Estadstica
INTRODUCCION
La planificacin racional exige prever los sucesos del futuro que probablemente
vayan a ocurrir. La previsin, a su vez, se suele basar en lo que ha ocurrido en
el pasado. Se tiene pues un nuevo tipo de inferencia estadstica que se hace
acerca del futuro de alguna variable o compuesto de variables basndose en
sucesos pasados. La tcnica ms importante para hacer inferencias sobre el
futuro con base en lo ocurrido en el pasado, es el anlisis de series de tiempo.
Son innumerables las aplicaciones que se pueden citar, en distintas reas del
conocimiento, tales como, en economa, fsica, geofsica, qumica, electricidad,
en demografa, en marketing, en telecomunicaciones, en transporte, etc.
INDICE
1. Definicin
I. Tendencia secular
I. Lineal
II. No lineal
i. Promedios mviles
d) Mtodos de pronostico
Series de Tiempo
1. Definicin
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.
Supondremos que en una serie existen cuatro tipos bsicos de variacin, los
cuales Sobrepuestos 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.
Supondremos, adems, que existe una relacin multiplicativa entre estas cuatro
componentes; es decir, cualquier valor de una serie es el producto de factores
que se pueden atribuir a las cuatro componentes.
iii. 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.
Tendencia lineal
Tendencia no lineal
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. Se mostrar este mtodo con los
siguientes ejemplos:
Promedio mvil=
n valores de serias de tiempo
n
2 21
3 19
4 23 (17+21+19)/3 = 19
5 18 (21+19+23)/3 = 21
6 16 (21+19+23)/3 = 21
7 20 19
8 18 18
9 22 18
10 20 20
11 15 20
12 22 19
Los promedios mviles
1 2 3
P= ( 17 ) + ( 21 )+ ( 19 )=19.33 galones
6 6 6
Ft+1= Yt + (1-) Ft
Donde:
= constante de suavizamiento, 0 1
F Y (1)F
F Y (1)Y
F2 Y1
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:
F Y (1)F
1 F Y (1)Y
F Y (1)Y (1) Y
.
1.2 Mtodo de anlisis de tendencias
Ajusta un modelo general de tendencias a datos de series de tiempo, se
puede seleccionar un modelo lineal, cuadrtico, exponencial (crecimiento
o declinacin) y de curva S (para tecnologa).
MODELOS DE TENDENCIA
Lineal
Cuadrtico
Curva S de Pearl-Reed.
Toma en cuenta las observaciones que se ajustan a una curva con forma
de S.
Por ejemplo:
57. 57.
350 1 44.7 396 7 48.1
MSD 59.1305
360
350
340
330
320
1 7 14 21 28 35 42 49 56 63 70
Index
Modelos de descomposicin
Multiplicativo
Yt es la observacin en el tiempo t.
Aditivo
Modelos de pronstico:
Por ejemplo:
AccuracyMeasures
MAPE 881.582
MAD 2.802
RESI1
0 MSD 11.899
-10
-20
1 7 14 21 28 35 42 49 56 63 70
Index
En esta grfica se muestran los residuos sin tendencia cuyo ajuste es
adecuado, excepto que al inicio del periodo anual los valores son
subestimados y al final del periodo anual los valores son
sobreestimados, tambin es evidente en la grfica de abajo donde los
residuos son mayores al principio y menores al final de la serie.
10
10
0 0
-10
-10
-20
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
5
8
0
4
-5
0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
10
Data
0
-10
-20
1 6 12 18 24 30 36 42 48 54 60
Index
10
0
-10
-20
1 6 12 18 24 30 36 42 48 54 60
Index
MTODOS
Promedio mvil:
Accuracy Measures
Metals
46 MAPE 1.55036
MAD 0.70292
MSD 0.76433
44
42
40
1 7 14 21 28 35 42 49 56 63
Index
Interpretacin de resultados
2. Los valores suavizados son los valores Y estimados por ARIMA, pero
desplazados en una unidad de tiempo.
Valor inicial suavizado = [Valor suavizado del periodo 2 - (dato en periodo 1)] /
(1-)
Donde (1-) estima el parmetro MA.
Peso especificado
SmoothingConstant
48
Alpha 1.04170
AccuracyMeasures
Metals
46 MA PE 1.11648
MA D 0.50427
MSD 0.42956
44
42
40
1 7 14 21 28 35 42 49 56 63
Index
Interpretacin de resultados
BIBLIOGRAFA/WEBGRAFIA
- http://docentesinnovadores.net/Archivos/5863/SERIES%20DE
%20TIEMPO%20EMPLEANDO%20EXCEL%20Y%20GRAPH.pdf series
de tiempo
- http://docentesinnovadores.net/Archivos/5863/SERIES%20DE
%20TIEMPO%20EMPLEANDO%20EXCEL%20Y%20GRAPH.pdf series
de tiempo
- http://www.fuenterrebollo.com/Economicas2013/series-temporales-
ejercicios.pdf ejercicios de serie de tiempo
- http://es.slideshare.net/isaacgflores/anlisis-de-series-de-tiempo anlisis de
serie de tiempo