1

TECNOLGICO NACIONAL DE MXICO

INSTITUTO TECNOLGICO DEL VALLE DE ETLA

INGENIERIA EN GESTION EMPRESARIAL

ESTADISTICA INFERENCIAL II
SERIES DE TIEMPO
INVESTIGACIN
PRESENTA
CELESTE XIOMARA LASCANO VARGAS
ASESOR
ING.SALOMN RODRGUEZ BONILLA

SEMESTRE 5

MATIAS ROMERO OAXACA

SEPTIEMBRE 2015

INDICE
INTRODUCCIN
SERIES DE TIEMPO.(4)
COMPONENTES DE UNA SERIE DE TIEMPO (7)
METODO DE MINIMOS CUADRADOS.(8)
METODO DE PROMEDIOS MOVILES(13)
METODO DE SUAVIZACION EXPONENCIAL..(14)
TENDENCIAS NO LINEALES(16)
VARIACIN ESTACIONAL. (17)
APLICACIONES
CONCLUSIN
BIBLIOGRAFIA CONSULTADA

SERIES DE TIEMPO
INTRODUCCIN

Los pronsticos, o predicciones, son una herramienta esencial en cualquier

proceso de toma de decisiones.
Sus aplicaciones varan desde la determinaci6n de los requerimientos de
inventario de una pequea zapatera hasta la estimaci6n de las ventas anuales
de juegos de video. La calidad de los pronsticos que los tomadores de
decisiones pueden realizar esta estrechamente relacionada con la informaci6n
que puede extraerse y utilizarse a partir de los datos hist6rico s. El anlisis de series
de tiempo es un mtodo cuantitativo que utilizamos para determinar patrones de
comportamiento en los datos recolectados a travs del tiempo.
El anlisis de series de tiempo se utiliza para detectar patrones de cambio 0
permanencia en la informaci6n estadstica en intervalos 0 periodos regulares.
Proyectamos estos patrones para obtener una estimaci6n para el futuro. En
consecuencia, el anlisis de series de tiempo nos ayuda a manejar la
incertidumbre asociada con los acontecimientos futuros.

SERIES DE TIEMPO
DEFINICIN:

En Estadstica se le llama as a un conjunto de valores observados

durante una serie de perodos temporales secuencialmente ordenada,
tales perodos pueden ser semanales, mensuales, trimestrales o
anuales.

Series de Tiempo
Por serie de tiempo nos referimos a datos estadsticos que se recopilan,
observan o registran en intervalos de tiempo regulares (diario, semanal,
semestral, anual, entre otros).
El trmino serie de tiempo se aplica por ejemplo a datos registrados en
forma peridica que muestran, por ejemplo, las ventas anuales totales de
almacenes, el valor trimestral total de contratos de construccin otorgados,
el valor trimestral del PIB.

Para llevar a cabo un anlisis de este tipo, primero se deben identificar los
componentes de la serie de tiempo, despus aplicar las tcnicas
estadsticas para su anlisis y, finalmente, hacer las proyecciones o pronsticos de
eventos futuros.
De esta forma, el anlisis de series de tiempo es el procedimiento por el
cual se identifican y aslan los factores relacionados con el tiempo que influyen en
los valores observados en las series de tiempo para que una vez
identificados, estos factores puedan contribuir a la interpretacin de valores
histricos de series de tiempo y hasta entonces pronosticar valores futuros de
series de tiempo.

Analizar una serie de tiempo tiene como objetivos, entre otros:

Determinar si se presentan ciertos patrones o pautas no aleatorias
Aislar y entonces estudiar sus componentes a fin de proporcionar
claves para movimientos futuros
Hace posible pronosticar los movimientos futuros as como otros
aspectos que estn sincronizados

Se representa por medio de una grfica de lneas sobre cuyo eje horizontal
se representan los perodos y en cuyo eje vertical se representan los valores de
la serie de tiempo.
Ejemplo Grficos de Series de Tiempo

COMPONENTES DE UNA SERIE DE TIEMPO

El mtodo clsico identifica cuatro influencias o componentes:
Tendencia (T)
Fluctuaciones cclicas (C)
Variaciones estacionales (E)
Variaciones irregulares (I)
Los cuales tienen una relacin multiplicativa que dan forma al modelo clsico de
series de tiempo, es decir, para cualquier perodo designado en la serie de
tiempo, el valor de la variable est determinado por los cuatro componentes en
la siguiente forma:

Cuyas caractersticas son las siguientes:

MTODO DE MINIMOS CUADRADOS

Mnimos cuadrados es una tcnica de optimizacin matemtica que, dada una
serie de mediciones, intenta encontrar una funcin que se aproxime a los datos
(un "mejor ajuste"). Intenta minimizar la suma de cuadrados de las diferencias
ordenadas (llamadas residuos) entre los puntos generados por la funcin y los
correspondientes en los datos. Especficamente, se llama mnimos cuadrados
promedio (LMS) cuando el nmero de datos medidos es 1 y se usa el mtodo de
descenso por gradiente para minimizar el residuo cuadrado. Se sabe que LMS
minimiza el residuo cuadrado esperado, con el mnimo de operaciones (por
iteracin). Pero requiere un gran nmero de iteraciones para converger. Un
requisito implcito para que funcione el mtodo de mnimos cuadrados es que los
errores de cada medida estn distribuidos de forma aleatoria. El teorema de
Gauss-Markov prueba que los estimadores mnimos cuadrticos carecen de sesgo
y que el muestreo de datos no tiene que ajustarse, por ejemplo, a una distribucin
normal. Tambin es importante que los datos recogidos estn bien escogidos,
para que permitan visibilidad en las variables que han de ser resueltas (para dar
ms peso a un dato en particular, vase mnimos cuadrados ponderados). La
tcnica de mnimos cuadrados se usa comnmente en el ajuste de curvas.
Muchos otros problemas de optimizacin pueden expresarse tambin en forma
de mnimos cuadrados, minimizando la energa o maximizando la entropa.

Dada una serie de datos

la recta de mejor ajuste a esos datos est
dada por y = mx =b, donde la pendiente es:

En el caso frecuente en el que la recta deba pasar por el origen, su ecuacin ser
y la pendiente es:

9
La bondad del ajuste por mnimos cuadrados se puede estimar calculando el
coeficiente de correlacin.

Un coeficiente de correlacin prximo a la unidad indica un buen ajuste. Debe

tenerse en cuenta que los datos experimentales estarn afectados por sus
incertidumbres y por tanto los valores de m y b tendrn tambin incertidumbre.
Para determinarla de forma sencilla, se supone que los datos en x no tienen
incertidumbre y que los datos en y tienen todos la misma uy. Entonces la
incertidumbre en la pendiente est dada por.

donde U es el valor mayor entre uy y oe.

La incertidumbre en la ordenada en el origen es:

donde U es el valor mayor entre uy y oe. En el caso de una recta que pasa por el
origen, la incertidumbre en la pendiente es

donde U es el valor mayor entre uy y oe.

10
Ejemplo: Clculo de la Tendencia a travs de Mnimos Cuadrados
En la siguiente tabla se encuentran los datos de las ventas de los ltimos cinco
aos de una empresa del ramo de alimentos:

a)Graficar los datos

b) Determinar la ecuacin de tendencia e interpretarla
c) Trazar la recta de tendencia
d) Pronosticar las ventas para los siguientes dos aos e interpretar el
resultado
a) Con los datos que se tienen se obtiene la siguiente grfica:

11
b) Para determinar los coeficientes de la ecuacin se debe construir una
tabla con los datos necesarios:

Se sustituyen los valores en las frmulas respectivas:

Y habiendo calculado los coeficientes, entonces la Ecuacin de

Tendencia queda:

12
Ahora se interpreta de la siguiente manera:
Las ventas se expresan en millones de pesos, el origen o ao 0, es 2003 y t
aumenta una unidad por ao. El valor 1.3 indica que las ventas aumentan a razn
de 1.3 millones de pesos por ao. El valor 6.1 es el de las ventas estimadas
cuando t = 0. Es decir, el monto de las ventas estimadas para el ao 2003 es igual
a 6.1 millones de pesos.
c) Para trazar la recta, se deben tener dos puntos, para el primero de ellos
se puede utilizar el valor 6.1 de la ecuacin anterior y el segundo se
puede obtener asignando un valor cualquiera a x, dentro del rango del
intervalo del que se dispone, por ejemplo 4 (ao 2006) para obtener el
valor de y, es decir:
y = 6.1 + 1.3t = 6.1+ 1.3(4) =11.3
Con lo que ya se puede trazar la Recta de Tendencia.

d) Los dos aos siguientes son 2008 y 2009, que en trminos de los
clculos que estamos haciendo son 6 y 7, respectivamente. Pues bien, estos se
sustituyen en la Ecuacin de Tendencia y se obtienen los
pronsticos requeridos, es decir:
y = 6.1 + 1.3t = 6.1+ 1.3(6) = 13.9
y = 6.1 + 1.3t = 6.1+ 1.3(7) = 15.2
Que se interpreta de la siguiente manera:
Con base en las ventas anteriores, la estimacin o pronstico para los aos 2008 y
2009, es 13.9 y 15.2 millones de pesos, respectivamente.

13

METODO DE PROMEDIOS MOVILES

La utilizacin de esta tcnica supone que la serie de tiempo es estable, esto es,
que los datos que la componen se generan sin variaciones importantes entre un
dato y otro (error aleatorio=0)2, esto es, que el comportamiento de los datos
aunque muestren un crecimiento o un decrecimiento lo hagan con una
tendencia constante. Cuando se usa el mtodo de promedios mviles se est
suponiendo que todas las observaciones de la serie de tiempo son igualmente
importantes para la estimacin del parmetro a pronosticar (en este caso los
ingresos). De esta manera, se utiliza como pronstico para el siguiente periodo el
promedio de los n valores de los datos ms recientes de la serie de tiempo.
Utilizando una expresin matemtica, tenemos: El trmino mvil indica que
conforme se tienen una nueva observacin de la serie de tiempo, se reemplaza la
observacin ms antigua de la ecuacin y se calcula un nuevo promedio.

El resultado es que el promedio se mover, esto es, conforme se tengan

nuevos datos y se vayan sustituyendo en la frmula, el valor del promedio ir
modificndose. No existe una regla especfica que nos indique cmo seleccionar
la base del promedio mvil n. Si la variable que se va a pronosticar no presenta
variaciones considerables, esto es, si su comportamiento es relativamente estable
en el tiempo, se recomienda que el valor de n sea grande. Por el contrario, es
aconsejable un valor de n pequeo si la variable muestra patrones cambiantes.
En la prctica, los valores de n oscilan entre 2 y 10. El mtodo de promedios
mviles es muy til cuando se tiene informacin no desagregada y cuando no se
conoce otro mtodo ms sofisticado y que permita predecir con mayor
confianza.

14

METODO DE SUAVIZACION EXPONENCIAL

Otro mtodo para realizar un pronstico es el mtodo de suavizacin
exponencial. A diferencia de los promedios mviles, este mtodo pronostica
otorgando una ponderacin a los datos dependiendo del peso que tengan
dentro del clculo del pronstico. Esta ponderacin se lleva a cabo a travs de
otorgarle un valor a la constante de suavizacin, , que puede ser mayor que
cero y menor que uno. Para nuestro ejemplo, utilizamos un valor de = 0.8, por ser
ste el que mejor ajusta al pronstico a los datos reales. El mtodo de suavizacin
exponencial supone que el proceso es constante, al igual que el mtodo de
promedios mviles. Esta tcnica est diseada para atenuar una desventaja del
mtodo de promedios mviles, en donde los datos para calcular el promedio
tienen la misma ponderacin. De manera particular, esta tcnica considera que
las observaciones recientes tienen ms valor, por lo que le otorga mayor peso
dentro del promedio. La suavizacin exponencial utiliza un promedio mvil
ponderado de los datos histricos de la serie de tiempo como pronstico; es un
caso especial de promedio mvil en donde se selecciona un solo valor de
ponderacin 3. El modelo bsico de suavizacin exponencial se presenta a
continuacin:

Donde: Ft+1 = Pronstico de la serie de tiempo para el periodo de t + 1.

Yt = Valor real del periodo anterior al ao a pronosticar.
Ft = Valor real del periodo anterior al ao a pronosticar.
= Constante de suavizacin (0 1).
La utilizacin de esta ecuacin implica algunas especificaciones. El clculo de
Ft+1 est ligado con los 2 periodos anteriores. En otras palabras, el pronstico de
suavizacin exponencial en determinado periodo es (Ft+1) = al valor real de la
serie de tiempo en el periodo anterior (Yt) X la constante de suavizacin (), + 1 la constante de suavizacin () X el periodo anterior (Ft).

A pesar de que la suavizacin exponencial nos da un pronstico que es un

promedio ponderado de todas las operaciones pasadas, no es necesario guardar
todos los datos del pasado a fin de calcular el pronstico para el periodo
siguiente. De hecho, una vez seleccionada la constante de suavizacin , slo se
requiere de dos elementos de informacin para calcular el pronstico.

15
La ecuacin (2) muestra que con un dado, podemos calcular el pronstico
para el periodo t + 1 simplemente conociendo los valores reales y pronosticados
de la serie de tiempo el periodo t, es decir, Yt y Ft. La eleccin de la constante de
suavizacin es crucial en la estimacin de pronsticos futuros.
Si la serie de tiempo contiene una variabilidad aleatoria sustancial, se preferir un
valor pequeo como constante de suavizacin. La razn de esta aseveracin es
que gran parte del error del pronstico es provocado por la variabilidad aleatoria,
por lo que un valor pequeo de permite un pronstico mejor.
Por el contrario, para una serie de tiempo con una variabilidad aleatoria
relativamente pequea, valores ms elevados de la constante de suavizacin
tienen la ventaja de ajustar con rapidez los pronsticos cuando ocurren errores de
pronstico y permitiendo, por lo tanto, que el pronstico reaccione con mayor
rapidez a las condiciones cambiantes. En la prctica, el valor de est entre .01 y
.90.

Utilizando la ecuacin 2, sustituimos los valores correspondientes para hacer

el pronstico para el ao 1992. Sustituyendo valores nos quedara:

Fingresos 1992 = 0.8 (201986) + (1 0.8)(163305)

Fegresos 1992 = 0.8 (189498) + (1 0.8)(162370)
El mismo procedimiento se realiza para el resto de los aos y obtenemos los
resultados que aparecen en el cuadro 2. Una vez que se calculan los Diplomado
en Gestin Estratgica de las Finanzas Pblicas D.R. Instituto Tecnolgico y de
Estudios Superiores de Monterrey, Mxico, 2006 pronsticos de ingresos y egresos,

16
la diferencia entre stos nos da el ahorro, que aparece en la ltima columna del
mismo cuadro. Podemos observar que el pronstico se ajusta ms a los datos
reales que en el caso de los promedios mviles. Este mtodo nos permite realizar
un pronstico ms confiable que el caso anterior. Claramente se observa que el
pronstico tiene mejor ajuste y la diferencia entre los valores reales y los
pronosticados es mnima.

TENDENCIAS NO LINEALES

En el caso de tendencias no lineales, los dos tipos de curvas de tendencia de uso

ms frecuente son la curva de tendencia exponencial y la curva de tendencia
parablica. Una curva de tendencia exponencial comn refleja una tasa
constante de crecimiento durante un periodo de aos. La curva exponencial
debe su nombre al hecho de que la variable independiente X es el exponente de
b1 en la ecuacin general: Formula n3 b = valor de Y en el ao 0 b1= tasa de
crecimiento. De la obtencin del logaritmo de ambos lados resulta la ecuacin
de tendencia lineal logartmica: Formula n4La ventaja de la transformacin a
logaritmos es que la ecuacin lineal para el anlisis de tendencias puede
aplicarse a los logaritmos de los valores cuando la serie de tiempo sigue una
curva exponencial. Los valores logartmicos pronosticados de Y pueden
reconvertirse despus a las unidades de medida originales mediante la obtencin
del antilogaritmo de los valores. Una lnea de tendencia logartmica es una lnea
curva que se ajusta perfectamente y que es muy til cuando el ndice de
cambios de los datos aumenta o disminuye rpidamente y despus se estabiliza.
Esta lnea de tendencia logartmica puede utilizar valores positivos o negativos. En
el siguiente ejemplo se utiliza una lnea de tendencia logartmica para mostrar el
crecimiento previsto de la poblacin animal en un rea determinada, donde la
poblacin se estabiliz al reducirse el espacio para los animales. Observe que el
valor R cuadrado es 0,9407, que es un ajuste relativamente bueno de la lnea
respecto a los datos.

17

VARIACIN ESTACIONAL
El anlisis de las variaciones estacionales tiene por objeto determinar oscilaciones
de perodo corto, inferior o igual al ao por lo general, que son de mximo inters
para el economista o empresario, para la mejor organizacin de sus actividades
operativas. En una segunda fase se trata de eliminar tales variaciones de los datos
observados que permitan apreciar de cierto modo la influencia de causas
importantes de variacin en las series cronolgicas. La dificultad principal del
anlisis de la componente estacional radica en el hecho de que en la prctica
tal variacin no es idntica en el transcurso de los aos, bien sea porque se
desplaza de un mes a otro, o porque vara de intensidad. Muchos y variados son
los mtodos preconizados por la estadstica para determinar la variacin
estacional, basados unos en la hiptesis aditiva y otros en la multiplicativa. Todos
ellos tratan de aislar la variacin estacional eliminando las otros componentes, por
resta algebraica o por cociente, segn sea la hiptesis inicial de combinacin.
Deben, pues, ser eliminada la tendencia secular y las variaciones accidentales.
Cuando el perodo de estudio es corto, la variacin cclica puede suponerse
incluida en la tendencia, por lo cual, al eliminarse sta, queda tambin eliminada
aquella. De todos los mtodos usuales se expondr slo uno, basado en la
hiptesis aditiva, denominado "Mtodo de las medias mensuales". El problema
que nos proponemos resolver, es el de encontrar una curva tal que en el eje de
las abcisas, estn representados los meses del ao, por ejemplo ( t= 1, 2, 3, ....12) y
en las ordenadas, la variacin promedio correspondiente a cada uno de los
meses del ao, prescindiendo por cierto de otro tipo de variaciones, ya sean
tendenciales, cclicas (no anuales) o accidentales (aleatorias). Determinada la
tendencia, bien sea mediante un ajuste analtico, bien mediante el mtodo de
promedios mviles, la variacin estacional puede determinarse a travs de los
siguientes pasos:
1) Se determinan las desviaciones de los datos de la serie respecto a la tendencia
o sea, la diferencia entre los datos y el valor correspondiente a la tendencia. De
esta manera se elimina la tendencia.

2) Se calculan las medias aritmticas de las desviaciones correspondientes a

todos los eneros, todos los febreros, etc. Este paso tiende a eliminar la
componente cclica e irregular quedando nicamente la componente
estacional.
3) Se redondean estas medias y los resultados son la estimacin de la variacin
estacional para cada mes. El mtodo de clculo se desarrolla mediante el
proceso que se expone a continuacin reflejados en la tabla 4, en la que se ha
prescindido del ao inicial 1977, por no disponer de datos para la tendencia de
sus primeros - seis meses y del ltimo ao 1982 por ocurrir lo mismo para el ltimo

18
semestre de dicho ao. Se puede usar suma cuando los eneros tienen valores
muy grandes.

Las cuatro primeras columnas han sido obtenidas restando de los datos iniciales
(Tabla 1) los valores de la tendencia (tabla 3) diferencias que resultan positivas y
negativas.
As para : Enero de 1977 tenemos 17 - 14,48 = 2,52
Febrero de 1977 tenemos 15,5 - 14,5 = 1,00
La columna de totales es la suma algebraica de todos los eneros de todos los
febreros, etc.
La columna de medias mensuales se obtiene dividiendo los valores de los totales
por 4, que es el nmero de aos utilizado.
Por ltimo, la columna " variacin estacional" es la misma que la de medias
despus de someter los valores de sta a un redondeo que hace que las sumas
de las variaciones estacionales sea cero, que se efecta de la forma siguiente:
Se suma la columna de medias y se divide esta suma por 12. Si el resultado es
positivo se resta de cada una de las medias mensuales y si es negativo se suma.
En nuestro caso el total de medias vale 0,1150 y por lo tanto
0,1150/12 = 0,0095.

19
Este valor se resta algebraicamente a la columna de medias y el resultado se
redondea a dos cifras decimales, que es la aproximacin con que venan dados
los datos iniciales, conservando la segunda cifra decimal o forzndola en una
unidad, segn que las dos ltimas formen un nmero menor o mayor que 50
respectivamente.

Se puede representar ahora la variacin estacional en un grfico, en el

que como abscisa se toman los distintos meses y en ordenadas los valores
obtenidos. Resulta as la figura 4.

20

CONCLUSIN

Se llama serie de tiempo, a un conjunto de

mediciones de cierto fenmeno o experimento
registradas secuencialmente en el tiempo, por
ejemplo a cada hora, mensualmente,
trimestralmente, semestralmente, etc.
Al analizar una serie de tiempo, lo primero que se
debe hacer es graficar la serie. Esto nos permite
detectar tendencias, variacin estacional,etc.

21

BIBLIOGRAFIA CONSULTADA

1. SERIES DE TIEMPO. UNIVERSIDAD AUTONOMA DE MEXICO.

CONSULTADO EL DA 22 DE SEPTIEMBRE DEL 2015 DESDE:
http://www.itve.edu.mx/course/view.php?id=98.
2.ANALISIS DE SERIES DE TIEMPO. CONSLULTADO EL DIA 22 DE
SEPTIEMBRE DEL 2015 DESDE:
http://es.slideshare.net/f2721/unidad3analisisdeseriesdetiempo