Métodos de pronósticos para series de tiempo y datos de corte transversal
Enviado por maldonado.fime • 3 de Agosto de 2016 • Prácticas o problemas • 769 Palabras (4 Páginas) • 1.102 Visitas
Nombre: Rodrigo Gerardo Aguilar Rios | Matrícula: 2536616 |
Nombre del curso: Estadística y pronósticos para la toma de decisiones. | Nombre del profesor: JOAQUIN ALEXANDER ESPINOSA BENAVIDES |
Módulo: 1. Estadística y series de tiempo. | Actividad: Tarea 2. Métodos de pronósticos para series de tiempo y datos de corte transversal |
Fecha: 20 de junio de 2016 | |
Bibliografía: USON. (s.f.). Series de Tiempo. Obtenido de http://www.estadistica.mat.uson.mx/: http://www.estadistica.mat.uson.mx/Material/seriesdetiempo.pdf |
Objetivo:
Poner en práctica los conocimientos aprendidos en lo que va del curso y poder comprender en mayor medida sobre las características más relevantes y aspectos importantes a considerar sobre los métodos de pronósticos para series de tiempo y datos de corte transversal.
Procedimiento:
- Leí con detalle las instrucciones de la actividad
- En base a lo solicitado realicé una investigación en distintas referencias electrónicas sobre la línea del tiempo y sus componentes.
- Consulté los apoyos visuales del tema 6 para la realización de las actividades.
- Recopilé los resultados en formato reporte
- Elaboré una conclusión de la actividad
Resultados:
- Describe con tus propias palabras qué significa una serie de tiempo y cuáles son sus componentes.
Serie de Tiempo: Datos estadísticos que se recopilan, observan o registran en distintos intervalos de tiempo.
- Componentes:
- Tendencia Secular: Resultado de factores a largo plazo.
- Variación Estacional: Representa la variabilidad en los datos debido a influencias de las estaciones.
- Variación Cíclica: Presentan secuencias alternas de puntos abajo y arriba de la línea de tendencia que duran más de un año.
- Variación Irregular: Se debe a factores a corto plazo, imprevisibles y no recurrentes que afectan la serie del tiempo.
- ¿Cuál de los cuatro componentes de una serie de tiempo se utilizaría para describir el efecto de las ventas navideñas de una tienda departamental de menudeo?
Basándonos en los conceptos mencionados anteriormente, la opción más eficiente para la descripción de las ventas navideñas de una tienda departamental de menudeo sería la variación estacional, esto debido a que la variación corresponde a los movimientos de la serie que recurren año tras año en los mismos meses con la misma intensidad.
- ¿Por qué es más fácil pronosticar valores para una serie de tiempo que contiene un componente estacional que uno que posee un componente cíclico? Debido a que en el componente cíclico su tendencia va a inclinada a un tiempo de duración mayor a un año, mientras que en el componente estacional, como mencionamos anteriormente, presenta el comportamiento de una sola temporada y esta corresponde a la serie que ocurre año tras año.
- Los datos que se presentan a continuación corresponden al número de autos de pasajeros (en miles) en Francia durante los años 1970 a 2005. ¿Qué componentes de la series de tiempo parecen estar presentes en esta serie?[pic 2]
- Variación irregular: Debido a que explica la variabilidad aleatoria de la seria y, al ser impredecible no puede esperar predecir su impacto sobre la serie de tiempo.
- Tendencia secular: Caracteriza el patrón gradual y consistente en las variaciones de la propia serie que se consideran consecuencias de fuerzas persistentes que afectan el crecimiento o reducción de la misma.
Dicho de otra manera, la tendencia secular marca una serie en el tiempo y muestran los cambios que tuvo el sector mientras que la variación irregular elimina los datos innecesarios para proporcionar los más relevantes y precisos.
- El gerente de un banco está interesado en reducir el tiempo que las personas esperan para ver a su asesor financiero. También le interesa la relación entre el tiempo de espera (Y) en minutos y el número de asesores atendiendo (X). Se registraron los siguientes datos:
X | 2 | 3 | 5 | 4 | 2 | 6 | 1 | 3 | 4 |
Y | 12.8 | 11.3 | 3.2 | 6.4 | 11.6 | 3.2 | 8.7 | 10.5 | 8.2 |
Realiza el diagrama de dispersión y calcula el coeficiente de correlación. ¿Qué puedes interpretar del resultado obtenido del coeficiente de correlación?
Numero de Asesores (X) | Tiempo de Espera (Y) | XY | X^2 | Y^2 |
2 | 12.8 | 25.6 | 4 | 163.84 |
3 | 11.3 | 33.9 | 9 | 127.69 |
5 | 3.2 | 16 | 25 | 10.24 |
4 | 6.4 | 25.6 | 16 | 40.96 |
2 | 11.6 | 23.2 | 4 | 134.56 |
6 | 3.2 | 19.2 | 36 | 10.24 |
1 | 8.7 | 8.7 | 1 | 75.69 |
3 | 10.5 | 31.5 | 9 | 110.25 |
4 | 8.2 | 32.8 | 16 | 67.24 |
30 | 75.9 | 216.5 | 120 | 740.71 |
3.33 | 8.43 |
[pic 3]
Coeficiente de Correlación[pic 4]
[21.65 – 9 (3.33) (8.43)]
r = --------------------------------------------------------------
[Raíz [120-9(3.33) ^2]] [Raíz [740.7 – 9(8.43) ^2]
r = - 0.800
- El siguiente conjunto de datos son las ventas semanales de un artículo de comida (en miles). Determina el coeficiente de autocorrelación r1 y prueba la hipótesis.
Hipótesis nula: la autocorrelación es igual a cero ρ1 = 0
Hipótesis alterna: la autocorrelación es diferente de cero ρ1 ≠ 0
Donde ρ es el coeficiente de autocorrelación poblacional en el lapso k. Utiliza un alfa (α) = 0.05. Interpreta el coeficiente de autocorrelación ¿Para qué te sirve este coeficiente?
...