3.

análisis de serie de tiempo

Las series de tiempo son colecciones de observaciones sobre un determinado fenómeno

efectuadas en sucesivos momentos del tiempo, usualmente equiespaciados. Corresponde a
una realización de un proceso generador de datos.

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.

Los fuerzas básicas que producen o afectan la tendencia de una serie son: cambios en la
población, inflación, cambio tecnológico e incremento en la productividad.

Tendencia viscular: La tendencia secular es un comportamiento persistente en el horizonte de

largo plazo. Es decir, la variable analizada recibe presiones a la baja o al alza constantemente
durante varios años, o incluso décadas.

Variacion estacional: Los índices de variación estacional (IVE) recogen el incremento o la

disminución porcentual que el componente estacional produce en cada estación anual (mes,
trimestre,...). Estos índices no deben incidir sobre la serie anual, por lo tanto, su promedio
anual siempre debe ser igual a 1 (o 100 si está expresado en tanto por ciento).

Los coeficientes de variación estacional indican el valor en que aumenta o disminuye la

tendencia a causa del componente estacional. Para que estos coeficientes no modifiquen la
serie anual siempre deberán sumar 0.

Variacion cíclica: Una variación cíclica se refieren a ciclos económicos; crecimiento, desarrollo,
expansión, en periodos grandes, el cual no es atribuible a alguna causa.

Variacion irregular: La variación irregular es uno de los componentes de las series de tiempo.
Una serie de tiempo es un conjunto de datos numéricos registrados durante un período
semanal, mensual, trimestral o anual. Estos datos generalmente son usados para evaluar el
comportamiento de las ventas de una empresa o pueden aplicarse a cualquier negocio y /o
área.

3.2 METODO DE MINIMOS 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.

Encontrar la recta que mejor se ajusta a los siguientes datos:

Veamos el gráfico:

Necesitamos encontrar una recta y = mx + b. Debemos aplicar el

método de mínimos cuadrados. Como ya sabemos entonces, primero
centraremos el valor (x ∙ y):
Segundo por las expresiones de m y b debemos encontrar el valor x²:

Ahora podemos obtener los valores de las sumatorias de cada

columna:

Sustituimos en cada una de las expresiones:

La recta obtenida con el método de los mínimos cuadrados es la

siguiente:

Observemos el gráfico:
Vemos que la recta corta al eje y en 11,48 y en el eje x en 13,57. Por
lo tanto, si queremos saber dónde corta en el eje x igualamos la
ecuación y = 0:

Despejamos x:

3.3 METODOS DE PROMEDIOS MOVILES

Para calcular un promedio móvil, Minitab promedia los grupos consecutivos de

observaciones en una serie. Por ejemplo, supongamos que una serie comienza con
los números 4, 5, 8, 9, 10 y usted utiliza la longitud de promedio móvil de 3. El
tercer valor del promedio móvil es el promedio de 4, 5, 8; el cuarto valor es el
promedio de 5, 8, 9; el quinto valor es el promedio de 8, 9, 10.

Fórmula
Límite superior = Pronóstico + 1.96 ×

Límite inferior = Pronóstico – 1.96 ×

Notación

Término Description

DCM desviación cuadrática media

MAPE
El error porcentual absoluto medio (EPAM) mide la exactitud de los valores
ajustados de las series de tiempo. EPAM expresa la exactitud como un porcentaje.

Fórmula

Notación

Término Description

yt valor real en el tiempo t

valor ajustado

n número de observaciones

MAD
La desviación media absoluta (MAD) mide la exactitud de los valores ajustados de
las series de tiempo. La MAD expresa exactitud en las mismas unidades que los
datos, lo cual ayuda a conceptualizar la cantidad de error.

Fórmula
Notación

Término Description

yt valor real en el tiempo t

valor ajustado

n número de observaciones

DCM
La desviación cuadrática media (DCM) siempre se calcula utilizando el mismo
denominador, n, independientemente del modelo. La DCM es más sensible que
DAM para medir un error de pronóstico inusualmente grande.

Fórmula

Notación

Término Description

yt valor real en el tiempo t

valor ajustado

n número de observaciones
3.4 METODOS DE SUAVIZACION EXPONENCIAL

El método de suavización exponencial utiliza los promedios históricos

de una variable en un período para intentar predecir su
comportamiento futuro.

Método:

La fórmula, que mostramos con detalle en el ejemplo, incluye

una demanda real (Do) y un pronóstico (Po). Por otro lado, también se tiene en
cuenta el factor de suavización ( alfa) expresado en tantos por uno. La fórmula
sería esta:

Imaginemos una empresa que vende patatas fritas. El director comercial de la

matriz mexicana contacta con su homólogo en España. Este le indica que va a
hacer un pronóstico de ventas para Valencia. Pero claro, el único indicador que
tiene para comenzar son las ventas en una ciudad de México en que se puedan
comparar datos. Utiliza un factor para suavizar la serie del 35%.

3.5 TENDENCIAS NO LINEALES

Cuando los datos parecen desviarse poco más o menos ampliamente de la linealidad,
en el análisis de regresión o de una serie de tiempo, debemos pensar en ajustar a una
curva en lugar de una línea recta.
Una de las curvas más útiles es la parábola y su ecuación es: =a+bx+c

• Al ajustar una parábola por medio del método de minimos cuadrados, debemos
determinar a,byc de manera que ∑(y- = ∑( ya- bx-c sea mínimo.Para esto,
consideramos la parábola como una ecuación de regresión múltiple de la forma:

y=a+b+c Con =xy =

• Por consiguiente, el método anterior nos lleva a obtener las ecuaciones normales:

∑y = na+b(∑x)+c(∑) ∑ xy= a(∑x)+b(∑)+c(∑ ∑y=a(∑)+b(∑)+c(∑) Cuando los valores

están igualmente espaciados en una serie, la solución de estas ecuaciones para
determinar a, byc se pueden simplificar en forma apreciable mediante el uso de la
misma codificación en la sección anterior. • Si colocamos el cero de la nueva escala en
el centro de la

serie y observamos los convencionalismos de la codificación de un número impar de

periodos y de un número par de periodos, haremos ∑x=0 y ∑=0, y las ecuaciones
normales se reducen a : ∑y = na+c(∑) ∑

xy = b(∑) ∑y=a(∑)+c(∑)

• Después podemos obtener b directamente de la segunda ecuación

b= Y podemos determinar ayc resolviendo simultáneamente la primera y la tercera

ecuación. Las parábolas se conocen asimismo como ecuaciones polinomiales de
segundo grado y las ecuaciones polinomiales de grado mayor que 2, en x, como
=a+bx+c+d+e, también se pueden ajustar por medio del método de mínimos
cuadrados.
3.6 VARIACION ESTACIONAL

El modelo de variación estacional es un modelo óptimo para patrones de

demanda sin tendencia y que presenten un comportamiento cíclico, por ejemplo la
demanda de artículos escolares, la cual tiene un comportamiento cíclico de
conformidad con el calendario escolar.
3.7 APLICACIONES

Economía: Precios de un articulo, tasas de empleo, tasa de inflación, índice de precios, precio
del dólar

Meteorología: Cantidad de agua diaria, velocidad de viento

Geofísica: Series sismológicas

Química: Viscosidad de un proceso, temperatura de un proceso

Demografria: Tasas de natalidad, tasas de mortalidad

Medicina: Electrocardiograma

Marketing: series de demanda, gastos, utilidades, ventas

Telecomunicaciones: análisis de señales

Transporte: series de trafico

4 DISEÑO EXPERIMENTAL PARA UN FACTOR

El diseño de experimental ha resultado ser una herramienta de gran impacto en la actualidad

para el progreso de la industria, debido a que contribuye a conocer los procesos de una
manera más profunda, lo cual permite hacer mejoras en calidad y bajar los costos de
producción por medio de métodos estadísticos.

4.1 introduccion, conceptualización, importancia y alcances del diseño experimental en el

ámbito empresarial

Introducción

El diseño experimental suele plantearse cuando se requiere analizar una característica

cualitativa sometida a un único factor. Este único factor debe de tener una influencia
significativa sobre la característica cualitativa. El Diseño de Experimentos tuvo su inicio teórico
a partir de 1935 por Sir Ronald A. Fisher, quién sentó la base de la teoría del Diseño
Experimental y que a la fecha se encuentra bastante desarrollada y ampliada. Actualmente
las aplicaciones son múltiples, especialmente en la investigación de las ciencias naturales,
ingeniería, laboratorios y casi todas las ramas de las ciencias sociales

Conceptualización

El diseño experimental es una técnica estadística que permite identificar y cuantificar las
causas de un efecto dentro de un estudio experimental. Es un diseño experimental se
manipulan deliberadamente una o más variables, vinculadas a las causas, para medir el efecto
que tienen en otra variable de interés.

Importancia
El diseño experimental busca entonces a través de una serie de herramientas
estadísticas aplicadas metodizar los ensayos de prueba y error para encontrar la mejor
combinación de variables independientes que optimice una variable de respuesta en unas
circunstancias determinadas. El análisis experimental se basa en la comprensión de la variación
que presenta los datos de salida de un problema.

Alcances del diseño experimental en el ámbito empresarial.

El diseño experimental se distingue por el hecho de definir y controlar las variables

independientes antes de lanzarlas al mercado, intentando distintos tipos de estímulos a
los que respondan los clientes, antes de observar como ocurre verdaderamente. Puede
establecer diferentes en su respuesta que pueden atribuirse a los estímulos en cuestión, como
el envoltorio o color de un producto, y no a otros factores, como la disponibilidad limitada del
producto

4.2 CLASIFICACION DE LOS DISEÑOS EXPERIMENTALES

Existen muchos diseños experimentales para estudiar la gran diversidad de problemas o

situaciones que ocurren en la práctica.

1. El objetivo del experimento.

2. El número de factores a estudiar.

3. El número de ni veles que se prueban en cada factor.

4. Los efectos que interesa investigar (relación factores respuesta).

5. El costo del experimento, tiempo y precisión deseada

Diseños factoriales

En este tipo de diseños, el investigador manipula dos o más variables independientes e

incluyen dos o más niveles de presencia en cada una de ellas. La denominación de este tipo
de diseños se hace por el número de variables independientes y el número de niveles
de cada una de ellas.

Diseño completamente aleatorio

Este diseño es el más sencillo, eficiente y se origina por la asignación aleatoria de los
tratamientos a un conjunto de unidades experimentales previamente determinado. En
este diseño usamos “k” tratamientos, asignándose cada uno al azar a “n” unidades
experimentales; para cada unidad seleccionamos al azar un número de 1 a k para decidir
que tratamiento debemos aplicar a esa unidad experimental.

Diseño de cuadros latino y grecolatino

No cualquier arreglo de letras latinas en forma de cuadro es un cuadro latino. La regla

fundamental es que cada letra debe aparecer sólo una vez en cada renglón y en cada columna.
Siempre es fácil construir un cuadro latino estándar: en el que en la primera columna y en
el primer renglón aparecen las letras en orden alfabético.

4.3 NOMENGLATURA Y SIMBOLOGIA EN EL DISEÑO EXPERIMENTAL

Para hacer la comparación se usa una variable de respuesta cuantitativa Y que es medida en
cada uno de los grupos. Los grupos también pueden ser los niveles de una variable cualitativa
que es llamada factor.

NOMENGLATURA

Pre experimentos: Son aquellos

cuyo grado de control es
mínimo.
 No existe manipulación de
la variable.
 En los pre experimentos
se encuentran los estudios de
caso con una sola
Pre experimentos: Son aquellos
cuyo grado de control es
mínimo.  No existe
manipulación de la variable. 
En los pre experimentos se
encuentran los estudios de
caso con una sola medición.
Estos no contienen los
requisitos mínimos de un
experimento verdadero.
 No existe la manipulación
de las variables independiente.
 No existe referencias de
esta variable antes del estímulo.
 No contiene varios grupos
de comparación.
 No se pueden controlar la
invalidación interna.
No existe manipulación de variable

No existe referencias de esta variable antes del estimulo

No contiene varios grupos de comparación

No se pueden controlar la invalidación interna

SIMBOLOGIA

T: tratamientos

C: control

F: Factores

A: números de tratamientos

N: tamaño de muestra

R: replica o repetición

G: grupo de sujetos

X: tratamiento, estimulo o condición experimental

4.4 INDENTIFICAICION DE LOS EFECTOS DE LOS DISEÑOS

Aleatorización

Consiste en hacer las corridas experimentales en orden aleatorio (al azar) y con material
también seleccionado aleatoriamente. Este principio aumenta la probabilidad de que el
supuesto de independencia de los errores se cumpla, lo cual es un requisito para la validez de
las pruebas de estadísticas que se realizan.

Repetición

Es correr más de una vez un tratamiento o una combinación de factores. Es preciso no

confundir este principio con medir varias veces el mismo resultado experimental. Repetir es
volver a realizar un tratamiento, pero no inmediatamente después de haber corrido el mismo
tratamiento, sino cuando corresponda de acuerdo con la aleatorización.

Bloqueo

Consiste en nulificar o tomar en cuenta, en forma adecuada, todos los factores que puedan
afectarla respuesta observada. Al bloquear, se supone que el subconjunto de datos que se
obtengan dentro de cada bloque (nivel particular del factor bloqueado), debe resultar más
homogéneo que el conjunto total de datos.

 No es posible estudiar la
existencia de interacción entre
los factores
 Es inviable, en muchos
casos, por problemas de tiempo
o costo
Pre experimentos: Son aquellos
cuyo grado de control es
mínimo.
 No existe manipulación de
la variable.
 En los pre experimentos
se encuentran los estudios de
caso con una sola
 Estos no contienen los
requisitos mínimos de un
experimento verdadero.
 No existe la manipulación
de las variables independiente.
 No existe referencias de
esta variable antes del estímulo.
 No contiene varios grupos
de comparación.
 No se pueden controlar la
invalidació
Importancia de aleatorización

La aleatorización consiste en que tanto la asignación del material experimental como el

orden en que se realizan las pruebas individuales o ensayos se determinan aleatoriamente y la
importancia
4.5 LA IMPORTANCIA DE LA ALEATORIZACION DE LOS ESPECIMENES DE PRUEBA

La aleatorización consiste en que tanto la asignación del material experimental como el

orden que se realizan las obras o ensayos se determinan aleatoriamente y la importancia de
esta consiste en:

1. Garantizar la validez de la estimación del error experimental

2. Garantizar la independencia de los errores experimental.
3. Eliminar los sesgos de tal manera de tal manera que no se desfavorezca o
discrimine a los tratamientos y permita cancelar los efectos extraños que
pudieran estar presentes.

4.6 SUPUESTOS ESTADISTICOS EN LAS PRUEBAS EXPERIMENTALES

4.7 PRUEBA DE DUNCAN

Se utiliza para comparar todos los pares de medias. Fue desarrollado por primera vez por
Duncan en 1951 pero posteriormente él mismo modificó su primer método generando el que
ahora se denomina Nuevo método de Rango Múltiple de Duncan. Esta prueba no requiere
de una prueba previa de F, como sucede con la DMS o sea que aún sin ser significativa la
prueba F puede llevarse a cabo.

La estadística de Prueba es denotada, por qp

4.8 APLICACIONES INDUSTRIALES

INDUSTRIAS PESADAS O DE BASE

Química pesada

Estudio de la composición para la elaboración de productos: Estudio de los valores más

apropiados para la elaboración de compuestos químicos que requieran diversos componentes.
Análisis del efecto de las condiciones del entorno en la elaboración del producto como la
temperatura ambiente, humedad relativa etc.

INDSUTRIAS DE BIENES O DE EQUIPO

Maquinaria

Medida de la variabilidad de los instrumentos de medida: Es posible aplicar el diseño de

experimentos como herramienta para determinar y mejorar los índices de capacidad de un
proceso concreto apoyándose en estudios de reproducibilidad y repetitividad.

Diseño de motores eléctricos: Estudio de las características constructivas del motor y su

influencia en variables importantes como la pérdida de flujo y la constante de velocidad.

Diseño de electrodos: Estudio de los esfuerzos en los electrodos en función de la fuerza de

aplicación y el tamaño del electrodo.

Diseño de elementos de sujeción: Análisis de la influencia de los parámetros geométricos en la

resistencia de los remaches.
MATERIALES DE CONTRUCCION

Estudios de corrosión: Estudios de la influencia del tiempo en la corrosión de aceros de

construcción y metales en general.

Aplicaciones en el mecanizado: estudio de la variabilidad en los procesos de mecanizado,

ayuda a la reducción de piezas defectuosas y aumento de la capacidad de producción.

PRODUCCION DE VEHICULOS INDSUTRIALES

Estudio de procesos de soldadura: estudio de un proceso de soldadura, para determinar

las variables que influyen en la resistencia de la soldadura.

INDUSTRIA AERONAUTICA

ptimización del proceso de anodizado y pintado: optimizar los procesos de anodizado y

pintado para conseguir una buena protección anticorrosión.

INFORMATICA Y TELECOMUNICACIONES

Estudio del rendimiento de una red informática: Realizando simulaciones es posible cuantificar
el rendimiento y las variables críticas que hacen que la transferencia de datos en la red sea
económicamente rentable.

Mejora del rendimiento de un procesador: Se usa para determinar el impacto que tienen
variables importantes como la temperatura y las horas de uso en el rendimiento del
procesador.

Reducción del tiempo del CPU: El estudio se basa en la aplicación del diseño de experimentos
para determinar la mejor combinación de factores que reduzcan el tiempo de CPU.

Optimización de materiales en semiconductores: Estudio de las propiedades eléctricas del

arsienuro de galio dopado con silano

Diseño de filtros pasivos: se utiliza el diseño de experimentos para determinar los valores de
las tolerancias de los componentes para optimizar los circuitos.

BIOTECNOLOGIA

Operaciones en un sistema de fangos activos: optimizar y entender las reacciones que se

dan en el tratamiento secundario de una EDAR, por ejemplo, los fangos activos.