CUADRO SINÓPTICO

VALERIA UGALDE REYNAUD

¿QUÉ ES?

• (T): Movimiento regular de la serie, a largo plazo.
• (E): Oscilaciones a corto plazo del período regular, de duración menor o igual a un año.
• (C): Movimientos a medio plazo (superior a un año) en torno a la tendencia cuyo período y amplitud pueden presentar cierta regularidad.
• (A): Son fluctuaciones producidas por factores eventuales, esporádicos e imprevisibles, que no muestran una periodicidad reconocible.

COMPONENTES

Es una sucesión de observaciones de una variable tomadas en el transcurso del tiempo, de manera que los valores que toma la variable aparecen ordenados en el tiempo.

CONCLUSIÓN

• Tendencia (T)
• Variaciones estacionales (E)
• Variaciones cíclicas (C)
• Variaciones irregulares o accidentales(A)

Las series de tiempo ayudan a descubrir, explicar, predecir y controlar aquellos procesos que de alguna manera se presenten en el tiempo, si bien hay que recordar que la observación se da de manera ordenada en el tiempo por lo que su aplicación se refleja de manera concreta en diferentes áreas científicas y sociales ayudando a pronosticar eventos futuros o a tomar decisiones muy importantes de diferentes tipos. Las series de tiempo según la tendencia es válido si es que no se dan otros factores que puedan influenciar de manera significativa la tendencia de ocurrencia de los datos, en nuestro caso un avance tecnológico inesperado podría alterar considerablemente el comportamiento de la tendencia.Algunas de las áreas de aplicación de Series de Tiempo son: • Economía • Meteorología • Geofísica • Química • Demografía • Medicina • Marketing • Telecomunicaciones • Transporte

VARIABLES

EJEMPLO

• Dependiente: se refiere a la variable que se está estudiando o analizando en relación con otras variables. Esta variable es aquella cuyos valores son influenciados por las variables independientes en el modelo.
• Independiente: Es la variable que se manipula o controla en un experimento o estudio, y se cree que tiene un efecto sobre la variable dependiente.

En la tabla 2.1 se presentan los datos trimestrales de unidades habitacionales iniciadas en los Estados Unidos desde el tercer trimestre de 1964 hasta el segundo trimestre de 1972 [1]. (Es necesario advertir que para el análisis de tendencia el periodo que se considera debería ser más largo. Sin embargo, ya que el propósito principal es el de ilustrar el método de descomposición y las técnicas para inferir partiendo de los elementos así descompuestos, la insuficiencia de los datos no tiene por qué interesar.) Tabla 2.1: Nuevas unidades habitacionales comenzadas en los Estados Unidos del tercer trimestre de 1964 al segundo trimestre de 1972 (en miles de unidades).

Sea t cada uno de los 32 trimestres que van de 1964 a 1972, o sea que t = 1 para el tercer trimestre de 1964, t = 2 para el cuarto trimestre, y así sucesivamente. Así que el dominio de definición de t es el conjunto de los enteros de 1 a 32 inclusive. Sea T(t) las iniciaciones de viviendas trimestralmente. Los valores de t y T(t) se dan en la tabla 2.2. Para calcular los valores de a y de b en la recta de tendencia: T(t) = a + bt

HIPÓTESIS

Modelo Clásico de Línea de Tiempo en Estadística Inferencial

H0: La hipótesis nula: Es una afirmación de que no hay diferencia entre las variables: no están relacionadas. A menudo, esto puede considerarse el statu quo y, como resultado, si no se puede aceptar lo nulo, se requiere alguna acción. Ha: La hipótesis alternativa: Es una afirmación sobre la población que es contradictoria con H0 y lo que concluimos cuando rechazamos H0. Esto es normalmente lo que el investigador está tratando de probar.

Se obtienen las siguientes cifras a partir de los datos de la tabla 2.1. Tabla 2.2: Cálculo de la tendencia de las viviendas comenzadas en los Estados Unidos del tercer trimestre de 1964 al segundo trimestre de 1972

Entonces, la recta de tendencia es T(t) = 285,39 + 6,34× t La figura 2.3 muestra gráficamente la recta de tendencia ajustada a los datos trimestrales de la tabla 2.2. La recta de trazos después de 1972 representa proyecciones (ver sección 3 Predicciones).

MÉTODOS UTILIZADOS

• Análisis de tendencia: Ajusta un modelo de tendencia general a los datos de las series de tiempo. Elija entre los modelos de tendencia lineal, cuadrático, crecimiento o decadencia exponencial y curva S.
• Descomposición: Separa las series de tiempo en componentes de tendencia lineal, componentes estacionales y el error.
• Promedio móvil: Suaviza los datos al promediar las observaciones consecutivas en una serie.
• Suavización exponencial individual: Este procedimiento funciona mejor sin un componente de tendencia o estacional.
• Suavización exponencial doble: Este procedimiento puede funcionar adecuadamente cuando hay una tendencia, pero también puede servir como un método de suavización general.
• Método de Winters: Calcula estimaciones dinámicas para tres componentes: nivel, tendencia y estacional.

VALERIA UGALDE REYNAUD

Referencias bibliográfias

Introducción al analisis clasico de series de tiempo. (n.d.). https://ciberconta.unizar.es/leccion/seriest/100.HTMMétodos para analizar las series de tiempo - Minitab. (n.d.). (C) Minitab, LLC. All Rights Reserved. 2023. https://support.minitab.com/es-mx/minitab/20/help-and-how-to/statistical-modeling/time-series/supporting-topics/basics/methods-for-analyzing-time-series/ Illowsky, B., & Dean, S. (2022, 14 febrero). 9.1 Hipótesis nula y alternativa - Introducción a la estadística | OpenStax. https://openstax.org/books/introducci%C3%B3n-estad%C3%ADstica/pages/9-1-hipotesis-nula-y-alternativa