1

INGENIERIA INDUSTRIAL

Escuela:

Instituto Tecnolgico Superior de San Martin Texmelucan.


Profesora:
Alejandro Hernndez Hernndez


Alumno:
Luis Alberto Velzquez Lpez



Materia:
Estadstica Inferencial


Tema:
Reporte ejecutivo.



Fecha: 20/05/14





2


Tabla de contenido



UNIDAD 5 SERIE DE TIEMPO............................................................................................................... 3
MODELO CLASICO DE SERIE DE TIEMPOS ....................................................................................... 3
ANALISIS DE FLUCTUACIONES ..................................................................................................... 5
ANALISIS DE TENDENCIA .................................................................................................................... 5
ANALISIS DE VARIACIONES CICLICAS ............................................................................................... 6
MEDICION DE VARIACIONES ESTACIONALES E IRREGULARES .................................................... 6
APLICACIN DE AJUSTES ESTACIONALES..8
PRONOSTICOS BASADOS EN FACTORES DE TENDENCIA Y ESTACIONALES....10


3


UNIDAD 5: Series De Tiempo
5.1 Modelo clsico de series de tiempo

Introduccin
Una serie de tiempo es un conjunto de valores observados, como datos de
produccin o ventas, durante una serie de periodos temporales secuenciales
ordenada.
Objetivo
El objetivo principal de este reporte es analizar la serie de tiempo en sus diferentes
estructuras.
Desarrollo
Ejemplo: de estos datos son las ventas de un producto en particular durante una
serie de meses y el nmero de trabajadores empleados en una industria en
particular durante una serie de anos. Una serie de tiempo se representa
grficamente por medio de una grafica de lneas, sobre cuyo eje horizontal se
representan los periodos y en cuyo eje vertical de representan los valores de la
serie de tiempo.
El anlisis de series de tiempo es el procedimiento por el cual se identifican y
aslan los factores relacionados con el tiempo que influyen en los valores
observados en las series de tiempo. Una vez identificados, estos factores pueden
contribuir a la interpretacin de valores histricos de series de tiempo y a
pronosticar valores futuros de series de tiempo. El mtodo clsico para el anlisis
de serie de tiempo identifica cuatro de estas influencias o componentes.
Tendencia (T): el movimiento general a largo plazo de los de la serie de tiempo (Y)
sobre un extenso periodo de anos.
Fluctuaciones cclicas : movimientos ascendentes y descendentes recurrentes
respecto de la tendencia con una duracin de varios anos.
Variaciones estacinales (E): movimientos ascendentes y descendentes respecto
de la tendencia que se consuman en el trmino de un ano y se repiten
anualmente. Estas variaciones suelen identificarse con base en datos mensuales
o trimestrales.
4

Variaciones irregulares (I): las variaciones errticas respecto de la tendencia que
no pueden atribuirse a las influencias cclicas o estacinales.
Este modelo en que se apoya el anlisis clsico de serie de tiempo se basa en el
supuesto de que, el valor de la variable esta determinado por los cuatro
componentes tiene una relacin multiplicativa. As donde representa el valor de
serie de tiempo observado.
Y= T X C X E X I +

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) 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 se presenta, es modelar adecuadamente las componentes de la serie.

La figura 2.1 ilustra posibles patrones que podran seguir series representadas por
los modelos (1), (2) y (3).

5


Figura 2.1

ESTIMACIN DE LA TENDENCIA

Supondremos aqu que la componente estacional E(t) no est presente y que el
modelo aditivo es adecuado, esto es:

X(t) = T(t) + A(t), donde A(t) es ruido blanco.

Hay varios mtodos para estimar T(t). Los ms utilizados consisten en:

1) Ajustar una funcin del tiempo, como un polinomio, una exponencial u otra
funcin suave de t.
2) Suavizar (o filtrar) los valores de la serie.
3) Utilizar diferencias.


5.2 Anlisis de fluctuaciones
Al realizar censos, observamos que el tamao de las poblaciones de un
ecosistema vara de ao en ao, aunque generalmente sin apartarse de un valor
medio.
En algunas ocasiones, las grandes variaciones se deben a varios factores del
biotopo, que pueden ser fsicos y qumicos:
Factores fsicos son la temperatura del suelo, la presin del agua y la humedad
atmosfrica
Factores qumicos son la concentracin de nitrgeno en el suelo, de oxgeno en el
agua y de dixido de carbono en la atmsfera.


5.3. Anlisis de tendencia

En ingls trend analysis. Es aquel que se utiliza estadsticamente, observando
datos histricos de varios aos, con el fin de determinar patrones significativos.
Anlisis de tendencias:
El anlisis de razones financieras representan dos tipos de anlisis. Primero, en
analista puede comparar una razn actual con razones pasadas y otras que se
6

esperan para el futuro de la misma empresa. La razn del circulante (activos
circulantes contra los pasivos circulantes) para fines del ao actual se podra
comparar con la razn de activos circulante a fines del ao anterior. Cuando la
razones financieras se presentan en una hoja de trabajo para un perodo de aos,
el analista puede estudiar la composicin del cambio y determinar si ha habido una
mejora o un deterioro en la situacin financiera y el desempeo de la empresa con
el transcurso del tiempo. Tambin se pueden calcular razones financieras para
estados proyectados o pro forma y compararlos con razones actuales y pasadas.
En las comparaciones en el tiempo, es mejor comparar no slo las razones
financieras sino tambin las cantidades brutas.

5.4. Anlisis de variaciones cclicas
Es la segunda componente de un serie de Tiempo es la Variacin Cclica; ascenso
y descenso de una serie de Tiempo en periodos mayores de un ao.
El componente cclico es la fluctuacin en forma de onda alrededor de la
tendencia, afecta por lo regular por las condiciones econmicas generales. Los
patrones cclicos tienden a repetirse en los datos aproximadamente cada dos tres
o ms aos. Es comn que las fluctuaciones cclicas estn influidas por cambios
de expansin y contraccin econmicas, a los que comnmente se hace
referencia como el ciclo de los negocios.

5.5. Medicin de variaciones estacionales e irregulares
Se refieren a las fluctuaciones peridicas que se observan en series de tiempo
cuya frecuencia es menor a un ao (trimestral, mensual, diaria, etc.),
aproximadamente en las mismas fechas y casi con la misma intensidad. Por
ejemplo, el mayor monto de recaudacin del Impuesto a la Renta se observa en el
mes de marzo de todos los aos o la mayor brecha entre el tipo de cambio de
compra y venta se produce los das viernes dcada semana o la mayor cotizacin
de los ttulos que se mueven en la Bolsa de Valores de Lima se observa
diariamente entre las 11 a.m. y 12 m.
Las variaciones estacionales, como veremos, responden fundamentalmente a
factores relacionados al clima, lo institucional o las expectativas y no a factores de
tipo econmico. En el Grfico no se observa ningn movimiento estacional, puesto
que se trata de una serie anual.
Las principales fuerzas que causan una variacin estacional son las condiciones
del tiempo, como por ejemplo:
1) En invierno las ventas de helado
7

2) En verano la venta de lana
3) Exportacin de fruta en marzo.

Estacionales: La influencia del componente estacional sobre los valores de series
de tiempo se identifica determinando el nmero ndice estacional asociado con
cada mes (o trimestre) del ao.
La media aritmtica de los 12 nmeros ndice mensuales (o de los cuatro nmeros
ndice trimestrales) es 100.
La identificacin de influencias estacionales positivas y negativas, es importante
para la planeacin de produccin e inventario.

1. Es una fluctuacin peridica de la serie temporal, de periodo fijo no superior
al ao, debida a la influencia de fenmenos sociolgicos y econmicos
ntimamente correlacionados con las variaciones de las variables causales
que evolucionan a lo largo del ao.
2. Generalmente, la variacin estacional se determina en forma de nmeros
ndices que ponen de manifiesto el porcentaje (sobre la media anual o el
total anual) de aumento o disminucin de las ventas, debido al hecho de
estar en una determinada poca o sub-periodo interanual.
3. El periodo interanual puede coincidir con un trimestre, una estacin
climtica, un mes, un bimestre, un trimestre, una semana, una quincena o
cualquiera otra combinacin posible, siempre y cuando el marco de
referencia divisorio sea uniforme en su tamao temporal e inferior al ao.
4. Los mtodos para el clculo de estos ndices dependen de la relacin
existente entre las componentes temporales de la serie, aditiva o
multiplicativa, que se considere para analizar la serie.

Descomposicin de la serie


5. En el anlisis esttico de las series temporales o cronolgicas se considera
que los valores de las ventas son consecuencia de la interaccin de cuatro
componentes:

Tendencia secular (TS), Variacin estacional (VE), Influencia cclica (IC) y
Aleatoriedad
(CA).

6. Mientras la Tendencia secular puede considerarse como la medicin del
cambio promedio de la serie por ao, la Influencia cclica refleja el efecto de
las expansiones y contracciones econmicas sobre las ventas a largo
plazo, y la componente aleatoria constituye la expresin de las
fluctuaciones causadas por factores indeterminados.
8


Relacin multiplicativa

7. Considera que los valores de las ventas son consecuencia del producto de
las componentes:

V = f (t) = TS x VE x IC x CA

8. Si suponemos que estamos analizamos en el corto plazo (periodo
interanual) el efecto de la Influencia cclica es nulo, ello quiere decir que
IC = 1, por lo que podremos expresar que:

V / TS = VE x CA

9. Y en consecuencia, calculando sus esperanzas matemticas, concluir que:

E [ VE ] = E [ V/TS ]

10. Para la elaboracin de un mtodo de clculo, deberemos suponer que
partimos del conocimiento de una serie temporal de ventas en la que las
observaciones ( Vij ) nos vienen dadas desagregadas, no solo por el
numero de aos observados ( n ), si no por el numero de periodos que se
obtiene de multiplicar los aos observados por el numero de subperiodos
( h ) que se han considerado (y observados) como referencia temporal
inferior al ao ( donde 1<i<n+1 ; 1<j<h+1 ) .
Variacin irregular
El componente aleatorio mide la variabilidad de las series de tiempo despus de
que se retiran los otros componentes. Contabiliza la variabilidad aleatoria en una
serie de tiempo ocasionada por factores imprevistos y no ocurrentes. La mayora
de los componentes irregulares se conforman de variabilidad aleatoria. Sin
embargo ciertos sucesos a veces impredecibles como huelgas, cambios de clima
(sequas, inundaciones o terremotos), elecciones, conflictos armados o la
aprobacin de asuntos legislativos, pueden causar irregularidad en una variable.

5.6. Aplicacin de ajustes estacionales
Es un conjunto de ndices estacinales tpicos es muy til para ajustar las series
de venta, por ejemplo, respecto a fluctuaciones estacinales. La serie de
resultante se llama ventas desestacionalizadas o ventas ajustadas
estacionalmente.
La razn para desestacionalizar las series de ventas es similar las fluctuaciones
estacinales a fin de estudiar la tendencia y el ciclo. Para ilustrar el procedimiento,
los totales trimestrales de ventas de la empresa.
9

Ao Trimestre (1) Ventas (2) ndice estacional (3) Ventas desestacionalidas 1996
Invierno 6.7 0.765 8.76
Primavera 4.6 0.575 8.00
Verano 10.0 1.141 8.76
Otoo 12.7 1.1519 8.36
1997 Invierno 6.5 0.765 8.50
Primavera 4.6 0.575 8.00
Verano 9.8 1.141 8.59
Otoo 13.6 1.519 8.95
1998 Invierno 6.9 0.765 9.02
Primavera 5.0 0.575 8.70
Verano 10.4 1.141 9.11
Otoo 14.1 1.519 9.28
1999 Invierno 7.0 0.765 9.15
Primavera 5.5 0.575 9.57
Verano 10.8 1.141 9.46
Otoo 15.0 1.1519 9.88
2000 Invierno 7.1 0.765 9.28
Primavera 5.7 0.575 9.92
Verano 11.1 1.141 9.72
Otoo 14.5 1.1519 9.55
2001 Invierno 8.0 0.765 10.46
Primavera 6.2 0.575 10.79
Verano 11.4 1.141 9.99
Otoo 14.9 1.519 9.81
A fin de eliminar el efecto de la variacin estacional, la cantidad estacional, la
cantidad de ventas para cada trimestre (que contiene efectos de tendencia,
cclicos, irregulares y estacinales) se divide entre el ndice estacional de ese
trimestre; esto es, TSCI/S.
Ejemplo
Las ventas reales para el primer trimestre de 1996 fueron 6.7 millones de dlares,
el ndice estacional par el trimestre de invierno es 76.5 el ndice 76.5 indica que las
ventas en el primer trimestre normalmente se encuentran 23.5% abajo del
promedio de un trimestre normal. Dividiendo las ventas reales $6.7 millones entre
76.5 y multiplicando el resultado por 100 se encuentra el valor de las ventas
desestacionalizadas del primer trimestre de 1996. El valor es $8758170 que se
obtuvo de ($6700000/76.5)100.
Este proceso se repite con los dems trimestres en la columna 3 de la tabla 19.10
y los resultados se dan en millones de dlares. Puesto que la componente
estacionalizadas contiene solo las componentes de tendencia (T), ciclo e
irregular (I). Al revisar las ventas desestacionalizadas. Es claro que la eliminacin
10

del factor estacional permite considerar la tendencia general a largo plazo de las
ventas. Tambin se podr determinar la ecuacin de regresin de los datos de
tendencia y usarla para pronosticar ventas futuras.


5.7. Pronsticos basados en factores de tendencia y estacionales.

Una consideracin particularmente importante en los pronsticos a largo plazo, es
el componente cclico de las series de tiempo.
METODOS PARA PRONOSTICOS A CORTO PLAZO:








CONCLUSION
Al concluir esta actividad he podido comprender como es que en estadstica se
trabaja con la serie de tiempos y no es otra cosa ms que una serie de tiempo o serie
temporal es una coleccin de observaciones tomadas a lo largo del tiempo cuyo
objetivo principal es describir, explicar, predecir y controlar algn proceso. Las
observaciones estn ordenadas respecto al tiempo y sucesivas observaciones son
generalmente dependientes. De hecho esta dependencia entre las observaciones
jugar un papel importante en el anlisis de la serie.
BILIOGRAFIAS
http://maxsilva.bligoo.com/content/view/186499/Series-de-Tiempo.html
http://www.eduardobuesa.es/Tema08.pdf
http://docentesinnovadores.net/Archivos/5863/SERIES%20DE%20TIEMPO%2
0EMPLEANDO%20EXCEL%20Y%20GRAPH.pdf


1. Desestacionalizar el valor
observado ms reciente y
2. Multiplicarlo por el ndice
estacional del periodo de
pronstico. (la diferencia
entre los dos periodos ser la
atribuible a la influencia
estacional).
1. Emplear el valor de
tendencia proyectado como
base del pronstico.
2. Ajustarlo respecto del
componente estacional.