TALLER 1

SERIES DE TIEMPO

Presentado por:
CÓRDOBA SARMIENTO ADRIÁN

Presentado a:
RICK ACOSTA VEGA

UNIVERSIDAD DEL MAGDALENA

FACULTAD DE INGENIERÍA
INGENIERÍA INDUSTRIAL
SEMINARIO TEORICO- PRACTICO 1
SANTA MARTA
2019.
1. Explique las diferencias entre las técnicas de pronósticos cualitativas y
cuantitativas
PRONOSTICOS CUALITATIVOS
- Basados más en la opinión
de expertos y el juicio, los
pronósticos cualitativos
generalmente no se basan en
la historia.
- Se puedes utilizar para
determinar las fortalezas de
la empresa, las debilidades,
las oportunidades y las
amenazas, así como para
predecir el rendimiento.
- Una técnica cualitativa común
es la técnica Delphi, en el
que las tendencias y los
efectos de las decisiones se
predicen.
PRONOSTICOS CUANTITATIVOS
- Los pronósticos cuantitativos
se refieren sobre todo a los
números o cifras tales como
los pronósticos de ventas,
pronósticos presupuestarios,
pronósticos de cifras o
econometría.
- Generalmente está basado
en la historia de las cifras de
la empresa y tiene en cuenta
la historia de la industria
también.
- En los pronósticos
cuantitativos, las dos técnicas
más básicas son la técnica de
series de tiempo y la técnica
relacional

2. ¿Qué es una serie de tiempo?

Una serie temporal es el resultado de observar los valores de una variable a lo
largo del tiempo en intervalos regulares (cada día, cada mes, cada año, etc.).
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.

3. Describa cada uno de los componentes de la serie de tiempo.

Estas cuatro componentes son: Tendencia secular, variación estacional,
variación cíclica y variación irregular.

a) Tendencia secular: La tendencia secular o tendencia a largo plazo de

una serie es por lo común el resultado de factores a largo plazo. En
términos intuitivos, la tendencia de una serie de tiempo caracteriza el
patrón gradual y consistente de las variaciones de la propia serie, que se
consideran consecuencias de fuerzas persistentes que afectan el
crecimiento o la reducción de la misma, tales como: cambios en la
población, en las características demográficas de la misma, cambios en
los ingresos, en la salud, en el nivel de educación y tecnología. Las
tendencias a largo plazo se ajustan a diversos esquemas. Algunas se
mueven continuamente hacía arriba, otras declinan, y otras más
permanecen igual en un cierto período o intervalo de tiempo.
b) Variación 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 variación corresponde
a los movimientos de la serie que recurren año tras año en los mismos
meses (o en los mismos trimestres) del año poco más o menos con la
misma intensidad. Por ejemplo: Un fabricante de albercas inflables
 espera poca actividad de ventas durante los meses de otoño e invierno y
tiene ventas máximas 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.
c) Variación cíclica: Con frecuencia las series de tiempo presentan
secuencias alternas de puntos abajo y arriba de la línea de tendencia que
duran más de un año, esta variación se mantiene después de que se han
eliminado las variaciones o tendencias estacional e irregular. Un ejemplo
de este tipo de variación son los ciclos comerciales cuyos períodos
recurrentes dependen de la prosperidad, recesión, depresión y
recuperación, las cuales no dependen de factores como el clima o las
costumbres sociales.
d) Variación 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 variación irregular: a) Las variaciones que son provocadas
por acontecimientos especiales, fácilmente identificables, como las
elecciones, inundaciones, huelgas, terremotos. b) Variaciones aleatorias
o por casualidad, cuyas causas no se pueden señalar en forma exacta,
pero que tienden a equilibrarse a la larga.

4. ¿Qué es la autocorrelacion?
La autocorrelación se puede definir como la correlación entre miembros de series
de observaciones ordenadas en el tiempo (información de series de tiempo) o
en el espacio (información de corte de transversal). El modelo de regresión lineal
supone que no debe existir autocorrelación en los errores, es decir, el término
de perturbación relacionado con una observación cualquiera no debería estar
influenciado por el término de perturbación relacionado con cualquier otra
observación.
Desde el punto de vista estadístico la autocorrelación de una variable discreta
es la correlación o dependencia consigo misma a lo largo del tiempo.

5. ¿Que mide un coeficiente de autocorrelacion?

La correlación, también conocida como coeficiente de correlación lineal (de
Pearson), es una medida de regresión que pretende cuantificar el grado de
variación conjunta entre dos variables.
El coeficiente de autocorrelacion es un índice que mide el grado de covariación
entre distintas variables relacionadas linealmente.
De una forma menos coloquial, la podemos definir como el número que mide el
grado de intensidad y el sentido de la relación entre dos variables.
6. Explique cómo se usan los correlogramas para analizar las
autocorrelaciones de varios retrasos de una serie de tiempo.

El correlograma es el grafico de los coeficientes de autocorrelación de orden k

contra el retardo k. Este grafico es muy útil para interpretar el conjunto de los
coeficientes de autocorrelación de una serie temporal. La interpretación del
correlograma se da a través de las siguientes pistas:
 Si una serie es puramente aleatoria, entonces para valores de T grandes,
rĸ≈0, para cualquier ĸ≠0.
 Correlación a corto plazo: Sea una serie sin tendencia, que oscila en
torno a una media constante, pero cuyas observaciones sucesivas están
correlacionadas positivamente, es decir, una serie en la que a una
observación por encima de la media, le suele seguir otra o más
observaciones por encima de la media (lo mismo, para observaciones
por debajo de la media).
El correlograma es de la siguiente forma: un valor relativamente alto de
r₁, seguido de algunos coeficientes rk distintos de cero, pero cada vez
más pequeños y valores de rk aproximadamente cero para k grande.
Las series sin tendencia que oscilan en torno a una media constante pero
que alternan valores con observaciones sucesivas a diferentes lados de
la media general, presentan un correlograma que también suele alternar
los signos de sus coeficientes.
 Si la serie contiene una tendencia, es decir, cambia continuamente de
nivel, los valores de rk no van a decrecer hacia cero rápidamente. Esto
es debido a que una observación por encima de la media (o por debajo)
de la media general es seguida de muchas observaciones por el mismo
lado de la media debido a la tendencia. Si una serie presenta algún tipo
de ciclo, el correlograma también presentara una oscilación a la misma
frecuencia. Por ejemplo, para series mensuales, r6 será grande y
negativo, y r₁₂ será grande y positivo. En general, el correlograma va a
reproducir el comportamiento cíclico presente en la serie. En las series
con un comportamiento cíclico permanente, el correlograma da de nuevo
poca información porque lo domina el comportamiento cíclico presente
en los datos. Si eliminamos la variación cíclica de los datos el
correlograma podría ser más útil.

7. Indique si cada uno de los siguientes enunciados describe una serie

estacionaria o una serie no estacionaria.

a) Una serie que muestra una tendencia.

(Serie no estacionaria).

b) Una serie cuya media y varianza permanecen constantes en el tiempo.

(Serie estacionaria).

c) Una serie cuyo valor de la media cambia con el tiempo.

(Serie no estacionaria).

d) Una serie que no tiene crecimiento ni decrecimiento.

(Serie estacionaria).
8. Enseguida se presentan descripciones de varios tipos de series: aleatoria,
estacionaria, de tendencia y estacional. Identifique el tipo de serie que
describe cada inciso.

a) La serie tiene propiedades estadísticas básicas, como media y varianza

que permanecen constantes en el tiempo.
(Serie estacionaria).

b) Los valores sucesivos de una serie de tiempo no están relacionados

entre sí.
(Serie aleatoria).

c) Existe una relación significativa entre cada valor sucesivo de una serie.
(Serie de tendencia).

9. Liste alguna de las técnicas de pronostico que deban considerase cuando

se está pronosticando una serie estacionaria. De ejemplo de situaciones
en que dichas técnicas serian aplicadas.

- Simple.
- Promedio simple.
- Promedios móviles.
- Suavizamiento exponencial.
- Box-Jenkins.
Ejemplos:
Precios de acciones.
Viscosidad de un proceso.
Series de demanda.
Análisis de señales.
Temperatura máxima diaria.

10. Liste alguna de las técnicas de pronostico que deban considerase cuando
se está pronosticando una serie de tendencia. De ejemplo de situaciones
en que dichas técnicas sean aplicables.
- Simple,
- Suavizamiento exponencial lineal,
- Suavizamiento exponencial cuadrática,
- Regresión simple,
- Modelos de tendencia exponencial,
- Ajuste de la curva S,
- Modelos de Gompertz,
- Curva de crecimiento,
- Box-Jenkins,
- Regresión múltiple de serie de tiempo.
Ejemplo:
Ventas a largo plazo.
Ofertas de empleo.
Precios de acciones.
11. Liste alguna de las técnicas de pronostico que deban considerase cuando
se está pronosticando una serie estacional. De ejemplo de situaciones en
que dichas técnicas sean aplicables.

- Simple.
- Suavizamiento exponencial estacional.
- Filtración adaptativa.
- Descomposición clásica.
- Census X-12
- Box-Jenkins
- Regresión múltiple de serie de tiempo.
Ejemplos:
Algunas de las situaciones o áreas de aplicación de este tipo de serie son:
Ventas altas en navidad y bajas después.
Consumos relacionados con las estaciones del año.

12. Liste alguna de las técnicas de pronostico que deban considerase cuando
se está pronosticando una serie cíclica. De ejemplo de situaciones en que
dichas técnicas sean aplicables.

- Regresión simple,
- Regresión múltiple,
- Indicadores principales,
- Modelos econométricos,
- Regresión múltiple de series de tiempo.
Ejemplos:
La producción,
Empleo,
Promedio industrial.

13. En la tabla P-13, se presenta el número de matrimonios en Estados Unidos.

Calcule las primeras diferencias para tales datos. Grafique los datos
originales y los datos de diferencia como una serie de tiempo. ¿Hay
tendencia en cualquiera de estas series? Explique su respuesta.
 a) Calcule las autocorrelaciones para los retrasos de tiempo 1 y 2. Haga
una prueba para determinar si estos coeficientes de autocorrelación
son significativamente diferentes de cero, para el nivel de significancia
de 0,005.

(Yt- (Yt-Y´)(Yt-1- (Yt-Y´)(Yt-2-

año matrimonios(miles) Yt Yt-1 Yt-2 Yt-Y´ Yt-1-Y´ Yt-2-Y´ Y´)^2 Y´) Y´)
1985 2,413 0,0624 0,0039
1986 2,407 2,413 0,0564 0,0624 0,0032 0,003519
1987 2,403 2,407 2,413 0,0524 0,0564 0,0624 0,0027 0,002955 0,00326976
1988 2,396 2,403 2,407 0,0454 0,0524 0,0564 0,0021 0,002379 0,00256056
1989 2,403 2,396 2,403 0,0524 0,0454 0,0524 0,0027 0,002379 0,00274576
1990 2,443 2,403 2,396 0,0924 0,0524 0,0454 0,0085 0,004842 0,00419496
1991 2,371 2,443 2,403 0,0204 0,0924 0,0524 0,0004 0,001885 0,00106896
1992 2,362 2,371 2,443 0,0114 0,0204 0,0924 0,0001 0,000233 0,00105336
1993 2,334 2,362 2,371 -0,0166 0,0114 0,0204 0,0003 -0,000189 -0,00033864
1994 2,362 2,334 2,362 0,0114 -0,0166 0,0114 0,0001 -0,000189 0,00012996
-
1995 2,336 2,362 2,334 -0,0146 0,0114 0,0166 0,0002 -0,000166 0,00024236
1996 2,344 2,336 2,362 -0,0066 -0,0146 0,0114 0,0000 0,000096 -7,524E-05
-
1997 2,384 2,344 2,336 0,0334 -0,0066 0,0146 0,0011 -0,000220 -0,00048764
-
1998 2,244 2,384 2,344 -0,1066 0,0334 0,0066 0,0114 -0,003560 0,00070356
1999 2,358 2,244 2,384 0,0074 -0,1066 0,0334 0,0001 -0,000789 0,00024716
-
2000 2,329 2,358 2,244 -0,0216 0,0074 0,1066 0,0005 -0,000160 0,00230256
2001 2,345 2,329 2,358 -0,0056 -0,0216 0,0074 0,0000 0,000121 -4,144E-05
-
2002 2,254 2,345 2,329 -0,0966 -0,0056 0,0216 0,0093 0,000541 0,00208656
-
2003 2,245 2,254 2,345 -0,1056 -0,0966 0,0056 0,0112 0,010201 0,00059136
-
2004 2,279 2,245 2,254 -0,0716 -0,1056 0,0966 0,0051 0,007561 0,00691656

14. ¿Qué medida de precisión del pronóstico debería usarse en cada una de
las siguientes situaciones?

a) El analista necesita determinar si el método de elaboración del

pronóstico tiene un sesgo.
En esta situación se utiliza la Media del error porcentual (MPE).

b) El analista cree que el tamaño o la magnitud de la variable del

pronóstico es importante en la evaluación de la exactitud de este.
Error porcentual absoluto medio (MAPE)

c) El analista necesita sancionar errores grandes del pronóstico.

Error cuadrático medio.