Anda di halaman 1dari 15

INSTITUTO TECNOLGICO DE TIJUANA

DEPARTAMENTO DE INGENIERA INDUSTRIAL


EXPERIMENTO SERIES DE TIEMPO

CLAVE: AEF-1025 IN5B


NOMBRE: HERNNDEZ PEA ARI JAIR
NOMBRE DE LA MATERIA: ESTADSTICA INFERENCIAL 2
HORARIO: MARTES (12-14), MIERCOLES (12-13), JUEVES (12-13), VIERNES (12-13)
SALON: AM-02
NOMBRE DEL MAESTRO: EMILIO RAMON BORQUEZ RODRIGUEZ
UNIDAD 5 SERIES DE TIEMPO

TIJUANA, B.C.
Introduccin

NOVIEMBRE DEL 2015

En esta unidad se ver series de tiempo que en cierta forma predicen o pronostican el
siguiente dato de una serie de tiempo, se utilizara anlisis de regresin lineal simple, promedio
mvil, promedio mvil ponderado y suavizamiento exponencial simple, al final se compararan los
errores porcentuales medios para ver cul de los mtodos es mejor para cada experimento.
Los experimentos son: el crecimiento de una planta de frijol y la tasa de cambio del dlar en
Tijuana, Baja California.
Marco terico
Series de Tiempo
Por serie de tiempo nos referimos a datos estadsticos que se recopilan, observan o registran en
intervalos de tiempo regulares (diario, semanal, semestral, anual, entre otros). El trmino serie de
tiempo se aplica por ejemplo a datos registrados en forma peridica que muestran, por ejemplo,
las ventas anuales totales de almacenes, el valor trimestral total de contratos de construccin
otorgados, el valor trimestral del PIB.
Componentes de la serie de tiempo
Supondremos que en una serie existen cuatro tipos bsicos de variacin, los cuales sobrepuestos
o actuando en concierto, contribuyen a los cambios observados en un perodo de tiempo y dan a
la serie su aspecto errtico. Estas cuatro componentes son: Tendencia secular, variacin
estacional, variacin cclica y variacin irregular.
1. Tendencia secular: La tendencia secular o tendencia a largo plazo de una serie
es por lo comn el resultado de factores a largo plazo. En trminos intuitivos, la tendencia
de una serie de tiempo caracteriza el patrn gradual y consistente de las variaciones de la
propia serie, que se consideran consecuencias de fuerzas persistentes que afectan el
crecimiento o la reduccin de la misma, tales como: cambios en la poblacin, en las
caractersticas demogrficas de la misma, cambios en los ingresos, en la salud, en el nivel
de educacin y tecnologa. Las tendencias a largo plazo se ajustan a diversos esquemas.
Algunas se mueven continuamente haca arriba, otras declinan, y otras ms permanecen
igual en un cierto perodo o intervalo de tiempo.
2. Variacin estacional: El componente de la serie de tiempo que representa la
variabilidad en los datos debida a influencias de las estaciones, se llama componente
estacional. Esta variacin corresponde a los movimientos de la serie que recurren ao tras
ao en los mismos meses (o en los mismos trimestres) del ao poco ms o menos con la
misma intensidad. Por ejemplo: Un fabricante de albercas inflables espera poca actividad
de ventas durante los meses de otoo e invierno y tiene ventas mximas en los de
primavera y verano, mientras que los fabricantes de equipo para la nieve y ropa de abrigo
esperan un comportamiento anual opuesto al del fabricante de albercas.
3. Variacin cclica: Con frecuencia las series de tiempo presentan secuencias
alternas de puntos abajo y arriba de la lnea de tendencia que duran ms de un ao, esta
variacin se mantiene despus de que se han eliminado las variaciones o tendencias
estacional e irregular. Un ejemplo de este tipo de variacin son los ciclos comerciales
cuyos perodos recurrentes dependen de la prosperidad, recesin, depresin y
recuperacin, las cuales no dependen de factores como el clima o las costumbres sociales.

4. Variacin Irregular: Esta se debe a factores a corto plazo, imprevisibles y no


recurrentes que afectan a la serie de tiempo. Como este componente explica la variabilidad
aleatoria de la serie, es impredecible, es decir, no se puede esperar predecir su impacto
sobre la serie de tiempo. Existen dos tipos de variacin irregular: a) Las variaciones que
son provocadas por acontecimientos especiales, fcilmente identificables, como las
elecciones, inundaciones, huelgas, terremotos. b) Variaciones aleatorias o por casualidad,
cuyas causas no se pueden sealar en forma exacta, pero que tienden a equilibrarse a la
larga.
Tendencia de una serie
1.

2.

Tendencia lineal: Como se dijo antes, la tendencia de una serie viene


dada por el movimiento general a largo plazo de la serie. La tendencia a
largo plazo de muchas series de negocios (industriales y comerciales),
como ventas, exportaciones y produccin, con frecuencia se aproxima a
una lnea recta. Esta lnea de tendencia muestra que algo aumenta o
disminuye a un ritmo constante. El mtodo que se utiliza para obtener la
lnea recta de mejor ajuste es el Mtodo de Mnimos Cuadrados.
Tendencia no lineal: Cuando la serie de tiempo presenta un
comportamiento curvilneo se dice que este comportamiento es no lineal.
Dentro de las tendencias no lineales que pueden presentarse en una serie
se encuentran, la polinomial, logartmica, exponencial y potencial, entre
otras.

Mtodos de suavizamiento de una serie

1. Promedio mvil: Un promedio mvil se construye sustituyendo cada valor


de una serie por la media obtenida con esa observacin y algunos de los
valores inmediatamente anteriores y posteriores.

2. Promedios mviles ponderados: El mtodo consiste en asignar un factor


de ponderacin distinto para cada dato. Generalmente, a la observacin o
dato ms reciente a partir del que se quiere hacer el pronstico, se le
asigna el mayor peso, y este peso disminuye en los valores de datos ms
antiguos.

3. Suavizamiento

Exponencial: El suavizamiento exponencial emplea un


promedio ponderado de la serie de tiempo pasada como pronstico; es un
caso especial del mtodo de promedios mviles ponderados en el cual slo
se selecciona un peso o factor de ponderacin: el de la observacin ms
reciente. En la prctica comenzamos haciendo que F1, el primer valor de la
serie de valores uniformados, sea igual a Y1, que es el primer valor real de
la serie. El modelo bsico de suavizamiento exponencial es el siguiente:

Donde:

En base a lo anterior, el pronstico para el perodo dos se calcula de la


siguiente manera:

Como se observa, el pronstico para el perodo 2 con suavizamiento


exponencial es igual al valor real de la serie de tiempo en el perodo uno.
Para el perodo 3, se tiene que:

Para el perodo 4 se tiene:

4. Regresin Lineal: Sean dos variables X y Y, suponga que se quiere explicar el


comporta miento de Y con base en los valores que toma X. Para esto, se mide el
valor de Y sobre un conjunto de n valores de X, con lo que se obtienen n parejas
de puntos (x1, y1), (x2, y2), , (xn, yn). A Y se le llama la variable dependiente o
la variable de respuesta y a X se le conoce como variable independiente o
variable regresora. La variable X no necesariamente es aleatoria, ya que en
muchas ocasiones el investigador fija sus valores; en cambio, Y s es una
variable aleatoria. Una manera de estudiar el comportamiento de Y con respecto
a X es mediante un modelo de regresin que consiste en ajustar un modelo
matemtico de la forma:
Y =f (x)
a las n parejas de puntos. Con ello, se puede ver si dado un valor de la variable
independiente X es posible predecir el valor promedio de Y. Suponga que las
variables X y Y estn relacionadas linealmente y que para cada valor de X, la
variable dependiente, Y, es una variable aleatoria. Es decir, que cada
observacin de Y puede ser descrita por el modelo:

Donde e es un error aleatorio con media cero y varianza s. Tambin suponga que
los errores aleatorios no estn correlacionados. Y como el valor esperado del
error es cero, E(e) = 0, se puede ver que el valor esperado de la variable Y, para
cada valor de X, est dado por lnea recta:

En donde b0 y b1 son los parmetros del modelo y son constantes


desconocidas. Por lo tanto, para tener bien especificada la ecuacin que
relaciona las dos variables ser necesario estimar los dos parmetros, que tienen

los siguientes significados: b0 es el punto en el cual la lnea recta intercepta o


cruza el eje y, y b1 es la pendiente de la lnea, es decir, es la cantidad en que se
incrementa o disminuye la variable Y por cada unidad que se incrementa X.

Objetivo del experimento


Comprar los MAPE de cada mtodo y establecer cul es el mejor para pronosticar el
crecimiento de una planta de frijol y la tasa de cambio del dlar.
Procedimiento

Evaluacin
Promedio mvil y Promedio mvil ponderado a 3 das y 3 de ndice mximo,
respectivamente (Planta)
Da

7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

Largo de la
planta cm
7.41
8.1
8.82
9.46
10.2
10.92
11.25
11.96
12.48
13.2
13.76
14.16
14.78
15.36
15.93
16.58
17.12
17.86
18.24
19.11
20.1
20.75
21.49
22.46
23.22
24.06
24.91
25.02
25.78
26.18
26.9

Promedio
Mvil

8.11
8.793333333
9.493333333
10.19333333
10.79
11.37666667
11.89666667
12.54666667
13.14666667
13.70666667
14.23333333
14.76666667
15.35666667
15.95666667
16.54333333
17.18666667
17.74
18.40333333
19.15
19.98666667
20.78
21.56666667
22.39
23.24666667
24.06333333
24.66333333
25.23666667
25.66
26.28666667

Promedio
Mvil
Ponderado

8.345
9.02
9.723333333
10.43666667
10.965
11.55
12.10166667
12.75333333
13.36
13.86666667
14.40333333
14.96666667
15.54833333
16.16
16.74166667
17.4
17.92666667
18.61166667
19.46
20.26
21.01166667
21.85166667
22.67833333
23.51333333
24.345
24.82333333
25.38166667
25.85333333
26.47333333

Error
porcentual

11.78646934
11.56862745
10.95848596
7.22962963
8.319397993
7.451923077
8.320707071
7.315891473
5.649717514
6.179521876
6.228298611
6.047290228
6.222356253
5.607476636
6.2616648
4.605263158
6.192220478
7.404643449
6.21686747
5.723592369
6.448501039
5.892908412
5.742587975
5.606851331
2.697841727
3.710886993
3.049401579
3.890954151
182.329978
6.077665935

30

25

20
Largo de la planta cm

15

Promedio Movil de 3 dias


Promedio Movil Ponderado

10

0
5

10

15

20

25

30

35

40

Suavizamiento Exponencial, con .1, .5 y 1.71547 con Minitab

Regresin Lineal Minitab


H O : 1 =0
H A : 1 0
The regression equation is
Largo de la planta cm Y = 2,700 + 0,6508 Da X

Promedio mvil y Promedio mvil ponderado a 3 das y 3 de ndice mximo,


respectivamente (Tipo de cambio)
Das
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

Tipo de
cambio

Promedio
Mvil
16.65
16.81
16.75
16.73
16.56
17.01
16.93
16.88
17.07
17.05
16.89
16.78
16.66
16.86
16.95
16.91
17.01
16.87
16.91
17.00
16.55
16.73
16.89
16.75
17.07

16.73666667
16.763
16.67966667
16.765
16.83033333
16.93566667
16.95533333
16.99833333
17.002
16.907
16.77566667
16.768
16.82566667
16.909
16.9566
16.9296
16.9296
16.92866667
16.82
16.76133333
16.72466667
16.793

Promedio Mvil
Ponderado

16.75333333
16.7495
16.648
16.81116667
16.89116667
16.914
16.97866667
17.028
16.97233333
16.86133333
16.73783333
16.782
16.8745
16.91666667
16.96556667
16.92326667
16.91346667
16.95066667
16.75933333
16.71633333
16.78266667
16.79583333

Error
porcentual

-0.145455995
-1.144323671
2.105139363
0.672575086
-0.089871218
0.884852036
0.4417341
-0.834961805
-1.146205801
-1.208483393
0.748141999
1.008671032
0.20993495
0.529984085
-0.554567726
-0.078454563
0.532423743
-2.445706918
-0.151388391
1.05165542
-0.18904344
1.588836156

26
27
28
29
30
31

16.56
16.77
16.96
17.05
16.89

16.904
16.79266667
16.799
16.763
16.92466667
16.96566667

16.93283333
16.76083333
16.7495
16.8295
16.9705
16.95466667

-2.251409018
0.054661101
1.235332272
1.264300381
-0.458769905
1.62959988
0.052567738

Suavizamiento Exponencial, con .1, .5 y con Minitab

Regresin Lineal Minitab


H O : 1 =0
H A : 1 0

Conclusiones
Para el experimento de la planta
METODO
PROMEDIO MOVIL
PROMEDIO MOVIL PONDERADO
SUAVIZAMIENTO EXPONENCIAL
.1
.5
1.71547
REGRESIN LINEAL

MAPE
7.8259
6.07766
22.6604
7.89447
2.64532
Se rechaza la hiptesis nula y se tiene un
coeficiente de correlacin del 99.6%

El mejor mtodo de serie de tiempo es la de regresin lineal simple, ya que tiene relacin positiva
perfecta que se aprecia en la grafica, para pronosticar el tamao del siguiente da se usa la
ecuacin de regresin:
Y = 2,700 + 0,6508 X
Para el experimento de la tasa de cambio
METODO
PROMEDIO MOVIL
PROMEDIO MOVIL PONDERADO
SUAVIZAMIENTO EXPONENCIAL
.1
.5

MAPE
.863851
0.05256
.7772
.7861

.0640
REGRESIN LINEAL

.7645
Se acepta la hiptesis nula, se tiene un
coeficiente de correlacin del 0

El mejor mtodo de series de tiempo para el cambio del dlar es la de promedio mvil ponderado
ya que presenta menor error (MAPE) en comparacin con los dems mtodos.
As que si se quiere pronosticar el siguiente da la tasa de cambio del dlar se utilizara el mtodo
de promedio mvil ponderado.