GUA DE

ESTUDIO
DIDCTICA
ETADISTICA II
ING. EN
ADMON
PROFE:
TRABAJO REALIZADO POR:
COSGALLA MARTINEZ ROSA
BERENICE
INTRODUCCIN
El presente trabajo hablaremos y analizaremos algunos temas relacionados con esta gua
como son series de tiempo, como se formula, sus pasos, y otros temas en comn.
Una serie tiempo es una secuencia de observaciones, medidos en determinados momentos
del tiempo, ordenados cronolgicamente y, espaciados entre s de manera uniforme, as los
datos usualmente son dependientes entre s.
El objetivo del anlisis de una serie de tiempo es el conocimiento de su patrn de
comportamiento, para as poder prever su evolucin en el futuro cercano, suponiendo por
supuesto !ue las condiciones no variarn significativamente.
"os pronsticos !ue se puedan realizar en base al anlisis de este tipo de datos servirn
para el desarrollo de nuevos planes para inversiones en agricultura por ejemplo, elaboracin
de nuevos productos por parte de las empresas, prevencin de desastres por cambios en el
clima, o captar turistas para la ciudad, etc.
SERIES DE TIEMPO
Una serie de tiempo es un conjunto de observaciones tomadas en momentos o tiempos
especficos, generalmente a intervalos iguales. Ejemplos de series de tiempo son# la
produccin anual total de acero en Estados Unidos durante cierto nmero de arios, el precio
diario de una acci$n al cierre en la bolsa de valores, las temperaturas a cada hora
anunciadas por el centro meteorolgico de una ciudad % el total de ventas mensuales de un
supermercado. &atemticamente, una serie de tiempo se define por medio de los valores
Y
1
,Y
2
,
de una variable
Y
'temperatura, precio al cierre de una accin, etc(tera) en
los tiempos
t
1
, t
2
,
*or lo tanto,
Y
es una funci$n de
t ;
esto se denota por
Y=F(t )
.
COMO SE FORMULA
El anlisis de series de tiempo consiste en una descripcin 'generalmente matemtica) de
los movimientos componentes presentes. *ara comprender los procedimientos involucrados
en dicha descripcin, consid(rese la figura +,-., !ue muestra las series de tiempo ideales.
"a figura +,-.a) es la grfica de una recta de tendencia a largo plazo % secular 'en lugar de
una curva de tendencia, !ue se pudo haber utilizado tambi(n). "a figura 18-2b) muestra esta
recta de tendencia a largo plazo, con un movimiento cclico sobrepuesto '!ue se supone
peridico) y la figura 18-2c) contiene un movimiento estacional sobrepuesto a la figura +,-
2b). /i se colocara alg0+n movimiento irregular % aleatorio sobre la figura 18-2c), el resultado
ser ms parecido a las series de tiempo reales !ue ocurren en la prctica.
1igura +,-.
/upngase !ue la variable
Y
de series de tiempo es un producto de las variables
T , C, S e I ,
!ue producen los movimientos cclicos, estacionales e irregulares,
respectivamente. Esto se denota como#
Y=T x C x S x I =TCSI
El anlisis de las series de tiempo e!uivale a investigar los factores
T , C, S e I ,
y suele
llamarse descomposicin de series de tiempo, en sus movimientos componentes bsicos.
2abe mencionar !ue algunos estadsticos prefieren considerar a
Y
como la suma
T+C+S+I
de las variables basicas implicadas. 3un!ue a!u se asumir la descomposicin
dada por la primera ecuacin, al e4aminar los m(todos estudiados en este captulo se
presentan procedimientos anlogos cuando se considera una suma. En la prctica, decidir
!ue m(todo de descomposicin debe adoptarse, depender del grado de (4ito logrado al
aplicar cada uno de ellos.
PASOS FUNDAMENTALES EN EL ANALISIS DE LAS SERIES DE TIEMPO
+. 5btener datos para las series de tiempo, haciendo todo el esfuerzo para !ue estos
datos sean confiables. 6ener siempre en cuenta el propsito eventual del anlisis de
las series de tiempo7 por ejemplo, si se desea predecir una serie de tiempo dada,
puede ser til lograr series de tiempo relacionadas 'as como tambi(n otra
informacin). /i es necesario, hay !ue ajustar los datos para compararlos, como
sucede en a8os bisiestos y vacaciones, etc.
.. 9raficar las series de tiempo, se8alando cualitativamente la presencia de variaciones
estacionales, de tendencia a largo plazo y cclicas.
:. 2onstruir la curva o recta de tendencia a largo plazo y obtener los valores de
tendencia adecuados, usando los m(todos de mnimos cuadrados, ;a mano;,
promedios mviles o semipromedios.
<. /i e4isten variaciones estacionales, sacar un ndice estacional y desestacionalizar los
datos 'es decir, ajustar los datos a la variacin estacional).
=. 3justar los datos desestacionalizados a la tendencia. "os datos resultantes contienen
'de manera terica) nicamente la variacin cclica y la irregular. Un promedio mvil
de :, = o > meses servir para eliminar las variaciones irregulares, revelando las
variaciones cclicas.
$. ?ibujar las variaciones cclicas obtenidas en el paso =, se8alando cual!uier
periodicidad o periodicidad apro4imada !ue pueda presentarse.
>. /i se desea predecir, hay !ue combinar los resultados de los pasos + al $ y utilizar
tambi(n cual!uier otra informacin disponible. Identificar y evaluar todas las posibles
fuentes de error y sus magnitudes.
SUAVIZACIN DE LAS SERIES DE TIEMPO
"a siguiente tabla muestra el nmero de asesinatos 'en miles) en Estados Unidos durante los
a8os +@,=-+@@=. 2onstruya a) un promedio mvil de = a8os y b) un promedio mvil de <
a8os.
SOLUCIN
a) Aefi(rase a la tabla. En la columna :, el primer total mvil, +%+.@, es la suma de la
primera a la !uinta entradas de la columna .7 el segundo total mvil, +%$.:, es la suma
de la segunda a la se4ta entradas de la columna ., etc. 3l dividir cada total mvil entre
= se obtiene el promedio mvil re!uerido 'columna <).
b) Aefi(rase a la tabla. "os totales mviles de < a8os se obtienen igual !ue en el inciso
a), e4cepto !ue en lugar de sumar = entradas de la columna ., se suman < entradas.
5bs(rvese !ue, a diferencia del m(todo en el inciso a), los totales mviles se centran
entre a8os sucesivos. Esto sucede siempre !ue un nmero par de a8os se toma como
el promedio mvil. "os promedios mviles de < a8os se obtienen dividiendo los totales
mviles de < a8os entre <.
PROMEDIOS MOVILES, PODERADO Y ESPONENCIAL
"a suavizacin e4ponencial es una t(cnica de pronstico de series de tiempo 'promedios
mviles) !ue pondera los datos histricos e4ponencialmente para !ue los datos ms
recientes tengan ms peso en el promedio mvil. 2on la suavizacin e4ponencial simple, el
pronostico
F
t
se construye con la prediccin del ltimo periodo
F
t 1
ms una porcin B
de la diferencia entre el valor de la demanda real del periodo anterior
A
t 1
y el pronstico
del periodo anterior
F
t 1
.
F
t
C
F
t 1
D B '
A
t 1
-
F
t 1
"a constante de suavizacin B es un numero entre % y + !ue entra multiplicando en cada
pronstico, pero cuya influencia declina e4ponencialmente al volverse antiguos los datos.
Una B baja de ms ponderacin a los datos histricos. Una B de + refleja una ajuste total a la
demanda reciente y los pronsticos sern las demandas reales de los periodos anteriores.
"a seleccin de B depende de las caractersticas de la demanda. "os valores altos de B son
ms sensibles a las fluctuaciones en la demanda.
"os valores bajos de B son ms apropiados para demandas relativamente estables ' sin
tendencia o 2iclicidad), pero con una gran cantidad de variacin aleatoria.
"a suavizacin e4ponencial simple es un promedio suavizado centrado en el periodo
presente. Eo se puede e4trapolar para efectos de tendencia, por la !ue ningn valor de B
compensar completamente la tendencia de datos.
?ado un conjunto de nmeros
Y
1
,Y
2
, Y
3
,
Un promedio mvil de orden E se define como la secuencia de medias aritm(ticas#
Y
1
+Y
2
++Y
N
N
,
Y
2
+Y
3
++Y
N+1
N
,
Y
3
+Y
4
++Y
N+2
N
,
"as sumas en los numeradores de la secuencia se llaman totales mviles de orden E.
Ejemplo
?ados los nmeros ., $, +, =, :, > y ., un promedio mvil de orden : est dado por la
secuencia
2+6+1
3
,
6+1+5
3
,
1+5+3
3
,
5+3+7
3
,
3+7+2
3
o3, 4,3, 5, 4
/e acostumbra localizar cada nmero del promedio mvil en su posicin apropiada,
relacionada con los datos originales. En este ejemplo se escribira
?atos originales ., $, +, =, :, >, .
*romedio mvil de orden : :, <, :, =, <
?onde cada nmero del promedio mvil es la media de los tres nmeros inmediatamente por
encima de (l.
/i los datos se dan anual o mensualmente, un promedio mvil de orden E se
denomina, en ese orden, promedio mvil de E a8os o promedio mvil de E meses. 3s, se
habla de promedios mviles de = a8os, +. meses, etc. *or obcedad, tambi(n puede usarse
cual!uiera otra unidad de tiempo.
"os promedios mviles tienen la propiedad de tender a reducir la cantidad de variacin
presente en un conjunto de datos. *ara las series de tiempo, esta propiedad suele usarse
para eliminar fluctuaciones no deseadas y el proceso se llama suavizacin de las series de
tiempo.
/i se utilizan medias aritm(ticas ponderadas en la secuencia ':), con pesos
especificados de antemano, entonces la secuencia resultante se conoce como promedio
mvil ponderado de orden N.
Ejemplo
/i los pesos +, < y + se utilizan en el ejemplo +, un promedio mvil ponderado de
orden : est dado por la secuencia
1( 2) +4 ( 6) +1(1)
1+4+1
,
1( 6) +4 ( 1)+1(5)
1+4+1
,
1( 1)+4( 5) +1(3)
1+4+1
,
1( 5) +4( 3) +1(7)
1+4+1
,
1( 3)+4( 7) +1(2)
1+4+1

o <.=, ..=, <.%, =.=.
RELACIN CON LA TENDENCIA
+. &(todo de los mnimos cuadrados. Este m(todo, puede usarse para calcular la
ecuacin de una recta o curva de tendencia apropiada. 2on esta ecuacin se suelen
calcular los valores de tendencia T.
.. &(todo del promedio mvil. *or medio de promedios m$viles de orden adecuado, se
pueden eliminar patrones cclicos, estacionales e irregulares, dejando as solo el
movimiento de tendencia. Una desventaja de este m(todo es !ue los datos al inicio y
final de las series se pierden, donde se inici con siete nmeros y con un promedio
mvil de orden : se lleg a cinco nmeros. 5tra desventaja es !ue los promedios
mviles pueden generar ciclos u otros movimientos !ue no estaban en los datos
originales. Una tercera desventaja es !ue los promedios mviles se ven muy
afectados por valores e4tremos. *ara superar esto de alguna manera, algunas veces
se utiliza un promedio mvil ponderado con pesos adecuados7 en tal caso, se da al
dato o a los datos centrales el mayor peso y a los valores e4tremos se les
proporcionan pesos pe!ue8os.
En la siguiente tabla se presenta el valor total de los cultivos en Estados Unidos, en miles de
millones de dlares, de +@,@ a +@@=. Utilice un softFare estadstico para hacer lo siguiente#
a) 9rafi!ue los datos
b) Encuentre la ecuaci$n de la recta de mnimos cuadrados !ue se ajuste a los datos.
c) Estime el valor de los cultivos en Estados Unidos en +@,, y comprelo con el valor de
G$.$., mil millones.
d) 2alcule el valor de los cultivos en Estados Unidos en +@@$ y comprelo con el valor de
G,=@.> mil millones.
.
Soluci
a) "a lnea continua en la siguiente figura muestra una gratica de los datos para la tabla y
la lnea discontinua indica la gratica de +a recta de mnimos cuadrados.
EI siguiente resultado parcial de &initab ofrece la soluci$n de +a recta de mnimos
cuadrados#
?ata ?isplay
AoF Hear Ialue
+ +@,@ $$%.%
. +@@% $>+.<
: +@@+ $,,.%
< +@@. $@=.=
= +@@: >+>.+
$ +@@< >=@..
> +@@= ,%>.%
&6J K regress c. on + variable in c+
Aegression 3nalysis
6he regression e!uation is
Ialue C - <=....@+<.,$ D .:.%$%>+< Hear
"a tabla incluye los valores ajustados y los residuales para los datos de la tabla. "os valores
ajustados se obtienen sustituyendo el ano en la ecuacin de regresin 'ecuacin para la
recta de mnimos cuadrados). *or ejemplo, -<= ....@+<.,$
D .:.%$%>+< '+@,@) C $<<.,<$. EI residual es igual al valor menos el valor ajustado. "os
residuales indican !ue tan bien se ajusta la recta de mnimos cuadrados a los valores reales
de los datos.
2on frecuencia los a8os se codifican antes de analizar los datos. EI siguiente resultado de
&initab ilustra el anlisis usando valores codificados para los a8os#
?ata ?isplay
AoF Hear-coded Ialue
+ % $$%.%
. + $>+.<
: . $,,.%
< : $@=.=
= < >+>.+
$ = >=@..
> $ ,%>.%
&6J K regress c. on + variable in cl
6he regression e!uation is
Ialue C $<<.,<$ D .:.%$+ Hear-coded. "a tabla ofrece los valores ajustados y los residuales
para los datos de la tabla. Usando los valores codificados para los a8os.
CONCLUSIN
"as series temporales pueden servir para predecir acontecimientos futuros en base a
ciertos comportamientos de determinadas variables
/i tenemos ms observaciones !ue se puedan promediar, !ue es el orden de la media
mvil, se obtienen tendencias ms suaves. Este hecho no debe olvidar !ue aun!ue
hemos mejorado la tendencia con el suavizado, por el contrario perdemos informacin
sobre los valores iniciales y finales de la tendencia estimada.
2on el procedimiento de promedios mviles siempre es posible elegir el nmero de
observaciones !ue se deben tomar para el promedio, esto no siempre es fcil, esto da el
periodo de oscilacin
/i se determina la funcin matemtica de la tendencia lineal, esta no permitir conocer los
valores perdidos tanto al inicio como al final del proceso de bs!ueda de la lnea de
tendencia.