Análisis de Datos
Unidad 4. Series de Tiempo
Actividad 6. Ejercicios
Raúl Alexis Guerrero Chávez - 080189170
Ciudad de México, a 10 de abril de 2022
Ejercicios
P.1.1. Realizar el análisis descriptivo de la serie 𝑍𝑡 cuya representación frente al tiempo se
muestra en la Figura 1.13. También se presenta el gráfico de subseries estacionales en la
Figura 1.14.
Existe una tendencia al alza para toda la serie, sin embargo, esta tendencia se acentúa del
noveno al doceavo mes de cada año.
Hay un claro componente estacional, se observa un ciclo anual con el mismo patrón año con
año.
Hay un posible componente aleatorio que modifica el ciclo mensual, especialmente en los
primeros 8 meses, sin embargo, no parece ser muy significativo.
P.1.2. Los índices estacionales obtenidos con Statgraphics al realizar la Descomposición
Estacional de la serie CEEsen del ejercicio 1.6 se muestran en la Figura 1.9. Interpretar dichos
coeficientes y realizar una predicción del consumo para la hora 7 y 14 cuando el valor de la
componente ciclo-tendencia en esas horas es 31325.5 y 31080.8 Mw respectivamente.
Los coeficientes mostrados en la figura comprueban la existencia de una estacionalidad, en
donde los valores son mayores a partir de la décima hora y menores anterior a esta.
La predicción del consumo para la 7 y 14 hora estaría dada por:
𝐸𝑘 ∗ 𝑇𝐶𝑡
𝑍𝑡 = ;
100
𝐸7 ∗ 𝑇𝐶7 31325.5 ∗ 77
𝑍7 = = = 24,120.635𝑀𝑤
100 100
𝐸14 ∗ 𝑇𝐶14 31080.8 ∗ 120
𝑍14 = = = 37,296.96𝑀𝑤
100 100
P.1.3. Obtener la serie 𝑍𝑡 desestacionalizada correspondiente al precio de barril de Brent
trimestral (2010-2013) cuya descomposición e índices estacionales se dan a continuación:
Con ayuda de Minitab, se realizó una descomposición de la serie de tiempo para los datos
dados con la siguiente configuración:
Los resultados son los siguientes:
Estacionalidad
Periodo Data Tendencia Estacionalidad Aleatoriedad
ajustada
Q1/2010 1.813 1.895
Q2/2010 2.003 2.037
Q3/2010 2.161 2.07 104.4 100.8 2.081
Q4/2010 2.147 2.159 99.48 98.46 2.112
Q1/2011 2.127 2.276 93.42 96.92 2.209
Q2/2011 2.396 2.43 98.62 99.6 2.430
Q3/2011 2.709 2.606 104 100.4 2.629
Q4/2011 2.826 2.768 102.1 101 2.791
Q1/2012 2.856 2.891 98.8 102.5 2.938
Q2/2012 2.966 2.977 99.63 100.6 3.000
Q3/2012 3.123 3.019 103.5 99.91 3.043
Q4/2012 3.099 3.019 102.7 101.6 3.064
Q1/2013 2.919 2.978 98.03 101.7 3.001
Q2/2013 2.904 2.907 99.9 100.9 2.938
Q3/2013 2.855 2.775
Q4/2013 2.8 2.765
Conclusión
El análisis de las series de tiempo resultan sumamente importantes para realizar predicciones,
esto permite a las organizaciones tomar previsiones o toma de decisiones para el futuro a un
plazo dado.
Para este tipo de análisis es imprescindible contar con datos precisos y fidedignos, de lo
contrario no se tendrán resultados fiables o significativos.
Minitab reitera su utilidad para el análisis de datos, así como la facilidad y rapidez que tiene
para dar resultados.
En el ámbito cotidiano, podríamos analizar nuestras tendencias de gastos a lo largo del año, ya
que se ven influenciados por los distintos días festivos a lo largo de las estaciones que lo
componen, así como por los eventos nacionales en donde las empresas dan precios
promocionales para incentivar el consumismo en la población.
Referencias
• García, J. (2016). Predicción en el dominio del tiempo: análisis de series temporales para
ingenieros [Archivo PDF]. Recuperado de https://elibro.net/es/ereader/uvm/57439?page=49
• Series de Tiempo (Pronósticos) con Minitab. (2017, 27 septiembre). YouTube. Recuperado 10 de
abril de 2022, de
https://www.youtube.com/watch?v=C00FzHgplBo&t=5s&ab_channel=JuanQuispeGuerrero
