UNIVERSIDAD DE GUALARAJARA

ECONOMA II (MACROECONOMA)

TAREA # 1:
COEFICIENTE DE PEARSON Y SERIES DE TIEMPO

PROFESOR: CABELLO AYALA, ARTURO

ALUMNO: LOPZ CORTS EDGAR
 INTRODUCCIN
En este trabajo se desarrollaran anlisis de lo que es una serie de tiempo y su
comportamiento con las variables el cmo esta herramienta se puede emplear para
poder prever diversos factores que se pueden considerar en el futuro cercano,
suponiendo que las condiciones no variarn.
As como tambin conceptos de los pronsticos que se puedan realizar en base al
anlisis de los resultados de los datos y que pueden servir para la creacin de nuevos
planes para inversiones previniendo cualquier situacin, las formas en que se
grafican y se obtienen los datos, la clasificacin de las series de tiempo, identificar
la tendencia, la estacionalidad, las variaciones irregulares, pronosticar los
movimientos futuros as como otros aspectos que estn sincronizados
El analizar cmo se recopilan, observan o registran en intervalos de tiempo
regulares (diario, semanal, semestral, anual, entre otros).
As como se abordar el tema de coeficientes de correlacin de Pearson como
medidas que nos indican la situacin relativa de dos variables y el grado de relacin
entre las 2 variables y cmo se relacionan, sus propiedades como la escala en las
cuales se puede medir y los valores que nos resultan al analizar los resultados, los
grados de correlacin, el cmo se realiza el proceso para su clculo y su anlisis.
 Qu es una serie de tiempo?

Una serie de tiempo es una lista de fechas, cada una de las cuales se asocia a un valor (un
nmero). Las series de tiempo son un modo estructurado de representar datos.
Visualmente, es una curva que evoluciona a lo largo del tiempo.
Una serie de tiempo es una secuencia o conjunto de valores observados durante una serie
de perodos temporales secuencialmente ordenada, tales perodos pueden ser semanales,
mensuales, trimestrales o anuales.
Se representa por medio de una grfica de lneas sobre cuyo eje horizontal se representan
los perodos y en cuyo eje vertical se representan los valores de la serie de tiempo. Por
ejemplo:

Las tasas mensuales de desempleo durante los cinco aos previos

La produccin diaria en una planta de manufactura durante un mes
La poblacin dcada por dcada de un estado en el siglo anterior

Ejemplos Grficos de Series de Tiempo

 Aplicaciones de las series tiempo.
Por ejemplo en el sector minorista o en el de manufactura, las series de tiempo son
importantes porque son las representaciones ms cannicas del flujo de artculos vendido o
producido. La representacin de datos comerciales como series de tiempo generalmente
ayuda a los encargados a visualizar la actividad de sus comercios.

El anlisis
El primer paso para analizar una serie de tiempo es graficarla, esto permite: identificar la
tendencia, la estacionalidad, las variaciones irregulares. Un modelo clsico para una serie
de tiempo, puede ser expresada como suma o producto de tres componentes: tendencia
estacional y un trmino de error aleatorio.

Componentes de una serie de tiempo

El mtodo clsico identifica cuatro influencias o componentes:
Tendencia (T)
Fluctuaciones cclicas (C)
Variaciones estacionales (E)
Variaciones irregulares (I)
Los cuales tienen una relacin multiplicativa que dan forma al modelo clsico de series de
tiempo, es decir, para cualquier perodo designado en la serie de tiempo, el valor de la
variable est determinado por los cuatro componentes en la siguiente forma:

Y=TxCxExI

Tendencia
La tendencia a largo plazo de una serie de aumentar o disminuir (tendencia creciente
o tendencia decreciente).
Estacionalidad
La fluctuacin peridica en las series de tiempo dentro de un perodo determinado.
Estas fluctuaciones forman un patrn que tiende a repetirse de un perodo estacional
al siguiente.
Ciclos
Largas desviaciones de la tendencia debido a factores diferentes de la
estacionalidad. Los ciclos por lo general se producen durante un intervalo de tiempo
extenso, y los tiempos que transcurren entre los picos o valles sucesivos de un ciclo
no necesariamente son iguales.

Movimiento irregular
El movimiento que queda despus de explicar los movimientos de tendencia,
estacionales y cclicos; ruido aleatorio o error en una serie de tiempo.
CUADRO COMPARATIVO
 Pronstico de series de tiempo
El pronstico de las series de tiempo significa que extendemos los valores histricos al
futuro, donde an no hay mediciones disponibles. El pronstico se realiza generalmente
para optimizar reas como los niveles de inventario, la capacidad de produccin o los
niveles de personal.
Existen dos variables estructurales principales que definen un pronstico de serie de
tiempo:

El perodo, que representa el nivel de agregacin. Los perodos ms comunes son meses,
semanas y das en la cadena de suministro (para la optimizacin del inventario). Los
centros de atencin telefnica utilizan perodos de cuartos de hora (para la optimizacin del
personal).
El horizonte, que representa la cantidad de perodos por adelantado que deben ser
pronosticados. En la cadena de suministro, el horizonte es generalmente igual o mayor que
el tiempo de entrega.

Tendencia de una serie

Tendencia lineal

Como se dijo antes, la tendencia de una serie viene dada por el movimiento general a largo
plazo de la serie. La tendencia a largo plazo de muchas series de negocios (industriales y
comerciales), como ventas, exportaciones y produccin, con frecuencia se aproxima a una
lnea recta. Esta lnea de tendencia muestra que algo aumenta o disminuye a un ritmo
constante. El mtodo que se utiliza para obtener la lnea recta de mejor ajuste es el Mtodo
de Mnimos Cuadrados.
Tendencia no lineal

Cuando la serie de tiempo presenta un comportamiento curvilneo se dice que este

comportamiento es no lineal. Dentro de las tendencias no lineales que pueden presentarse
en una serie se encuentran, la polinomial, logartmica, exponencial y potencial, entre otras.

Mtodos de Suavizamiento de la Serie

Promedio mvil

Un promedio mvil se construye sustituyendo cada valor de una serie por la media
obtenida con esa observacin y algunos de los valores inmediatamente anteriores y
posteriores. Se mostrar este mtodo con los siguientes ejemplos:
Los promedios mviles tambin se pueden construir tomando en cuenta valores adyacentes
de las observaciones.

Promedios mviles ponderados

Para mostrar el uso de ste mtodo, se utilizar la primera parte del ejemplo anterior de la
venta de gasolina. El mtodo consiste en asignar un factor de ponderacin distinto para
cada dato. Generalmente, a la observacin o dato ms reciente a partir del que se quiere
hacer el pronstico, se le asigna el mayor peso, y este peso disminuye en los valores de
datos ms antiguos.

Suavizamiento exponencial
El suavizamiento exponencial emplea un promedio ponderado de la serie de tiempo pasada
como pronstico; es un caso especial del mtodo de promedios mviles ponderados en el
cual slo se selecciona un peso o factor de ponderacin: el de la observacin ms reciente.

BIBLIOGRAFA:
 https://www.lokad.com/es/que-es-el-pronostico-de-series-de-tiempo
http://ciberconta.unizar.es/leccion/seriest/100.htm
http://support.minitab.com/es-mx/minitab/17/topic-library/modeling-statistics/time-
series/basics/time-series-analyses-in-minitab/
http://support.minitab.com/es-mx/minitab/17/topic-library/modeling-statistics/time-
series/basics/what-is-a-time-series/

Coeficiente de correlacin de Pearson

Es el ndice numrico y estadstico que mide la relacin lineal entre dos variables
cuantitativas. A diferencia de la covarianza, la correlacin de Pearson es independiente de
la escala de medida de las variables. El clculo del coeficiente de correlacin lineal se
realiza dividiendo la covarianza por el producto de las desviaciones estndar de ambas
variables: r = Sxy Sx.Sy

El coeficiente de correlacin es una medida de asociacin entre dos variables y se simboliza

con la literal r.

Los valores de la correlacin van de + 1 a - 1, pasando por el cero, el cual corresponde a

ausencia de correlacin. Los primeros dan a entender que existe una correlacin
directamente proporcional e inversamente proporcional, respectivamente.

De lo anterior referimos que:

+1 -1 = Correlacin perfecta.

0.95 = Correlacin fuerte.

80% = Correlacin significativa.

70% = Correlacin moderada.

50% = Existe una relacin parcial.

Las 3 grficas en coordenadas cartesianas posteriores, se muestra la variable independiente

(X) se ubica en las abscisas y la dependiente (Y) en el eje de las ordenadas. Los
coeficientes de correlacin significan esa asociacin entre los cambios que se observan en
la variable dependiente con respecto a la variable independiente.

La grfica (a) representa una correlacin positiva, es decir, conforme los valores de X
aumentan, tambin aumentan los valores de Y. A su vez, la grfica (b) muestra una
correlacin negativa, de modo que al incrementarse los valores de la variable
independiente, los valores de la dependiente disminuyen. La grfica (c) no indica
correlacin.

El coeficiente de correlacin lineal de Pearson se define matemticamente con la ecuacin

siguiente:

Donde:
r = coeficiente de correlacin de Pearson.
Sxy = sumatoria de los productos de ambas variables.
Sx = sumatoria de los valores de la variable independiente.
Sy = sumatoria de los valores de la variable dependiente.
Sx2 = sumatoria de los valores al cuadrado de la variable independiente.
Sy2 = sumatoria de los valores al cuadrado de la variable dependiente.
N = tamao de la muestra en funcin de parejas.

Este procedimiento estadstico es aplicable cuando las observaciones se miden segn una
escala de intervalo, por otra parte, el fenmeno debe ser lineal.

Al igual que las otras pruebas paramtricas, la varianza de las variables X y Y deben
guardar homogeneidad.

Pasos.

1. Ordenar los valores de la variable dependiente (Y) con respecto a los valores de la
variable independiente (X).

2. Elevar al cuadrado cada valor X y de Y.

 3. Obtener los productos de X y Y, para lo cual se deben multiplicar
independientemente ambos valores.

4. Efectuar las sumatorias Sx, Sy, Sx2, Sy2, y Sxy.

5. Calcular el tamao de la muestra en funcin de parejas de X y Y.

6. Aplicar la ecuacin.

7. Calcular los grados de libertad (gl): gl = N parejas -1.

8. Comparar el valor de r calculado en la tabla de valores crticos de t de Kendall en

funcin de la probabilidad.

9. Decidir si se acepta o rechaza la hiptesis.

El coeficiente de Pearson (tambin llamado coeficiente de correlacin del producto-

momento), se representa con el smbolo r y proporciona una medida numrica de la
correlacin entre dos variables.

El coeficiente de correlacin de Pearson (r) se mide en una escala de 0 a 1, tanto en

direccin positiva como negativa. Un valor de 0 indica que no hay relacin lineal
entre las variables. Un valor de 1 o 1 indica, respectivamente, una correlacin
positiva perfecta o negativa perfecta entre dos variables. Normalmente, el valor de
se ubicar en alguna parte entre 0 y 1 o entre 0 y 1.

En las ciencias sociales en general y en educacin en particular, donde la mayora

de las variables son simultneamente afectadas por una gran multitud factores, una
correlacin positiva de 0,7 o una correlacin negativa de 0,7 se consideran muy
fuerte.

Coeficiente de Pearson de correlacin.

Valor del Grado de Correlacin

Coeficiente de Pearson entre las Variables
r=0 Ninguna correlacin

r=1 Correlacin positiva perfecta

0<r<1 Correlacin positiva

r = -1 Correlacin negativa perfecta

 -1 < r < 0 Correlacin negativa

Los signos positivos y negativos indican si el valor de una variable aumenta o

disminuye, respectivamente, con el aumento en el valor de la otra variable. Cuando
los aumentos (disminuciones) de una variable producen aumentos (disminuciones)
en la otra, la relacin es positiva. Es negativa cuando los aumentos (disminuciones)
de una variable producen disminuciones (aumentos) en la otra.

Permite predecir el valor de una variable dado un valor determinado de la otra

variable. Se trata de valorar la asociacin entre dos variables cuantitativas
estudiando el mtodo conocido como correlacin. Dicho clculo es el primer paso
para determinar la relacin entre las variables. Si r = 0 se dice que las variables
estn incorrelacionadas: no puede establecerse ningn sentido de covariacin. Si
dos variables son independiente estarn incorrelacionadas aunque el resultado
recproco no es necesariamente cierto

Si r > 0 Hay correlacin positiva: las dos variables se correlacionan en sentido

directo. A valores altos de una le corresponden valores altos de la otra e igualmente
con los valores bajos. Cunto ms prximo a +1 est el coeficiente de correlacin
ms patente ser esta covariacin.

Si r < 0 Hay correlacin negativa: las dos variables se correlacionan en sentido

inverso. A valores altos de una de ellas le suelen corresponder valor bajos de la otra
y viceversa. Cunto ms prximo a -1 est el coeficiente de correlacin ms patente
ser esta covariacin extrema.

PROPIEDADES

1. El coeficiente de correlacin no vara al hacerlo la escala de

medicin. Es decir, si expresamos la altura en metros o en centmetros
el coeficiente de correlacin no vara.

2. El signo del coeficiente de correlacin es el mismo que el de

la covarianza. Si la covarianza es positiva, la correlacin es directa.
Si la covarianza es negativa, la correlacin es inversa. Si la covarianza
es nula, no existe correlacin.

3. El coeficiente de correlacin lineal es un nmero real comprendido

entre 1 y 1.
 1 r 1

4. Si el coeficiente de correlacin lineal toma valores cercanos a 1

la correlacin es fuerte e inversa, y ser tanto ms fuerte cuanto ms
se aproxime r a 1.

5. Si el coeficiente de correlacin lineal toma valores cercanos a 1 la

correlacin es fuerte y directa, y ser tanto ms fuerte cuanto ms se
aproxime r a 1.

6. Si el coeficiente de correlacin lineal toma valores cercanos a 0, la

correlacin es dbil.

7. Si r = 1 1, los puntos de la nube estn sobre la recta creciente o

decreciente. Entre ambas variables hay dependencia funcional .

PASOS PARA EL CLCULO

Halamos la media aritmtica.

Calculamos la covarianza. Calculamos la desviacin tpica.

Aplicamos la frmula del coeficiente de correlacin lineal.

BIBLIOGRAFA:
http://es.slideshare.net/magdiony_barcenas1979/coeficientes-de-correlacin-de-pearson-y-
de-spermanxposicion

https://cdn.faroempresarial.com/special/courses/tecmx/curso-basico-de-
estadistica/estadistica_2/html/m14/coef_pearson.htm

http://www.eumed.net/cursecon/dic/oc/pearson.htm

http://www.vitutor.com/estadistica/bi/coeficiente_correlacion.html

http://www.uv.es/webgid/Descriptiva/31_coeficiente_de_pearson.html

CONCLUSIN:
Estas dos mtodos son herramientas muy tiles y de gran importancia para la obtencin de
datos e informacin que nos ayuda a tomar decisiones y prevenir situaciones futuras
De esta forma analizar la informacin y los valores observados tanto en las series de tiempo
como en el proceso de obtencin de informacin en el mtodo de Pearson para que una vez
identificados estos factores ayuden a la interpretacin de valores histricos en una unidad
de tiempo segn se requiera. Estas herramientas son de gran ayuda para resolver
problemas econmicos y situaciones en las cuales se necesita tomar decisiones a partir de
resultados obtenidos, los cuales nos indicaran patrones de inicio, altas y bajas valores
mximos a partir de grficas.