Universidad Evangélica de El Salvador

Facultad de Ciencias Empresariales y Económicas

“Lic. Mauricio Antonio Barrientos Murcia”

Licenciatura en Relaciones Publicas con especialidad en Marketing

ESTADÍSTICA GENERAL

Actividad de Investigación

Arq. Elizabeth Mena

Integrantes:

Mario Ernesto Chacón Lara

Marlene Michelle Flores Elías
Jaqueline Rosmery Guardado Díaz
Francisco Daniel Ulloa Rivera

San Salvador, 19 de abril de 2018.

1. ¿Qué es una serie de tiempo y su utilidad?

Una serie de tiempo es el conjunto de observaciones producidas en determinados momentos durante un

período, ya sea semanal, trimestral o anual, generalmente a intervalos iguales. El comportamiento de
cualquier serie de tiempo puede observarse gráficamente, no en todos los casos es posible distinguir las
particularidades que cada una puede contener.

Su utilidad.
Las series temporales se usan para estudiar la relación causal entre diversas variables que cambian con el
tiempo y se influyen entre sí. Desde el punto de vista probabilístico una serie temporal es una sucesión de
variables aleatorias indexadas según parámetro creciente con el tiempo. Cuando la esperanza
matemática de dichas variables aleatorias es constante o varía de manera cíclica, se dice que la serie es
estacionaria y no tiene tendencia secular. Muchas series temporales tienen una tendencia creciente.

2. Componentes de las series de tiempo (tipos de variación)

a) Tendencia secular

La tendencia secular o tendencia a largo plazo de una serie es por lo común el resultado de factores a
largo plazo. En términos intuitivos, la tendencia de una serie de tiempo caracteriza el patrón gradual y
consistente de las variaciones de la propia serie, que se consideran consecuencias de fuerzas
persistentes que afectan el crecimiento o la reducción de la misma, tales como: cambios en la
población, en las características demográficas de la misma, cambios en los ingresos, en la salud, en el
nivel de educación y tecnología. Las tendencias a largo plazo se ajustan a diversos esquemas. Algunas
se mueven continuamente hacía arriba, otras declinan, y otras más permanecen igual en un cierto
período o intervalo de tiempo.

b) Variación estacional

El componente de la serie de tiempo que representa la variabilidad en los datos debida a influencias de
las estaciones, se llama componente estacional. Esta variación corresponde a los movimientos de la
serie que recurren año tras año en los mismos meses (o en los mismos trimestres) del año poco más o
menos con la misma intensidad. Por ejemplo: Un fabricante de albercas inflables espera poca actividad
de ventas durante los meses de otoño e invierno y tiene ventas máximas en los de primavera y verano,
mientras que los fabricantes de equipo para la nieve y ropa de abrigo esperan un comportamiento
anual opuesto al del fabricante de albercas.

c) Variación cíclica

Con frecuencia las series de tiempo presentan secuencias alternas de puntos abajo y arriba de la línea
de tendencia que duran más de un año, esta variación se mantiene después de que se han eliminado
las variaciones o tendencias estacional e irregular. Un ejemplo de este tipo de variación son los ciclos
comerciales cuyos períodos recurrentes dependen de la prosperidad, recesión, depresión y
recuperación, las cuales no dependen de factores como el clima o las costumbres sociales.
 d) Variación irregular

Esta se debe a factores a corto plazo, imprevisibles y no recurrentes que afectan a la serie de tiempo.
Como este componente explica la variabilidad aleatoria de la serie, es impredecible, es decir, no se
puede esperar predecir su impacto sobre la serie de tiempo. Existen dos tipos de variación irregular: a)
Las variaciones que son provocadas por acontecimientos especiales, fácilmente identificables, como las
elecciones, inundaciones, huelgas, terremotos. b) Variaciones aleatorias o por casualidad, cuyas causas
no se pueden señalar en forma exacta, pero que tienden a equilibrarse a la larga.

3. Tendencia de una serie

a) Tendencia Lineal
La tendencia lineal, es una relación funcionalmente entre dos o mas variables correlacionadas. Estas se
pueden utilizar para pronosticar una variable con base en la otra, tanto para pronósticos de series de
tiempo como para pronósticos de relaciones causales.

Cuando agrega una línea de tendencia a su vista, está creando un modelo estadístico. Cada línea de
tendencia en la vista representa visualmente un modelo estadístico de regresión lineal. Cada modelo se
estima usando datos en el mismo panel y del mismo color que la línea de tendencia correspondiente.
Aunque las medidas de tendencia pueden ser del tipo lineal, logarítmica, exponencial o polinomonial,
esto no indica que ninguno de esos modelos no seas una regresión lineal.
 Series de tiempo: Cuando la variable dependiente (que casi siempre es el eje vertical en una
gráfica) cambia como resultado de tiempo (trazado como el eje horizontal).
 Relaciones casuales: Si una variable cambia debido al cambio en otra, se trata de una relación
casual (como el número de bebidas al aumento de cáncer pulmonar entre la gente que fuma)

La ecuación de una línea recta llamada componente lineal de tendencia de la forma Y=a bx

Donde:
Y= Es el valor pronosticado en un periodo X
a= Es la ordenada en el origen (intercepción de la recta con el eje vertical), X=0
b= Es la pendiente de la línea.
x= Es el periodo de para el que se prepara el pronostico

Los valores de a y b se calculan con el método de mínimos cuadrados. La aplicación de este

criterio da como resultado una línea recta que minimiza el cuadrado de las distancias verticales.

Ejemplo.
 b) Tendencia no lineal

Es un método para encontrar un modelo no lineal para la relación entre variable dependiente y un
conjunto de variables independientes.
La regresión no lineal, puede estimar modelos con relaciones arbitrarias entre las variables
independientes y las dependientes. Esto se lleva a cabo usando algoritmos de estimación interactivos.
Si una relación entre dos variables no es lineal, la tasa de aumento o descenso puede cambiar a medida
que una variable cambia, causando un "patrón de curva" en los datos. Esta tendencia en forma de curva
se podría modelar mejor mediante una función no lineal, como una función cuadrática o cúbica. Dentro
de las tendencias no lineales, que se pueden representar en una serie tenemos, la polinomial, logarítmica,
exponencial, potencial, etc.

Ejemplo.

4. Métodos de suavizamientos de la serie

a) Promedios móviles
Este se construye sustituyendo cada valor de una serie por la media obtenida con esa observación y
algunos de los valores inmediatamente anteriores y posteriores. Los promedios móviles también se
pueden construir tomando en cuenta valores adyacentes
de las observaciones.

b) Promedios móviles ponderados

El método consiste en asignar un factor de ponderación distinto para cada dato, generalmente, a la
observación o dato más reciente a partir del que se quiere hacer el pronóstico, se le asigna el mayor peso,
y este peso disminuye en los valores de datos más antiguos. El dato más alejado tiene el factor de
ponderación más pequeño, el que le sigue tiene un factor de ponderación del
 doble que el primero y el dato más reciente tiene un factor de ponderación del triple del primero. En
todos los casos, la suma de los factores de ponderación debe ser igual a uno.

c) Suavizamientos exponencial
Emplea un promedio ponderado de la serie de tiempo pasada como pronóstico, es un caso especial del
método de promedios móviles ponderados en el cual sólo se selecciona un peso o factor de ponderación,
el cual sería el de la observación más reciente.

5. Pronósticos y su precisión
Es una estimación cuantitativa o cualitativa de uno o varios factores (variables) que conforman un evento
futuro, con base en información actual o del pasado.

a) Características
 Es consistente con las demás áreas del negocio.
 Se basa en el conocimiento adecuado del pasado relevante. Aunque hay excepciones,
la regla es que comportamientos ocurridos en el pasado son fuente de predicción del
futuro.
 Tiene en cuenta el entorno político y económico.
 Es oportuno.

b) Aplicaciones
 En el área de marketing se pronostica cómo va a crecer el mercado, cuál será la
participación propia y de los competidores, cuál será la tendencia de precios, cuáles
serán los nuevos productos que sacudirán el mercado.
 En el área de producción se hacen pronósticos sobre el costo y la disponibilidad de la
materia prima, el costo y la disponibilidad de la mano de obra, cuándo se requerirá
mantenimiento para los equipos, cuál será la capacidad de planta necesaria para
atender la demanda.
 En el área financiera se pronostica cuál será la tasa de interés de referencia para los
créditos, cuál será el nivel de cuentas incobrables, cuánto capital se requerirá para
ampliar la capacidad propia.
 En recursos humanos se requieren pronósticos sobre el número de trabajadores, la
rotación de personal, las tendencias de ausentismo, las necesidades de capacitación.
  En el plano estratégico se pronostica acerca de factores económicos, cambios de
precios, costos, crecimiento de líneas de productos.

c) Desarrollo
 Formulación del problema y recolección de datos. En este se determinan los datos
adecuados que se estudiaran.
 Manipulación y limpieza de datos. Se descartan algunos datos para así obtener los
datos necesarios y adecuados.
 Construcción y evaluación del modelo. Se emplean los datos en el modelo de
pronostico que sea adecuado.
 Aplicación del modelo. Se realizan los pronósticos reales del modelo que se genera
una vez que se han recolectado los datos adecuados.
 Evaluación del pronóstico. Se comparan los valores del pronóstico con los valores
históricos reales.