Universidad de oriente

Ncleo bolvar
Escuela de ciencias de la tierra
Departamento de ciencias industriales

Profesor
Mariel Mora

Realizado por:
Rafael Diaz C.I:22.580.148

Ciudad Bolvar, 7 de julio de 2014

Introduccin
Los pronsticos o predicciones, son una herramienta esencial en cualquier
proceso de toma de decisiones. Sus aplicaciones varan desde la determinacin
de los requerimientos de inventarios de una pequea zapatera hasta la
estimacin de ventas anuales de un video juego. La calidad de los pronsticos que
los administradores e ingenieros industriales pueden realizar est estrechamente
relacionada con la informacin que puede extraerse y utilizase a partir de los
datos histricos. El anlisis de serie de tiempo es un mtodo cuantitativo que se
usa para determinar patrones de datos recolectados a travs del tiempo.

Las series de tiempo se dividirn en cuatro variaciones, estas son, la tendencia

secular, fluctuacin cclica, la variacin estacional y la variacin irregular

Serie de tiempo
Una serie temporal o cronolgica es una secuencia de datos, observaciones o
valores, medidos en determinados momentos y ordenados cronolgicamente. Los
datos pueden estar espaciados a intervalos iguales (como la temperatura en un
observatorio meteorolgico en das sucesivos al medioda) o desiguales (como el
peso de una persona en sucesivas mediciones en el consultorio mdico, la
farmacia, etc.). Para el anlisis de las series temporales se usan mtodos que
ayudan a interpretarlas y que permiten extraer informacin representativa sobre
las relaciones subyacentes entre los datos de la serie o de diversas series y que
permiten en diferente medida y con distinta confianza extrapolar o interpolar los
datos y as predecir el comportamiento de la serie en momentos no observados,
sean en el futuro (extrapolacin pronostica), en el pasado (extrapolacin
retrgrada) o en momentos intermedios (interpolacin)..
Uno de los usos ms habituales de las series de datos temporales es su anlisis
para prediccin y pronstico (as se hace por ejemplo con los datos climticos, las
acciones de bolsa, o las series de datos demogrficos). Resulta difcil imaginar
una rama de las ciencias en la que no aparezcan datos que puedan ser
considerados como series temporales. Las series temporales se estudian en
estadstica, procesamiento de seales, econometra y muchas otras reas.

Componentes de una serie de tiempo

El anlisis ms clsico de las series temporales se basa en la suposicin de que
los valores que toma la variable de observacin es la consecuencia de cuatro
componentes, cuya actuacin conjunta da como resultado los valores medidos,
estos componentes son:
Tendencia secular o regular, indica la marcha general y persistente del fenmeno
observado, es una componente de la serie que refleja la evolucin a largo plazo.
Por ejemplo, la tendencia creciente del ndice de reciclado de basuras en los
pases desarrollados, o el uso creciente de Internet en la sociedad,
independientemente de que en un mes concreto en un pas, por determinadas
causas, haya una baja en la utilizacin de Internet.
Variacin estacional o Variacin cclica regular. Es el movimiento peridico de
corto plazo. Se trata de una componente causal debida a la influencia de ciertos
fenmenos que se repiten de manera peridica en un ao (las estaciones), una
semana (los fines de semana) o un da (las horas puntas) o cualquier otro periodo.
Recoge las oscilaciones que se producen en esos perodos de repeticin.

Variacin cclica o Variacin cclica irregular. Es el componente de la serie que

recoge las oscilaciones peridicas de amplitud superior a un ao. Movimientos
normalmente irregulares alrededor de la tendencia, en las que a diferencia de las
variaciones estacionales, tiene un perodo y amplitud variables, pudiendo
clasificarse como cclicos, cuasi cclicos o recurrentes.
Variacin aleatoria o ruido, accidental, de carcter errtico, tambin denominada
residuo, no muestran ninguna regularidad (salvo las regularidades estadsticas),
debidos a fenmenos de carcter ocasional como pueden ser tormentas,
terremotos, inundaciones, huelgas, guerras, avances tecnolgicos, etc.
Variacin Trasciende, accidental, de carcter errtico debidos a fenmenos
aislados que son capaces de modificar el comportamiento de la serie (tendencia,
estacionalidad variaciones cclicas y aleatoria).
Proyeccin lineal mediante serie de tiempo
Tcnica de proyeccin y ajuste de una variable Y (desconocida) a partir de una
variable conocida (X) que en este caso es el tiempo (variable independiente)
FORMULAS
Formula general:

Dnde:
a: intercepto
b: coeficiente parcial de regresin
Y: variable independiente (tiempo) X: variable dependiente
Clculo de los coeficientes parciales de regresin:

Clculo del coeficiente de determinacin- R2

Es una medida de resumen, nos dice que tan exactamente la lnea de regresin
muestra se ajusta a los datos. Es un valor positivo que oscila entre 0 y 1 (el tiempo
no tiene nada que ver con la variable en estudio)

EJEMPLO PRCTICO
Se tiene un destino turstico que durante los ltimos aos ha presentado la
siguiente cantidad de visitantes:
Ao

Turistas (miles)

1999

21.7

2000

27.2

2001

38.6

2002

54.1

2003

66.3

2004

74.7

2005

82.0

2006

94.4

2007

100.2

2008

107.2

El grfico nos permite apreciar que hay una clara tendencia lineal

El cuadro para trabajar la proyeccin es el siguiente:

X

XY

21.7

21.7

470.89

27.2

54.4

739.84

38.6

115.8

1489.96

54.1

216.4

16

2926.81

66.3

331.5

25

4395.69

74.7

448.2

36

5580.09

49

6724

82

574

94.4

755.2

64

8911.36

100.2

901.8

81

10040.04

10

107.2

1072

100

11491.84

55

666.4

4491

385

52770.52

Encontrando a y b (n=10)

Encontrando el valor de b:

La ecuacin de la recta es la siguiente:

Y = 11.5867 + 10.0097 x X
Si queremos proyectar las ventas para el perodo 11 tendramos:
Y = 11.5867 + 10.0097 x 11
Y = 121.69
El coeficiente de Determinacin R2, se obtiene de la siguiente manera :

La proyeccin muestra que la cantidad de turistas que acude al destino turstico

tiene una tendencia lineal pues las variable tiene un elevado coeficiente d
determinacin.

PROYECCION EXPONENCIAL
Es un mtodo de proyeccin apropiado en el caso de que la serie de tiempo
describe datos que crecen o decrecen en proporcin constante a lo largo del
tiempo. Ejemplo ventas de un producto, crecimiento de una poblacin o demanda,
propagacin de una enfermedad entre otros.
Su expresin matemtica es:

Esta modalidad depende de los valores de a y b :

Si b tiene un valor comprendido entre 0 y 1 entonces el valor de Y decrecer al
crecer X
Si b es mayor que 1, Y crecer con X .
El valor de a corresponde a la ordenada al origen
FORMULAS
Formula general:

Si se toman logaritmos a ambos miembros de la ecuacin se puede transformar

en una relacin lineal:
LogY = Log ( a . bX)
Dnde:
LogY = Log a + X Log b
a : intercepto
b : coeficiente parcial de regresin
Y: variable independiente (tiempo) X: variable dependiente
Clculo de los coeficientes parciales:

Ejemplo:
Se tienen los siguientes datos:

28.00

28.30

28.90

30.10

32.10

34.50

39.80

43.90

51.10

10

59.70

55

376.4

Vemos que la tendencia lineal slo cruza a los datos reales en dos puntos. Por
tanto usar la proyeccin lineal no va ser una buena decisin. En este caso vamos
a utilizar la proyeccin exponencial.
TABLA DE DATOS
X

Log Y

Log X

X.LogY

(LogY)

28.00

1.4472

0.0000

1.4472

2.0943

28.30

1.4518

0.3010

2.9036

2.1077

28.90

1.4609

0.4771

4.3827

2.1342

30.10

1.4786

0.6021

5.9143

16

2.1862

32.10

1.5065

0.6990

7.5325

25

2.2696

34.50

1.5378

0.7782

9.2269

36

2.3649

39.80

1.5999

0.8451

11.1992

49

2.5596

43.90

1.6425

0.9031

13.1397

64

2.6977

51.10

1.7084

0.9542

15.3758

81

2.9187

10

59.70

1.7760

1.0000

17.7597

100

3.1541

55

376.4

15.6095

6.5598

88.8816

385

24.4869

Reemplazando : ( n=10)

La ecuacin sera:
Y = 22.8552 x 1.0882X
La proyeccin para el perodo 11 sera:
Y = 22.8552 x1.088211
Y = 57.91
Ajuste de la tendencia
Con frecuencia se tiene una serie estadstica que tiene un patrn estacional, es
decir un conjunto de datos secundarios que se repiten con cierta frecuencia en
una serie de aos. Esto es frecuente por ejemplo en las cifras de negocios que
tienen temporadas en las que las ventas aumentan y disminuyen (ciclo de
negocios), como las ventas de tiles escolares, los productos veraniegos o las
temporadas en el negocio turstico.

Como ejemplo observamos la siguiente serie de datos:

Cmo se trabajan estos datos?

1 Se calculan los promedios de cada ao

2 Se obtienen los ndices desestacionalizados - ID

3 Se obtiene la demanda desestacionalizada - DD

La lnea de tendencia lineal se obtiene de la columna de demanda
desestacionalizada DD y obtenemos la siguiente ecuacin:
Y = 4.5424 + 0.2332 X
4 Se proyectan, con esta ecuacin, los datos del ao 4

5 Se ajusta la demanda proyectada usando los ndices desestacionalizados vistos

en el punto 2:

Estos seran los valores de la demanda estimados para el ao 4 y respetan la

tendencia histrica.

Conclusin
Las series de tiempo son herramientas que nos facilitan la interpretacin de datos
y nos permiten realizar un modelo matemtico para realizar predicciones y
proyecciones con relacin a unos datos previamente obtenidos en un tiempo
determinado generalmente no menor a un ao. Estas herramientas demuestran
ser de gran utilidad, adems de ser sumamente fciles de usar, permitindonos
saber que debemos de esperar para un periodo determinado con gran exactitud.

Bibliografa

Richard I., Levin,David S. (2004). Estadstica para administracin y economa,

PRENTICE HALL: USA

Webgrafa

http://es.wikipedia.org/wiki/Serie_temporal
http://www.ccee.edu.uy/ensenian/catectr/material/arima_I.pdf