Repblica Bolivariana De Venezuela

Universidad Nacional Experimental Simn Rodrguez

Cuso: Estadstica II
Seccin: G

Anlisis
de
series
de
Facilitador:
Jimmy Rincn
Participantes:

Tiempo Olanyi Gmez CI: 18.529.827

Caracas, 21 de Marzo 2017

 Anlisis de series de tiempo

Series De Tiempo.

Una serie de tiempo es un conjunto de valores observados durante una serie de periodos temporales
secuencialmente ordenada. Se representa grficamente por medio de una grfica de lneas sobre
cuyo eje horizontal se representan los periodos, y en cuyo eje vertical se representan los valores de la
serie de tiempo.

Representacin de serie de tiempo.

Una grfica de series de tiempo es una grfica que puede utilizar para evaluar patrones y
comportamiento de datos en el transcurso del tiempo. Una grfica de series de tiempo
muestra observaciones en el eje Y con respecto a intervalos de tiempo con igual separacin
en el eje X.

Las grficas de series de tiempo con frecuencia se utilizan para examinar variaciones
diarias, semanales, trimestrales o anuales o efectos antes y despus de un cambio de
proceso. Las grficas de series de tiempo son especialmente tiles para comparar patrones
de datos de diferentes grupos. Por ejemplo, usted podra examinar la produccin mensual
de varias plantas durante el ltimo ao o las tendencias de empleo en diferentes industrias
en varios meses.
 La grfica revela lo siguiente:

Las ventas de la Compaa A muestran un crecimiento lento, moderadamente

constante.

Las ventas de la Compaa B comenzaron por debajo de las ventas de la Compaa

A, pero alcanzaron y superaron las ventas de la Compaa A en el segundo ao.

La Compaa B tuvo mayores fluctuaciones en las ventas mensuales que la

Compaa A.

Movimiento caracterstico de series de tiempo.

En el grfico de una serie en el tiempo el grafico describe un punto movindose con el

paso del tiempo anlogo en muchos aspectos la trayectoria de una partcula fsicas que se
mueve bajo influencia de fuerzas fsica. Claro est que en lugar de fuerzas fsicas, aqu
cabe pensar en el resultado de combinacin de fuerzas econmicas, sociolgicas, o de otros
tipos.

La experiencia con muchos ejemplos de series en el tiempo ha relevados ciertos

movimientos o variaciones caractersticas que aparecen a menudo y cuyo anlisis es de
gran inters por muchas razones una de ellas el problema de prediccin del futuros
movimientos. No pueden sorprendernos, en consecuencia muchas empresas y gobiernos
estn preocupados por este importante tema.
Clasificacin de movimiento de series de tiempo.

1. Movimiento secular o tendencia (T): La tendencia secular o tendencia a largo plazo de

una serie es por lo comn el resultado de factores a largo plazo. En trminos intuitivos, la
tendencia de una serie de tiempo caracteriza el patrn gradual y consistente de las
variaciones de la propia serie, que se consideran consecuencias de fuerzas persistentes que
afectan el crecimiento o la reduccin de la misma, tales como: cambios en la poblacin, en
las caractersticas demogrficas de la misma, cambios en los ingresos, en la salud, en el
nivel de educacin y tecnologa. Las tendencias a largo plazo se ajustan a diversos
esquemas. Algunas se mueven continuamente haca arriba, otras declinan, y otras ms
permanecen igual en un cierto perodo o intervalo de tiempo.

2. Movimiento o Variacin estacionales: (E) 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 variacin corresponde a los movimientos de la serie que
recurren ao tras ao en los mismos meses (o en los mismos trimestres) del ao poco ms o
menos con la misma intensidad. Por

3. Movimientos o Variacin cclicas (C) : Con frecuencia las series de tiempo presentan
secuencias alternas de puntos abajo y arriba de la lnea de tendencia que duran ms de un
ao, esta variacin se mantiene despus de que se han eliminado las variaciones o
tendencias estacional e irregular.

4. Movimiento Irregular o Azar ( A) : 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 variacin irregular: a) Las variaciones que son provocadas por
acontecimientos especiales, fcilmente identificables, como las elecciones, inundaciones,
huelgas, terremotos.

b) Variaciones aleatorias o por casualidad, cuyas causas no se pueden sealar en forma

exacta, pero que tienden a equilibrarse a la larga
Anlisis de series de tiempo.

El anlisis de series de tiempo desempea un papel importante en el anlisis requerido para

el pronstico de eventos futuros. Existen varias formas o mtodos de calcular cual va a ser
la tendencia del comportamiento del proceso en estudio.

En el presente documento se procede a aplicar el anlisis de series de tiempo aplicado al

estudio del comportamiento en la forma de acceso a Internet, considerando bsicamente el
factor ancho de banda.

Hoy en da las aplicaciones y mayores avances en cuanto a uso de Internet se dan con
aplicaciones que requieren un gran ancho de banda. La telemedicina, por ejemplo no se
podra dar si es que no estamos en capacidad de poder comunicarnos a un ancho de banda
que nos asegura una inmediata comunicacin tanto en envi como respuesta de seal.

Movimientos medios.

Movimientos Medios. Suavizacin de Series de Tiempo.

Dado un conjunto de nmeros

Y1, Y2, Y3,

Se define un movimiento medio de orden N al que viene dado por la sucesin de medias
aritmticas,

Y1 + Y2 ++ YN, Y2 + Y3 ++ YN+1, Y3 + Y4 ++ YN+2,

NNN

Las sumas de los numeradores de (3) se llaman movimientos totales de orden N.

Suavizacin de series de tiempo.

Suavizacin Exponencial Simple.

Esta tcnica se basa en la atenuacin de los valores de la serie de tiempo, obteniendo el

promedio de estos de manera exponencial; es decir, los datos se ponderan dando un mayor
peso a las observaciones ms recientes y uno menor a las ms antiguas. Al peso para
ponderar la observacin ms reciente se le da el valor , la observacin inmediata anterior
se pondera con un peso de a (1 - ), a la siguiente observacin inmediata anterior
se le da un peso de ponderacin de a (1 - ) 2 y as sucesivamente hasta completar el
nmero de valores observados en la serie de tiempo a tomar en cuenta para realizar la
atenuacin, es decir, para calcular el promedio ponderado. La estimacin o pronstico ser
el valor obtenido del clculo del promedio. Por lo que la expresin para realizar el clculo
de la suavizacin exponencial simple

Suavizacin Exponencial Doble (Mtodo de Brown)

En este mtodo se calcula primero una suavizacin exponencial simple para cada valor de
la serie y luego se vuelve a calcular otra suavizacin exponencial sobre los datos resultantes
de la primera

Suavizacin Con Tendencia y Estacionalidad (Mtodo de Holt - Winters)

Es un mtodo sofisticado de extensin de la suavizacin exponencial, descrita

anteriormente. A diferencia del mtodo de suavizacin exponencial, el mtodo de Holt
Winters tambin permite el estudio de la tendencia de la serie a travs de pronsticos a
Mediano y largo plazo Este modelo utiliza dos constantes (y ) para realizar los
pronsticos. Estas constantes deben determinarse experimentalmente para sealar los
valores reales de la serie de tiempo.
Suavizacin Exponencial Con Componentes Estacionales

Se entiende como variacin estacional, aquella distorsin que se produce en la serie de

datos debido a que hay un patrn de comportamiento que parece repetirse ao tras ao (o
transcurridos una cantidad de perodos), ejemplos de este tipo lo constituyen las ventas de
helado los cuales se incrementan en la temporada de verano, otro podran ser las ventas de
artculos de pirotecnia las cuales se incrementan durante el ltimo mes del ao, las ventas
de ropa para deportes invernales que se incremente en el segundo trimestre del ao, la
demanda de pasajes que se incrementa en el mes de julio hacia destinos invernales

Estimacin de la Tendencia

Hay varios mtodos para estimar la tendencia T (t), uno de ellos es utilizar un modelo de
regresin lineal. Se pueden utilizar otros tipos de regresiones, como regresin cuadrtica
tica, logstica, exponencial, entre otros. Una forma de visualizar la tendencia, es mediante
suavizamiento de la serie. La idea central es definir partir de la serie observada una nueva
serie que filtra o suaviza los efectos ajenos a la tendencia (estacionalidad, efecto aleatorios),
de manera que podamos visualizar la tendencia.

Variaciones Estacionales

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 variacin corresponde a
los movimientos de la serie que recurren ao tras ao en los mismos meses (o en los
mismos trimestres) del ao poco ms o menos con la misma intensidad.

ndice Estacional

Esta tcnica sirve para calcular el pronstico de ventas cuando existe estacionalidad o
ciclos y tambin se utiliza cuando en cada perodo existen diferencias de ventas muy
marcadas, razn por la cual se hace necesario calcular un ndice que nos permitir un ajuste
por cada perodo. En general, los patrones estacionales son fluctuaciones que ocurren
dentro de un ao y tienden a repetirse anualmente. Estas estaciones pueden ser causadas por
el clima, las vacaciones, los das de pago, los eventos escolares o cualquier otro fenmeno
Estimacin de las variaciones cclicas

Las Variaciones irregulares o (aleatorias) se pueden estimas ajustando los datos a las
variaciones de tendencias, estacionales y cclicas. Eso significa tener que dividir los datos
originales Y por T,S,C que[ por la ecuacin(1)] da 1. En la prctica se encuentra que las
variaciones irregulares tienden a tener pequea magnitud y con frecuencia tienden a seguir
esquema de una distribucin normal; es decir, las pequeas desviaciones ocurren con gran
frecuencia y grandes desviaciones ocurren con pequea frecuencia

Comparacin de Datos

Al comparar datos hay que tener siempre mucho cuidado de que tal comparacin est
justificada. Por ejemplo al comparar datos de marzo con datos de febrero, debemos tener
bien presente que febrero tiene 28 o 29 das y marzo tiene 31; Y al comparar datos de
febrero de aos diferentes, hay que recordar que en un ao bisiesto febrero tiene 29 das en
lugar de 28. Para poner otro ejemplo el nmero de das laborales durante varios meses del
mismo ao o de aos diferentes pueden ser distintos a causas de las variaciones, huelgas
etc. En la prctica, no se sigue un regla definida para ajustar tales variaciones. La necesidad
de tales ajustes queda a voluntad del investigador.

Prediccin.

Los mtodos y principios anteriores se usan en la importante tarea de predecir series en el

tiempo hay que ser consciente de que, naturalmente el tratamiento matemtico de los datos
no resuelve por s mismo todos los problemas. No obstante, acoplado en el sentido comn
del investigador a su experiencia, su ingenio y buen juicio, el anlisis matemtico ha
demostrado la utilidad tanto en predicciones de largo como de corto alcance.
Resumen de los pasos fundamentales en el anlisis de series de tiempo.

1. recoger datos para la serie en el tiempo, procurando que estos datos sean fiables. Tener
siempre presente el objetivo eventual de la serie en el tiempo; por ejemplo si uno quiere
predecir una serie en el tiempo dada. Puede ser til obtener serie en el tiempo relacionadas
(as como cualquier otra informacin).

2. Representar grficamente la serie en el tiempo, observando cualitativamente la presencia

de variaciones y de variaciones de tendencia largo termino y cclicas.

3. Construir la curva recta de tendencia a largo trmino, y obtener los valores de tendencia
apropiada usando los mtodos de mnimos cuadrados a mano, promedios mviles o
semipromedios.

4. Si hay variaciones estacinale, obtener un ndice estacional y desestacionalizar los datos

(ose ajustar los datos a las variaciones.

5. Ajustar los datos desestacionalizado a la tendencia. Los datos resultantes contienen

(tericamente) solo variaciones cclicas e irregulares. Un promedio mvil 3,5 o 7 meses
servir para remover las variaciones irregulares revelando las variaciones cclicas.

6. Representar grficamente las variaciones cclicas obtenidas en el paso 5 observado

cualquier periodicidad, exacta o aproximada, que pueda estar presente.

7. Si se desea una prediccin, hgase combinando los resultados de los pasos 1 y 6 y

utilizando otra informacin disponible identificar y evaluar todas las posibles fuentes de
error y su magnitud.