Vous êtes sur la page 1sur 17

“Año de Diversificación Productiva y del Fortalecimiento de la

Educación”
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

(Universidad del Perú, DECANA DE AMÉRICA)

“SERIES DE TIEMPO”

PROFESOR: Vicente Armas, Edgar


CURSO : Estadística para la toma de decisiones
CICLO : IV
INTEGRANTES:
 Chavarría Mary, Greta Liz
 Chipana Maldonado, Giomaira Khaterine
 Cholán Lolández, Andrea Gabriela Mercedes
 Contreras Condori, Maricielo Yudith
 Falla Izquierdo, Denis Chavelli
 Zorrilla Canchanya, Jhony Julián
Ciudad Universitaria, Noviembre del 2015
“Series de tiempo”

Dedicado a nuestros padres y sobre


todo a Dios que sin él no estaríamos
en el lugar donde nos encontramos.

“Informe académico” Página 1


“Series de tiempo”

INDICE

Contenido
 INDICE ...................................................................................................................... 2
 INTRODUCCIÓN .................................................................................................... 3
 MARCO TEÓRICO ................................................................................................. 4
 PARTE PRÁCTICA ............................................................................................... 11
 CONCLUSIONES ................................................................................................. 14
 RECOMENDACIONES ........................................................................................ 15
 BIBLIOGRAFÍA...................................................................................................... 16

“Informe académico” Página 2


“Series de tiempo”

INTRODUCCIÓN
Una serie de tiempo es un conjunto de datos numéricos que se obtienen en
períodos regulares a través del tiempo. Estos datos pueden ser muy variados,
generalmente son usados para evaluar el comportamiento de las ventas de una
empresa, o para evaluar el comportamiento de los índices de precio de un país
o de un tipo de producto pero en general pueden aplicarse a cualquier negocio
y /o área. Este comportamiento puede tener características de tipo estacional, o
cíclico o siguen alguna tendencia ya sea a la baja, de subida o sin variación.
Las organizaciones en general evalúan periódicamente el comportamiento de
su actividad y/o productos a fin de pronosticar que va a suceder en el futuro en
base a lo que ha venido ocurriendo en el pasado, está sucediendo en el
presente y tiene la tendencia a comportarse de la misma manera en el futuro.
El comportamiento de las series de tiempo, se debe a 4 componentes: la
tendencia, la variación cíclica, la variación estacional y la variación irregular.
La tendencia o tendencia secular, es aquella tendencia a largo plazo sin
alteraciones de una serie de tiempo. Esta tendencia pudiera ser de tipo lineal o
no lineal, así como también creciente o decreciente y también como una
combinación de alguna de las anteriores. Muchos
productos, servicios e indicadores económicos siguen un comportamiento de
este tipo, y su análisis más generalizado es a través de varios años, teniendo
en cuenta los períodos que más se ajustan a cada negocio, pudiendo ser
semestrales, trimestrales, mensuales, semanales, etc.
La segunda componente es la variación cíclica en la que a través del período
de tiempo analizado se producen ascensos y descensos en varias
oportunidades. Este tipo de comportamiento es muy asociado a variaciones
de carácter económico.
La tercera componente es la variación estacional, que tiene como característica
de variación regular dentro de un año y que a su vez se repite cada año, casos
típicos son la producción de algunas frutas y/o comestibles o ventas asociadas
a productos como ropa de temporada.
La última componente es la componente irregular que adiciona las
características anteriores pero además tiene comportamiento extraños
imprevisibles que se dan generalmente en el corto plazo.
Para poder pronosticar cual es el comportamiento futuro de una variable en
función a estas características de comportamiento es necesario poder
representarlo matemáticamente. Existen métodos llamados métodos de
suavizamiento porque su objetivo es suavizar la variación causada por el
componente irregular de la serie de tiempo, estos métodos son: el de
promedios móviles, promedios móviles ponderados y suavizamiento
exponencial. La tendencia lineal es la más sencilla de representar, y utilizar sí
es ése el comportamiento de nuestra variable analizada.

“Informe académico” Página 3


“Series de tiempo”

MARCO TEÓRICO

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.

a. Componentes de la serie de tiempo

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.

1. 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.

“Informe académico” Página 4


“Series de tiempo”

2. 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.

3. 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.

4. 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:

 Las variaciones que son provocadas por acontecimientos


especiales, fácilmente identificables, como las elecciones,
inundaciones, huelgas, terremotos.

“Informe académico” Página 5


“Series de tiempo”

 Variaciones aleatorias o por casualidad, cuyas causas no se


pueden señalar en forma exacta, pero que tienden a
equilibrarse a la larga.

b. Tendencia de una serie

i. 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.

ii. Tendencia no lineal


Cuando la serie de tiempo presenta un comportamiento curvilíneo se
dice que este comportamiento es no lineal. Dentro de las tendencias
no lineales que pueden presentarse en una serie se encuentran, la
polinomial, logarítmica, exponencial y potencial, entre otras.

iii. Métodos de Suavizamiento de la Serie

1. 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:

Ejemplo 1 Aplicar el método de promedios móviles para el pronóstico de


ventas de gasolina a partir de la siguiente información:

“Informe académico” Página 6


“Series de tiempo”

Se considerará el promedio móvil a partir de las tres observaciones


más recientes. En este caso se utilizará la siguiente ecuación:

Resumen de cálculos para promedios móviles de tres semanas

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:

“Informe académico” Página 7


“Series de tiempo”

1.1 Promedios móviles ponderados

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:

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.

“Informe académico” Página 8


“Series de tiempo”

c. Suavizamiento exponencial

El suavizamiento exponencial emplea un promedio ponderado de la serie


de tiempo pasada como pronóstico; es un caso especial del método de
promedios móviles ponderados en el cual sólo se selecciona un peso o
factor de ponderación: el de la observación más reciente. En la práctica
comenzamos haciendo que F1, el primer valor de la serie de valores
uniformados, sea igual a Y1, que es el primer valor real de la serie. El
modelo básico de suavizamiento exponencial es el siguiente:

En base a lo anterior, el pronóstico para el período dos se calcula de la


siguiente manera:

Para el período 3, se tiene que:

“Informe académico” Página 9


“Series de tiempo”

Para mostrar el método de suavizamiento exponencial, retomamos el ejemplo de


la gasolina, utilizando como constante de suavizamiento 𝛼= 0.2:

“Informe académico” Página 10


“Series de tiempo”

PARTE PRÁCTICA

AÑO TRIMESTRE LLAMADAS(Y) X^2 X*Y


(X)

1 1 6809 1 6809

1 2 6465 4 12930

1 3 6569 9 1907

1 4 8266 16 33064

2 5 7257 25 36285

2 6 7064 36 42384

2 7 7784 49 54488

2 8 8724 64 69792

3 9 6992 81 62928

3 10 6822 100 68220

3 11 7949 121 87439

3 12 9650 144 115800

SUMA 78 90351 650 609846

Promedio ά = 6.5

Promedio Ȳ = 7529.25

2
B=[∑ 𝑋𝑌 − 𝑛(Ȳ ) ∗ (ά)]/[∑ 𝑥 − n(ά^2]

B=157.793706

“Informe académico” Página 11


“Series de tiempo”

A= Ȳ-B*( ά)

A= 7529.25 -157.793706*(6.5)

A=6503.590911

Ŷ=6503.590911+157.793706X

INTERPRETACIÓN

INTERPRETACIÓN.

 6.77% Es la desviación del promedio del primer trimestre respecto al


promedio trimestral general.

 9.90%Es la desviación del promedio del segundo trimestre respecto al


promedio trimestral general.
 1.27% Es la desviación del promedio del tercer trimestre respecto al
promedio trimestral general.
 17.94% Es la desviación del promedio del cuarto trimestre respecto al
promedio trimestral general.

“Informe académico” Página 12


“Series de tiempo”

AÑO TRIMESTRE Y Ŷ=6503.590911+(157.793706*X)


I 6809 6661.384617 1 1.022159865
II 6465 6819.178323 2 0.948061437
III 6569 6976.972029 3 0.941525919
1 IV 8266 7134.765735 4 1.158552405
I 7257 7292.559441 5 0.995123874
II 7064 7450.353147 6 0.948142975
III 7784 7608.146853 7 1.023113795
2 IV 8724 7765.940559 8 1.123366826
I 6992 7923.734265 9 0.882412227 trmestre I 0.96656532
II 6822 8081.527971 10 0.844147298 trimestre II 0.91345057
III 7949 8239.321677 11 0.964763886 trimestre III 0.97646787
3 IV 9650 8397.115383 12 1.149204168 trimestre IV 1.1437078
I 8554.909089 13
II 8712.702795 14
III 8870.496501 15
4 IV 9028.290207 16

Los pronósticos trimestrales para el año 4 son las proyecciones calculadas con
la ecuación
Ŷ=6503.590911+157.793706X desde t=13 hasta t=16 multiplicados por el f.e.
que corresponde en cada trimestre.
TRI I =(6503.590911+(157.793706*13))= 8554.909089
TRI II =(6503.590911+(157.793706*14))= 8712.702795
TRI III=(6503.590911+(157.793706*15))= 8870.496501
TRI IV =(6503.590911+(157.793706*16))= 9028.290207

Al cociente/fe se le conoce como DEMANDA DESCESTACIONALIZADA y la serie de datos


generada indica lo que habrían sido las ventas, manteniendo la tendencia, al margen de los
factores estacionales. Utilizando la fe calculados con el mmc se tiene:

Ŷy1=6809/0.966732= 7044.531648

Ŷy2=6465/0.913450= 7077.558668

Ŷy3=6569/0.976468= 6727.307907

Ŷy4=8266/1.143870= 7227.370488

“Informe académico” Página 13


“Series de tiempo”

CONCLUSIONES

 El análisis de series de tiempo desempeña un papel importante en el


análisis requerido para el pronóstico de eventos futuros, para ello existen
varias formas o métodos de calcular cual va a ser la tendencia del
comportamiento del proceso que estemos estudiando.

 El análisis de series de tiempo según la tendencia es válido si es que no


se dan otros factores que puedan influenciar de manera significativa la
tendencia de ocurrencia de los datos, en nuestro caso un avance
tecnológico inesperado podría alterar considerablemente el
comportamiento de la tendencia.

 Como hemos podido ver una serie de tiempo es un conjunto de datos


numéricos que se obtienen en períodos regulares a través del tiempo,
estos datos pueden ser muy variados, generalmente son usados para
evaluar el comportamiento de las ventas de una empresa, o para evaluar
el comportamiento de los índices de precio de un país o de un tipo de
producto pero en general pueden aplicarse a cualquier negocio y /o área.
Este comportamiento puede tener características de tipo estacional, o
cíclico o siguen alguna tendencia ya sea a la baja, de subida o sin
variación.

“Informe académico” Página 14


“Series de tiempo”

RECOMENDACIONES

 Poner en práctica los conceptos de análisis estadísticos para afrontar y


resolver los problemas encontrados diariamente.

 Se recomienda tener en cuenta medidas que permitan establecer la


memoria de una serie de tiempo meteorológico, e incluir este concepto
cuando se pretende analizar la correlación entre pares de series de
tiempo, puesto que la medida clásica utilizada es el coeficiente de
correlación de Pearson, el cual podría cambiar en magnitud si se tiene en
cuenta el concepto de tamaño muestra equivalente y memorias de los
procesos analizados.

“Informe académico” Página 15


“Series de tiempo”

BIBLIOGRAFÍA

 Estadística, Problemas resueltos. Peralta Astudillo, María. Ediciones


Pirámide 2° Edición, Madrid – 2007.

 Estadística para administración y economía. Levin, Richard – Runbin,


David. Editorial Pearson Educación 7° Edición, México – 2010.

 Estadística aplicada a los negocios y a la economía XIII edición – Lind/


Marchal/ Wathem, México 2008. McGRAW-HILL/INTERAMERICANA
EDITORES, S. A. de C. V.

“Informe académico” Página 16