Escolar Documentos
Profissional Documentos
Cultura Documentos
METODOLOGA DE ANLISIS
SERIES DE TIEMPO
ESTADSTICA INFERENCIAL
o Pruebas de hiptesis
o Anlisis de varianza
o Tablas de contingencia
CONTROL ESTADSTICO DE
PROCESOS
Pgina 1
2. TENDENCIA Y ESTACIONALIDAD
Tendencias: Si los datos muestran una tendencia, se pueden ajustar los datos con
algn tipo de curva o recta.
Por ejemplo:
Causar o provocar escandalo en lugares publicos o privados
QuadraticTrendModel
Yt = 6166.86 - 873.060* t + 69.4405* t* * 2
Variable
Actual
Fits
5500
AccuracyMeasures
MAPE
3.9
MAD
164.9
MSD
36852.8
Clave 2
5000
4500
4000
3500
3000
2003
2004
2005
2006
Year
2007
2008
2009
Pgina 2
FALTAS ADMINISTRATIVAS
LinearTrendModel
Yt = 1411.87 - 0.782418* t
1800
Variable
Actual
Fits
FALTAS ADMINISTR
1700
AccuracyMeasures
MAPE
8.3
MAD
115.1
MSD
20328.9
1600
1500
1400
1300
1200
1100
Month Ene
Year 2004
Mar
May
Jul
Sep
Nov
Ene
2005
4. MTODOS DE PRONSTICO
Los mtodos de series de tiempo incluyen mtodos de pronstico y de
suavizamiento simples, mtodos de anlisis de correlacin y mtodos de Box
Jenkins ARIMA.
4.1 MTODOS DE PRONSTICO Y SUAVIZAMIENTO SIMPLE:
Modelan componentes en una serie que normalmente son fciles de ver en una
serie de tiempo.
Cuando hay un patrn curvilneo de los datos, se usa un anlisis de tendencias
con un modelo cuadrtico.
Las instrucciones de Minitab son las siguientes:
Pgina 3
7000
6000
AccuracyMeasures
MAPE
12
MAD
340
MSD
142893
Clave 1
5000
4000
3000
2000
1000
2004
2005
2006
2007
2008
Year
2009
2010
2011
Mtodo de Descomposicin
Se usa para pronosticar cuando hay un componente de estacionalidad en la serie
de tiempo o si se quiere analizar la naturaleza de los componentes. Separa las
series de tiempo en componentes de tendencia lineal y estacionalidad as como el
error. Se puede usar componente de estacionalidad en modo aditivo o
multiplicativo con la tendencia.
Por ejemplo:
Se desea predecir la tasa de faltas administrativas durante 2006 a 2009. Como los
datos tienen una tendencia que se ajusta bien con un modelo de tendencia
cuadrtica y tiene un componente estacional se utilizan los residuos del ejemplo
del anlisis de tendencias para combinar el anlisis de tendencias y
descomposicin para pronosticar.
Pgina 4
FALTAS ADMINISTRATIVAS
MultiplicativeModel
1900
Variable
Actual
Fits
Trend
1800
FALTAS ADM
1700
AccuracyMeasures
MAPE
2.12
MAD
30.87
MSD
5551.93
1600
1500
1400
1300
1200
1100
Month Ene
Year 2004
Ene
2005
Ene
2006
Ene
2007
Ene
2008
Ene
2009
1.2
1.2
1.0
1.0
0.8
0.8
1
10 11 12
10 11 12
20
0
10
-200
-400
1
10 11 12
Pgina 5
10 11 12
Pgina 6
Multiplicative Method
Smoothing Constants
Alpha (level)
0.2
Gamma (trend)
0.2
Delta (seasonal) 0.2
Accuracy Measures
MAPE 13.8561
MAD
4.8550
MSD
44.5868
Lesionados por arma
Multiplicative Method
70
Variable
Actual
Fits
Forecasts
95.0% PI
60
SmoothingConstants
Alpha (level)
0.2
Gamma (trend)
0.2
Delta (seasonal)
0.2
50
40
AccuracyMeasures
MAPE
13.8561
MAD
4.8550
MSD
44.5868
30
20
10
Month Ene
Year 2004
Ene
2005
Ene
2006
Ene
2007
Ene
2008
Ene
2009
Ene
2010
13.5600
4.7628
43.1327
Pgina 7
Additive
MAPE
MAD
MSD
13.5600
4.7628
43.1327
13.8561
4.8550
44.5868
Ejemplo de ARIMA:
Instrucciones de Minitab
1 Worksheet DELITOS.MTW.
2 Stat > Time Series > ARIMA.
3 En Series, poner FALTAS_ADM.
4 Seleccionar Fit seasonal model. En Period poner 12 en Nonseasonal, poner 1 en
Autoregressive. En Seasonal y en Difference poner 0.
5 Seleccionar Graphs. Seleccionar ACF of residuals y PACF of residuals .
6 En Forecasts poner 12 en Lead e indicar una columna vaca para Store los pronsticos.
7 OK en cada cuadro de dilogo.
ARIMA Model: FALTAS_ADM
Interpretacin de resultados
Autocorrelation
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1
3
Lag
Pgina 8
FALTAS_ ADM
2000
1750
1500
1250
1000
12
15
18
Time
21
24
27
30
33
Interpretacin de resultados
El modelo ARIMA proporciona pronsticos con bandas de confianza en 95%,
usando el modelo AR(1) la estacionalidad domina el perfil de pronsticos para los
prximos 12 meses con los valores pronosticados similares a los 12 meses
previos.
Pgina 9
Resultados
Two-Sample T-Test and CI: Escndalos 2004, Escndalos 2005
Two-sample T for Escandalos 2004 vs Escandalos 2005
Escandalos 2004
Escandalos 2005
N
3
4
Mean
3795
2804
StDev
962
585
SE Mean
556
293
P-Value = 0.148
Pgina 10
DF = 5
SS
MS
F
P
1681586 1681586 2.92 0.148
2880825
576165
4562411
R-Sq = 36.86%
R-Sq(adj) = 24.23%
R-Sq = 28.69%
R-Sq(adj) = 16.80%
Pgina 11
Pgina 12
Pgina 13
I ndividual Value
UCL=54.28
50
40
_
X=36.20
30
20
LC L=18.11
1
14
21
28
35
42
Observation
49
56
63
70
UCL=22.22
Moving Range
20
15
10
__
MR=6.80
5
0
LC L=0
1
14
21
28
35
42
Observation
Pgina 14
49
56
63
70