serie de tiempo es un registro metódico de la medición u observación numérica,
efectuada a intervalos de tiempo fijos, de las características o variables del área de interés;
[Guerrero, 2003].
Una serie de tiempo es una sucesión cronológica de observaciones de una variable
particular; [Bowerman, 2009].
DEFINICIÓN
Una serie de tiempo es una colección de datos obtenidos por mediciones de algún evento
natural o inducido, los cuales son reunidos sobre la misma variable, bajo las mismas
condiciones a lo largo del tiempo y con intervalos de la misma medida. Un propósito, del
análisis de series de tiempo es modelar el mecanismo que da lugar a la serie observada,
para pronosticar los valores de su comportamiento futuro, a partir de los cuales, sea
posible llevar a cabo una planeación y toma de decisiones.
APLICACIÓN
Las series de tiempo tiene dos propósitos: comprender las fuerzas de influencia en los datos y descubrir la
estructura que produjo los datos observados. Ajustar el modelo y proceder a realizar pronósticos, monitoreo,
retroalimentación y control en avance. Algunos ejemplos donde se puede utilizar series temporales:
Pronósticos temporales.
Economía (presupuestos) y Marketing (Mercados económicos)
Proyecciones del empleo y desempleo.
Evolución del índice de precios al consumidor IPP
Beneficios netos mensuales de cierta entidad bancaria.
Índices del precio del petróleo.
Número de habitantes por año.
Tasa de mortalidad infantil por año.
Lluvia recogida diariamente en una localidad.
Temperatura media mensual.
Turistas internacionales con destino la Comunitat Valenciana, en miles. Serie trimestral, 2001-2009.
APLICACIÓN
Distribución de Probabilidades
COMPONENTES
TENDENCIA Se puede definir como un cambio a largo plazo que se produce en la relación al nivel
medio, o el cambio a largo plazo de la media. La tendencia se identifica con un movimiento suave de la
serie a largo plazo
ESTACIONALIDAD Muchas series temporales presentan cierta periodicidad de forma anual. Por
ejemplo el consumo de energía en países con verano e invierno intensos, la venta de útiles escolares,
etc. Estos efectos son fáciles de entender y se pueden medir explícitamente o incluso se pueden
eliminar de la serie de datos, a este proceso se le llama desestacionalización de la serie
FLUCTUACION CICLICA Con frecuencia las series de tiempo presentan secuencias alternas de
puntos abajo y arriba de la línea de tendencia. Un ejemplo de este tipo de variación son los ciclos
comerciales cuyos períodos recurrentes dependen de la prosperidad, recesión, depresión y
recuperación, las cuales no dependen de factores como el clima o las costumbres sociales.
VENTAJAS
Solo se requiere conocer una cantidad limitada de datos para hacer pronóstico sin importar el horizonte de tiempo
y es bastante simple.
No requiere tener información de las variables exógenas que afectan la serie para su análisis, pero pueden ser
univariadas o multivariadas.
Las series de tiempo se estiman fácilmente en comparación con otro método de análisis de datos.
Los pronósticos basados en series de tiempo son bastante efectivos en el corto plazo (1 a 2 años) en comparación
con otros métodos
DESVENTAJAS
Existen modelos econométricos complejos que pueden ser más eficientes y precisos, y por tanto más útiles que las
series de tiempo.
Identifica un patrón con base a datos pasados, lo que implica que debe hacerse nuevas estimaciones con base a
datos nuevos.
No considera la interrelación con otras variables que tengan influencia en el fenómeno analizado.
No es efectivo en el pronóstico de mediano y largo plazo debido a que solo se considera el comportamiento
histórico de una variable.