Instituto Tecnológico Superior de

Coatzacoalcos.
División de Ingeniería Industrial.

FEBRERO – JUNIO 2019.

Nombre del Alumno: Zapot Casanova Diana

Guadalupe.
Apellido Paterno Apellido Materno Nombre(s)

ASIGNATURA: ESTADISTICA INFERENCIAL II

UNIDAD 2. ‘’ SERIES DE TIEMPO’’.

Nombre del Docente: Jiménez Ventura Bricio.

TRABAJO DE INVESTIGACIÓN
Apellido Paterno Apellido Materno Nombre(s)

Carrera: Ing. Industrial Semestre: 4° Grupo: ¨C¨

No
Control: 17081143.
ÍNDICE.

Introducción. 3

UNIDAD 2. ‘’ SERIES DE TIEMPO’’.

2.1 Modelo clásico de series de tiempo. 4

2.2 Análisis de fluctuaciones. 7

2.3 Análisis de tendencia. 8

2.4 Análisis de variaciones cíclicas. 12

2.5 Medición de variaciones estacionales e irregulares. 13

2.6 Aplicación de ajustes estacionales. 16

2.7 Pronósticos basados en factores de tendencia y estacionales. 19

2.8 Tendencia y estacionales. 21

Conclusión. 23

Referencias bibliográficas. 24

2
INTRODUCCIÓN.

La planificación racional exige prever los sucesos del futuro que probablemente
vayan a ocurrir. La previsión, a su vez, se suele basar en lo que ha ocurrido en el
pasado. Se tiene pues un nuevo tipo de inferencia estadística que se hace acerca
del futuro de alguna variable o compuesto de variables basándose en sucesos
pasados. La técnica más importante para hacer inferencias sobre el futuro con base
en lo ocurrido en el pasado, es el análisis de series de tiempo.

Son innumerables las aplicaciones que se pueden citar, en distintas áreas del
conocimiento, tales como, en economía, física, geofísica, química, electricidad, en
demografía, en marketing, en telecomunicaciones, en transporte, etc.

3
 UNIDAD 2. ‘’ SERIES DE TIEMPO’’.

2.1 MODELO CLÁSICO DE SERIES DE TIEMPO.

El modelo clásico o de descomposición, considera que los datos de series

cronológicas están compuestos de cuatro patrones básicos.

1. La tendencia.
2. Las variaciones cíclicas.
3. Las variaciones estacionales.
4. Las variaciones irregulares.

El término “tendencia” se refiere a un desplazamiento

de los datos de modo uniforme y suave, a largo plazo,
hacia arriba o hacia abajo. Las tendencias se pueden
relacionar con aspectos tales como cambios en la
población (quizá influidos por el incremento de
personas jubiladas o a la disminución en la tasa de
natalidad), el establecimiento o abolición del servicio
militar, cambios en las preferencias del consumidor,
aumento en el énfasis sobre la conservación de
energía, etc.

Los componentes de una serie cronológica se pueden

representar por separado.

Existe un patrón cíclico cuando las fluctuaciones muestran cierto grado de

regularidad. Los economistas han encontrado modelos cíclicos en la demanda de
productos duraderos y de tipo agrícola, inventarios de las empresas, precios en el
mercado de valores, así como la prosperidad. Asimismo, existen pruebas de que
las manchas solares, la lluvia y ciertas poblaciones animales presentan patrones
cíclicos. Los ciclos tienden a variar en términos de regularidad, siendo algunos
4
completamente regulares y otros un poco más inconstantes. Aun entre los expertos
existe poco acuerdo sobre las causas o remedios para los ciclos.

Las variaciones estacionales son cíclicas y de plazo relativamente corto (un año o
menos), las cuales a menudo se relacionan con el cambio de estaciones (clima) o
con las variaciones.

Las variaciones irregulares se componen de cosas tales como desastres, huelgas y

todo lo restante después de haber considerado los primeros tres factores.

En el modelo clásico, el método consiste en descomponer una serie cronológica en

cada uno de estos componentes básicos de variación, analizar cada componente
en forma separada y combinar después las series a fin de descubrir las variaciones
observadas en la variable de estudio. El proceso de descomposición comprende la
separación sistemáticamente de cada componente a partir de los datos, empezando
con la tendencia.

El enfoque clásico para el análisis de los datos de series cronológicas intenta

separar componentes de tendencia, cíclicos, irregulares y estacionales de los datos,
a fin de analizar por separado cada uno de ellos.

Una serie cronológica puede estar compuesta de variaciones de tendencia, cíclicas

y estacionales.

5
Modelos multiplicativo y aditivo

Existen dos variaciones del modelo clásico. Una recibe el nombre de “multiplicativo”
y la otra, de “aditivo”. La primera de estas considera a una serie cronológica como
si fuera la resultante del producto de los componentes individuales, en tanto que la
ultima la considera como si fuera la resultante de la suma de los componentes
individuales. De este modo, el modelo multiplicativo tiene forma:

𝑌 =𝑇×𝐶×𝐸×𝐼

Donde

T= componente de la tendencia

C= componente cíclico.

E= componente estacional.

I= componente irregular

Y el modelo aditivo adquiere la forma:

𝑌 =𝑇+𝐶+𝐸+𝐼

En ambos modelos, la cifra de la tendencia es una cantidad real (por ejemplo, 20

000 bushels). En el modelo aditivo, C, E, e I. también son cantidades reales, pero
en el modelo multiplicativo C, E, e I se expresan como porcentajes de la tendencia.
Aunque puede parecer más sencillo trabajar con el modelo aditivo, en el modelo
multiplicativo se utiliza más, debido principalmente a que representa de manera más
adecuada la experiencia real. Sin embargo, el criterio fundamental que se debe
seguir en el caso de una situación dada es utilizar el modelo que mejor se ajuste a
los datos.

6
 2.2 ANÁLISIS DE FLUCTUACIONES

Las fluctuaciones son movimientos de hacia arriba o hacia abajo variantes de

magnitud que presentan cuando los patrones cíclicos (variables) tienden a repetirse
constantemente en intervalos fijos observados.

Las fluctuaciones estacionales son variaciones que se repiten regularmente en un

periodo de un año. Existen dos objetivos generales para aislar el componente
estacional de una serie cronológica. El primero es eliminar el patrón, a fin de estudiar
las fluctuaciones cíclicas. La segunda finalidad es identificar factores estacionales,
de manera que se puedan considerar en la toma de decisiones. Por ejemplo, si una
compañía productora se la cuenta de que existen fluctuaciones estacionales en la
demanda de un determinado producto, es posible que desee ajustar sus
presupuestos, programas de producción, mano de obra e inventarios, teniendo esto
en mente. Por lo general, tales ajustes resultan muy costosos. Por ejemplo, la
compañía puede buscar un producto
complementario el cual presente variaciones
estacionales en su demanda opuesta a las del
mismo. La demanda de esquíes para nieve y
para agua puede presentar dichos patrones. De
manera similar, la demanda de equipo de
calefacción, así como la de quipo para aire
acondicionado puede tener patrones
estacionales opuestos.

En otras ocasiones, los medios de publicidad y

de promoción pueden contrarrestar las
variaciones estacionales en la demanda.

7
Para probar y encarar los patrones estacionales, es necesario identificar y
determinar primero la extensión de estas variaciones. La técnica más difundida pare
el análisis estacional es método de la razón de promedio móvil.

Tabla. Eliminación de la tendencia en un modelo multiplicativo, mediante regresión

lineal.

2.3 ANÁLISIS DE TENDENCIA

Tendencia secular

Tendencias a largo plazo de las ventas, el empleo, los precios accionarios y de otras
series de negocios y económicas siguen varios patrones; algunas se mueven hacia
arriba de manera uniforme, otras declinan y otras más permanecen iguales con el
paso del tiempo. El cambio a través del tiempo puede ser lineal y seguir una línea
recta, o puede incrementarse a un ritmo exponencial; el cambio a largo plazo (o la
ausencia de cambio) se denomina tendencia de la serie de tiempo o, de manera
más precisa, la tendencia secular.

La tendencia secular es la dirección uniforme de una serie de tiempo de largo plazo.

Años asociados años asociados

1993 50.6 2003 298.8
1994 67.3 2004 323.1
1995 80.8 2005 344.8
1996 98.1 2006 364.4
1997 124.4 2007 331.0
1998 156.7 2008 322.0
1999 201.4 2009 317.0
2000 277.3 2010 321.0
2001 256.3 2011 331.0
2002 280.9 2012 340.0

8
Tendencia lineal

La tendencia de largo plazo de muchas series de negocios, como ventas,

exportaciones y producción, con frecuencia se aproxima a una recta; en este caso
la ecuación para describir este crecimiento es.

Supondremos aquí que la componente estacional E(t) no está presente y que el modelo aditivo
es adecuado, esto es:

X(t) = T(t) + A(t), d’onde A(t) es ruido blanco.

Hay varios métodos para estimar T(t). Los más utilizados consisten en:

1) Ajustar una función del tiempo, como un polinomio, una exponencial u otra
función suave de t.
2) Suavizar (o filtrar) los valores de la serie.
3) Utilizar diferencias.

La determinación de la tendencia secular solamente se debe realizar cuando se

disponga de una larga serie de observaciones, en otro caso podrían obtenerse
conclusiones erróneas. Los métodos más utilizados para aislar la tendencia secular
son:
1) Método gráfico.
2) ) Método de las medias móviles.
3) ) Método de los mínimos cuadrados.
Para hacer predicciones se debe estimar la tendencia por el método de los mínimos
cuadrados.
A) MÉTODO GRÁFICO
Se trata de un método muy sencillo, ya que permite obtener una línea de tendencia
sin necesidad de realizar ningún cálculo.
9
El proceso consiste en la representación gráfica de la serie, uniendo mediante
segmentos rectilíneos los puntos altos que presentan la serie, lo mismo se hace con
los puntos bajos. De este modo, aparecen dos líneas: la poligonal de cimas y la
poligonal de fondos.
Se unen los puntos medios de los segmentos que separan ambas poligonales,
obteniendo una línea mucho más suave que las dos anteriores que indica la
dirección predominante, esto es, su tendencia.
El método gráfico presenta una falta de objetividad, aunque en algunos casos puede
resultar útil para analizar una ligera aproximación.

B) MÉTODO DE LAS MEDIAS MÓVILES

Es un método mecánico mediante el que se sustituye la serie original por una serie
suavizada, que se toma como línea de tendencia.

El método de las medias móviles no sirve para hacer predicciones, dado que solo
proporciona el valor de la tendencia en el intervalo de tiempo para el que se
disponen los datos de la serie (excepto los valores que se pierden al principio y al
final de promediar), no para momentos futuros.

Dada una serie temporal t Y, t (t, t, t) ≡ 1 2 L n, i =1 ,2, L, k, el método para suavizar

la serie y determinar la tendencia, consiste en promediar cada valor con algunas de
las observaciones que le preceden y le siguen.

El método consiste en sustituir cada t y por la media móvil t y, la longitud k de la

media móvil viene determinada por el número de subperíodos (trimestres,
cuatrimestres, semestres, etc.) considerados en el año, con lo que se eliminan las
variaciones estacionales y accidentales (también se puede hacer con datos anuales
para intentar eliminar el ciclo).

Podemos encontrarnos con dos casos:

1. k es impar, todos los subíndices de las medias móviles serán números

enteros, y, en consecuencia, la serie de las medias móviles estará centrada, se

10
pierden (k −1) datos, la mitad al principio y la otra mitad al final. La línea de tendencia
estará formada por la unión de los puntos (t, y) t.
2. K es par, de manera que los subíndices no serán siempre enteros y, por
tanto, la serie no estará centrada. En este caso, no es necesario centrarla, para lo
que se calcula la media aritmética entre dos valores consecutivos de las medias
móviles calculadas anteriormente, representándola por t y, donde 3, L 2 k 2, 2 k 1,
2 k t = + + +. Se pierden k datos y la línea de tendencia estará formada por los
puntos (t, y) t.

c) ANÁLISIS DE LA TENDENCIA: MÉTODO ANALÍTICO MÍNIMOS CUADRADOS

Se expresa la tendencia mediante una función matemática, a partir de los valores

de la variable dependiente Y en el tiempo t. Distinguiendo:

Θ Cuando se dispone de datos anuales, la tendencia anual de la serie se define

como: T yˆ a bit t = t = +

Θ Cuando se dispone de datos mensuales, trimestrales, cuatrimestrales,

semestrales, u otra periodicidad, se tienen datos de la forma:

En este caso, se siguen los pasos:

1) Se calculan las medias anuales (medias para cada año

de k observaciones)

2) La tendencia media anual t T• se obtiene ajustando una

recta de regresión a los años (t, t , ,t ) 1 2 L n y a las medias
anuales y ,donde t (t ,t , ,t ) •t ≡ 1 2 L n , resulta:

11
3) A partir de la tendencia media anual t
T• , se obtiene el valor de la tendencia
para los distintos subperíodos, según la expresión general:

donde,

t ≡ Año

i ≡ Subperíodo donde se calcula la tendencia (trimestral

i = 1, 2, 3, 4; anual i = 1, 2, …, 12)

k ≡ Número total de subperíodos (datos mensuales k = 4, cuatrimestrales k = 3,

anuales k = 12).

b ≡ Pendiente de la recta de regresión

2.4 ANÁLISIS DE VARIACIONES CÍCLICAS.

Se llama así a las oscilaciones a lo largo de una tendencia con aneroide superior al
año. El ciclo sugiere la idea de que este tipo de movimiento se repite cada cierto
periodo con característica parecidas. Los ejemplos más frecuentes se encuentran
en el campo de las variables económicas, en esto ca casos se deben principalmente
a la alternancia de las etapas de prosperidad y depresión en la actividad económica.

Los valores anuales de una serie de tiempo representan únicamente efectos de los
componentes de tendencia y cíclicos, porque ya están definidos los componentes
estacional e irregular a corto plazo.

El componente cíclico puede determinarse dividiendo los valores observados entre

el valor correspondiente de la tendencia de la siguiente manera:

12
Consisten en movimientos irregulares alrededor de la tendencia, cuyo período suele
ser superior al año. Para su determinación en el esquema multiplicativo se procede
del siguiente modo:
1. Se estima el valor teórico de tendencia Tit para cada momento de observación
de la serie.
2. Se calculan los Índices de Variación Estacional Eit .
3. Se desestacionaliza la serie original.
4. Se elimina la Tendencia, dividiendo cada valor de la serie desestacionalizada por
el correspondiente valor teórico de tendencia obtenido en el 1º apartado.
En definitiva, habiendo calculado los Índices de Variación Estacional Eit , lo que
hacemos es dividir los valores originales de la serie Yit entre it Eit T . :

5. Una vez obtenida la serie sin tendencia y sin variaciones estacionales, se

determina el período de los ciclos mediante el análisis armónico, que por ser una
técnica demasiado compleja y sofisticada no se aborda en este momento.

2.5 MEDICIÓN DE VARIACIONES ESTACIONALES E

IRREGULARES.

Las series observadas con periodicidad inferior al año (mensual, trimestral, ...)
recogen conjuntamente la evolución coyuntural, a medio y largo plazo, y las
variaciones estacionales. Para poder analizar correctamente la serie es necesario
separar estas variaciones. El procedimiento que permite aislar el componente
estacional utilizado por el SPSS se basa en la descomposición mediante medias
móviles. Se parte del supuesto de que el patrón de las variaciones estacionales se
mantiene constante año tras año, y pueden cuantificarse con números índices si el
esquema de agregación es multiplicativo o con coeficientes si el esquema es aditivo.

Los índices de variación estacional (IVE) recogen el incremento o la disminución

porcentual que el componente estacional produce en cada estación anual (mes,

13
trimestre,). Estos índices no deben incidir sobre la serie anual, por lo tanto, su
promedio anual siempre debe ser igual a 1 (o 100 si está expresado en tanto por
ciento).

Los coeficientes de variación estacional indican el valor en que aumenta o

disminuye la tendencia a causa del componente estacional. Para que estos
coeficientes no modifiquen la serie anual siempre deberán sumar 0.

Para obtener los índices o coeficientes por el método de descomposición, el SPSS

realiza las siguientes operaciones:

- estimación del componente extraestacional (Tendencia-Ciclo) con una media móvil

de orden k, siendo k el número de períodos estacionales que presenta la serie (k=12
si las observaciones son mensuales, k=4 si son trimestrales, etc);

- estimación de las variaciones estacionales específicas de cada período dividiendo

(o restando) la serie por la media móvil;

- estimación de las variaciones estacionales netas u obtención del IVE eliminando

las fluctuaciones irregulares observadas en cada período; para ello se toma el valor
mediano de las variaciones especificas de cada período estacional por separado y
se corrigen de forma que su promedio no afecte a la serie anual.

Analizar

Series Temporales

Descomposición estacional

14
Si previamente no se ha definido la variable fecha, tal y como se ha explicado en el
primer apartado, al ejecutar la secuencia anterior el programa muestra un mensaje
indicando que es necesario tener alguna variable fecha creada.

El cuadro de diálogo se debe indicar:

- la o las variables para las que se desea estimar los factores estacionales en el
cuadro Variables;

- el tipo de modelo de agregación de los componentes (multiplicativo o aditivo) con

las opciones Modelo;

- el criterio que se empleará para calcular las medias móviles de orden par (si la
periodicidad es impar todos los puntos se ponderan por igual). Las opciones
de Ponderación de la media móvil son:

- Todos los puntos son iguales calcula las medias móviles con una amplitud igual a
la periodicidad y con todos los puntos ponderados por igual.

- Puntos finales ponderados por ,5 centra las medias móviles de orden par
calculando una media móvil de orden 2 con los resultados de la primera media móvil
que se calcula con una amplitud igual a la periodicidad.

Al seleccionar Mostrar el listado por casos se obtiene un resumen para cada caso
de todos los resultados intermedios, así como los estadísticos finales.

Al aceptar, el programa genera un conjunto de variables nuevas con los resultados

del proceso: ERR, SAS, SAF y STC. Por defecto estas variables se incluyen en el

15
archivo activo, pero con el botón Guardar se puede indicar que no las cree o que
sustituya las existentes.

El componente aleatorio mide la variabilidad de las series de tiempo después de

que se retiran los otros componentes. Contabiliza la variabilidad aleatoria en una
serie de tiempo ocasionada por factores imprevistos y no ocurrentes. La mayoría de
los componentes irregulares se conforman de variabilidad aleatoria, sin embargo,
los

sucesos impredecibles pueden provocar irregularidad en una variable .

Movimientos irregulares, al azar, o ruido estadístico.

 Si bien pueden ser generados por factores de tipo económico, generalmente

sus efectos producen variaciones que solo duran un corto intervalo de
tiempo.
 El criterio más lógico a seguir es aislarlos secuencialmente partiendo de la
serie original para luego analizarlos de manera individual.
 La mejor forma de apreciarlos es a través de su observación visual.

2.6 APLICACIÓN DE AJUSTES ESTACIONALES.

Una aplicación frecuente de índices estacionales es la de ajustar datos de serie de

tiempo observados para eliminar la influencia del componente estacional en ellos;
se llaman datos con ajuste estacional. Los ajustes estacionales son particularmente
pertinentes cuando se desea comparar datos de diferentes meses para determinar
si ha tenido lugar un incremento (o decremento) en relación con las expectativas
estacionales. Los valores de serie de tiempo mensuales (o trimestrales) observados
se ajustan respecto de la influencia estacional dividiendo cada valor entre el índice

16
mensual (o trimestral) de ese mes. El resultado se multiplica luego por 100 para
mantener la posición decimal de los datos originales. La serie que resultante se
llama ventas desestacionalizadas o ventas ajustadas estacionalmente. La razón
para desestacionalizar las series de ventas es similar las fluctuaciones estaciónale
a fin de estudiar la tendencia y el ciclo. Para ilustrar el procedimiento, los totales
trimestrales de ventas de la empresa

A fin de eliminar el efecto de la variación estacional, la cantidad estacional, la

cantidad de ventas para cada trimestre (que contiene efectos de tendencia, cíclicos,
irregulares y estaciónales) se divide entre el índice estacional de ese trimestre; esto
es, TSCI/S.

Por ejemplo, las ventas reales para el primer trimestre de 1996 fueron 6.7 millones
de dólares, el índice estacional para el trimestre de invierno es 76.5 el índice 76.5
indica que las ventas en el primer trimestre normalmente se encuentran 23.5% abajo

17
del promedio de un trimestre normal. Dividiendo las ventas reales $6.7 millones
entre 76.5 y multiplicando el resultado por 100 se encuentra el valor de las ventas
desestacionalizadas del primer trimestre de 1996. El valor es $8758170 que se
obtuvo de ($6700000/76.5)100.

Este proceso se repite con los demás trimestres en la columna 3 de la tabla 5.2 y
los resultados se dan en millones de dólares. Puesto que la componente estacional
izadas contiene solo las componentes de tendencia (T), ciclo © e irregular (I). Al
revisar las ventas desestacionalizadas. Es claro que la eliminación del factor
estacional permite considerar la tendencia general a largo plazo de las ventas.
También se podrá determinar la ecuación de regresión de los datos de tendencia y
usarla para pronosticar ventas futuras

2.7 PRONÓSTICOS BASADOS EN FACTORES DE TENDENCIA Y

ESTACIONALES

Los métodos que pueden emplearse para suavizar nuestros datos usualmente son:

a) El método de promedios móviles

El método de pronóstico móvil se utiliza cuando se quiere dar más importancia a

conjuntos de datos más recientes para obtener la previsión. Cada punto de una
media móvil de una serie temporal es la media aritmética de un número de puntos
consecutivos de la serie, donde el número de puntos es elegido de tal manera que
los efectos estacionales y / o irregulares sean eliminados.

¿Cuándo utilizar un pronóstico de promedio móvil?

18
El pronóstico de promedio móvil es óptimo para patrones de demanda aleatoria o
nivelada donde se pretende eliminar el impacto de los elementos irregulares
históricos mediante un enfoque en períodos de demanda reciente.

19
 b) El método de suavización exponencial

En el método de suavización o suavizamiento exponencial 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 utilizar un pronóstico de suavización exponencial simple?

El pronóstico de suavización exponencial 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.

20
 2.8 TENDENCIA Y ESTACIONALES.

Series con tendencia.

Hablar de tendencia es más o menos evidente cuando uno ve la gráfica de la serie
de tiempo. Se observa, o una posible recta o una curva y lo que uno hace es ajustar
los datos o transformar los valores de la serie, ejemplo por logaritmos; para ver
algún posible ajuste.

Pero detrás de la idea de un ajuste, está la idea de hacer una regresión a los datos,
ya sea lineal o no lineal, es el caballito de batalla al momento de hacer algún modelo
o alguna predicción. Entonces las herramientas son estándar y bien conocidas.

En este ejemplo se ve como al hacer el ajuste la recta parece ser un buen modelo
de tendencia, y el resumen de estadístico del ajuste indica que se explica el 64% de
variabilidad de la serie y se puede considerar como valido el ajuste al ver el p-Valor.
Sobre estos estadísticos comento más adelante.

En el segundo ejemplo considero 4 posibles modelos entre tres series de tiempo.

La serie que tratamos de explicar o modelar indica la media de muertes diarias por
enfermedades cardiovasculares y trata de explicar su comportamiento mediante los
datos de la contaminación y temperatura. Los datos son correspondientes a un
periodo de años desde 1990 a 1999.

Este modelo bien puede considerarse como parte de una herramienta de

exploración, pero permite ver dos cosas más. La primera, mostrar como sugerir
varios modelos y la segunda evaluar los modelos revisando sus estadísticos.

21
El polinómico es una generalización de cuadrático y cúbico, lo que puede suceder
es que sobre estime la tendencia ya que nada restringe elegir un polinomio de grado
4 o 20. En varios casos cuando se usan este tipo de modelos se usan la
regularización y la validación cruzada para determinar el mejor modelo entre los
polinómicos.

Los modelos consideran la estimación de la tendencia sobre todos los datos, es

como extraer la tendencia global de la serie. Esto es restrictivo o muy rígido al
modelar la serie, en algunos casos prácticos es suficiente este tipo de estimación
de la tendencia. Para otras situaciones se cuenta con métodos no-paramétricos que
hacen el cálculo de la tendencia de manera loca. Ejemplo, puede suceder que
localmente los datos muestren tendencias lineales pero donde los parámetros de la
recta a(t)+b(t)*T; van variando con el tiempo.

22
CONCLUSIÓN.

El objetivo de ambos métodos es el de “emparejar” la serie y proporcionar un

panorama global a largo plazo. Por otro lado, si de hecho existe una tendencia, se
pueden aplicar varios métodos de pronóstico de series de tiempo al manejar datos
anuales, y otro método para los datos de series de tiempo mensual o trimestral.

En las industrias es importante la estadística ya que gracias a ella se crean nuevas

mejoras en los productos, es decir se van mejorando según las calificaciones que
le asigne el consumidor, de esta manera buscan la mejora del producto.
La estadística es importante en nuestras vidas tanto que gracias a ellas se crean
nuevos medicamentos, ya que obtienen porcentajes cada día de enfermedades
nuevas que deben ser curadas con medicamentos para cada tipo de enfermedad.

23
REFERENCIAS BIBLIOGRÁFICAS.

 WALPOLE, R.; MAYERS, R.H.; MAYERS,

S.L. 1998. Sexta edición.
Probabilidad y Estadística Para Ingenieros.
Pearson Education

 ANDERSON, D.R.; SWEENEY, D.J.; WILLIAMS,

T.A.2005. Octava edición.
Estadística para Administración y Economía.
MATH LEARNING

 BERENSON, M.L.; LEVINE, D.M.; KREHBIEL,

T.C. 2001. Segunda edición.
Estadística para Administración.
Prentice Hall.

24