R. DE ESTADISTICA DE LA UNIDAD IV DE FELIX C.
Click here to load reader
-
Upload
felix-castro-garcia -
Category
Documents
-
view
2.651 -
download
1
description
Transcript of R. DE ESTADISTICA DE LA UNIDAD IV DE FELIX C.
“INSTITUTO TECNOLÒGICO SUPERIOR DE
LA SIERRA NEGRA DE AJALPAN”
CARRERA: ING. ADMÒN DE EMPRESAS.
MATERIA: ESTADISTICA II
TRABAJO: RESUMEN DE LA UNIDAD IV
TEMA: “SERIES DE TIEMPO”
MAESTRO: ING.JOSÈ GUADALUPE RODRIGUEZ RAMOS.
ELABORADO POR: FELIX CASTRO GARCÌA
FECHA DE ENTREGA: ABRIL DE 2012
INDICE
UNIDAD 4
SERIES DE TIEMPO
4.1 Los componentes de una serie de tiempos 4.1.1 Componente de tendencia 4.1.2 Componente cíclico 4.1.3 Componente estacional 4.1.4 Componentealeatorio 4.2 Métodos de suavizamiento en los pronósticos 4.2.1 Promedios móviles 4.2.2 Promedios móviles ponderados 4.2.3 Suavizamiento exponencial 4.3 El análisis de regresión en pronósticos 4.3.1 Modelo causal 4.3.2. Estimación de pronósticos
INTRODUCCIÒN
Existe una gran cantidad de información acerca de las características económicas, la
cual se recopila con fines de análisis para posteriormente llevar a cabo la planeación
y toma de decisiones. A este registro metódico de la medición u observación
numérica efectuada a intervalos de tiempo fijos se le conoce una Serie de Tiempo.
Cabe hacer notar que el nombre “Series de Tiempo” no es del todo apropiado para
denotar a los conjuntos de datos registrados de manera ordenada respecto al tiempo,
pues es lo particular el término serie se utiliza en Matemáticas para nombrar una
suma infinita de valores de una variable. Quizá para referirse al conjunto de datos
podría ser el de “sucesiones cronológicas”; sin embargo se continuará haciendo
mención a series de tiempo, debido simplemente a que ésta es la terminología más
usual y conocida.
SERIE DE TIEMPO
Una serie de tiempo o serie temporal es una colección de observaciones tomadas a
lo largo del tiempo cuyo objetivo principal es describir, explicar, predecir y controlar
algún proceso. Las observaciones están ordenadas respecto al tiempo y sucesivas
observaciones son generalmente dependientes. De hecho esta dependencia entre
las observaciones jugará un papel importante en el análisis de la serie.
Las series pueden ser utilizadas en diversos campos como por ejemplo:
Economía
Precios de venta en días sucesivos. Exportaciones totales en sucesivos años. Beneficios de una empresa en sucesivos años
Física (Meteorología, Geofísica, etc.)
Lluvias en sucesivos días. Temperatura en sucesivas horas. Presión atmosférica en diversos días.
Demografía
Población de un país medida anualmente.
4.1 LOS COMPONENTES DE UNA SERIE DE TIEMPOS
4.1.1 Componente de tendencia: La tendencia, es la componente de largo
plazo que constituye la base del crecimiento o declinación de una serie histórica,
como se presenta en la siguiente figura. Las fuerzas básicas que producen o afectan
la tendencia de una serie son: cambios en la población, inflación, cambio tecnológico
e incremento en la productividad.
Figura 1.1 Gráfica de una serie de datos con tendencia
4.1.2 Componente cíclico: La Ciclicidad, es un conjunto de fluctuaciones en
forma de onda o ciclos, de más de un año de duración, producidos por cambios en
las condiciones económicas, como se presenta en la siguiente figura.
Representan la diferencia entre los valores esperados de una variable (tendencia) y
los valores reales (la variación residual que fluctúa alrededor de la tendencia).
Figura 1.2 Gráfica de una serie de datos con ciclicidad
4.1.3 Componente estacional: Estacionalidad, las fluctuaciones estacionales
se encuentran típicamente en los datos clasificados por trimestres, mes o semana.
La variación estacional se refiere a un patrón de cambio, regularmente recurrente a
través del tiempo. El movimiento se completa dentro de la duración de un año y se
repite a sí mismo año tras año, como se presenta en la siguiente figura.
Figura 1.3 Gráfica de una serie de datos con estacionalidad.
4.1.4 Componentealeatorio: Aleatoriedad, este comportamiento irregular está
compuesto por fluctuaciones causadas por sucesos impredecibles o no periódicos,
como el clima poco usual, huelgas, guerras, rumores, elecciones y cambio de leyes,
como se presenta en la siguiente figura
Figura 1. 4 Gráfica de una serie de datos con aleatoriedad
4.2 MÉTODOS DE SUAVIZAMIENTO EN LOS PRONÓSTICOS
4.2.1 PROMEDIOS MÓVILES: Los promedios móviles son muy útiles. Los
promedios móviles indican el promedio del precio en un punto determinado de tiempo
sobre un período de tiempo definido. Se llaman móviles ya que reflejan el último
promedio, mientras que se adhieren a la misma medida de tiempo
El promedio móvil, sin embargo, es un indicador retrasado, por lo tanto no indica
necesariamente un cambio en la tendencia. Para tratar este tema, el uso de un
período más corto de tiempo como ser un promedio móvil de 5 o 10 días reflejaría
mejor la acción del precio reciente que un promedio móvil de 40 o 200 días.
Alternativamente, los promedios móviles pueden ser utilizados combinando dos
promedios de períodos de tiempo definidos. Aunque use promedios móviles de 5 o
20 días o PM de 40 o 200 días, las señales de compra son detectadas cuando el
promedio a corto plazo cruza por encima del promedio a largo plazo. Por el contrario,
las señales de venta son sugeridas cuando el promedio más corto cae por debajo del
más largo.
Un promedio móvil simple o aritmético es calculado como la suma de un número
predeterminado de precios por un cierto número de períodos de tiempo, dividido por
el número de períodos de tiempo. El resultado es el precio promedio en dicho
período de tiempo. Los promedios móviles simples emplean la misma ponderación
para los precios. Es calculado usando la siguiente fórmula:
Promedio Móvil Simple = SUMA (precios de cierre) / n, donde n es el número de
períodos
4.2.2 PROMEDIOS MÓVILES PONDERADOS: Un Promedio Móvil Ponderado se
calcula a través de la multiplicación de de cada período de tiempo anterior por un
peso. El peso está basado en el número de días del promedio móvil.
Un Promedio Móvil Ponderado Lineal, da más peso a información más reciente que a
datos más antiguos.
El hecho de que es medido linealmente significa que el dato más antiguo recibe un
valor de 1, luego el dato que le sigue, un valor de 2, luego el dato que le sigue un
valor de 3 y así sucesivamente, hasta que el último dato recibe un peso equivalente
al período.
Así que en un LWMA (Promedio Móvil Ponderado Lineal) de 25, el peso del primer día
es 1, mientras que el peso del día más reciente es de 25. Esto da 25 veces más peso
al precio de hoy que al de hace 25 días.
4.2.3 SUAVIZAMIENTO EXPONENCIAL: La Suavización Exponencial define el
pronóstico del próximo periodo como el pronóstico del periodo actual más un
porcentaje de la desviación entre el valor pronosticado para el periodo actual y el
valor real obtenido.
Sea:
Ft = Pronóstico para el periodo actual (se toma como variable la letra F, porque en
inglés pronosticar se escribe Forescasting).
Ft+1=Pronóstico para el próximo periodo
Dt=Valor real presentado en el periodo actual.
Entonces, el método propone que el pronóstico para el periodo t+1 se defina así:
Ft+1 = Ft + Alfa (Dt - Ft)
Alfa es un valor entre 0 y 1, es decir es un porcentaje, que debe escoger la persona
que hace el análisis. Fijémonos, que la fórmula tal como está planteada, tiene una
naturaleza adaptativa, cuando el pronóstico anterior falla por debajo, es decir Ft es
menor que Dt, para el próximo periodo, toma éste pronóstico y le suma un
porcentaje del error de forma positiva y lo mismo sucede al contrario. También se
puede expresar así:
Ft+1 =Alfa * Dt + (1-Alfa)* Ft
Entre más grande sea el valor de Alfa, el pronóstico responderá más rápido a los
cambios que se presenten en la variable que se desea pronosticar, pero también
puede hacer variar el pronóstico mucho hacia el lado incorrecto.
Cuál es el mejor valor de Alfa? Se podría decir que el que al probarlo hace que los
puntos pronosticados estén cada vez más cerca de los reales presentados, pero la
pregunta del millón es una vez encontrado éste mejor alfa, apostaríamos lo que
fuera a que el valor que se pronostique con este Alfa, será el que se va a presentar
en el futuro? Ya tiene las bases, ahora es su decisión.
Ejemplo:
Se dispone de una serie de 12 resultados de una variable X, se relacionan a
continuación en la segunda columna, se desea hacer un pronóstico usando
Suavización Exponencial Simple:
Para el primer periodo se puede hacer un pronóstico con otro método (bueno, eso no
tiene sentido), o asumir que el pronóstico es el igual al valor real presentado, tal
como se puede apreciar en la anterior figura, dónde para el periodo 1 el pronóstico
se tomo como 17, que fue el valor real presentado. Usando para este ejemplo un Alfa
de 0.1, se tiene para el periodo 2:
F2= F1 + Alfa (D1-F1)
F2= 17 + 0.1 (17-17) = 17
F3= 17 + 0.1 (18-17) = 17.1
...
F13= 15.49 + 0.1 (15.49-17) = 15.64
Usando un software para hallar el Alfa de mejor ajuste se tiene:
Como se puede apreciar, con éste método sólo se puede "pronosticar" un sólo
periodo.
4.3 EL ANÁLISIS DE REGRESIÓN EN PRONÓSTICOS
El análisis de la regresión (pronóstico estadístico) El análisis de regresión es un modelo estadístico de pronóstico, esto se refiere a describir y evaluar la relación entre una variable dada (generalmente llamada la variable dependiente o relacionada) y una o más variables (generalmente llamadas variables independientes).
4.3.1 MODELO CAUSAL: El método más exacto de predicción, es decir, el
modelo causal, es posible si hemos obtenido ; mediante investigación un modelo
que no sólo describe (como en la sección previa) el desarrollo del fenómeno que se
pronostica, pero también lo explica, es decir, enumera las razones por qué se ocurre.
En el mejor caso las razones y sus resultados se reúnen como un modelo que define
la invariante dinámica de los cambios en el proceso que se pedirá.
Las predicciones normales del tiempo, por ejemplo, se hacen no más en base de una
asociación estadística entre presión de aire y el tiempo. Sabemos hoy la estructura
invariable de los ciclones móviles que explica los cambios en la presión aérea y en el
tiempo. Incluso el proverbio sobre el cielo rojo ahora se ha dado una explicación:
"Porque las estructuras meteorológicas en Norteamérica se mueven generalmente
desde el oeste al este, cuando las nubes llegan de arriba en la salida del sol que el
cielo aparecerá rojo, señalando una tormenta que se acerca. Cuando la tormenta
pasa eventualmente, el cielo limpiará en el occidente. Si ocurre la puesta del sol
simultáneamente, la luz lanzará un resplandor rojo en las nubes arriba, ahora
moviéndose hacia el este."
El método el más elemental de pronóstico en base de un modelo causal es usar el modelo exactamente como una asociación estadística, explicado más temprano. En el mejor caso una de las variables en el modelo es el tiempo cronológico: entonces introducimos el año correcto en el modelo, e inmediatamente se convierte en el pronóstico deseado. Si el tiempo no se incluye en el modelo causal, el modelo puede seguir siendo de ayuda, porque es a menudo más fácil predecir el desarrollo del variable independiente que el futuro de la variable dependiente o del sistema entero - no lo menos a causa que una razón precede normalmente su resultado, y así no es tan lejana en el futuro como el resultado sea.
4.3.2. ESTIMACIÓN DE PRONÓSTICOS: Pronóstico es el proceso de
estimación en situaciones de incertidumbre. El término predicción es similar, pero
más general, y generalmente se refiere a la estimación de series temporales o datos
instantáneos. El pronóstico ha evolucionado hacia la práctica del plan de demanda
en el pronóstico diario de los negocios. La práctica del plan de demanda también se
refiere al pronóstico de la cadena de suministros.
Entonces tenemos que los pronósticos son procesos críticos y continuos que se
necesitan para obtener buenos resultados durante la planificación, de un proyecto. Si
los clasificamos respecto al tiempo que abarcan, se puede clasificar en:
1. Pronósticos a corto plazo: En las empresas modernas, este tipo de pronóstico se
efectúa cada mes o menos, y su tiempo de planeación tiene vigencia de un año. Se
utiliza para programas de abastecimiento, producción, asignación de mano de obra a
las plantillas de trabajadores, y planificación de los departamentos de fabricación.
2. Pronósticos a mediano plazo: Abarca un lapso de seis meses a tres años. Este se
utiliza para estimar planes de ventas, producción, flujos de efectivo y elaboración de
presupuestos.
3. Pronósticos a largo plazo: Este tipo de pronóstico se utiliza en la planificación de
nuevas inversiones, lanzamiento de nuevos productos y tendencias tecnológicas de
materiales, procesos y productos, así como en la preparación de proyectos. El
tiempo de duración es de tres años o más.
BIBLIOGRAFÍA
Berenson, M. & Levine, D., (1996) Estadística Básica para Administración (6ª
Edición). Editorial Prentice Hall.
Anderson, D., Streeney, D. & Williams, T. (1999) Estadística para Administración y
Economía. Editorial International Thomson.
Lind, D., Marchal, W. & Mason, R. (2004). Estadística para Administración y
Economía (11ava Edición) México: Alfa Omega Grupo editor.