UNIVERSIDAD NACIONAL DE INGENIERIA

FACULTAD DE INGENIERIA ECONOMICA, ESTADISTICA Y CIENCIAS SOCIALES

ESCUELA PROFESIONAL DE INGENIERIA ESTADISTICA

GUÍA DE LABORATORIO
N° 1

SERIES DE TIEMPO
ES-914
Secciones A - B

Docente: Mg. Macedo Dávila Antonieta

Septiembre 2018
 GUIA DE LABORATORIO N° 1
Setiembre del 2018

1. TÍTULO: MODELOS PARA ESTIMAR TENDENCIAS:AJUSTE

POLINOMIAL, SUAVIZACION Y DIFERENCIACIÓN___________________________2

2. RESUMEN_________________________________________________________________ 2

3. INTRODUCCIÓN___________________________________________________________ 2

4. OBJETIVOS________________________________________________________________ 2

5. FUNDAMENTO TEÓRICO__________________________________________________3

6. METODOLOGÍA____________________________________________________________4

7. RESULTADOS Y DISCUSIONES____________________________________________4

8. CONCLUSIONES___________________________________________________________4

9. RECOMENDACIONES______________________________________________________4

10. BIBLIOGRAFÍA___________________________________________________________ 4
 SERIES DE TIEMPO

GUIA DE LABORATORIO N° 1

1. Título: Modelos para estimar tendencias: Ajuste Polinomial,

Suavización y Diferenciación

Docente: Mg. Macedo Dávila Antonieta

Curso: Series de Tiempo
Código curso: ES914
Secciones: A y B
Fecha: septiembre de 2018
Periodo: 2018 II
Alumno: Pedro Enrique Falcón Peláez

2. Resumen

En el presente laboratorio los alumnos realizarán el correspondiente análisis

exploratorio del comportamiento de la serie temporal Índice de Precios
Promedio Mensual al Consumidor de Lima Metropolitana, paso seguido
procederán a aplicar el análisis de los modelos para estimar tendencias: Ajuste
Polinomial, Suavización en Medias Móviles y Diferenciación. Para finalmente
definir el modelo más óptimo, así como la técnica que se aplicó para
determinarlo; mostrando las tablas con resultados numéricos, las gráficas,
pruebas correspondientes, conclusiones y recomendaciones. El software a
emplear es EVIEWS.

3. Introducción

El análisis clásico de las series de tiempo se basa en la suposición de que los

valores que toma la variable de observación es la consecuencia de tres
componentes cuya influencia conjunta da como resultado los valores medidos,
dichos componentes son: Componente Tendencia, que es el que se analizará,
Componente aleatorio y Componente Estacional.

4. Objetivos

Objetivo general

Aplicación y elección de los modelos para estimación de tendencia, en la serie

temporal Índice de Precios Promedio Mensual al Consumidor de Lima
Metropolitana en el periodo enero 1997 a diciembre 2017.

 Objetivo específico 1
Aplicar y analizar el Ajuste Polinomial a la serie temporal Índice de Precios
Promedio Mensual al Consumidor de Lima Metropolitana en el periodo enero
1997 a diciembre 2017.
 Objetivo específico 2
Aplicar y analizar la suavización en Medias Móviles a la serie temporal Índice de
Precios Promedio Mensual al Consumidor de Lima Metropolitana en el periodo
enero 1997 a diciembre 2017.
 Objetivo específico 3
Aplicar y analizar el Método de Diferenciación a la serie temporal Índice de
Precios Promedio Mensual al Consumidor de Lima Metropolitana en el periodo
enero 1997 a diciembre 2017.

5. Fundamento Teórico

DEFINICION: La secuencia de observaciones observadas en el tiempo, y

en periodos equidistantes, denotadas por Z= Z1, Z2 , ..., Zt, es llamada
serie de tiempo; no obstante el parámetro indicador del tiempo «t»
puede ser una escala diferente, pero perfectamente ordenada. De esta
manera la sucesión de variables aleatorias Z= (Z1, Z2, ..., Zt) es una
sucesión de «t» variables aleatorias, en donde interpretamos que
t=1, ..., T como instantes equidistantes en el tiempo, por lo que Z t
puede interpretarse como el resultado de un experimento aleatorio en el
instante de tiempo t . Por ejemplo, la producción nacional mensual de
espárragos, pronostico en el próximo mes es de interés.
Tipos de variación de una serie de tiempo:
Variación en media, en tendencia, en estación y aleatoria.

Modelos para estimar tendencia

6. Metodología

(1) Realizar el análisis exploratorio a través del grafico Índice de Precios

Promedio Mensual al Consumidor versus el tiempo que corresponde
desde enero de 1997 a diciembre de 2017.
(2) Aplicar el Ajuste Polinomial y colocar los resultados en una tabla que
contenga los ajustes lineales, cuadrático, cubico, de acuarto grado y
quinto grado, con sus correspondientes indicadores los cuales servirán
para elegir el mejor ajuste.
(3) Realizar el análisis del correlograma del modelo elegido.
(4) Aplicar la suavización en Media Móviles de orden 2 al orden 6 sus
respectivos estadísticos descriptivos, los cuales servirán para elegir el
mejor modelo.
(5) Proceder a analizar el error de predicación, el cual definirá que modelo a
elegir finalmente.
(6) Aplicar el Método de Diferenciación, en primera diferencia y segunda
diferencia. Elegir el modelo óptimo.
(7) Realizar un análisis comparativo entre los métodos de estimación de
tendencia.

7. Resultados y discusiones

Análisis Exploratorio
 IPC
130

120

110

100

90

80

70

60
98 00 02 04 06 08 10 12 14 16
Se observan las siguientes características para la serie:

- La grafica de la serie presenta una tendencia creciente.

- La serie presenta variación en media, es decir que no es
estacionaria en media.
- La serie es estacionaria en varianza.
-
En conclusión, la serie es no estacionaria.
Ajuste Polinomial

Para estimar la componente de la tendencia de la serie, aplicaremos el ajuste

polinomial.

Suma de Criterio de Criterio de Raíz del

Ajuste Errores de Información de Schwarz Error
Polinomial la Regresión Akaike Cuadrático
Medio
Lineal 2.467104 4.651872 4.679884 2.457295
Cuadrático 1.360029 3.464722 3.506739 1.351909
Cúbico 1.192051 3.204973 3.260995 1.182552
Cuarto
0.946826 2.748238 2.818267 0.937386
grado
Quinto
0.848945 2.533877 2.617911 0.838778
grado

Entonces, la tendencia se ajusta mejor al polinomio de quinto grado ya que

contiene los indicadores con menores valores.
 140

130

120

110

100

90

80

70

60
98 00 02 04 06 08 10 12 14 16

IPC
IPC_AJUSTE_LINEAL
IPC_AJUSTE_CUADRATICO
IPC_AJUSTE_CUBICO
IPC_AJUSTE_CUARTOGRADO
IPC_AJUSTE_QUINTOGRADO

Tomando una submuestra (1997-2006) para poder visualizar mejor el grafico

anterior:
95

90

85

80

75

70

65
1997 1998 1999 2000 2001 2002 2003 2004 2005 2006

IPC
IPC_AJUSTE_LINEAL
IPC_AJUSTE_CUADRATICO
IPC_AJUSTE_CUBICO
IPC_AJUSTE_CUARTOGRADO
IPC_AJUSTE_QUINTOGRADO
Se observa que la
ecuación que mejor se ajusta a la serie es el polinomio de quinto grado.
Análisis del Correlograma:

- Se
observa
que la función de autocorrelación decae lentamente, por lo que se
comprueba lo dicho en el análisis exploratorio acerca de que la serie no
es estacionaria.

Suavización en Medias Móviles

La siguiente tabla muestra los estadísticos descriptivos de la suavización de

medias móviles desde el orden 2 hasta el orden 6.
Se puede observar que la media móvil de orden 6 es la que tiene la menor
desviación estándar.

Ahora analizaremos los estadísticos descriptivos de los errores de las medias

móviles en cada orden:

Se puede observar que el que tiene menor desviación es el error de la media

móvil de orden 2.

Entonces, para saber cuál es el mejor modelo buscaremos aquel que tenga
menor error cuadrático medio:

Suma de Criterio de Criterio de Raíz del

Medias Errores de Información de Schwarz Error
Móviles la Akaike Cuadrático
Regresión Medio
Orden 2 0.157522 -0.850565 -0.822474 0.156893
Orden 3 0.263519 0.178588 0.206760 0.262463
Orden 4 0.346851 0.728159 0.756412 0.345456
Orden 5 0.416786 1.095545 1.123879 0.415102
Orden 6 0.477831 1.368946 1.397362 0.475893

En la tabla se observa efectivamente que la media móvil de orden 2 es la que

tiene los mínimos indicadores, incluido el error cuadrático medio, por lo tanto
será el mejor modelo.

Método de Diferenciación
Aplicando la primera diferencia y observando el correlograma:

- Según la función de autocorrelación se observa que aún existe tendencia

 PRIMERA_DIFERENCIA
2.0

1.6

1.2

0.8

0.4

0.0

-0.4

-0.8
98 00 02 04 06 08 10 12 14 16

-
Gráficamente se observa que la variación de la media es muy irregular.

Aplicando la segunda diferencia y observando el correlograma:

- Según la
función de autocorrelación se observa que aún existe tendencia.
 SEGUNDA_DIFERENCIA
1.5

1.0

0.5

0.0

-0.5

-1.0

-1.5

-2.0

-2.5
98 00 02 04 06 08 10 12 14 16

- Gráficamente se observa que la variación de la media es muy irregular

en algunos tramos.

Suma de Criterio de Criterio de Raíz del

Método de Errores de Información de Schwarz Error
Diferencias la Akaike Cuadrático
Regresión Medio
Primera
16.42804 8.443792 8.471883 16.36246
diferencia
Segunda
16.40326 8.440805 8.468976 16.33751
diferencia

En la tabla se observa que aplicando la segunda diferencia se obtienen los

mínimos indicadores, por lo que será el mejor modelo.

Comparando los 3 tipos de ajuste, el mejor es el de medias móviles de

orden 2, porque posee la menor Raíz del Error Cuadrático Medio.

8. Conclusiones
El mejor modelo que se ajusta y que minimiza el error es el de Medias Móviles
de orden 2.

9. Recomendaciones
Alguna sugerencia y/o restricción que se desea realizar a fin de mejorar la
experiencia de laboratorio realizada.

10. Bibliografía
Bibliografía utilizada aplicando APA.