RESUMEN
En este trabajo se ha realizado el análisis de datos por series de tiempo, para un conjunto de
datos de la temperatura del medio ambiente, los datos corresponde específicamente al
aeropuerto Internacional Jorge Chávez, en la provincia constitucional del Callao, de la
ciudad de Lima, en Perú.
Los datos fueron recolectados durante los años 1999, 2000, 2001, 2002, 2003, 2004. Para
el análisis solo se han considerado las temperaturas de los cuatro primeros meses de cada
año, además debo indicar que se ha tomado valores promedios mensuales.
ë INTRODUCCION
Una serie de tiempo esta dado por un conjunto de observaciones que están ordenadas en el
tiempo, y que estas pueden representar el cambio de una variable ya sea de tipo económica,
física, química, biológica, etc., a lo largo esa historia.
El objetivo del análisis de una serie de tiempo es el conocimiento de su patrón de
comportamiento, para así poder prever su evolución en el futuro cercano, suponiendo por
supuesto que las condiciones no variarán significativamente.
Los pronósticos que se puedan realizar en base al análisis de este tipo de datos servirán
para el desarrollo de nuevos planes para inversiones en agricultura por ejemplo,
elaboración de nuevos productos por parte de las empresas, prevención de desastres por
cambios en el clima, o captar turistas para la ciudad, etc.
2 TEORIA
2 ë Series de Tiempo
Una serie temporal o cronológica es un conjunto e observaciones de una variable,
ordenadas según transcurre el tiempo.
En una serie de tiempo las observaciones no se deben ordenar de mayor a menor debido a
que se perdería el grueso de la información debido a que nos interesa detectar como se
mueve la variable en el tiempo es muy importante respetar la secuencia temporal de las
observaciones.
2 2 Representación de una Serie Temporal
Par realizar la representación de una serie y temporal se debe realizar mediante una gráfica
de dispersión x-y como se muestra en la fig.1
Fig.1. Representación de una serie temporal
2 Componentes de una serie temporal
2 ë Tendencia
La tendencia es un movimiento de larga duración que muestra la evolución general de la
serie en el tiempo.
La tendencia es un movimiento que puede ser estacionario o ascendente, y su recorrido,
una línea recta o una curva. Algunas de las posibles formas son las que se muestran en la
fig.2
APLICACIÓN
Caso ë Producción de Motocicletas en una empresa japonesa, periodo ë -
ë
En la siguiente tabla se tiene la producción de motocicletas de una empresa (en millones de
motos) en un periodo de 17 años que se muestra en la tabla Nº 1
Tabla Nº1
Venta de Motocicletas en un periodo de 17 años
(Producción en millones de motocicletas)
º
º
º
Se traslada los datos a Microsoft Excel, ordenados en dos columnas, luego se realiza la
gráfica de los datos.
Se obtiene la gráfica mostrada en la fig.8
Fig. 8 Representación de la serie de tiempo para las motocicletas por año
En la grafica se observa que los años donde se registra mayor producción son 1974, 1980,
1985,1990
Entonces podemos tomar cada cinco años como la cantidad de años para la cual la empresa
realiza su mayor producción.
Sin embargo es conveniente encontrar una línea de tendencia tal que se pueda hallar una
ecuación ajustada para los pronósticos de la producción en el tiempo.
Utilizando el método de la media móvil
Se construye una nueva tabla con las medias móviles
Esto es para suavizar la distribución de puntos
Y Y Y Y Y
Representación gráfica
Primero se organizan los datos de manera conveniente en la hoja de cálculo Excel, Se
obtiene la siguiente representación de los datos
a. Media, Mediana
b. Desviación estándar
c. Regresión lineal
i. Tendencia secular
i. Lineal
ii. No lineal
i. Promedios móviles
d. Pronósticos y su precisión
i. Promedios móviles
Por serie de tiempo nos referimos a datos estadísticos que se recopilan, observan o
registran en intervalos de tiempo regulares (diario, semanal, semestral, anual, entre otros).
El término serie de tiempo se aplica por ejemplo a datos registrados en forma periódica que
muestran, por ejemplo, las ventas anuales totales de almacenes, el valor trimestral total
de contratos de construcción otorgados, el valor trimestral del PIB.
b. Supondremos que en una serie existen cuatro tipos básicos de variación, los
cuales sobrepuestos o actuando en concierto, contribuyen a los cambios observados en
un período de tiempo y dan a la serie su aspecto errático. Estas cuatro
componentes son: Tendencia secular, variación estacional, variación cíclica y variación
irregular. Supondremos, además, que existe una relación 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.
ë 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 producción, con frecuencia se aproxima a una
línea recta. Esta línea de tendencia muestra que algo aumenta o disminuye a un
ritmo constante. El método que se utiliza para obtener la línea recta de mejor ajuste es el
Método de Mínimos Cuadrados.
2 Tendencia no lineal
ë Promedio móvil
Un promedio móvil se construye sustituyendo cada valor de una serie por la media
obtenida con esa observación y algunos de los valores inmediatamente anteriores y
posteriores. Se mostrará este método con los siguientes ejemplos:
Se considerará el promedio móvil a partir de las tres observaciones más recientes. En este
caso se utilizará la siguiente ecuación: datos de recientes más valores promedio móvil
Resumen de cálculos para promedios móviles de tres semanas Valor de la serie de tiempo
(miles de galones) Pronóstico de la i-estima semana con Promedios móviles
1 17
2 21
3 19
4 23 (17+21+19)/3 = 19
5 18 (21+19+23)/3 = 21
6 16 ((19+23+18)/3 = 20
7 20 19
8 18 18
9 22 18
10 20 20
11 15 20
12 22 19
Los promedios móviles también se pueden construir tomando en cuenta valores adyacentes
De las observaciones, por ejemplo: En el caso de determinar el promedio móvil para tres
observaciones adyacentes de la tabla anterior, se tiene:
1 17
2 21 (17+21+19)/3 = 19
3 19 (21+19+23)/3 = 21
4 23 (19+23+18)/3 = 20
5 18 (23+18+16)/3 = 19
6 16 18
7 20 18
8 18 20
9 22 20
10 20 19
11 15 19
12 22
Para mostrar el uso de éste método, se utilizará la primera parte del ejemplo anterior de la
venta de gasolina. El método consiste en asignar un factor de ponderación distinto para
cada dato. Generalmente, a la observación o dato más reciente a partir del que se quiere
hacer el pronóstico, se le asigna el mayor peso, y este peso disminuye en los valores
de datos más antiguos. En este caso, para pronosticar las ventas de la cuarta semana,
el cálculo se realizaría de la siguiente manera:
Galones semana cuarta la para pronóstico 33. 19) 19 (63) 21 (62) 17 (61
Puede observarse que el dato más alejado (correspondiente a la primera semana) tiene el
factor de ponderación más pequeño, el siguiente tiene un factor de ponderación del doble
que el primero y el dato más reciente (que corresponde a la tercera semana) tiene un factor
de ponderación del triple del primero. Los pronósticos para las diversas semanas se
presentan en la siguiente tabla. En todos los casos, la suma de los factores de ponderación
debe ser igual a uno.
1 17
2 21
3 19
4 23 19.33
5 18 21.33
6 16 19.83
7 20 17.83
8 18 18.33
9 22 18.33
10 20 20.33
11 15 20.33
12 22
Suavizamiento exponencial
ttt
F YF )1(1
Donde:
= constante de suavizamiento, 0 1
1 1 2)1 (F YF
112)1(YYF
12YF
223 )1 (F YF
123)1(YYF
123334)1()1()1(YYYFYF
234)1()1(YYYF
Para mostrar el método de suavizamiento exponencial, retomamos el ejemplo de la
gasolina, utilizando como constante de suavizamiento = 0.2: valores/semana Pronóstico
1 17 F1 = Y1 = 17.00
2 21 F2 = F1 =17.00
5 18 F5 = Y4 + (1 - )F4 = 19.03
7 20 F7 = Y6 + (1 - )F6 = 18.26
8 18 F8 = Y7 + (1 - )F7 = 18.61