Estadistica II

UNIDAD 3
INTRODUCCIÓN
Se llama serie temporal, serie cronológica, serie histórica o serie de tiempo a una sucesión de
observaciones de una variable ordenadas en el tiempo.Interesa su análisis para posibilitar la
descripción de la evolución histórica del fenómeno que expresa la serie.
Notación: Dada la magnitud numérica (variable) Y designaremos las observaciones mediante

alguna de las dos siguientes notaciones:
Yi,j donde i representa el año y j representa el k-avo de año (mes, trimestre, etc.)
i= 0,1,2,... j = 1,2,3,...,k
o bien Yt donde t es el ordinal total del k-simo de año (mes, trimestre, etc.) considerado. t = j +i k
Análisis de una Serie de Tiempo

Por serie de tiempo nos referimos a datos estadísticos que se recopilan, observan o registran en
intervalos de tiempo regulares (diario, semanal, semestral, anual, entre otros). El término serie de
tiempo se aplica por ejemplo a datos registrados en forma periódica que muestran, por ejemplo,
las ventas anuales totales de almacenes, el valor trimestral total de contratos de construcción
otorgados, el valor trimestral del PIB.
Componentes de la serie de tiempo

Supondremos que en una serie existen cuatro tipos básicos de variación, los cuales sobrepuestos
o actuando en concierto, contribuyen a los cambios observados en un período de tiempo y dan a
la serie su aspecto errático. Estas cuatro componentes son: Tendencia secular, variación
estacional, variación cíclica y variación irregular. Supondremos, además, que existe una relación
multiplicativa entre estas cuatro componentes; es decir, cualquier valor de una serie es el
producto de factores que se pueden atribuir a las cuatro componentes.
1. 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.
2. 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.
3. 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. 4. 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.
3.2 Método De Mínimos Cuadrados

Cuando varias personas miden la misma cantidad, generalmente no obtienen los
Mismos resultados. De hecho, si la misma persona mide la misma cantidad varias veces, los
resultados variarán. El método de mínimos cuadrados proporciona una forma de encontrar la
mejor estimación, suponiendo que los errores (es decir, las diferencias con respecto al valor
verdadero) sean aleatorias e imparciales.
¿QUÉ SON LOS MÍNIMOS CUADRADOS?
Es un procedimiento de análisis numérico en la que, dados un conjunto de datos
(Pares ordenados y familia de funciones), se intenta determinar la función continua que mejor se
aproxime a los datos (línea de regresión o la línea de mejor ajuste), proporcionando una
demostración visual de la relación entre los puntos de los mismos. En su forma más simple, busca
minimizar la suma de cuadrados de las diferencias ordenadas (llamadas residuos) entre los puntos
generados por la función y los correspondientes datos.
Este método se utiliza comúnmente para analizar una serie de datos que se obtengan de algún
estudio, con el fin de expresar su comportamiento de manera lineal y así minimizar los errores de
la data tomada. Su expresión general se basa en la ecuación de una recta y = mx + b. Donde m es
la pendiente y b el punto de corte, y vienen expresadas de la siguiente manera:
Tendencia de una serie
1. 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 producción, con frecuencia se aproxima
a una línea recta. Esta línea de tendencia muestra que algo aumenta o disminuye a un ritmo
constante. El método que se utiliza para obtener la línea recta de mejor ajuste es el Método de
Mínimos Cuadrados.
2. Tendencia no lineal Cuando la serie de tiempo presenta un comportamiento curvilíneo se dice

que este comportamiento es no lineal. Dentro de las tendencias no lineales que pueden
presentarse en una serie se encuentran, la polinomial, logarítmica, exponencial y potencial, entre
otras.
3.4 Métodos De Suavización Exponencial
Suavización exponencial simple:
Puede considerarse como una evolución del método de promedio móvil ponderado, en éste caso
se calcula el promedio de una serie de tiempo con un mecanismo de autocorrección que busca
ajustar los pronósticos en dirección opuesta a las desviaciones del pasado mediante una
corrección que se ve afectada por un coeficiente de suavización.
Así entonces, este modelo de pronóstico precisa tan sólo de tres tipos de datos: el pronóstico del
último período, la demanda del último período y el coeficiente de suavización.
¿Cuándo utilizarlo?
El pronóstico de suavización exponencial simple es óptimo para patrones de demanda aleatorios o
nivelados donde se pretende eliminar el impacto de los elementos irregulares históricos mediante
un enfoque en períodos de demanda reciente, este posee una ventaja sobre el modelo de
promedio móvil ponderado ya que no requiere de una gran cantidad de períodos y de
ponderaciones para lograr óptimos resultados
3.5 Tendencias No Lineales.

Las tendencias son modelos de una variable en el tiempo, reflejan los cambios en la tecnología, los
estándares de vida, los índices de población, etc.
Una tendencia es el movimiento gradual hacia arriba o hacia debajo de los datos del tiempo.
Propiedades:
1.- No se espera se repitan entre sí mismas de igual manera o forma o con idénticas propiedades.
2.- Se pueden separar de los otros componentes (periódica, aleatoria) de la serie, lo que hace
posible removerlas o incorporarlas.
3.- Pueden existir en cualquier parámetro de una serie, media, variancia, coeficiente y en
parámetros de alto orden, pero por lo general las tendencias se presentan únicamente en la media
si las información es anual, en la media y la desviación estándar si la información es mensual
3.6 Variación Estacional
El modelo de variación estacional, estacionaria o cíclica permite hallar el valor esperado o
pronóstico cuándo existen fluctuaciones (movimientos ascendentes y descendentes de la variable)
periódicas de la serie de tiempo, esto generalmente como resultante de la influencia de
fenómenos de naturaleza económica.
Estos ciclos corresponden a los movimientos en una serie de tiempo, que ocurren año tras año en
los mismos meses o períodos del año y relativamente con la misma intensidad.
¿Cuándo utilizar un pronóstico de variación estacional o cíclica?
El modelo de variación estacional es un modelo óptimo para patrones de demanda sin tendencia y
que presenten un comportamiento cíclico, por ejemplo la demanda de artículos escolares, la cual
tiene un comportamiento cíclico de conformidad con el calendario escolar.
UNIDAD IV
DISEÑO EXPERIMENTAL PARA UN FACTOR
INTRODUCCIÓN,
CONCEPTUALIZACIÓN, IMPORTANCIA Y ALCANCES DEL DISEÑO EXPERIMENTAL EN EL ÁMBITO

EMPRESARIAL.
INTRODUCCIÒN:
El diseño experimental suele plantearse cuando se requiere analizar una característica
cualitativa sometida a un único factor. Este único factor debe de tener una influencia significativa
sobre la característica cualitativa.
El Diseño de Experimentos tuvo su inicio teórico a partir de 1935 por Sir #onald $. Fisher' qui(n
sentó la base de la teoría del Diseño Experimental) que a la fecha se encuentra bastante
desarrollada) ampliada. $ctualmente las aplicaciones son múltiples' especialmente en la
investigación de las ciencias naturales' ingeniería' laboratorios) casi todas las ramas de las ciencias
sociales.
*a experimentación proporciona los datos experimentales' en contraste con los datos de la
Observación + los datos de la observación se representan como su nombre indica por
observaciones de las unidades elementales de una población o de una muestra') no deben ser
cambiados ni modificados por ningún intento de parte de un investigador en el curso de la
observación.
CONCEPTUALIZACIÓN:
El diseño experimental es una (técnica estadística que permite identificar) cuantificar las causas de
un efecto dentro de un estudio experimental. En un diseño experimental se manipulan
deliberadamente una o más variables' vinculadas a las causas' para medir el efecto que tienen en
otra variable de
inter(s.
IMPORTANCIA:
El Diseño Experimental' como ( tecnica de investigación' toma importancia en los años 0 en donde
se le da una aplicación estadística de los proyectos de Seis Sigma buscando el famoso número de
3'4 defectos por millón de unidades producidas.
El diseño experimental busca entonces a traves de una serie de herramientas estadísticas
Aplicadas metodizar los ensayos de prueba) error para encontrar la
Menor combinación de variables independientes que optimice una variable de respuesta
en unas circunstancias determinadas.
El análisis experimental se basa en la comprensión de la variación que presentan los datos de
salida de un problema. *a variación siempre está presente en todos los procesos de la
naturaleza por ende en los procesos humanos' la planeación de un experimento permite
identificar las fuentes de que la producen' clasificarlas tomar decisiones con respecto a ellas.
4.2 CLASIFICACIÓN DE LOS DISEÑOS EXPERIMENTALES

Diseño Completamente Aleatorizado
➢Es el diseño más simple y sencillo de realizar en el cual los tratamientos se eligen al azar
entre las unidades experimentales o viceversa.
➢Este diseño tiene amplia aplicación cuando las unidades experimentales son muy homogéneas.
Diseño enfoques Completamente Aleatorizado
Al estudiar la influencia de un factor sobre una variable cuantitativa es frecuente que aparezcan
otras variables o factores que también influyen y que deben ser controladas.
A estas variables se les denomina variables bloque y se caracterizan por:
No son el motivo de estudio sino que aparecen de forma natural y obligada en el mismo.
Se asume que no tiene interacción con el factor en estudio.
4.3NOMENCLATURA Y SIMBOLOGIA EN EL DISEÑO EXPERIMENTAL.
Es un diseño experimental de clasificación simple# se trata de comparar varios grupos
generalmente llamados Métodos o Tratamientos# como por ejemplo diferentes maneras de tratar
una enfermedad: con medicamentos# quirúrgicamente# acupuntura# etc. Para hacer la
comparación se usa una variable de respuesta cuantitativa Y que es medida en cada uno de los
grupos. *os grupos también pueden ser los niveles de una variable cualitativa que es llamada
factor.
4.4 IDENTIFICACIÓN DE LOS EFECTOS DE LOS DISEÑOS EXPERIMENTALES.

El diseño experimental# como técnica de investigación toma importancia en los años
90, en donde se le da una aplicación estad4stica de los proyecto de seis sigma buscando el
famoso número <.4 defectos por millón de unidades producidas.
El diseño experimental busca entonces a través de una serie de herramientas estad4sticas
aplicadas metodizar los ensayos de prueba y de error para encontrar la mejor
combinación de variables independientes que optimice una variable de respuesta en una
circunstancia determinada.
El diseño experimental prescribe una serie de pautas relativas que variables hay que manipular#
de qué manera# cuantas veces hay que repetir el experimento y en qué orden# para poder
establecer con un grado de confianza predefinido las necesidades de una presunta relación de
causa>efecto.
El diseño experimental es una técnica estad4stica que permite identificar y cuantificar las
causas de un efecto dentro de un estudio experimental. En un diseño experimental se manipulan
deliberadamente una o más variables vinculadas a las causas para medir el efecto que tienen en
otra variable de interés.
4.5 LA IMPORTANCIA DE LA ALEATORIZACION DE LOS ESPECIMENES DE
PRUEBA
La
importancia
de
la
aleatorización
de
los
especímenes
de
prueba.
La aleatorización consiste en que tanto la asignación del material experimental como el
orden en que se realizan las pruebas individuales o ensayos se determinan aleatoriamente y
la importancia de esta consiste en:
1. Garantizar la validez de la estimación del error experimental.
2. Garantizar la independencia de los errores o que las observaciones sean variables aleatorias
independientes. Esto es necesario para obtener pruebas de significancia válidas y estimados
de intervalos.
3. Eliminar el sesgo de tal manera que no se desfavorezca o discrimine a los tratamientos
y permite cancelar los efectos de factores extraños que pudieran estar presentes. a
aleatorización hace válida la prueba# haciéndola apropiada para analizar los datos como si la
suposición de errores independientes fuera cierta. Obsérvese que no hemos dicho que la
aleatorización garantiza independencia# sino sólo que la aleatorización nos

Estadistica II

Cargado por

Copyright:

Formatos disponibles

Estadistica II

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estadistica II

Cargado por

Copyright:

Formatos disponibles

UNIDAD 3

Notación: Dada la magnitud numérica (variable) Y designaremos las observaciones mediante

Análisis de una Serie de Tiempo

Componentes de la serie de tiempo

2. Variación estacional: El componente de la serie de tiempo que representa la variabilidad en los

3.2 Método De Mínimos Cuadrados

2. Tendencia no lineal Cuando la serie de tiempo presenta un comportamiento curvilíneo se dice

3.5 Tendencias No Lineales.

CONCEPTUALIZACIÓN, IMPORTANCIA Y ALCANCES DEL DISEÑO EXPERIMENTAL EN EL ÁMBITO

4.2 CLASIFICACIÓN DE LOS DISEÑOS EXPERIMENTALES

4.4 IDENTIFICACIÓN DE LOS EFECTOS DE LOS DISEÑOS EXPERIMENTALES.

También podría gustarte