HHHHHHHHH

INSTITUTO SUPERIOR DE
URUAPAN

ACADEMIA DE INGENIERA INDUSTRIAL

IIND-2004-297
REPORTE

Alumno:

N de Control

UNIDAD 5: SERIES DE TIEMPO

Asignatura: Estadstica Inferencial II

Profesor: Ing. Luis Benjamn Mendoza Ballines

Uruapan;Mich.

28de Mayo del 2015

Tabla de contenido
Introduccin....................................................................................................... 3
Modelos clsicos de series de tiempo....................................................................4
Anlisis de fluctuaciones...................................................................................... 4
Anlisis de tendencia........................................................................................... 5
Pronostico.......................................................................................................... 5
Ejemplos de aplicacin........................................................................................ 6
Ejemplos............................................................................................................ 6
Modelos clsicos de series de tiempo.................................................................6
Anlisis de fluctuaciones................................................................................... 7
Anlisis de tendencia........................................................................................ 8
Pronostico.................................................................................................... 10
Ejemplos de aplicacin................................................................................... 10
Conclusin....................................................................................................... 11
Bibliografa....................................................................................................... 12

Introduccin
Ral Jimnez Gonzlez, (2012): Toda institucin, ya sea la familia, la empresa o el
gobierno, tienen que hacer planes para el futuro si ha de sobrevivir y progresar.
Hoy en da diversas instituciones requieren conocer el comportamiento futuro de
ciertos fenmenos con el fin de planificar, prever o prevenir.
El sistema econmico y comercial cambia frecuentemente respecto al tiempo, por
lo que los negocios dependen de mantenerse al da respecto a los efectos que
esos cambios tendrn en sus operaciones. El pronsticoes una de las tcnicas
que se emplea para la resolucin de este problema, aunque se han desarrollado
numerosos mtodos numricos, todos tienden a un mismo objetivo, predecir los
eventos futuros de manera que las proyecciones se puedan incorporar en el
proceso de toma de decisiones.
Para el pronstico en indispensable el uso de la serie de tiempo por lo que
destacamos su concepto:
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. Su principal objetivo de una
serie de tiempo X t , donde t=1, 2,, n es su anlisis para hacer pronstico.
En los problemas de aplicacin, en un problema de ventas, las ventas histricas
forman una serie de tiempo que es un conjunto de observaciones de una variable
medida en puntos o periodos sucesivos en el tiempo, (Ral, 2012a, p.139).
En esencia, existen dos enfoques de pronsticos: cualitativo y cuantitativo

Los mtodos de pronstico de series de tiempo implican la proyeccin de los

valores futuros de una variable basada por completo en las observaciones
pasadas y presentes de esa variable.

Diagrama: Clasificacin de mtodos de

pronstico, (Ral, 2012b, p.141).
Modelos clsicos de series de tiempo
La suposicin fundamental del anlisis de
series de tiempo es que los factores que han influido en los patrones de actividad
en el pasado y el presente tendrn ms o menos la misma influencia en lo futuro.
Entonces la meta principal del anlisis de series de tiempo es: identificar y aislar
estos factores de influencia con el fin de realizar predicciones (pronosticar), as
como fines administrativos de planeacin y control.
Un modelo clsico para una serie de tiempo, supone que una serie

x1, . , xn

puede ser expresada como suma o producto de tres componentes: tendencia,

estacionalidad y un trmino de error aleatorio.
Existen tres modelos de series de tiempos, que generalmente se aceptan como
buenas aproximaciones a las verdaderas relaciones, entre los componentes de los
datos observados. Estos son:
1. Aditivo: X ( t )=T ( t )+ E (t ) + A(t )
2. Multiplicativo: X ( t )=T ( t )E ( t )A(t )
3. Mixto: X ( t )=T ( t )E ( t )+ A (t)
Donde:
X (t ) Serie observada en instante t

T (t) Componente de tendencia

E(t ) Componente estacional

A (t) Componente aleatoria (accidental)

Una suposicin usual es que

A (t)

sea una componente aleatoria o ruido blanco

con media cero y varianza constante.

Un modelo aditivo (1), es adecuado, por ejemplo, cuando

E(t)

no depende de

otras componentes, como T (t ) , s por el contrario la estacionalidad vara con la

tendencia, el modelo ms adecuado es un modelo multiplicativo (2). Es claro que
el modelo 2 puede ser transformado en aditivo, tomando logaritmos. El problema
que se presenta, es modelar adecuadamente las componentes de la serie.
Anlisis de fluctuaciones
El primer paso en un anlisis de series de tiempo, consiste en graficar los datos y
observar sus tendencias en el tiempo. Primero debe determinarse si parece haber
un movimiento hacia arriba o hacia abajo a largo plazo en la serie (una tendencia)
o si la serie parece oscilar alrededor de una recta horizontal en el tiempo. En este
caso (es decir, no hay tendencia positiva o negativa a largo plazo), puede
emplearse el mtodo de promedios mviles o el de suavizacin exponencial para
emparejar la serie y proporcionar un panorama global a largo plazo. Por otro
lado, si de hecho existe una tendencia, se pueden aplicar varios mtodos de
pronstico de series de tiempo al manejar datos anuales, y otro mtodo para los
datos de series de tiempo mensual o trimestral.
El patrn o comportamiento de los datos en una serie de tiempo tiene diversos
componentes. El supuesto usual es que se combinan cuatro componentes
separados: la tendencia, el cclico, el estacional y el irregular para definir valores
especficos de la serie de tiempo.
Anlisis de tendencia
El desplazamiento gradual de la serie de tiempo se llama tendencia de esa serie;
este desplazamiento o tendencia es, por lo comn, el resultado de factores a largo
plazo, como cambios en la poblacin, caractersticas demogrficas de la misma,
la tecnologa y/o las preferencias del consumidor.
Supondremos aqu que la componente estacional

E(t) no est presente y que

el modelo aditivo es adecuado, esto es:

X ( t )=T ( t )+ A (t)

donde

A (t)

es ruido blanco.
5

Hay varios mtodos para estimar

T (t) . Los ms utilizados consisten en:

1) Ajustar una funcin del tiempo, como un polinomio, una exponencial u otra
funcin suave de t.
2) Suavizar (o filtrar) los valores de la serie.
3) Utilizar diferencias.
Pronostico
El pronstico de las series de tiempo significa que extendemos los valores
histricos al futuro, donde an no hay mediciones disponibles. El pronstico se
realiza generalmente para optimizar reas como los niveles de inventario, la
capacidad de produccin o los niveles de personal.
Existen dos variables estructurales principales que definen un pronstico de serie
de tiempo: El perodo, que representa el nivel de agregacin. Los perodos ms
comunes son meses, semanas y das en la cadena de suministro (para la
optimizacin del inventario). Los centros de atencin telefnica utilizan perodos de
cuartos de hora (para la optimizacin del personal). El horizonte, que representa la
cantidad de perodos por adelantado que deben ser pronosticados. En la cadena
de suministro, el horizonte es generalmente igual o mayor que el tiempo de
entrega.
Ejemplos de aplicacin
La aplicacin de los pronsticos en las reas de planeacin administrativa, esto
como un intento por reducir la incertidumbre y respaldar la toma de decisiones en
algo ms que la intuicin de los empresarios.
En la experiencia de la mayora de los negocios regionales sean estos del giro de
produccin o de servicios, las decisiones tomadas en el presente que impactaran
en el futuro se respaldan en la intuicin; y no es que esto sea malo, pero bajo el
contexto actual en el cual se mueven todos los mercados, la incertidumbre es
parte de la operacin de las empresas en el da a da. Para que las empresas
puedan reducir este grado de incertidumbre como resultado del cambio constante
del entorno, deben respaldar sus decisiones en algo ms que la intuicin, deben
respaldarlo en la elaboracin de pronsticos correctos y precisos que sean
suficientes para satisfacer las necesidades de planeacin de la organizacin
(Hanke y Wichern, 2006).
En el sentido de los negocios, un pronstico es una herramienta que proporciona
un estimado cuantitativo o un conjunto de estimadosacerca de la probabilidad de
eventos futuros que se elaboran en base en la informacin de inters en su
6

dimensin pasada y actual (Pindyck y Rubinfeld, 2001); dicha informacin se

encuentra expresada en la forma de un modelo y existen mltiples formas de
estos expresadas a travs de tcnicas de pronsticos. No obstante, sea cual sea
el modelo elegido para la elaboracin del pronsticose debe seguir un proceso
lgico para llevarlo a cabo; tal proceso consta de los siguientes pasos (Hanke y
Wichern, 2006):
1) Formular el problema.
2) Recolectar los datos.
3) Manipular y limpiar los datos.
4) Construir y evaluar el modelo.
5) Aplicar el modelo.
6) Evaluar el pronstico.
Ejemplos
Modelos clsicos de series de tiempo
Series de tiempo
1.- Series Econmicas

Ejemplos
- Precios de un artculo
- Tasas de desempleo
- Tasa de inflacin
- ndice de precios, etc.

2.- Series fsicas

- Meteorologa
- Cantidad de agua cada
- Temperatura mxima diaria
- Velocidad del viento (energa elica)
- Energa solar, etc.
3.-Series geofsicas
4.-Series demogrficas

- Series sismologas
- Tasas de crecimiento de la poblacin
- Tasa de natalidad, mortalidad

- Resultados de censos poblacionales

- Series de demanda, gastos, ofertas
- Anlisis de seales
- Series de trfico

5.- Series de marketing

6. Series de telecomunicacin
7. Series de transporte
1.- Modelo Aditivo.

X ( t )=T ( t )+ E (t ) + A(t )

Con el objeto de eliminar la estacionalidad se construye la serie de residuos.

R ( t ) =X ( t ) Z (t)

Sem/
Ao

-0,03059

0,00517

0,32267

-0,10442

0,04489

0,024
06

0,32235

0,11177

0,075

-0,04303

SR

0,04885

0,16256

-0,04184

0,17034

Los resultados se muestran en Tabla:

La estimacin de la estacionalidad para este caso queda dada por:
^
( 1 ) R
= 0,04885 - 0,0351 = 0,04534
E ( 1 )= R
^
( 2 ) R = 0,004184 - 0,00351 = 0,04534
E ( 2 )= R
El clculo de las series residuales se realiz con el objeto de identificar a travs de
los coeficientes de variacin para cada fila de los modelos; aquel modelo que sus
filas presenten una menor variabilidad relativa a su media, ser escogido como el
que interpreta a la serie a analizar. En este caso el modelo adoptado, es el
modelo mixto.
2.-Modelo Mixto. X ( t )=T ( t )E ( t )+ A (t)
Con el objeto de eliminar la estacionalidad de la serie, se genera la serie de
residuos:

CV

3,3278

-4,07

W (t)=

X (t)
Z (t)

Sem/Ao 1
1

1,0021 1,07771 0,97866 1,0087

4
2
2
0,98507 0,8968 1,02356 1,0148 0,9915
7
7
La siguiente tabla contiene los residuos.

6
0,995
3
-

(h)
W

Sw

1,01251 0,03813 0,0276

0,98237 0,05037 0,0512

La estimacin de la estacionalidad para este caso queda dada por:

=0,9974
W
^
( h )( W
1)
E ( h )= W
^
( 1 )( W
1) = 1,01251 (0,99744- 1) = 1,01251 + 0,00256 = 1,01507
E ( 1 )= W
^
( 2 )( W
1) = 0,98237 + 0,00256 = 0,98493
E ( 2 )= W
Anlisis de fluctuaciones(promedios mviles y suavizacin exponencial)
Anlisis de tendencia(Sacar de libro)
1.-Un fabricante de bicicletas podra detectar cierta variabilidad, de ao a ao, en
la cantidad de bicicletas vendidas. Sin embargo, al revisar las ventas durante los
ltimos 10 aos, puede encontrar que hay un aumento gradual en el volumen
anual de ventas. Suponga que sus ventas fueron:
Ao
Ventas (miles)

CV

1 2 3 4 5 6 7 8 9 10
21,6 22,9 25,5 21,9 23,9 27,5 31,5 29,7 28,6 31,4

Este crecimiento anual de las ventas a travs del tiempo muestra una tendencia
creciente de la serie de tiempo. La grafica presenta una recta que puede ser una
buena aproximacin a la tendencia de las ventas de bicicletas. Aunque esa
tendencia parece ser lineal y aumentar con el tiempo a veces, en una serie de
tiempo, la tendencia se puede describir mejor mediante otros patrones.

Si

al

graficar nuestros datos observamos de manera clara la tendencia lineal a largo

plazo (no importando si es positiva o negativa), entonces estaremos en la posicin
de pronosticar con un buen nivel de confianza.
2.- Con los siguientes datos sobre las ventas en millones de dlares de la
Empresa D & M
Ao (X)
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Ventas (Y) 1,5 1,8 2 1,5 2,2 2 3 2,8 2,4 2,9 3
1) Hallar la ecuacin de tendencia por el mtodo de los semipromedios.
2) Pronosticar la tendencia de ventas para el 2011.
Solucin
1) Se codifica la numeracin de los aos 2000 como 1, 2001 como 2, y as
consecutivamente para facilitar los clculos. Se agrupa en dos grupos
iguales.

El ao 2005 se dej por fuera para tener grupos con el mismo nmero de aos. El
valor central de 3 corresponde a la mediana del primer grupo 1, 2, 3, 4 y 5. El valor
central de 9 corresponde a la mediana del segundo grupo 7, 8, 9, 10 y 11. El
semipromedio 1,8 corresponden a la media aritmtica del primer grupo. El
10

semipromedio 2,82 corresponden a la media aritmtica del segundo grupo. De

esta manera se obtienen dos puntos (3, 1.8) y (9, 2.82) de la recta de tendencia.
Reemplazando los puntos en el siguiente sistema se obtiene:

Resolviendo el sistema empleando la regla de Cramer se obtiene:

Como

positiva, la recta tiene una tendencia ascendente (pendiente positiva).

Reemplazando los valores calculados se tiene la recta de tendencia, la cual es:

2) Para pronosticar la tendencia de exportacin para el 2011 se reemplaza X = 12

en la recta de tendencia, obteniendo el siguiente resultado:
Y = 1,29 + 0,17X
Y = 1,29 + 0,1712 = 3,33
Pronostico(buscar ejemplos con regresin)
Ejemplos de aplicacin(Buscar un ejemplo de aplicacin, con regresin)
Conclusin
El pronstico es muy importante para las empresas independientemente de su giro
y en cualquier institucin, ya se hasta en la en familia. Ya que el sistema tiende a
sufrir cambios al pasar el tiempo y el ser humano tiene que adaptarse y si es
posible prevenir o estar en toda cosa preparado para el cambio.
En el pronstico se utilizan diferentes mtodos los cuales pueden ser cuantitativos
y cualitativos, que por lo general los ms usuales para tener una mejor toma de
decisiones, ms segura y ms cierta son los matemticos.
Las series son la parte clave para llevar acabo un pronostica ya que sin ella no
podramos tener una recoleccin de datos a travs del tiempo histrica. El mtodo
11

de regresin lineal que se vino analizando a lo largo del reporte nos ofrece un
mejor anlisis al llegar a la toma de decisiones, por lo que muestra un buen
mtodo de pronstico.
Alfaro Navarro Julieta

Como conclusin una serie de tiempo est dado por un conjunto de observaciones
que estn ordenadas en el tiempo, y que estas pueden representar el cambio de
una variable y el anlisis de series de tiempo es vlido si es que no se dan otros
factores que puedan influenciar de manera significativa la tendencia de ocurrencia
de los datos, como por ejemplo un avance tecnolgico inesperado podra alterar
considerablemente el comportamiento de la tendencia.
Alvarado Garca Alejandro

Bibliografa
Ral Jimnez Gonzlez, (2012). Estadstica Inferencial II. Captulo 5: series de
tiempo. PDF. Recuperado de: https://www.academia.edu/8137314/Estad
%C3%ADstica_Inferencial_II.
Annimo. Ciberconta. Introduccin al anlisis clsico de series. Recuperado de:
http://ciberconta.unizar.es/leccion/seriest/100.HTM#_Toc523661805.
Chao, Lincoln L. (1975) Estadstica para ciencias sociales y administrativas.
Bogota: McGraw-Hill.
Pea, Daniel. (1989). Estadstica, Modelos y Mtodos 2. Modelos Lineales y
Series Temporales. Alianza Universidad, Madrid.
12

13