Tecnológico Nacional de México: Instituto Tecnológico de Chetumal
Departamento de Ciencias Básicas
Estadística Administrativa II – C3B
Obed Abisai May Chuc
23390322
L23390322@[Link]
Introducción
El análisis de series de tiempo constituye una de las herramientas más poderosas
para el estudio de datos que varían a lo largo del tiempo, siendo ampliamente
utilizado en áreas como la economía, las finanzas, la estadística y la ciencia de
datos. Este tipo de análisis permite identificar patrones, modelar relaciones y
realizar predicciones basadas en la observación de tendencias históricas. Una
serie de tiempo se compone de observaciones registradas en intervalos regulares,
y su análisis ayuda a comprender el comportamiento dinámico de fenómenos que
se desarrollan en el tiempo.
Uno de los aspectos fundamentales del análisis de series de tiempo es la
identificación de sus componentes principales, entre los que se encuentran la
tendencia, la estacionalidad, los ciclos y las variaciones aleatorias. La tendencia
refleja el comportamiento general a largo plazo de los datos, mientras que la
estacionalidad muestra patrones repetitivos en intervalos regulares, como los
cambios relacionados con las estaciones del año. Los ciclos representan
fluctuaciones que no son estacionales y suelen estar vinculados a factores
económicos o sociales. Por último, las variaciones aleatorias comprenden cambios
impredecibles y no sistemáticos.
Entre las herramientas más utilizadas para trabajar con series de tiempo destaca
el método de mínimos cuadrados, que permite ajustar una línea de tendencia a los
datos al minimizar los errores entre los valores observados y los predichos. Este
método es esencial para analizar relaciones lineales y generar modelos básicos de
predicción. Además, existen técnicas como los promedios móviles, que ayudan a
suavizar fluctuaciones a corto plazo para resaltar tendencias subyacentes más
duraderas.
Por otro lado, los métodos de suavización exponencial ofrecen una forma
dinámica de modelar series de tiempo al asignar mayor peso a los datos más
recientes. Esto resulta especialmente útil en contextos donde los cambios
recientes en los patrones son de particular interés. Sin embargo, no todas las
tendencias son lineales; algunas series requieren enfoques más complejos que
puedan capturar relaciones no lineales mediante el uso de funciones polinomiales
o modelos más avanzados.
Otro componente crucial en el análisis de series de tiempo es la variación
estacional, que permite identificar y modelar patrones recurrentes en los datos.
Esto es particularmente valioso en sectores como el comercio, la agricultura y el
turismo, donde los ciclos estacionales influyen significativamente en la dinámica
de las variables estudiadas.
Las aplicaciones del análisis de series de tiempo son diversas y abarcan la
previsión económica, el análisis financiero, el control de procesos industriales, la
climatología y muchas otras áreas. A través de estas herramientas, es posible
tomar decisiones fundamentadas, anticipar comportamientos futuros y diseñar
estrategias adaptativas basadas en datos históricos.
En resumen, el análisis de series de tiempo proporciona una visión estructurada y
sistemática para desentrañar la complejidad de los datos temporales, permitiendo
no solo comprender el pasado, sino también proyectar escenarios futuros con
mayor precisión y confianza.
Subtemas del Tema 3:
3.1 Componentes de una serie de tiempo
El análisis de series de tiempo se basa en la identificación y descomposición de
los componentes que subyacen en los datos. Estos componentes ayudan a
explicar el comportamiento de las variables observadas a lo largo del tiempo y son
esenciales para realizar modelos precisos de predicción y análisis. Una serie de
tiempo generalmente se descompone en los siguientes elementos principales:
Tendencia (T)
La tendencia representa el movimiento general a largo plazo en una serie de
tiempo. Indica si los valores de la serie están aumentando, disminuyendo o
permaneciendo constantes a lo largo del tiempo. La tendencia puede deberse a
factores estructurales o fundamentales, como el crecimiento económico, cambios
tecnológicos o patrones de comportamiento a largo plazo. En un gráfico, suele
visualizarse como una línea que asciende, desciende o permanece estable sobre
los datos.
Estacionalidad (S)
La estacionalidad se refiere a los patrones que se repiten en intervalos regulares,
generalmente en ciclos anuales, trimestrales, mensuales o incluso semanales.
Estos patrones son causados por factores recurrentes, como estaciones del año,
días festivos o comportamientos sociales periódicos. Por ejemplo, las ventas de
ciertos productos pueden aumentar durante las festividades navideñas y disminuir
en meses menos activos. La estacionalidad es un componente predecible que se
puede modelar y eliminar para analizar otras variaciones
Ciclo (C)
El componente cíclico describe fluctuaciones que ocurren en periodos más largos
que los de la estacionalidad y que no tienen una periodicidad fija. Estos ciclos
suelen estar relacionados con factores macroeconómicos, como recesiones o
expansiones económicas. A diferencia de la estacionalidad, los ciclos no tienen
una duración regular y pueden variar en intensidad y longitud.
Variación aleatoria o ruido (R)
La variación aleatoria representa las fluctuaciones irregulares e impredecibles que
no pueden ser explicadas por los otros componentes. Estas variaciones son el
resultado de factores aleatorios o eventos no sistemáticos, como desastres
naturales, cambios abruptos en la política o errores de medición. Aunque no se
pueden predecir, es crucial identificarlas para evitar que interfieran en el análisis
de los componentes principales.
Modelos de descomposición
Para analizar estas componentes, las series de tiempo pueden representarse
mediante dos modelos comunes:
1. Modelo aditivo: Yt=Tt+St+Ct+RtY, donde los valores observados son la
suma de los componentes. Este modelo se utiliza cuando las fluctuaciones
en los datos son constantes en magnitud a lo largo del tiempo.
2. Modelo multiplicativo: Yt=Tt×St×Ct×RtY utilizado cuando las fluctuaciones
varían proporcionalmente con la magnitud de los datos.
Análisis
El primer paso para analizar una serie de tiempo es graficarla, esto permite:
identificar la tendencia, la estacionalidad, las variaciones irregulares. Un modelo
clásico para una serie de tiempo puede ser expresada como suma o producto de
tres componentes: tendencia estacional y un término de error aleatorio.
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.
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 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. Algunas se mueven continuamente hacía arriba, otras declinan, y otras
más permanecen igual en un cierto período o intervalo de tiempo. *En la gráfica se
muestra la recta de tendencia ajustada a datos trimestrales.
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. *En el grafico no se observa ningún
movimiento estacional, puesto que se trata de una serie anual
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. *En el gráfico, los movimientos
cíclicos alrededor de la curva de tendencia están trazados en negrita.
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: a) Las variaciones que son provocadas por acontecimientos especiales,
fácilmente identificables, como las elecciones, inundaciones, huelgas, terremotos.
b) Variaciones aleatorias o por casualidad, cuyas causas no se pueden señalar en
forma exacta, pero que tienden a equilibrarse a la larga.
En un estudio de la producción diaria en una fábrica se presentó la siguiente
situación:
Los puntos enmarcados en un círculo corresponden a un comportamiento anormal
en la serie. Al investigar estos dos puntos se vio que correspondían a dos días de
paro, lo que naturalmente afecto la producción en esos días. El problema fue
solucionado eliminando las observaciones e interpolando.
3.2 Método de mínimos cuadrados
Método De Mínimos Cuadrados Cuando varias personas miden la misma
cantidad, generalmente no obtienen los mismos resultados. De hecho, si la misma
persona mide la misma cantidad varias veces, los resultados variarán. El método
de mínimos cuadrados proporciona una forma de encontrar la mejor estimación,
suponiendo que los errores (es decir, las diferencias con respecto al valor
verdadero) sean aleatorias e imparciales.
¿QUÉ SON LOS MÍNIMOS CUADRADOS?
Es un procedimiento de análisis numérico en la que, dados un conjunto de datos
(pares ordenados y familia de funciones), se intenta determinar la función continua
que mejor se aproxime a los datos (línea de regresión o la línea de mejor ajuste),
proporcionando una demostración visual de la relación entre los puntos de los
mismos. En su forma más simple, busca minimizar la suma de cuadrados de las
diferencias ordenadas (llamadas residuos) entre los puntos generados por la
función y los correspondientes datos. Este método se utiliza comúnmente para
analizar una serie de datos que se obtengan de algún estudio, con el fin de
expresar su comportamiento de manera lineal y así minimizar los errores de la
data tomada. Su expresión general se basa en la ecuación de una recta y = mx +
b. Donde m esla pendiente y b el punto de corte, y vienen expresadas de la
siguiente manera:
Σ es el símbolo sumatoria de todos los términos, mientas (x, y) son los datos en
estudio y n la cantidad de datos que existen
El método de mínimos cuadrados calcula a partir de los N pares de datos
experimentales (x, y), los valores m y b que mejor ajustan los datos a una recta.
Se entiende por el mejor ajuste aquella recta que hace mínimas las distancias d de
los puntos medidos a la recta. Teniendo una serie de datos (x, y), mostrados en un
gráfico o gráfica, si al conectar punto a punto no se describe una recta, debemos
aplicar el método de mínimos cuadrados, basándonos en su expresión general:
Cuando se haga uso del método de mínimos cuadrados se debe buscar una línea
de mejor ajuste que explique la posible relación entre una variable independiente y
una variable dependiente. En el análisis de regresión, las variables dependientes
se designan en el eje y vertical y las variables independientes se designan en el
eje x horizontal. Estas designaciones formarán la ecuación para la línea de mejor
ajuste, que se determina a partir del método de mínimos cuadrados.
El método de los promedios móviles utiliza el promedio de los k valores de datos
más recientes en la serie de tiempo como el pronóstico para el siguiente periodo.
El término móvil indica que, mientras se dispone de una nueva observación para
laserie de tiempo, reemplaza a la observación más antigua de la ecuación anterior
y se calcula un promedio nuevo. Como resultado, el promedio cambiará, o se
moverá, conforme surjan nuevas observaciones.
Promedios móviles (simples de orden 3)
*Se promedian solo las últimas observaciones
*El orden se determina a priori
*Un orden grande elimina los picos (suaviza)
*Un orden pequeño permite seguir muy de cerca los cambios de corto plazo
Promedios móviles (simples de orden 2)
[Link]
estadistica/unidad-3-estadistica-inferencial-2/10433214
3.3. Métodos de promedios móviles
Puede considerarse como una evolución del método de promedio móvil
ponderado, en este caso se calcula el promedio de una serie de tiempo con un
mecanismo de autocorrección que busca ajustar los pronósticos en dirección
opuesta a las desviaciones del pasado mediante una corrección que se ve
afectada por un coeficiente de suavización. Así entonces, este modelo de
pronóstico precisa tan sólo de tres tipos de datos: el pronóstico del último período,
la demanda del último período y el coeficiente de suavización
¿Cuándo utilizarlo?
El pronóstico de suavización exponencial simple es óptimo para patrones de
demanda aleatorios o nivelados donde se pretende eliminar el impacto de los
elementos irregulares históricos mediante un enfoque en períodos de demanda
reciente, este posee una ventaja sobre el modelo de promedio móvil ponderado ya
que no requiere de una gran cantidad de períodos y de ponderaciones para lograr
óptimos resultados.
3.4 Métodos de suavización exponencial
Ejemplo suavización exponencial simple: En Enero un vendedor de vehículos
estimó unas ventas de 142 automóviles para el mes siguiente. En Febrero las
ventas reales fueron de 153 automóviles. Utilizando una constante de suavización
exponencial de 0.20 presupueste las ventas del mes de Marzo.
Podemos así determinar que el pronóstico de ventas para el período 3
correspondiente a
Marzo es equivalente a 144 automóviles.
Suavización exponencial
La suavización exponencial utiliza un promedio ponderado de valores de series de
tiempo pasadas como pronóstico. La formula muestra que el pronóstico para el
periodo t+1 es un promedio ponderado del valor real en el periodo t y el pronóstico
para el periodo [Link] un caso especial del método de promedios móviles
ponderados en el cual seleccionamos sólo un peso, el peso para la observación
más reciente.
Los pesos para los demás valores se calculan de forma automática y se vuelven
cada vez más pequeños a medida que las observaciones se alejan en el pasado.
Podemos demostrar que el pronóstico de la suavización exponencial para
cualquier periodo también es un promedio ponderado de todos los valores reales
previos. Por ejemplo para una serie de tiempo que consta de tres periodos de
datos:
Por lo tanto, el pronóstico de suavización exponencial para el periodo dos es igual
al valor real de la serie de tiempo en el periodo 1. Para el periodo 3 el pronóstico
es:
¿Qué valor de α?
Si la variabilidad aleatoria de la serie de tiempo es considerable, es preferible un
valor pequeño para la constante de suavización. La razón de esta elección es que,
dado que gran parte del error de pronóstico se debe a la variabilidad aleatoria, no
queremos reaccionar de forma exagerada y ajustar los pronósticos demasiado
rápido. Para una serie de tiempo con relativamente poca variabilidad, los valores
más grandes de la constante de suavización tienen la ventaja de ajustar
rápidamente los pronósticos cuando ocurren errores de pronóstico y por ende
permiten que el pronóstico reaccione más rápido a las condiciones cambiantes.
Elegimos el valor de que minimiza el error de pronóstico. Observar como los
pronósticos “suavizan” las fluctuaciones irregulares de la serie de tiempo.
3.5 Tendencias no lineales
Las tendencias son modelos de una variable en el tiempo, reflejan los cambios en
la tecnología, los estándares de vida, los índices de población, etc. Una tendencia
es el movimiento gradual hacia arriba o hacia debajo de los datos del tiempo.
Propiedades:1.- No se espera se repitan entre sí mismas de igual manera o forma
o con idénticas propiedades. 2.- Se pueden separar de los otros componentes
(periódica, aleatoria) de la serie, lo que hace posible removerlas o incorporarlas.
3.- Pueden existir en cualquier parámetro de una serie, media, variancia,
coeficiente y en parámetros de alto orden, pero por lo general las tendencias se
presentan únicamente en la media si la información es anual, en la media y la
desviación estándar si la información es mensual.
Tipos de modelos de líneas de tendencia: Cuando agrega una línea de tendencia
a su vista, está creando un modelo estadístico. Cada línea de tendencia en la vista
representa visualmente un modelo estadístico de regresión lineal. Cada modelo se
estima usando datos en el mismo panel y del mismo color que la línea de
tendencia correspondiente. Aunque las líneas de tendencias pueden ser del tipo
lineal, logarítmica, exponencial o polinomial, esto no indica que ninguno de esos
modelos no sea una regresión lineal. Tendencia lineal o línea recta: Por ejemplo,
cuando los ingresos históricos aumentan o disminuyen a un ritmo constante, se
encuentra ante un efecto lineal. • Por ejemplo: si prevé los ingresos durante los
dos próximos trimestres basándose en los ingresos de los cuatro últimos
trimestres y si el trazado de multilínea de los ingresos trimestrales anteriores es
lineal o casi lineal, el método de tendencia le ofrecerá la previsión más fiable
Es una relación funcional entre dos o más variables correlacionadas. Se utiliza
para pronosticar una variable con base en la otra, tanto para pronósticos de series
de tiempo como para pronósticos de relaciones causales. Series de tiempo:
Cuando la variable dependiente (que casi siempre es el eje vertical en una gráfica)
cambia como resultado del tiempo (trazado como el eje horizontal). Relaciones
causales: Si un variable cambia debido al cambio en otra, se trata de una relación
causal (como el número de debidas al aumento de cáncer pulmonar entre la gente
que fuma
La ecuación de una línea recta llamada componente lineal de tendencia de la
forma:
Y= a bx
Donde:
Y= Es el valor pronosticado en un período X • a= Es la ordenada en el origen
(intercepción de la recta con el eje vertical), X=0
b= Es la pendiente de la línea.
x= Es el período para el que se prepara el pronóstico.
Los valores de a y de b se calculan con el método de mínimos cuadrados. La
aplicación de este criterio da como resultado una línea recta que minimiza el
cuadrado de las distancias verticales
3.6 Variación estacional
El modelo de variación estacional, estacionaria o cíclica permite hallar el valor
esperado o pronóstico cuándo existen fluctuaciones (movimientos ascendentes y
descendentes de la variable) periódicas de la serie de tiempo, esto generalmente
como resultante de la influencia de fenómenos de naturaleza econó[Link]
ciclos corresponden a los movimientos en una serie de tiempo, que ocurren año
tras año en los mismos meses o períodos del año y relativamente con la misma
intensidad. ¿Cuándo utilizar un pronóstico de variación estacional o cíclica?El
modelo de variación estacional es un modelo óptimo para patrones de
demandasin tendencia y que presenten un comportamiento cíclico, por ejemplo la
demanda de artículos escolares, la cual tiene un comportamiento cíclico de
conformidad conel calendario escolar.
Ejemplo: La distribuidora de papelería CAROLA desea vender para el año 2015
una cantidad de 12000 kits escolares. Determine el pronóstico por trimestre a
partir del modelo de variación estacional, teniendo en cuenta la siguiente
información acerca del comportamiento de las ventas
Luego se procede a calcular el promedio de las ventas de cada período, en este
caso de cada período tan sólo tenemos un dato, existirán en la práctica ejercicios
en los que de cada período (por ejemplo trimestre I) tengamos gran cantidad de
información histórica, por ejemplo la información histórica del trimestre I de 5 años.
Como lo mencionamos, para éste caso no es necesario promediar, ya que
contamos tan sólo con un dato de cada trimestre, por tal razón procedemos a
calcular el índice de estacionalidad de cada período
Teniendo en cuenta que se desean vender un total de 12000 kits para el año
2015, calcularemos el promedio general de las ventas para dicho año, para ello
dividiremos ésta cantidad en la cantidad de trimestres
Ya que tenemos el promedio general de las ventas del año que deseamos
pronosticar y contamos con el índice de estacionalidad de cada trimestre, es
momento de determinar el pronóstico por trimestre para el año 2015
3.7 Aplicaciones
Las series de tiempo se pueden citar en distintas aéreas como:
Series económicas
Series físicas
Geofísica
Series demográficas
Series de marketing
Series de telecomunicación
Series de transporte
Bibliografía
Bego E, A. (17 de Abril de 2017). SLIDESHARE. Recuperado el 29 de Octubre de
2020, de [Link]
noLinealesestadistica
Gomez, I. (28 de Julio de 2012). SlideShare. Recuperado el 29 de Octubre de
2020, de [Link] (s.f.).
[Link]. Recuperado el 29 de Octubre de 2020, de
[Link]
Salazar Lopez, B. (30 de Junio de 2019). INGENIERIA INDUSTRIAL
[Link]. Recuperado el 29 de Octubre de 2020, de
[Link]
exponencial-simple/
Villareal, D. F. (Septiembre de 2016). [Link].a. Recuperado el 29 de
Octubre de 2020, de
[Link]
s_de_Pronosticos.pdf
Fecha de entrega: 27 de octubre de 2024.
