Beruflich Dokumente
Kultur Dokumente
El modelo de diseo de experimentos con dos factores se puede generalizar a tres o ms factores,
aunque presenta el gran inconveniente de que para su aplicacin es necesario un tamao muestral
muy grande.
El modelo de diseo de experimentos completo con tres factores (T , T
y T ), interaccin y
En
este
modelo
se
tienen
tres
factores-
tratamiento: el
factor T
(e
niveles r =
1,...,
R. Cada
tratamiento
se
hijo
ha
replicado K veces.
Por
tanto
se
El nmero
de parmetros del modelo es
Parmetros
i
j
r
Nmero
1
I-1
J-1
R-1
ij
ir
jr
ijr
2
Total
1
IJR + 1
Los estimadores mximo-verosmiles de este modelo son los siguientes (se utiliza la notacin
habitual):
De la media global
Suma de cuadrados
scT
= J RK
I
i=1
g.l.
I-1
Factor T
Factor T
Inter.
Inter.
Inter.
Inter.
Residual
Global
scT
= IRK
R
r=1
scT = IJK
sc
= RK
sc
= JK
sc
= IK
sc
J
j=1
R-1
2
r
I
i=1
I
i=1
J
j=1
ij
R
r=1
J
j=1
ir
R
r=1
I
i=1
=K
J-1
jr
(I - 1)(J - 1)
(I - 1)(R - 1)
(J - 1)(R - 1)
J
j=1
R
r=1
2
ijr
scR =
I
i=1
J
j=1
R
r=1
K
2
t=1
ijrk
scG =
I
i=1
J
j=1
R
r=1
K
2
t=1
ijrk
(I - 1)(J - 1)(R - 1)
IJR(K - 1)
IJRK - 1
Evaluacin de los datos cul factor tiene mayor influencia en el rendimiento? Estimated Effects
and Coefficients for % (coded units)
Efectos principales
Evolucin horaria de niveles de xido de azufre y de niveles de xido de nitrgeno en una ciudad
durante una serie de aos.
Lluvia recogida diariamente en una localidad.
Temperatura media mensual.
Medicin diaria del contenido en residuos txicos en un ro. Componentes de una serie temporal
El anlisis clsico de las series temporales se basa en la suposicin de que los valores que toma la
variable de observacin es la consecuencia de tres componentes, cuya actuacin conjunta da
como resultado los valores medidos, estos componentes son: a.- Componente tendencia.- Se
puede definir como un cambio a largo plazo que se produce en la relacin al nivel medio, o el
cambio a largo plazo de la media. La tendencia se identifica con un movimiento suave de la serie a
largo plazo. b.- Componente estacional.- Muchas series temporales presentan cierta periodicidad o
dicho de otro modo, variacin de cierto perodo (semestral, mensual, etc.). Por ejemplo las Ventas
al Detalle en Puerto Rico aumentan por los meses de noviembre y diciembre por las festividades
navideas. Estos efectos son fciles de entender y se pueden medir explcitamente o incluso se
pueden eliminar de la serie de datos, a este proceso se le llama desestacionalizacin de la serie.
c.- Componente aleatoria.- Esta componente no responde a ningn patrn de comportamiento, sino
que es el resultado de factores fortuitos o aleatorios que inciden de forma aislada en una serie de
tiempo. 2 De estos tres componentes los dos primeros son componentes determinsticos, mientras
que la ltima es aleatoria. As se puede denotar la serie de tiempo como donde es la tendencia, es
la componente estacional e es la componente aleatoria. 2.- Clasificacin descriptiva de las series
temporales Las series temporales se pueden clasificar en: a.- Estacionarias.- Una serie es
estacionaria cuando es estable a lo largo del tiempo, es decir, cuando la media y varianza son
constantes en el tiempo. Esto se refleja grficamente en que los valores de la serie tienden a
oscilar alrededor de una media constante y la variabilidad con respecto a esa media tambin
permanece constante en el tiempo. b.- No estacionarias.- Son series en las cuales la tendencia y/o
variabilidad cambian en el tiempo. Los cambios en la media determinan una tendencia a crecer o
decrecer a largo plazo, por lo que la serie no oscila alrededor de un valor constante. 3.- Procesos
Estocsticos Desde un punto de vista intuitivo, un proceso estocstico se describe como una
secuencia de datos que evolucionan en el tiempo. Las series temporales se definen como un caso
particular de los procesos estocsticos. 3.1.-Proceso estocstico estacionario Un proceso
estocstico se dice que es estacionario si su media y su varianza son constantes en el tiempo y si
el valor de la covarianza entre dos periodos depende solamente de la distancia o rezago entre
estos dos periodos de tiempo y no del tiempo en el cual se ha calculado la covarianza. Sea una
serie de tiempo entonces con estas propiedades: donde, la covarianza (o auto covarianza) al
rezago, es la covarianza entre los valores de y, que estn separados periodos. En resumen si una
serie de tiempo es estacionaria, su media, su varianza y su auto covarianza (en diferentes rezagos)
permanecen iguales sin importar el momento en el cual se midan; es decir, son invariantes
respecto al tiempo.
Cuando los datos seregistran por mes o trimestre, se considera un componente adicional llamado
factorestacional junto con los componentes de tendencia, cclico e irregular.Los tres o cuatro
componentes que influyen en una serie de tiempo econmica ode negocios se resumen en la tabla
5.1. El modelo multiplicativo clsico de series detiempo establece que todo valor observado en una
serie de tiempo es el producto deestos factores de influencia; es decir, cuando los datos se
obtienen cada ao, unaobservacin registrada en el ao se puede expresar por la ecuacin
10
Matemticamente, podemos decir que la serie representa variacin estacional si existe un nmero
S
Tal que
x(t)=x(t + ks).
Las principales fuerzas que causan una variacin estacional son las condiciones del tiempo, como
por ejemplo:
1) en invierno las ventas de helado2) en verano la venta de lana3) exportacin de fruta en marzo.
Todos estos fenmenos presentan un comportamiento estacional (anual, semanal, etc.)
d) Variaciones irregulares (componente aleatoria): los movimientos irregulares (al azar)
representan todos los tipos de movimientos de una serie de tiempo que no sea tendencia,
variaciones estacionales y fluctuaciones cclicas. Un modelo clsico para una serie de tiempo,
supone que una serie x (1),..., x(n) puede ser expresada como suma o producto de tres
componentes: tendencia, estacionalidad y un trmino de error aleatorio.
Existen tres modelos de series de tiempos, que generalmente se aceptan como buenas
aproximaciones a las verdaderas relaciones, entre los componentes de los datos observados.
Estos son
Un modelo clsico para una serie de tiempo, supone que una serie
X (1),..., x(n)
Puede ser expresada como suma o producto de tres componentes:
Tendencia, estacionalidad y un trmino de error aleatorio
.
Existen tres modelos de series de tiempos, que generalmente se aceptan como buenas
aproximaciones a las verdaderas relaciones, entre los componentes de los datos observados.
Estos son:
1. Aditivo:
X (t) = T (t) + E (t) + A (t)
2. Multiplicativo:
X (t) = T (t) E (t) A (t)
3. Mixto:
X (t) = T (t) E (t) + A (t)
Donde:
X (t ) Serie observada en instante
T
T (t)
Componente de tendencia
E (t)
11
Componente estacional
A (t)
Componente aleatoria (accidental) Una suposicin usual es que
A (t)
Sea una componente aleatoria o ruido blanco con media cero y varianza constante. Un modelo
aditivo (1), es adecuado, por ejemplo, cuando
E (t)
No depende de otras componentes, como
T (t) s por el contrario la estacionalidad vara con la tendencia, el modelo ms adecuado es un
modelo multiplicativo (2). Es claro que el modelo 2 puede ser transformado en aditivo, tomando
logaritmos. El problema que representa, es modelar adecuadamente las componentes de la serie.
12
El registro de rendimientos trimestrales de los CETES representa una serie de tiempo, ya que se
han obtenido en periodos sucesivos.
Si se analiza el registro podemos observar que hay una disminucin en los valores de rendimiento,
de mayor a menor, pero nos resulta difcil afirmar en qu proporcin ha ocurrido y de cunto han
sido las variaciones. Si este registro lo analizamos como una serie tendremos la grfica siguiente:
13
Utilizando el ejemplo anterior procederemos a descomponer la serie de tiempo en cada uno de sus
componentes, lo cual haremos en los siguientes incisos.
La separacin de la tendencia, utiliza la metodologa de la lnea de regresin, hemos mencionado
que esta lnea puede ser una recta o una curva, en este curso nicamente analizaremos el modelo
lineal, por su simpleza y facilidad de clculo de esta manera podemos representar a la tendencia
por medio de la expresin matemtica siguiente:
Yt = bo + b1X
En donde:
Yt= tasa de rendimiento calculada
X =tiempo, en este caso expresado en trimestres
Bo =valor de Y cuando el valor del tiempo es cero
b1 =pendiente de la recta de tendencia
Una vez definido el modelo, se procede a la determinacin de los valores de los coeficientes bo y
b1 de la recta de regresin. En nuestro problema en particular, la ecuacin de regresin, que
representa a la tendencia del comportamiento de la tasa de rendimiento de los CETES a 90 das
aplicando las formulas correspondientes para el clculo primero de b1
Es:
14
Yt = 10.8553676 - 0.44595588 X
15
En donde:
Y representa el rendimiento registrado.
Y representa el rendimiento calculado con la ecuacin de tendencia.
Los valores as calculados se muestran en la tabla siguiente, expresados en porcentaje respecto
del valor de la tendencia, los valores que estn por encima de la recta de tendencia alcanzarn un
porcentaje superior a cien, mientras que los que se encuentren por debajo de ella tendrn valores
inferiores a cien.
16
Las componentes cclicas, pueden ser graficados para observar los posibles patrones que se
presentan, la lnea de la tendencia corresponde en la grfica a la lnea del 100%, observemos que
la variacin cclica se presenta hacia arriba y hacia abajo de la recta de tendencia.
Grfica de apreciacin de la componente cclica de los CETES a 90 das.
17
Es posible ver con mucha claridad cul ha sido el comportamiento de los rendimientos respecto de
la tendencia. Podemos observar que las fluctuaciones a la baja han sido ms importantes que las
correspondientes a la alza. Esto muy importante, pues si alguna persona compr CETES a 90 das
durante el primer trimestre, podemos observar que el rendimiento de estos bajo a continuacin y
apenas pudieron igualarse los rendimientos alrededor del trimestre 16, presentando una alza
alrededor del trimestre 17, lo cual puede representar una prdida de tiempo y dinero para la
persona que bien pudo invertir algunos otros instrumentos que tuvieran mejores rendimientos.
18
19
20
Promedios mviles
El mtodo de promedios mviles para suavizar una serie de tiempo es muy subjetivo y dependiente
de L, la longitud del periodo seleccionado para calcular los promedios. Para eliminar las
fluctuaciones cclicas, el periodo elegido debe ser un valor entero que corresponda a (o sea
mltiplo de) la longitud promedio estimada de un ciclo en una serie. Los promedios mviles para un
promedio determinado de longitud L consiste en una serie de promedios aritmticos en el tiempo
tales que cada uno se calcula a partir de una secuencia de L valores observados. Estos promedios
mviles se representan por el smbolo PM (L) A manera de ejemplo, suponga que se desea
calcular promedios mviles de 5 aos de una serie que contiene n = 11 aos. Como L = 5, los
promedios mviles de 5 aos consisten en una serie de medidas obtenidas en el tiempo al
promediar secuencias consecutivas de cinco valores observados. El primer promedio mvil de 5
aos se calcula con la suma de los valores para los primeros 5 aos en la serie, dividida entre 5.
El segundo promedio mvil de 5 aos se calcula con la suma de los valores de los aos2 a 6 en la
serie, dividida entre 5
Este proceso contina hasta calcular el ltimo promedio mvil de 5 aos con la suma delos valores
de los ltimos 5 aos en la serie (aos del 7 al 11), dividida entre 5.
Cuando se trata de una serie de tiempo anual, L, la longitud del periodo elegido para construir los
promedios mviles, debe ser un nmero de aos impar. Al seguir esta regla se observa que no se
pueden obtener promedios mviles para los primeros (L
1)/2 aos o los ltimos (L -1)/2 aos en la serie. Entonces, para un promedio mvil de 5aos, no
es posible hacer clculos para los primeros 2 aos o los ltimos 2 aos de las serie. Al graficar los
promedios mviles, cada valor calculado se coloca en el ao a la mitad de la secuencia de aos
usada para calcularlos. Si n = 11 y L = 5, el primer promedio mvil se centra en el tercer ao, el
segundo promedio mvil se centra en el cuarto ao y el ltimo en el noveno ao. Esto se ilustra en
el siguiente ejemplo: Suponga que los siguientes datos representan los ingresos totales (en
millones de dlares constantes de 1995) de una agencia donde se rentan automviles, en un
intervalo de 11 aos de 1987 a 1997:
4.0 5.0 7.0 6.0 8.0 9.0 5.0 2.0 3.5 5.5 6.5
Calcule los promedios mviles de 5 aos para esta serie de tiempo anual.
21
Calcule los promedios mviles de 5 aos para esta serie de tiempo anual. Solucin El primer
promedio mvil de 5 aos es
Es decir, para calcular un promedio mvil de 5 aos, primero se obtiene la suma de los cinco aos
y se divide entre 5. Despus el promedio se centra en el valor medio, el tercer ao de esta serie de
tiempo. Los siguientes valores quedan de la siguiente manera:
22
Estos promedios mviles se centran en sus respectivos valores medios, el quinto, sexto y sptimo
aos de la serie de tiempo. Se observa que al obtener promedios mviles de 5aos, no se pueden
calcular los valores para los primeros dos y los ltimos dos valores de la serie de tiempo.
En la prctica, al obtener promedios mviles se debe usar un programa de computadora como
Microsoft Excel o Minitab para evitar los clculos tediosos. La tabla 5.4 y 5.5presenta las ventas
anuales de la fbrica (General Motors) que ampara el periodo de 24aos de 1975 a 1998 junto con
los clculos para los promedios mviles de 3 y 7 aos .La grfica de las dos series construidas se
presenta en la figura 5.8 y 5.9 con los datos originales. Se observa en la tabla 5.4 que al obtener
los promedios mviles de 3 aos, no se pueden calcular valores para el primero o el ltimo valor en
la serie de tiempo.
23
Suavizacin exponencial
La suavizacin exponencial es otra tcnica que se usa para alisar una serie de tiempo y
proporcionar una visualizacin global de los movimientos a largo plazo de los datos .Adems, se
puede usar el mtodo de suavizacin exponencial para obtener pronsticos acorto plazo (un
periodo futuro) para series de tiempo. El mtodo de suavizacin exponencial obtiene su nombre del
hecho de que proporciona un promedio mvil con ponderacin exponencial a travs de la serie de
tiempo. En toda la serie, cada clculo de suavizacin o pronstico depende de todos los valores
observados anteriores. sta es otra ventaja respecto al mtodo de pronsticos mviles, que no
toma en cuenta todos los valores observados de esta manera. Con la suavizacin exponencial, los
pesos asignados a los valores observados decrecen en el tiempo, de manera que al hacer un
clculo, el valor observado ms reciente recibe el peso ms alto, el valor observado anterior tiene
el siguiente peso ms alto, y as sucesivamente, por lo que el valor observado inicial tiene la menor
ponderacin. Aunque la magnitud de los clculos involucrados puede parecer enorme, la
suavizacin exponencial al igual que los mtodos de promedios mviles est disponible entre los
procedimientos de Microsoft Excel y Minitab. Si se centra la atencin en los aspectos de
suavizacin de la tcnica (ms que en el aspecto del pronstico), las frmulas desarrolladas para
suavizar exponencialmente una serie en un periodo dado i se basa en slo tres trminos: el valor
observado actual en la serie de tiempo, valor con suavizacin exponencial calculado anterior y un
peso subjetivo asignado o coeficiente de suavizacin W. As, para alisar una serie en cualquier
periodo, se tiene la siguiente expresin. Obtencin de un valor que tiene suavizacin exponencial
en el periodo
24
Este proceso contina hasta obtener los valores de la suavizacin exponencial para los 24 aos en
la serie de las ventas anuales de la fbrica (General Motors), como se muestra en la tabla 5.6 y
5.7, y las figuras 5.10 y 5.11
Tabla 5.6 Serie suavizada exponencialmente de las ventas de GM obtenida con Microsoft Excel
25
Bibliografa
http://www.dpye.iimas.unam.mx/patricia/indexer/aleatorios.pdf
http://ocw.upm.es/estadistica-e-investigacion-operativa/introduccion-a-la-estadistica-basica-eldiseno-de-experimentos-y-la-regresion-lineal/contenidos/Material-de-clase/Disenos-factoriales.pdf
http://dm.udc.es/asignaturas/estadistica2/sec5_4.html
http://ecampus.fca.unam.mx/ebook/imprimibles/contaduria/estadistica_2/Unidad_7.pdf
http://www.atmosfera.unam.mx/jzavala/AnalisisDatos/Curso_AnalisisDatos_Clase_14b.pdf
http://www.seduca2.uaemex.mx/ckfinder/uploads/files/u3tema_3_series_de_t.pdf
26