Professional Documents
Culture Documents
Series de Tiempo
Integrantes:
Bernal Paola
Ing.: La Cruz Ayatholla Bolvar Roosbely
VI Semestre Ing. Sistemas Morales Carlos
Seccin: S61 Silva Yovany
Ramrez Mara
Daz Ander
Barinas/Noviembre /2016
ndice
Contenido Pg.
1. Introduccin . 3
2. Series de Tiempo. 4
3. Bsqueda Multidimensional... 12
4. Mtodo de Variaciones Cclicas 19
5. Fibonacci.. 24
6. Algoritmo de Cuasi Newton 28
7. Graficas. 31
8. Conclusin. 35
9. Bibliografa. 37
10. Anexos.. 39
2
Introduccin
3
SERIES DE TIEMPO
4
a. Componentes de la serie de tiempo
Supondremos que en una serie existen cuatro tipos bsicos de variacin,
los cuales sobrepuestos o actuando en concierto, contribuyen a los cambios
observados en un perodo de tiempo y dan a la serie su aspecto errtico. Estas
cuatro componentes son: Tendencia secular, variacin estacional, variacin cclica
y variacin irregular.
Supondremos, adems, que existe una relacin 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 comn el resultado de factores a largo plazo. En trminos
intuitivos, la tendencia de una serie de tiempo caracteriza el patrn gradual
y consistente de las variaciones de la propia serie, que se consideran
consecuencias de fuerzas persistentes que afectan el crecimiento o la
reduccin de la misma, tales como: cambios en la poblacin, en las
caractersticas demogrficas de la misma, cambios en los ingresos, en la
salud, en el nivel de educacin y tecnologa. Las tendencias a largo plazo
se ajustan a diversos esquemas. Algunas se mueven continuamente haca
arriba, otras declinan, y otras ms permanecen igual en un cierto perodo o
intervalo de tiempo.
5
nieve y ropa de abrigo esperan un comportamiento anual opuesto al del
fabricante de albercas.
6
disminuye a un ritmo constante. El mtodo que se utiliza para obtener la
lnea recta de mejor ajuste es el Mtodo de Mnimos Cuadrados.
2. Tendencia no lineal: Cuando la serie de tiempo presenta un
comportamiento curvilneo se dice que este comportamiento es no lineal.
Dentro de las tendencias no lineales que pueden presentarse en una
serie se encuentran, la polinomial, logartmica, exponencial y potencial,
entre otras.
7
Resumen de clculos para promedios mviles de tres semanas
Tabla N1
Semana Valor de la serie de Pronstico de la i-sima
tiempo (miles de semana con
galones) Promedios mviles
1 17
2 21
3 19
4 23 (17+21+19)/3 = 19
5 18 (21+19+23)/3 = 21
6 16 ((19+23+18)/3 = 20
7 20 19
8 18 18
9 22 18
10 20 20
11 15 20
12 22 19
8
Tabla N2
Semana Valor de la serie de Pronstico de la i-sima semana con
tiempo (miles de Promedios mviles para 3 aos
galones)
1 17
2 21 (17+21+19)/3 = 19
3 19 (21+19+23)/3 = 21
4 23 (19+23+18)/3 = 20
5 18 (23+18+16)/3 = 19
6 16 18
7 20 18
8 18 20
9 22 20
10 20 19
11 15 19
12 22
9
Puede observarse que el dato ms alejado (correspondiente a la
primera semana) tiene el factor de ponderacin ms pequeo, el siguiente
tiene un factor de ponderacin del doble que el primero y el dato ms reciente
(que corresponde a la tercera semana) tiene un factor de ponderacin del
triple del primero. Los pronsticos para las diversas semanas se presentan en
la siguiente tabla. En todos los casos, la suma de los factores de ponderacin
debe ser igual a uno.
Tabla N3
Semana Valor de la serie Pronstico de la i-sima semana con
de tiempo (miles Promedios mviles para 3 aos
de galones)
1 17
2 21
3 19
4 23 19.33
5 18 21.33
6 16 19.83
7 20 17.83
8 18 18.33
9 22 18.33
10 20 20.33
11 15 20.33
12 22
3. Suavizamiento exponencial
El suavizamiento exponencial emplea un promedio ponderado de la serie
de tiempo pasada como pronstico; es un caso especial del mtodo de promedios
mviles ponderados en el cual slo se selecciona un peso o factor de
10
ponderacin: el de la observacin ms reciente. En la prctica comenzamos
haciendo que F1, el primer valor de la serie de valores uniformados, sea igual a Y 1,
que es el primer valor real de la serie. El modelo bsico de suavizamiento
exponencial es el siguiente:
Ft+1 =Yt +(1-) Ft
Donde:
Ft+1 = pronstico de la serie de tiempo para el perodo t+1
Yt = valor real de la serie de tiempo en el perodo t
Ft = pronstico de la serie de tiempo para el perodo t
= constante de suavizamiento, 0 1
F2 =Y1 +(1-) F1
F2 =Y1 +(1-) Y1
F2 =Y1
F3 =Y2 +(1-) F2
F3 =Y2 +(1-) Y1
11
Para mostrar el mtodo de suavizamiento exponencial, retomamos el
ejemplo de la gasolina, utilizando como constante de suavizamiento = 0.2:
Tabla N3
galones/semana Pronstico
Semana ( t ) Valor (Yi) Ft
1 17 F1 = Y1 = 17.00
2 21 F2 = F1 =17.00
3 19 F3 = Y2+(1-)F2 = 17.80
4 23 F4 = Y3 + (1-)F3 = 18.04
5 18 F5 = Y4 + (1-)F4 = 19.03
6 16 F6 = Y5 + (1-)F5 = 18.83
7 20 F7 = Y6 + (1-)F6 = 18.26
8 18 F8 = Y7 + (1-)F7 = 18.61
9 22 F9 = Y8 + (1-)F8 = 18.49
10 20 F10 = Y9 + (1-)F9 = 19.19
11 15 F11 = Y10 + (1-)F10 = 19.35
12 22 F12 = Y11 + (1-)F11 = 18.48
12
BSQUEDA MULTIDIMENSIONAL
Algoritmo base
Dado un punto inicial xk.
Hallar o fijar una direccin de bsqueda dk.
Encontrar un salto k
Generar un nuevo punto: xk+1 = xk + k * dk.
13
Tcnicas de Bsqueda Multidimensionales
1. Eliminacin multivariable
14
Este mtodo da resultados superiores, por lo que se califica de optimista y
debe emplearse con mucha precaucin. Tan slo debe aplicarse a comunidades
en plena dinmica de crecimiento, con grandes posibilidades de desarrollo y
horizontes libres.
15
probabilidad acumulada y se procede al muestreo ( el muestreo se realiza por
el mtodo de Montecarlo).
16
simulacin con puntos de operacin definidos en la direccin dada por el signo
de los coeficientes del modelo ajustado, con incremento en las variables
proporcionales a la magnitud de los coeficientes. Lo anterior se realiza
mientras exista mejoramiento de la respuesta o hasta encontrarse con una
restriccin, debido a que, si se encuentra una restriccin, los experimentos
deben realizarse a travs de la direccin impuesta por el vector director de la
misma. El mejor punto encontrado en la trayectoria de bsqueda se toma como
el punto central para un nuevo diseo experimental.
Este mtodo se experimenta en una funcin que emula el funcionamiento
del mismo; para ello recie como parmetros los coeficientes del modelo ajustado,
el margen de operacin y el punto actual de operacin, retornando un nuevo punto
de operacin.
9. Mtodo de Newton Raphson: Es un algoritmo eficiente para encontrar
aproximaciones de los ceros o races de una funcin real. Tambin puede ser
usado para encontrar el mximo o mnimo de una funcin, encontrando los
ceros de su primera derivada.
17
funcin, donde gradiente es 0. El mtodo del neutonio asume que la funcin se
puede localmente aproximar como ecuacin cuadrtica en la regin alrededor
del grado ptimo, y utiliza los primeros y segundos derivados para encontrar el
punto inmvil.
18
MTODOS DE VARIACIONES CCLICAS
19
1) Mtodo Grafico
a) Se efecta la representacin grfica de la serie ordenada Yt
b) Se unen mediante segmentos rectilneos todos los puntos altos de la
serie, obtenindose una poligonal de cimas
c) Se realiza lo mismo con los puntos bajos, obtenindose la lnea poligonal
de fondos
d) Se trazan perpendiculares al eje de abscisas por los puntos cimas y
fondos.
e) La tendencia viene dada por la lnea amortiguada que une los puntos
medios de los segmentos
c) La serie formada por las medias de Yt, nos indica la lnea amortiguada de
la tendencia 6
20
Modelo de variacin estacional o cclica
Frmulas
Donde ...
21
Solucin
El primer paso consiste en determinar el promedio general de las ventas,
para ello hemos de sumar las ventas totales y dividirlas entre el nmero de
trimestres.
22
Teniendo en cuenta que se desean vender un total de 12000 kits para el
ao 2015, calcularemos el promedio general de las ventas para dicho ao, para
ello dividiremos sta cantidad en la cantidad de trimestres.
23
FIBONACCI
Sucesin de Fibonacci
24
conferas. De igual manera, se encuentra en la estructura espiral del caparazn de
algunos moluscos, como el nautilus.
Historia
Nmero de Parejas de
Explicacin de la genealoga
Mes conejos
Comienzo 1 pareja en
Nace una pareja de conejos (pareja A).
del mes 1 total.
1+1=2
La pareja A da a luz a la pareja B. Se
Fin del mes 2 parejas en
vuelve a cruzar la pareja A.
total.
25
La pareja A da a luz a la pareja C. La 2+1=3
Fin del mes 3 pareja B cumple 1 mes. Se cruzan las parejas en
parejas A y B. total.
26
a infinito; es ms: el cociente de dos trminos sucesivos de toda sucesin
recurrente de orden dos tiende al mismo lmite. Esta sucesin tuvo popularidad en
el siglo XX especialmente en el mbito musical, en el que compositores con tanto
renombre como Bla Bartk, Olivier Messiaen, la banda Tool yDelia Derbyshire la
utilizaron para la creacin de acordes y de nuevas estructuras de frases
musicales.
La regla
donde:
x6 = x6-1 + x6-2 = x5 + x4 = 5 + 3 = 8
-Al construir bloques cuya longitud de lado sean nmeros de Fibonacci se obtiene
un dibujo que asemeja al rectngulo ureo.Anexo4
-Los nmeros de Fibonacci son la suma de las diagonales (marcadas en rojo)
del tringulo de Pascal. Anexo5
-Botn de Camomila amarilla mostrando la ordenacin en espirales de mdulos 21
(color azul) y 13 (color cian). Este tipo de arrollamientos utilizando nmeros
consecutivos de Fibonacci aparecen en una gran variedad de plantas. Anexo6
27
MTODO DE CUASI NEWTON
Implementaciones
28
La idea fundamental de los mtodos Quasi-Newton es intentar construir una
aproximacin de la inversa del Hessiano, usando informacin obtenida durante el
proceso de descenso Estos mtodos son similares a los mtodos de gradiente
conjugado en el sentido de que se basan principalmente en propiedades de las
funciones cuadrticas. Sin embargo, en el mtodo del gradiente conjugado, la
principal fortaleza de la bsqueda se deriva del uso de las direcciones conjugadas
de bsqueda, mientras que los mtodos de Quasi-Newton estn diseados para
imitar ms directamente las caractersticas positivas del mtodo de Newton pero
usando solo informacin de primer orden.
End
Ejemplo
Consideremos
29
Una solucin es x = (1,1)T. Aplicamos el algoritmo 3.1 comenzando desde
x0 = (2,3) y hj = 107|xj|, j = 1,2.
J0 = 4.0000003309615 6.0000002122252
2.7182824169358 27.000002470838
30
GRAFICAS
31
Grafica Numero 2 anlisis de serie de tiempo
//Variables
float trimestre value [6 6,25 6,5 6,75 7 7,25 7,5 7,75 8 8,25 8,5 8,75 9 9,25 9,5 9,75 10
10,25 10,5 10,75];
float datos value [2 2 3 3 3 4 5 4 2 4 5 4 4 5 7 3 5 6 8 5];
>> cftool(trimestre,datos);
[xData, yData] = prepareCurveData( x, y );
% Set up fittype and options.
ft = fittype( 'poly1' );
% Fit model to data.
[fitresult, gof] = fit( xData, yData, ft );
% Plot fit with data.
figure( 'Name', 'serie' );
h = plot( fitresult, xData, yData );
legend( h, 'y vs. x', 'serie', 'Location', 'NorthEast' );
% Label axes
xlabel x
ylabel y
grid on
32
Grafica Numero 3 bsqueda multidimensional: interpolacin cuadrtica
//Variables
Int x value [-1 0 2 3];
Int y value [6 1 3 10];
>> cftool(y,x);
%% Fit: 'interpolacion'.
[xData, yData] = prepareCurveData( x, y );
% Set up fittype and options.
ft = fittype( '(a*x.^2)+(-b*x)+c', 'independent', 'x', 'dependent', 'y' );
opts = fitoptions( 'Method', 'NonlinearLeastSquares' );
opts.Display = 'Off';
opts.StartPoint = [0.695133834255146 0.217595711331137 0.112078733868331];
% Fit model to data.
[fitresult, gof] = fit( xData, yData, ft, opts );
% Plot fit with data.
figure( 'Name', 'interpolacion' );
h = plot( fitresult, xData, yData );
legend( h, 'y vs. x', 'interpolacion', 'Location', 'NorthEast' );
% Label axes
xlabel x
ylabel y
grid on
33
Algoritmo de Fibonacci
//ejecucin;
>> fibonachi
cuantos terminos tiene la sucesion9
la sucesion de fibonachi es
1 1 2 3 5 8 13 21 34
34
CONCLUSIN
35
se utiliza en concreto en problemas importantes y especialmente difciles y
cuando el problema cuenta con costes inciertos o valores donde la
incertidumbre puede ser estimada en un grado de fiabilidad apropiado.
36
BIBLIOGRAFA
Anderson, Sweeney, Williams Grace Acosta Villalobos Series de Tiempo
(26 de agosto de 2011). Disponible
en:http://www.estadistica.mat.uson.mx/Material/seriesdetiempo.pdf
[Consulta; 2016 noviembre 8]
https://es.wikipedia.org/wiki/Sucesi%C3%B3n_de_Fibonacci
37
-Kenneth, H. Rosen (2003). Discrete mathematics and its applications. McGraw
Hill. ISBN 0-07-123374-1.
-Kenneth H. Rosen; John G. Michaels (1999). Handbook of discrete and
combinatorial mathematics. CRC. ISBN 0-8493-0149-1.
-N. N. Vorobiov (1974). Nmeros de Fibonacci. Editorial Mir, Mosc, Coleccin
Lecciones Populares de Matemticas. Traduccin al espaol de Carlos Vega,
catedrtico de Matemticas Superiores y candidato a doctor en ciencias fsico-
matemticas.
-A. I. Markushevich (1974; 1981). Sucesiones recurrentes. Editorial Mir, Mosc,
Coleccin Lecciones Populares de Matemticas. Traduccin al espaol de
Carlos Vega.
Luca Pacioli (1946). La Divina Proporcin. Editorial Losada, Buenos Aires.
Hrant Arakelian (2014). Mathematics and History of the Golden Section. Logos,
404 p. ISBN 978-5-98704-663-0, (rus.)
https://en.wikipedia.org/wiki/Quasi-Newton_method
38
ANEXOS
Anexo1
Anexo2
39
Grfica de la sucesin de Fibonacci
Anexo3
Anexo4
40
Rectngulo ureo
Anexo5
41
Anexo6
42