EVIDENCIA 2.
- SERIE DE TIEMPOS
Nombre de la Institución: INSTITUTO TECNOLÓGICO SUPERIOR DE
TAMAZUNCHALE, S.L.P.
Nombre de la Asignatura: ESTADISTICA INFERENCIAL II
Nombre del Docente: ALEJANDRO GONZALEZ RODRIGUEZ
ESTUDIANTE (S)
JOSE JONATHAN GARCIA SALVADOR 22IIN050
LAUREANO PEREZ ANTONIO 22IIN054
ANDREA MIER RIVAS 22IIN109
DANNA IXCHEL MARTINEZ SANTOS 22IIN016
FERNANDO DANIEL DURAN CARDENAS 22IIN118
Carrera: INGENIERIA INDUSTRIAL
Periodo Escolar: ENERO – JUNIO 2024
Tamazunchale, S.L.P. Febrero de 2024.
MODELO CLÁSICO DE SERIES DE TIEMPO
Las series de tiempo (o series temporales) son secuencias de datos
observados en intervalos de tiempo y ordenados cronológicamente.
Normalmente las series de tiempo se representan en gráficos para analizar la
evolución temporal de los datos.
Para analizar una serie de datos se deben tener en cuenta los siguientes
componentes:
Tendencia: se trata de la evolución a largo plazo de la serie de tiempo.
Por ejemplo, la serie de tiempo del apartado de arriba tiene una
tendiente creciente, ya que el número de ventas va subiendo a medida
que avanza el tiempo.
Variación estacional: son movimientos a corto plazo que se repiten de
manera periódica. Por ejemplo, el número de visitas de una página web
informativa como esta disminuye durante los fines de semana.
Variación cíclica: componente de la serie que recoge las oscilaciones
periódicas que tienen una amplitud superior a un año. Por ejemplo, las
empresas que venden helados aumentan considerablemente su número de
ventas cada verano. Variación aleatoria: variaciones que se deben
debido a fenómenos puntuales como tormentas, inundaciones, huelgas,
guerras, avances tecnológicos, etc.
Tipos de series de tiempo
Serie de tiempo aditiva: se suman la tendencia, la estacionalidad, la
variación cíclica y la variación irregular para obtener el modelo.
x_t=T_t+E_t+C_t+I_t
Serie de tiempo multiplicativa: se multiplican la tendencia, la
estacionalidad, la variación cíclica y la variación irregular para obtener el
modelo.
x_t=T_t\cdot E_t\cdot C_t\cdot I_t
Serie de tiempo mixta: se combinan los componentes de las series
temporales con sumas y multiplicaciones para obtener el modelo.
ANÁLISIS DE FLUCTUACIONES
El análisis de fluctuaciones es una herramienta esencial en la comprensión de
la variabilidad en conjuntos de datos. Las fluctuaciones, o cambios temporales
en las observaciones, pueden proporcionar información valiosa sobre
patrones, ciclos y comportamientos ocultos. Al examinar detenidamente las
fluctuaciones, los analistas pueden descubrir tendencias, identificar puntos de
inflexión y realizar predicciones más precisas.
Una forma común de analizar las fluctuaciones es mediante el cálculo de
medidas de dispersión, como la desviación estándar o la varianza. Estas
métricas proporcionan una medida cuantitativa de la dispersión de los datos
alrededor de su media. Un aumento en la desviación estándar indica mayores
fluctuaciones, mientras que una disminución sugiere una mayor estabilidad.
Además, el análisis de la auto correlación es crucial para comprender las
relaciones temporales en las fluctuaciones. La auto correlación mide la
similitud entre una observación en un momento dado y las observaciones
anteriores, revelando patrones de dependencia temporal. Esto es
especialmente útil para identificar ciclos recurrentes y prever posibles cambios
en la dirección de las fluctuaciones. Las fluctuaciones también pueden
analizarse mediante métodos de suavizado, como promedios móviles o
técnicas más avanzadas como el suavizado exponencial. Estos métodos
ayudan a identificar patrones subyacentes al filtrar el ruido y resaltar las
tendencias más significativas.
Las técnicas de pronóstico para datos cíclicos se utilizan siempre que:
El ciclo del negocio influye sobre la variable de interés. Como ejemplos
están los factores económicos de mercado y de la competencia.
Se presentan cambios en el gusto popular. Ejemplos de ello son la
moda, la música y la alimentación.
Se presenta cambios en la población. Podemos citar como ejemplos las
guerras, escasez, epidemias y desastres naturales.
Se presentan cambios en el ciclo de vida del producto. Ejemplo de ello
son la introducción, crecimiento, maduración, saturación y declinación
del mercado.
ANÁLISIS DE TENDENCIA
Consiste en examinar datos históricos para descubrir la dirección o las
tendencias de un fenómeno concreto. El análisis de tendencias se aplica en
diversos campos, como las finanzas, la economía, el marketing y la ciencia,
para tomar decisiones informadas y hacer predicciones basadas en resultados
o comportamientos anteriores.
COMPONENTES
Datos de series temporales: El análisis de tendencias se basa en datos
de series temporales, que son una secuencia de observaciones o
mediciones recogidas y registradas a lo largo de intervalos de tiempo
sucesivos. Puede ser diaria, mensual, anual, etc.
Visualización de datos: La representación visual de los datos, como los
diagramas de líneas o los gráficos, se utiliza a menudo en el análisis de
tendencias para ilustrar patrones y tendencias a lo largo del tiempo.
Identificación de patrones: Los analistas examinan los datos para
identificar patrones, tendencias o ciclos recurrentes. Estas pautas
pueden ser ascendentes (indican crecimiento), descendentes (indican
declive) o cíclicas.
Métodos estadísticos: Pueden emplearse diversos métodos estadísticos
para cuantificar y analizar las tendencias. Esto podría incluir medias
móviles, análisis de regresión u otras técnicas de análisis de series
temporales.
Extrapolación y predicción: A partir de las tendencias identificadas, los
analistas pueden extrapolarlas al futuro para hacer predicciones sobre
posibles valores o resultados futuros.
Es importante destacar que las tendencias no siempre son lineales; en algunos
casos, pueden surgir tendencias no lineales o cambios abruptos en la dirección
de los datos. La capacidad de adaptarse a estas complejidades es esencial
para un análisis de tendencias efectivo.
ANALISIS DE VARIACIONES CICLICAS
Es una componente de la serie que recoge oscilaciones periódicas de amplitud
superior a un año. Estas oscilaciones periódicas no son regulares y se
presentan en los fenómenos económicos cuando se dan de forma alternativa
etapas de prosperidad o de depresión.
Este método permite descomponer una serie temporal en componentes
frecuenciales, revelando patrones cíclicos y periódicos. Al aplicar técnicas
como la transformada de Fourier, los analistas pueden visualizar la
contribución relativa de diferentes frecuencias en los datos, identificando así
ciclos de corto y largo plazo.
El análisis de variaciones cíclicas también se beneficia de la aplicación de
filtros temporales. Estos filtros, como el filtro de Hodrick-Prescott, ayudan a
separar las tendencias de largo plazo de las variaciones cíclicas, permitiendo
una comprensión más clara de los movimientos recurrentes en los datos. Este
enfoque es particularmente valioso en la economía, donde la identificación de
ciclos empresariales puede influir en la toma de decisiones de política y
estrategia.
Para su determinación en el esquema multiplicativo se procede del
siguiente modo:
Se estima el valor teórico de tendencia Tit para cada momento de
observación de la serie.
Se calculan los Índices de Variación Estacional Eit .
Se desestacionaliza la serie original.
Se elimina la Tendencia, dividiendo cada valor de la serie
desestacionalizada por el
2.5 MEDICIÓN DE VARIACIONES ESTACIONALES E
IRREGULARES
La medición de variaciones estacionales irregulares es un proceso importante
en el análisis de series temporales para identificar patrones recurrentes en los
datos. Aquí hay algunas técnicas comunes utilizadas para este propósito:
Descomposición de series temporales: Una técnica común es descomponer la
serie temporal en componentes de tendencia, estacionalidad y residuos. Esto
puede realizarse mediante métodos como el promedio móvil, la suavización
exponencial, o la descomposición STL (tendencia, estacionalidad y residuo).
Diferenciación estacional: Consiste en restar la serie temporal de su
valor en el mismo punto de la temporada anterior. Esto ayuda a eliminar
la variabilidad estacional y resaltar la tendencia y los componentes
residuales.
Análisis de Fourier: Utilizado para descomponer una serie temporal en
sus componentes de frecuencia, lo que puede ayudar a identificar
patrones estacionales irregulares.
Modelos ARIMA estacional: Los modelos autorregresivos integrados de
medias móviles (ARIMA) pueden ser extendidos para incluir
componentes estacionales, lo que los hace útiles para modelar series
temporales con variaciones estacionales irregulares.
Análisis de ondas: Utilizado para identificar patrones cíclicos en los
datos, lo que puede ser útil para modelar variaciones estacionales
irregulares.
Estas técnicas pueden ayudar a identificar y modelar eficazmente las
variaciones estacionales irregulares en una serie temporal, lo que a su vez
puede proporcionar información valiosa para la toma de decisiones y la
predicción futura.
2.6 APLICACIÓN DE AJUSTES ESTACIONALES
Las aplicaciones de ajustes estacionales son herramientas utilizadas en el
análisis de series temporales para eliminar o ajustar los efectos estacionales y
así poder identificar mejor las tendencias subyacentes o los patrones de
comportamiento a largo plazo de los datos. Estos efectos estacionales pueden
deberse a factores como las estaciones del año, festividades, o eventos
cíclicos que se repiten en intervalos regulares.
Algunas técnicas comunes de ajuste estacional incluyen el cálculo de
promedios móviles, la descomposición de series temporales en componentes
estacionales, tendenciales y aleatorios, y el uso de modelos estadísticos como
el método X-12ARIMA. Estos ajustes permiten analizar con mayor claridad la
evolución de los datos a lo largo del tiempo y facilitan la comparación entre
diferentes periodos.
En resumen, las aplicaciones de ajustes estacionales son variadas y abarcan
diversos campos. Estas técnicas permiten a los analistas y profesionales
obtener una visión más clara de las tendencias y patrones subyacentes en los
datos temporales, mejorando así la capacidad de planificación, toma de
decisiones y pronóstico en una amplia gama de disciplinas.
2.7 PRONOSTICOS BASADOS EN FACTORES
Se identifican y utilizan diversos factores que afectan la variable de interés.
Estos factores pueden incluir variables económicas, demográficas, climáticas u
otras que se consideren relevantes para el fenómeno en cuestión. La
integración de múltiples factores permite capturar la complejidad y las
interacciones presentes en el entorno de los datos.
Un ejemplo común de pronósticos basados en factores es el análisis de ventas
en el sector minorista. Además de la tendencia general y las estacionalidades,
se pueden considerar factores como la situación económica, el
comportamiento del consumidor, las tendencias del mercado y eventos
específicos que puedan influir en las ventas. Incorporar estos factores en el
modelo permite realizar pronósticos más precisos y adaptados a las
condiciones del entorno.
En el ámbito financiero, los pronósticos basados en factores también son
esenciales. Variables como tasas de interés, índices bursátiles o indicadores
económicos pueden ser factores clave para prever movimientos en los
mercados financieros. Modelos que integran estos factores proporcionan a los
inversores y analistas una comprensión más completa de las posibles
fluctuaciones.
Es crucial destacar que la identificación correcta de los factores es esencial
para la eficacia de los pronósticos. El análisis exploratorio de datos, la
correlación y la comprensión del dominio son pasos fundamentales en este
proceso. Además, la actualización periódica del modelo para reflejar cambios
en el entorno o la incorporación de nuevos factores mejora la capacidad
predictiva a lo largo del tiempo.
2.8 TENDENCIA Y ESTACIONALES
La integración de tendencia y estacionales en el análisis de series temporales
proporciona una visión más completa y precisa de la evolución de los datos a
lo largo del tiempo. Esta combinación es esencial para realizar pronósticos
confiables, planificar estratégicamente y comprender mejor los patrones y
ciclos que influyen en las variables de interés. La tendencia refleja la dirección
general en la que se mueven los datos, mientras que las componentes
estacionales capturan patrones repetitivos que ocurren en momentos
específicos, como estaciones del año o periodos mensuales.
La tendencia proporciona información sobre el cambio a largo plazo en la serie
temporal. Puede ser ascendente, descendente o mantenerse constante, y su
identificación es crucial para comprender las fuerzas subyacentes que
impulsan el comportamiento de los datos. Modelos estadísticos, como
regresiones lineales o técnicas de suavizado, son comúnmente utilizados para
representar y proyectar la tendencia en el tiempo.
Por otro lado, las componentes estacionales añaden una capa adicional de
complejidad al análisis. Estas reflejan patrones que se repiten regularmente,
como aumentos en las ventas durante las vacaciones o disminuciones en la
demanda durante ciertos meses. Identificar y modelar estas estacionalidades
es esencial para obtener una visión completa de la variabilidad temporal y
evitar distorsiones en la interpretación de la tendencia.
Al visualizar una serie temporal que incorpora tanto la tendencia como las
estacionales, se observaría una línea que sigue la dirección general de los
datos a largo plazo, con oscilaciones regulares superpuestas en intervalos
específicos. Esta combinación permite a los analistas discernir entre cambios a
largo plazo y fluctuaciones regulares, mejorando la capacidad de realizar
pronósticos precisos.
En el ámbito económico, la identificación de la tendencia y las estacionales es
crucial para evaluar el desempeño real de la economía y ajustar políticas y
estrategias en consecuencia. En el sector minorista, entender la tendencia y
las estacionales es esencial para planificar inventarios y estrategias de
marketing de manera efectiva.
