INGENIERÍA INDUSTRIAL A DISTANCIA

ASIGNATURA:

ESTADÍSTICA INFERENCIAL II

PROFESOR:

M en T. E. CLAUDIA GEORGINA SANTIESTEBAN ALCÁNTARA

TRABAJO:

SERIES DE TIEMPO

ELABORADO POR:

JUAN ARTURO CORTÉS HERNÁNDEZ

MATRICULA: V15281616 GRUPO: AEF-1025

Metepec, Estado de México a Febrero de 2017

Página 1 de 6
 UNIDAD 2. SERIES DE TIEMPO

INTRODUCCIÓN
El modelo de serie de tiempo permite dar información acerca de comportamientos futuros de
ciertos fenómenos, con el fin de planificar, prever o prevenir.
Una técnica que podemos usar como ayuda en la planeación de las necesidades operativas
en lo futuro es el pronóstico. Aunque se han desarrollado numerosos métodos para
pronosticar, todos tienen un objetivo común, predecir los eventos futuros de manera que las
proyecciones se puedan incorporar en el proceso de toma de decisiones.
Las series de tiempo es un método de pronóstico cuantitativo ya que utilizan datos históricos
e implican la proyección de los valores futuros de una variable basada por completo en las
observaciones pasadas y presentes de esa variable.
2.1. MODELO CLÁSICO DE SERIES DE TIEMPO
La suposición fundamental del análisis de series de tiempo es que los factores que han influido
en los patrones de actividad en el pasado y el presente tendrán más o menos la misma
influencia en lo futuro. Entonces la meta principal del análisis de series de tiempo es: identificar
y aislar estos factores de influencia con el fin de realizar predicciones (pronosticar).
Para conseguir estas metas, se han desarrollado muchos modelos matemáticos que exploran
las fluctuaciones entre los factores que componen una serie de tiempo. Tal vez el más esencial
sea el modelo multiplicativo clásico para datos registrados cada año, trimestre o mes.
El modelo multiplicativo clásico de series de tiempo establece que todo valor observado en
una serie de tiempo es el producto de factores de influencia (tendencia, componente cíclico y
componente irregular); es decir, cuando los datos se obtienen cada año, una observación Yi
registrada en el año i se puede expresar por la ecuación

Cuando los datos se obtienen por trimestre o por mes, una observación registrada en el
periodo puede estar dada por la ecuación

Elaboró: Juan Cortés Página 2 de 6

 UNIDAD 2. SERIES DE TIEMPO

Factores que influyen en datos de series de tiempo:

2.2. ANÁLISIS DE FLUCTUACIONES

Las fluctuaciones cíclicas son movimientos oscilatorios alrededor de una tendencia,
caracterizados por diferentes fases sucesivas recurrentes, de expansión y contracción, de
mayor o menor amplitud, que no se encuentran ceñidas a lapsos fijos y que son susceptibles
de medición.
El primer paso en un análisis de series de tiempo, consiste en graficar los datos y observar
sus tendencias en el tiempo. Primero debe determinarse si parece haber un movimiento hacia
arriba o hacia abajo a largo plazo en la serie (una tendencia) o si la serie parece oscilar
alrededor de una recta horizontal en el tiempo. En este caso (es decir, no hay tendencia
positiva o negativa a largo plazo), puede emplearse el método de promedios móviles o el de
suavización exponencial para “emparejar” la serie y proporcionar un panorama global a largo
plazo.
El análisis de las fluctuaciones permitirá:

Elaboró: Juan Cortés Página 3 de 6

 UNIDAD 2. SERIES DE TIEMPO

A) Detectar Outlier: se refiere a puntos de la serie que se escapan de lo normal. Un

outliers es una observación de la serie que corresponde a un comportamiento anormal
del fenómeno (sin incidencias futuras) o a un error de medición. Se debe determinar
desde fuera si un punto dado es outlier o no. Si se concluye que lo es, se debe omitir
o reemplazar por otro valor antes de analizar la serie.
Por ejemplo, en un estudio de la producción diaria en una fábrica se presentó la
siguiente situación

Los dos puntos enmarcados en una flecha parecen corresponder a un

comportamiento anormal de la serie. Al investigar estos dos puntos se vio que
correspondían a dos días de paro, lo que naturalmente afectó la producción en
esos días.
B) Detectar la tendencia: la tendencia representa el comportamiento predominante de la
serie. Esta puede ser definida vagamente como el cambio de la media a lo largo de un
periodo.
C) Determinar la variación estacional: la variación estacional representa un movimiento
periódico de la serie de tiempo. La duración de la unidad del periodo es generalmente
menor que un año. Puede ser un trimestre, un mes o un día, etc.
Matemáticamente, podemos decir que la serie representa variación estacional si existe
un número s tal que x(t) = x(t + k*s).
Las principales fuerzas que causan una variación estacional son las condiciones del
tiempo, como por ejemplo:
1) en invierno las ventas de helado
2) en verano la venta de lana
3) exportación de fruta en marzo.
D) Determinar 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 cíclicas.
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) componente estacional
A(t) componente aleatoria (accidental)

Elaboró: Juan Cortés Página 4 de 6

 UNIDAD 2. SERIES DE TIEMPO

2.3. ANÁLISIS DE TENDENCIA

Aunque los datos de serie de tiempo presentan, por lo general, fluctuaciones aleatorias, esta
serie puede mostrar también desplazamientos o movimientos graduales hacia valores
relativamente mayores o menores a lo largo de un lapso importante de tiempo. El
desplazamiento gradual de la serie de tiempo se llama tendencia de esa serie; este
desplazamiento o tendencia es, por lo común, el resultado de factores a largo plazo, como
cambios en la población, características demográficas de la misma, la tecnología y/o las
preferencias del consumidor.
Si al graficar nuestros datos observamos de manera clara la tendencia lineal a largo plazo (no
importando si es positiva o negativa), entonces estaremos en la posición de pronosticar con
un buen nivel de confianza.
Por ejemplo, un fabricante de bicicletas podría detectar cierta variabilidad, de año a año,
en la cantidad de bicicletas vendidas. Sin embargo, al revisar las ventas durante los
últimos 10 años, puede encontrar que hay un aumento gradual en el volumen anual de
ventas. Suponga que sus ventas fueron:

Este crecimiento anual de las ventas a través del tiempo muestra una tendencia
creciente de la serie de tiempo. La figura 5.4 presenta una recta que puede ser una buena
aproximación a la tendencia de las ventas de bicicletas. Aunque esa tendencia parece
ser lineal y aumentar con el tiempo a veces, en una serie de tiempo, la tendencia se
puede describir mejor mediante otros patrones.

2.4. ANÁLISIS DE VARIACIONES CÍCLICAS

Aunque una serie de tiempo puede presentar una tendencia a través de periodos grandes, sus
valores no caerán con exactitud sobre la línea de tendencia. De hecho, con frecuencia estas
series temporales presentan secuencias alternas de puntos abajo y arriba de la línea de
tendencia. Toda secuencia recurrente de puntos arriba y debajo de la línea de tendencia, que
dura más de un año, se puede atribuir a un componente cíclico de la serie.

Elaboró: Juan Cortés Página 5 de 6

 UNIDAD 2. SERIES DE TIEMPO

En la siguiente grafica se representa una serie de tiempo con un componente cíclico

obvio. Las observaciones se hicieron con intervalos de un año.

Muchas series se tiempo presentan comportamiento cíclico con tramos regulares de

observaciones abajo y arriba de la línea de tendencia. En general, este comportamiento de la
serie se debe a movimientos cíclicos de la economía a través de varios años.
CONCLUSIONES
Como futuros ingenieros nos encontraremos con información dada en intervalos
regulares de tiempo, pudiendo ser la producción anual en la planta, el PIB del país, paros
en las líneas de producción hora a hora.
Estos datos poseen componentes, el componente de tendencia, el componente cíclico,
el componente estacional, componente aleatorio, todos estos componentes los
debemos encontrar, analizar y estimar de una manera correcta, ya que la misma serie
de datos puede tener significados diferentes viéndolo acorde a cada componente.
El componente de tendencia siempre lo observaremos a largo plazo, es imposible
encontrarlo en una serie de tiempo que no sea mayor a un año, de preferencia varios
años. El componente cíclico es la fluctuación en forma de onda alrededor de la
tendencia, se caracterizan por que su duración es irregular, es decir los ciclos no
siempre van a durar el mismo tiempo, en ocasiones son más prolongados, en ocasiones
más cortos. El componente estacional, está caracterizado porque representa un patrón
que se repite año con año, pudiendo ser el clima, el precio de ciertos alimentos, precio
de útiles escolares, las ventas en diciembre, etc. El componente aleatorio es la
variabilidad de los datos después de haber eliminado los otros componentes, entonces
son factores que no corresponden a la tendencia, ni a la estacionalidad, ni a los ciclos
de la variable, pudiendo ser provocados por desastres naturales, guerras.

Bibliografía
González, R. J. (2012). Estadística Inferencial II. Ensenada: Instituto Tecnológico de Ensenada.

Elaboró: Juan Cortés Página 6 de 6