Tecnológico Nacional De México

INSTITUTO TECNOL ÓGICO

DE NOGALES

Estadística Inferencial II

Portafolio de Evidencias

UNIDAD V

Docente: Robles Diaz Enoch

Alumno

Torres Perea Javier - 19340788

Grupo: L (18:00 – 19:00)

H. Nogales, Sonora. Mayo 30, 2023

 INTRODUCCION
Las series de tiempo son una herramienta fundamental en la estadística para el
análisis y modelado de datos que varían a lo largo del tiempo. Estas series son
ampliamente utilizadas en diversos campos, como economía, finanzas,
meteorología, demografía y muchas otras disciplinas científicas. En esta
introducción, exploraremos los conceptos básicos de las series de tiempo, su
importancia en el análisis estadístico y algunos métodos comunes utilizados en su
modelado y predicción.
Se presentarán las conclusiones obtenidas de la investigación, resaltando la
importancia y utilidad de las series de tiempo en el análisis estadístico. Se
enfatizará su capacidad para capturar la dinámica temporal de los datos y
proporcionar información valiosa para la toma de decisiones. Además, se brindar
 5.1 MODELO CLASICO DE SERIES DE TIEMPO
El modelo clásico de series de tiempo, también conocido como el modelo de ruido
blanco, es una forma básica de modelar una serie de tiempo donde se asume que
los valores observados son el resultado de una secuencia de errores aleatorios no
correlacionados. En este modelo, se supone que no hay tendencia, estacionalidad
ni autocorrelación en los datos.
El modelo clásico de series de tiempo se puede expresar matemáticamente de la
siguiente manera:
Y_t = ε_t
Donde Y_t es el valor observado en el tiempo t y ε_t es el error aleatorio en el
tiempo t. Se asume que los errores ε_t siguen una distribución normal con media
cero y varianza constante σ^2.
Un ejemplo de un modelo clásico de series de tiempo sería el siguiente:
Supongamos que tenemos los datos de ventas mensuales de un producto en una
tienda durante un año. La serie de tiempo se compone de 12 observaciones, una
para cada mes. Para modelar estos datos utilizando un modelo clásico, asumimos
que las ventas mensuales son aleatorias y no están influenciadas por ninguna
tendencia o estacionalidad.
Por lo tanto, el modelo clásico sería:
Ventas_t = ε_t
Donde Ventas_t representa las ventas observadas en el mes t y ε_t es el error
aleatorio asociado con ese mes.
Luego, se estima la varianza del error ε_t y se verifica si los errores siguen una
distribución normal con media cero.
Es importante tener en cuenta que el modelo clásico de series de tiempo puede
ser demasiado simple para capturar las características más complejas de los
datos, como la tendencia y la estacionalidad. En tales casos, se utilizan otros
modelos más avanzados, como los modelos ARIMA (Autoregressive Integrated
Moving Average) o los modelos de suavizado exponencial, que permiten capturar
patrones más complejos en las series de tiempo.
En resumen, el modelo clásico de series de tiempo es una forma sencilla de
modelar una serie de tiempo asumiendo que los datos son el resultado de errores
aleatorios no correlacionados. Sin embargo, es importante tener en cuenta que
este modelo puede ser limitado en la capacidad de capturar características más
complejas de los datos y es necesario explorar modelos más avanzados cuando las
series de tiempo presentan tendencia, estacionalidad u otros patrones.
 5.2 ANALISIS DE FLUCTUACIONES
El análisis de fluctuaciones se refiere al estudio de las variaciones o cambios en
una serie de tiempo a lo largo del tiempo. Consiste en analizar y comprender las
fluctuaciones que ocurren en los datos a diferentes escalas temporales,
identificando patrones, tendencias y ciclos que pueden estar presentes.
El objetivo del análisis de fluctuaciones es descomponer la serie de tiempo en
diferentes componentes para comprender mejor la estructura de los datos y
extraer información útil. Estas componentes suelen incluir la tendencia, la
estacionalidad y los componentes residuales.
La tendencia se refiere a la dirección general en la que los datos aumentan o
disminuyen a lo largo del tiempo. Puede ser ascendente (positiva), descendente
(negativa) o no tener una dirección clara. La tendencia indica el comportamiento
a largo plazo de la serie de tiempo.
La estacionalidad se refiere a patrones repetitivos o ciclos que se producen dentro
de un período de tiempo fijo, como estacionalidad anual, trimestral, mensual o
incluso diaria. Por ejemplo, las ventas minoristas pueden tener un patrón
estacional donde hay aumentos significativos durante la temporada navideña y
disminuciones en otros momentos del año.
Los componentes residuales representan las fluctuaciones no explicadas por la
tendencia y la estacionalidad. Pueden deberse a factores aleatorios o a otros
efectos que no se han tenido en cuenta en el análisis.
Un ejemplo de análisis de fluctuaciones podría ser el estudio de los precios de las
acciones en el mercado financiero. Supongamos que tenemos una serie de
tiempo que registra los precios diarios de una acción durante un año. Al realizar
un análisis de fluctuaciones, podríamos descomponer la serie en sus
componentes de tendencia, estacionalidad y residuales.
Al examinar la tendencia, podemos identificar si el precio de la acción ha estado
aumentando o disminuyendo en general durante ese período. La estacionalidad
nos ayudaría a identificar si hay patrones recurrentes relacionados con eventos
específicos o momentos del año que afectan los precios de la acción. Por ejemplo,
podríamos observar un patrón estacional en el que los precios tienden a
aumentar durante el inicio de un nuevo año fiscal.
Finalmente, los componentes residuales nos proporcionarían información sobre
las fluctuaciones aleatorias o imprevistas en los precios de las acciones que no
pueden atribuirse a la tendencia o la estacionalidad.
En resumen, el análisis de fluctuaciones es una técnica utilizada para
descomponer una serie de tiempo en sus componentes de tendencia,
estacionalidad y residuales, permitiendo comprender mejor los patrones y las
variaciones en los datos a lo largo del tiempo. Esto proporciona información
valiosa para la toma de decisiones y el análisis de tendencias en diversos campos,
como las finanzas, la economía y la meteorología, entre otros.
 5.3 ANALISIS DE TENDENCIA
El análisis de tendencia se refiere al estudio de la dirección general o el patrón de
cambio en una serie de tiempo a lo largo del tiempo. Consiste en identificar y
comprender la tendencia subyacente en los datos, es decir, si la serie de tiempo
muestra un aumento, una disminución o permanece estable a lo largo de un
período determinado.
El análisis de tendencia es importante para detectar patrones a largo plazo y
proporciona información útil para la planificación, la toma de decisiones y el
pronóstico futuro. Se utiliza en diversos campos, como economía, finanzas,
demografía, ciencias ambientales y muchos otros.
Existen diferentes tipos de tendencia que pueden estar presentes en una serie de
tiempo:
1. Tendencia ascendente (positiva): Indica que los valores de la serie de
tiempo aumentan constantemente a lo largo del tiempo. Por ejemplo, el
crecimiento anual de las ventas de una empresa que muestra un
incremento constante cada año.
2. Tendencia descendente (negativa): Muestra una disminución constante en
los valores de la serie de tiempo a lo largo del tiempo. Por ejemplo, el
declive en el número de usuarios de un servicio a medida que pasa el
tiempo.
3. Tendencia horizontal (sin tendencia): Indica que no hay una dirección clara
en los datos, y los valores permanecen relativamente estables a lo largo del
tiempo. Por ejemplo, el precio de una acción que se mantiene en un rango
constante sin cambios significativos.
Un ejemplo de análisis de tendencia podría ser el estudio de la temperatura
media anual en una región determinada. Supongamos que tenemos una serie de
tiempo que registra la temperatura media anual durante los últimos 50 años. Al
realizar un análisis de tendencia, podríamos examinar si hay una tendencia
ascendente, descendente o si la temperatura se mantiene estable a lo largo de
ese período.
Si observamos una tendencia ascendente, esto podría indicar un calentamiento
gradual en la región a lo largo del tiempo. Por el contrario, si hay una tendencia
descendente, podría implicar un enfriamiento en la región. Si no hay una
tendencia clara y los valores se mantienen estables, eso podría indicar una
estabilidad en la temperatura en esa área en particular.
El análisis de tendencia nos ayuda a comprender mejor los patrones y cambios a
largo plazo en los datos, lo que puede tener implicaciones importantes en la toma
de decisiones y en la formulación de políticas en diversos campos.
En resumen, el análisis de tendencia es el estudio de la dirección general o el
patrón de cambio en una serie de tiempo a lo largo del tiempo. Nos permite
identificar si los datos muestran una tendencia ascendente, descendente o si se
mantienen estables. Este análisis proporciona información valiosa para el
pronóstico, la planificación y la toma de decisiones en diferentes áreas.
 5.4 ANALISIS DE VARIACIONES CICLICAS

El análisis de variaciones cíclicas se refiere al estudio de patrones repetitivos y

fluctuaciones en una serie de tiempo que se producen a intervalos regulares o
predecibles. Estas variaciones cíclicas pueden estar influenciadas por factores
económicos, estacionales o incluso eventos naturales. El objetivo del análisis de
variaciones cíclicas es identificar y comprender estos ciclos recurrentes y su
impacto en los datos.
Las variaciones cíclicas pueden tener diferentes duraciones, desde ciclos cortos,
como los ciclos empresariales de varios años, hasta ciclos más largos, como los
ciclos climáticos de décadas o incluso siglos.
Un ejemplo de análisis de variaciones cíclicas podría ser el estudio del mercado
inmobiliario. Supongamos que tenemos una serie de tiempo que registra el precio
medio de las viviendas en una ciudad durante un período de 20 años. Al realizar
un análisis de variaciones cíclicas, podríamos identificar patrones cíclicos que se
repiten en intervalos regulares.
Por ejemplo, podríamos observar que los precios de las viviendas experimentan
ciclos ascendentes y descendentes a lo largo de períodos de 5 a 7 años. Durante
los períodos de crecimiento económico y demanda alta, los precios de las
viviendas tienden a aumentar, mientras que durante las recesiones económicas o
momentos de menor demanda, los precios pueden disminuir. Estos ciclos cíclicos
en el mercado inmobiliario pueden estar influenciados por factores económicos,
tasas de interés, políticas gubernamentales y otros factores que afectan la oferta
y la demanda de viviendas.
El análisis de variaciones cíclicas nos permite comprender mejor los patrones y
fluctuaciones que se producen en los datos a lo largo de períodos de tiempo
predecibles. Esto puede ser útil para la planificación, el pronóstico y la toma de
decisiones en áreas como la economía, las finanzas, la planificación urbana y
muchos otros campos donde las variaciones cíclicas son un factor importante a
considerar.
En resumen, el análisis de variaciones cíclicas implica el estudio de patrones
recurrentes y fluctuaciones en una serie de tiempo a intervalos regulares. Nos
ayuda a identificar y comprender los ciclos y su impacto en los datos, lo que
puede tener implicaciones importantes en el análisis y la toma de decisiones en
diversos campos.
 5.5 MEDICION DE VARIACIONES ESTACIONALES E IRREGULARES
La medición de variaciones estacionales e irregulares es una técnica utilizada en el
análisis de series de tiempo para descomponer los datos en componentes
estacionales y componentes no sistemáticos o irregulares. Estos componentes
proporcionan información sobre las fluctuaciones recurrentes asociadas con
patrones estacionales y las variaciones impredecibles que no pueden atribuirse a
patrones claros.
Las variaciones estacionales se refieren a los patrones regulares y predecibles que
ocurren en una serie de tiempo debido a factores estacionales, como el clima, las
festividades o el comportamiento cíclico de la demanda. Estas variaciones se
repiten en intervalos regulares y suelen tener una duración específica. El objetivo
de medir las variaciones estacionales es identificar y separar estas fluctuaciones
sistemáticas de los datos.
Por otro lado, las variaciones irregulares son las fluctuaciones impredecibles y no
sistemáticas que ocurren en una serie de tiempo. Estas variaciones pueden ser el
resultado de eventos inesperados, cambios en las condiciones económicas o
cualquier otro factor no relacionado con patrones estacionales o tendencias. La
medición de las variaciones irregulares ayuda a identificar las desviaciones
inesperadas de los datos y proporciona información sobre factores externos que
pueden afectar la serie de tiempo.
Un ejemplo de medición de variaciones estacionales e irregulares podría ser el
análisis de las ventas mensuales de un producto en una tienda minorista.
Supongamos que tenemos una serie de tiempo que registra las ventas mensuales
durante varios años. Al aplicar el análisis de variaciones estacionales e irregulares,
podemos descomponer los datos en componentes estacionales y componentes
irregulares.
Para medir las variaciones estacionales, identificaríamos los patrones regulares
que se repiten cada año, como aumentos en las ventas durante las temporadas
festivas o disminuciones en ciertos meses. Al aislar estas fluctuaciones
estacionales, podemos comprender mejor los patrones de demanda relacionados
con eventos específicos y planificar en consecuencia.
Por otro lado, al medir las variaciones irregulares, podríamos identificar las
fluctuaciones impredecibles que no están relacionadas con factores estacionales
o tendencias claras. Estas variaciones pueden deberse a factores como cambios
en la economía, eventos promocionales o cambios en las preferencias del
consumidor.
La medición de variaciones estacionales e irregulares nos permite comprender y
separar los patrones recurrentes y predecibles de las fluctuaciones no
sistemáticas en los datos de una serie de tiempo. Esto proporciona información
valiosa para la planificación, la toma de decisiones y el pronóstico de datos en
diversos campos, como ventas, producción, demanda de productos y muchas
otras aplicaciones donde las variaciones estacionales e irregulares son factores
importantes a considerar.
 5.6 APLICACIÓN DE AJUSTES ESTACIONALES
La aplicación de ajustes estacionales se refiere al proceso de eliminar los efectos
de las variaciones estacionales en una serie de tiempo para poder analizar y
comparar los datos de manera más precisa. El objetivo es descomponer los datos
en componentes estacionales y no estacionales, de manera que se pueda obtener
una visión más clara de las tendencias subyacentes y las variaciones a largo plazo.
El ajuste estacional es especialmente útil cuando se trabaja con series de tiempo
que muestran patrones estacionales pronunciados, como las ventas minoristas, la
producción industrial o el empleo. Al eliminar las fluctuaciones estacionales, se
pueden identificar mejor las tendencias a largo plazo y los cambios estructurales
en los datos.
El proceso de ajuste estacional implica la estimación de la componente estacional
y su posterior eliminación de los datos originales. Hay varios métodos para
realizar este ajuste, como el método del promedio móvil, el método de relación
de tendencia promedio y el método de regresión lineal, entre otros.
Un ejemplo de aplicación de ajustes estacionales podría ser el análisis de las
ventas mensuales de helados en una heladería. Supongamos que tenemos una
serie de tiempo que registra las ventas mensuales durante varios años. Al aplicar
el ajuste estacional, podemos eliminar los efectos de las variaciones estacionales,
como las ventas más altas durante los meses de verano y las ventas más bajas
durante los meses de invierno.
Una vez realizado el ajuste estacional, podemos analizar los datos y obtener una
visión más clara de las tendencias subyacentes y las variaciones a largo plazo en
las ventas de helados. Esto nos permitiría identificar si hay un crecimiento o
disminución en las ventas a lo largo de los años, independientemente de las
fluctuaciones estacionales.
El ajuste estacional es importante en el análisis de series de tiempo porque
permite una comparación más precisa de los datos a lo largo del tiempo y
proporciona información más confiable sobre las tendencias y los cambios en los
datos subyacentes.
En resumen, la aplicación de ajustes estacionales implica el proceso de eliminar
los efectos de las variaciones estacionales en una serie de tiempo para poder
analizar y comparar los datos de manera más precisa. Al eliminar las fluctuaciones
estacionales, se pueden identificar mejor las tendencias a largo plazo y los
cambios estructurales en los datos. Esto es especialmente útil cuando se trabaja
con series de tiempo que muestran patrones estacionales pronunciados.
 5.7 PRONOSTICOS BASADOS EN FACTORES DE TENDENCIA Y
ESTACIONALES
Los pronósticos basados en factores de tendencia y estacionales se refieren
a la técnica de predecir valores futuros en una serie de tiempo teniendo en
cuenta tanto la tendencia general como los patrones estacionales presentes en
los datos. Esta metodología permite capturar tanto la dirección general del
cambio en los datos a lo largo del tiempo como las fluctuaciones regulares que
ocurren en ciertos períodos.
Cuando se utilizan factores de tendencia, se tiene en cuenta la dirección y la
tasa de cambio en los datos a largo plazo. Esto implica identificar si la serie de
tiempo muestra una tendencia ascendente, descendente o se mantiene estable, y
estimar cómo esta tendencia continuará en el futuro. Los modelos de tendencia
pueden incluir componentes lineales o no lineales, como una línea recta o una
curva.
Por otro lado, los factores estacionales consideran los patrones regulares y
recurrentes que se presentan en la serie de tiempo en intervalos específicos.
Estos patrones pueden estar influenciados por estacionalidad climática, eventos
anuales o cambios en la demanda en ciertos períodos. Al incluir factores
estacionales en el pronóstico, se busca capturar estas fluctuaciones predecibles y
ajustar los valores futuros de acuerdo con ellas.
Un ejemplo de pronóstico basado en factores de tendencia y estacionales
podría ser el análisis de las ventas mensuales de un producto de moda.
Supongamos que tenemos una serie de tiempo que registra las ventas mensuales
de una prenda de vestir durante varios años. Al realizar un pronóstico basado en
factores de tendencia y estacionales, se tendrían en cuenta los siguientes
aspectos:
1. Factores de tendencia: Se analizaría si hay una tendencia ascendente o
descendente en las ventas a lo largo del tiempo. Por ejemplo, si se observa
un crecimiento constante en las ventas debido a la popularidad creciente
del producto o una disminución gradual debido a cambios en las
preferencias del consumidor.
 2. Factores estacionales: Se considerarían los patrones estacionales en las
ventas, como aumentos en ciertos meses debido a temporadas de alta
demanda (por ejemplo, ventas de invierno) o disminuciones en otros meses
debido a estacionalidad (por ejemplo, ventas de verano). Se ajustarían los
pronósticos futuros en función de estos patrones estacionales
identificados.
Al combinar la información sobre la tendencia general y los patrones
estacionales, se puede generar un pronóstico más preciso y confiable de las
ventas futuras del producto. Esto permitiría a las empresas tomar decisiones
informadas sobre la producción, el inventario y las estrategias de marketing en
función de las expectativas de demanda.
En resumen, los pronósticos basados en factores de tendencia y
estacionales implican predecir los valores futuros en una serie de tiempo
considerando tanto la dirección general del cambio a largo plazo como los
patrones estacionales recurrentes. Esto se logra mediante la inclusión de
componentes de tendencia y factores estacionales en el modelo de pronóstico. Al
combinar estos elementos, se obtiene una estimación más precisa y completa de
los valores futuros en la serie de tiempo.
 CONCLUSION
En conclusión, las series de tiempo son una poderosa herramienta
estadística utilizada para analizar y comprender el comportamiento de datos a lo
largo del tiempo. Proporcionan información valiosa sobre las tendencias, patrones
estacionales, variaciones cíclicas y fluctuaciones irregulares presentes en los
datos. El análisis de series de tiempo permite identificar y modelar las relaciones y
dependencias entre observaciones secuenciales. A través de técnicas como el
análisis de tendencias, el análisis de fluctuaciones estacionales, el análisis de
variaciones cíclicas y el ajuste estacional, podemos descomponer y comprender
los diferentes componentes que conforman una serie de tiempo.
Los pronósticos basados en series de tiempo son una aplicación importante
de esta metodología, ya que nos permiten predecir valores futuros en función de
las tendencias y patrones identificados en los datos históricos. Estos pronósticos
son fundamentales para la planificación, la toma de decisiones y la formulación de
estrategias en diversos campos, como la economía, las finanzas, el marketing, la
logística y la demanda de productos, entre otros. Además, el análisis de series de
tiempo puede revelar relaciones causales entre variables, lo que es especialmente
relevante en estudios económicos y sociales. Al comprender cómo las variables se
relacionan y se influyen entre sí a lo largo del tiempo, se pueden tomar medidas
adecuadas para prevenir o mitigar impactos negativos y aprovechar
oportunidades.
Es importante tener en cuenta que el análisis de series de tiempo requiere
una cuidadosa consideración de los supuestos y la selección adecuada de técnicas
y modelos estadísticos. Además, el uso de software estadístico especializado
facilita el análisis y la visualización de los datos de manera eficiente.
En resumen, el análisis de series de tiempo proporciona una visión
profunda de las tendencias, patrones estacionales, variaciones cíclicas y
fluctuaciones irregulares en los datos a lo largo del tiempo. Nos ayuda a
comprender el comportamiento de las variables y nos permite realizar
pronósticos precisos para la toma de decisiones informadas. Con su aplicación
adecuada, el análisis de series de tiempo es una herramienta valiosa para
investigaciones, análisis económicos y la gestión eficaz de diversos procesos y
fenómenos que evolucionan en el tiempo.