Ingeniería En Gestión Empresarial

Nombre De Materia
Estadística Inferencial II - AEF-1025-2024A

Nombre De Actividad
Actividad 1 Tema 2 Investigación “Series de
Tiempo”

Profesor: Moisés Muñoz Diaz

Alumno: Edgar Alejandro Martínez Martínez
Fecha: 26 de febrero del 2024 Aguascalientes, Ags.

1
Índice

Introducción 3

Desarrollo

• Definición y características 4
• Métodos de análisis 4y5
• Aplicaciones 5
• Componentes 6
• Ejemplos 7a9

Conclusión 10

Fuentes bibliográficas 11

2
Series de tiempo

Introducción

Las series de tiempo son un componente fundamental en diversas áreas, desde la

economía y las finanzas hasta la meteorología y la ingeniería y en estadística, las
series de tiempo son conjuntos de datos secuenciales que se recolectan, observan
o registran en intervalos regulares a lo largo del tiempo. Se refieren a conjuntos de
datos ordenados cronológicamente, donde cada observación se registra en función
del tiempo, lo que las convierte en una herramienta fundamental en el análisis
estadístico. El análisis de series de tiempo busca comprender la estructura,
tendencias y patrones de comportamiento en estos datos a lo largo del tiempo. En
esta síntesis, exploraremos los conceptos clave, métodos de análisis y aplicaciones
de las series de tiempo en el contexto de la estadística Y más cosas que obtendré
de diversas fuentes información, las principales deben de ser el libro, ya que para
mí es donde se encuentran la mejor información posible y exacta y con ejemplos
importantes para determinar los puntos de vista que se están tratando y mejor aún
que son una fuente de información más confiable que los páginas de Internet todo
con el propósito de encontrar entendimiento para mí para lector y que de esta
manera el documento esté lleno de la mejor información posible.

3
Desarrollo

Definición y características

Las series de tiempo se definen como secuencias de datos observados, medidos o

recopilados en intervalos regulares.

Se caracterizan por su dependencia temporal, lo que implica que cada observación

está influenciada por las anteriores y puede influir en las futuras.

Sus principales componentes son la tendencia, la estacionalidad, el ciclo y la

componente residual o aleatoria.

La tendencia describe la dirección general del cambio en la serie a lo largo del

tiempo, mientras que la estacionalidad se refiere a patrones recurrentes que se
repiten en ciertos períodos.

El ciclo representa fluctuaciones periódicas que no son de naturaleza estacional, y

el componente aleatorio captura la variabilidad no explicada por las otras
componentes.

Métodos de análisis

Descomposición de series de tiempo: Separar las series en sus componentes

principales (tendencia, estacionalidad, ciclo y aleatoriedad) para analizar cada uno
por separado.

Modelos autorregresivos (AR): Utilizan la relación lineal entre una observación y un

número determinado de observaciones previas.

4
Modelos de media móvil (MA): Utilizan la relación entre una observación y un error
residual generado por un modelo de media móvil aplicado a los datos.

Modelos ARMA (autorregresivos de media móvil): Combina los modelos AR y MA

para capturar tanto la relación lineal con observaciones pasadas como la correlación
con errores pasados.

Modelos ARIMA (autorregresivos integrados de media móvil): Extensión de ARMA

que incorpora componentes de diferenciación para hacer estacionarias las series
no estacionarias.

Diagnóstico de modelos: Se utilizan pruebas estadísticas y gráficos de diagnóstico

para evaluar la adecuación de un modelo de series de tiempo a los datos
observados y detectar posibles problemas como la autocorrelación residual.

Aplicaciones

Economía y finanzas: Pronóstico de variables económicas como el PIB, la inflación

y los precios de los activos financieros.

Meteorología: Predicción del clima y análisis de patrones climáticos a lo largo del

tiempo.

Ingeniería: Monitoreo y control de procesos industriales, mantenimiento predictivo y

gestión de la cadena de suministro.

Demografía: número de habitantes por año, tasa de mortalidad infantil por año.

Medioambiente: evolución horaria de niveles de óxido de azufre y de niveles de

óxido de nitrógeno en una ciudad durante una serie de años, lluvia recogida
diariamente en una localidad, temperatura media mensual y medición diaria del
contenido en residuos tóxicos en un río.

5
Componentes

El análisis clásico de las series temporales se basa en la suposición de que los

valores que toma la variable de observación es la consecuencia de tres
componentes, cuya actuación conjunta da como resultado los valores medidos,
estos componentes son:

a.- Componente 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.

b.-Componente estacional. - Muchas series temporales presentan cierta

periodicidad o, dicho de otro modo, variación de cierto período (semestral, mensual,
etc.). Por ejemplo, las Ventas al Detalle en Puerto Rico aumentan por los meses de
noviembre y diciembre por las festividades navideñas. 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.

c.- Componente aleatoria. - Esta componente no responde a ningún patrón de

comportamiento, sino que es el resultado de factores fortuitos o aleatorios que
inciden de forma aislada en una serie de tiempo.

De estos tres componentes los dos primeros son componentes determinísticos,

mientras que la última es aleatoria. Así se puede denotar la serie de tiempo como

𝑥𝑡 = 𝑇𝑡 + 𝐸𝑡 + 𝐼𝑡

Donde es la tendencia, es la componente estacional e es la componente aleatoria.

6
Ejemplos

Un primer ejemplo que puede ilustrar la presencia de los dos tipos de enfoques
antes mencionadas es la Figura 2.1.1 En esta figura se muestra la evolución del
Indicador Global de la Actividad Económica (IGAE).

En la Figura 2.2 se ilustra la evolución reciente del ´Índice de Confianza del

Consumidor (ICC) en dos de sus versiones: el primero refiere el ´índice global y el
segundo considerando la confianza de los consumidores cuando ´estos consideran
la situación actual en la economía en relación el año anterior.

7
La Figura 2.3 ilustra el comportamiento reciente de dos indicadores que son
referencia para los inversionistas.

8
Figura 2.5 se muestran las diferencias logarítmicas de las series de IGAE de la
actividad total, el IPC y el TDC.

9
Conclusiones

El análisis de series de tiempo es una herramienta poderosa para entender y

pronosticar el comportamiento de variables a lo largo del tiempo. Desde su
aplicación en economía y finanzas hasta su uso en meteorología e ingeniería, las
series de tiempo proporcionan información valiosa para la toma de decisiones y la
planificación estratégica. Dominar los métodos de análisis de series de tiempo es
esencial para aquellos que buscan comprender y aprovechar el poder predictivo de
los datos temporales en diversas áreas básicamente este tema tiene diversas
maneras de ser usado por las cuales tienen proporción a diferentes análisis, es un
tema extenso, pero de muy buena información para la materia, la cual me ayuda a
comprender un poquito más acerca de lo que estamos viendo en la unidad y con
ello poder resolver todas mis preguntas de forma rápida y entendible y siendo así
realmente para mí quedó comprendida lo que se refiere la serie de tiempo y con ello
terminó esta actividad.

10
Fuentes bibliográficas

Benjamín Oliva. (2020). Análisis de series de tiempo (1.a ed., Vol. 1).
http://herzog.economia.unam.mx/ea20201/MATEMATICAS/OLIVA_VAZQUEZ_B_
SERIESDETIEMPO.pdf

Villavicencio. (2019). Introducción a series de tiempo (1.a ed., Vol. 1).

http://www.estadisticas.gobierno.pr/iepr/LinkClick.aspx?fileticket=4_BxecUaZmg%
3D

11