Semana 12- Series de tiempo ok.pdf

Introducción a las Series de Tiempo INTEGRANTES: MARCHAN VILLEGAS RODRIGO QUISPE CÁRDENAS RILDO JESÚS  Series de Tiempo Las series de tiempo son conjuntos de datos que se recopilan, registran u observan en intervalos regulares a lo largo del t...

Introducción a las Series de Tiempo INTEGRANTES: MARCHAN VILLEGAS RODRIGO QUISPE CÁRDENAS RILDO JESÚS  Series de Tiempo Las series de tiempo son conjuntos de datos que se recopilan, registran u observan en intervalos regulares a lo largo del tiempo. Estos datos pueden incluir observaciones sobre variables como ventas mensuales, temperaturas diarias, tasas de interés anuales, entre otros. Las series de tiempo se utilizan para comprender patrones, tendencias y cambios en datos a lo largo del tiempo.  Características de las Series de Tiempo Las series de tiempo tienen características distintivas que deben comprenderse: 1. Temporalidad: Los datos se recopilan en función del tiempo, como diariamente, mensualmente, anualmente, etc. 2. Tendencia: Pueden mostrar una tendencia general de crecimiento o disminución a lo largo del tiempo. Por ejemplo, un aumento constante en las ventas anuales de una empresa. 3. Estacionalidad: Pueden tener patrones recurrentes a corto plazo debido a ciclos o estaciones. Por ejemplo, la demanda de productos relacionados con la Navidad. 4. Variabilidad: Incluyen ruido, que es la variabilidad aleatoria que no se puede explicar por tendencia ni estacionalidad. 1 2 3 4  Componentes de las Series de Tiempo Las series de tiempo se descomponen en tres componentes principales: Tendencia: Es la dirección general de crecimiento o disminución a largo plazo en los datos. Puede ser lineal o no lineal. Estacionalidad: Son patrones recurrentes que se repiten en intervalos fijos. Por ejemplo, la temporada de ventas navideñas. Residuos: Son las fluctuaciones aleatorias en los datos que no se pueden explicar por tendencia ni estacionalidad. Análisis Exploratorio de Series de Tiempo Antes de aplicar técnicas avanzadas, es esencial realizar un análisis exploratorio. Esto implica: Gráficos de Series de Tiempo: Utiliza gráficos de líneas para visualizar la serie y detectar tendencias y estacionalidad. Histogramas: Examina la distribución de los datos para comprender su variabilidad.Autocorrelación: Evalúa si los valores pasados están relacionados con los valores futuros. Modelos de Series de Tiempo Existen varios tipos de modelos para analizar y predecir series de tiempo: Modelo ARIMA: Autoregressive Integrated Moving Average es un enfoque popular que combina componentes de autocorrelación y media móvil. Modelo de Suavizamiento Exponencial: Utilizado para pronósticos en datos con tendencia y estacionalidad. Modelo de Componentes de Estado: Divide la serie en tendencia, estacionalidad y residuos.  Métodos de Pronóstico Los métodos de pronóstico se utilizan para predecir valores futuros en una serie de tiempo. Estos métodos incluyen:  Métodos Cuantitativos: Utilizan modelos matemáticos basados en datos históricos.  Métodos Cualitativos: Incluyen la opinión de expertos y juicio humano en la predicción. Aplicaciones de Series de Tiempo Las series de tiempo tienen aplicaciones en una variedad de campos, como:  Economía: Pronóstico de crecimiento económico, inflación y tasas de interés.  Negocios: Previsión de ventas, control de inventario y análisis de riesgos financieros.  Climatología: Predicción del clima y seguimiento de patrones climáticos. Variables discretas en series de tiempo Conceptos Básicos ¿Qué son las variables discretas en series de 1 tiempo? Son variables que cambian de una etapa a otra en cantidades finitas y definidas. Ejemplos de variables discretas en series 2 de tiempo El número de clientes de una tienda en un día, la cantidad de autos que pasan por una calle en una hora, la cantidad de productos vendidos en un mes, entre otros. 3 ¿Por qué son importantes? Porque nos permiten analizar y entender mejor las fluctuaciones en los datos y tomar decisiones efectivas en consecuencia. Uso de las Variables Discretas en Series de Tiempo Preparar un plan Mejorar la eficiencia Planificación de la financiero empresarial demanda Las variables discretas Con análisis de variables Las variables discretas pueden ayudarnos a predecir discretas, se pueden pueden ayudarnos a predecir el flujo de efectivo futuro, identificar patrones en áreas la demanda futura de los mitigar el riesgo y crear como la producción, la productos, lo que ayuda a las estrategias efectivas para el distribución y las ventas, lo empresas a planificar tus crecimiento financiero de una que permite a las empresas acciones con anticipación y empresa. optimizar sus operaciones y asegurarse de que cuentan mejorar su eficiencia. con suficientes recursos y materias primas para satisfacerla. Ejemplos Reales y Aplicaciones Prácticas 1 Pronósticos de ventas de residencias turísticas Usando datos de variables discretas Transporte público 2 como el tamaño y la ubicación de un Las empresas de transporte urbano lugar, podemos predecir las usan variables discretas para analizar tendencias de tráfico turístico y patrones y programar mejor sus planificar mejor la oferta de servicios. alojamiento. 3 Pronósticos meteorológicos Los datos colectados de variables discretas como la temperatura y la humedad pueden indicar patrones claros en el clima, lo que permite a los meteorólogos predecir de manera más precisa el pronóstico del tiempo. Ejemplo Tasa de desempleo en Canada Conclusiones y Recomendaciones En resumen, las series de tiempo son herramientas poderosas para analizar y pronosticar datos cronológicos. Comprenden componentes clave como tendencia, estacionalidad y residuos. Además, tienen aplicaciones en una amplia variedad de campos, desde negocios hasta climatología. Para concluir, es fundamental realizar un análisis exploratorio antes de aplicar modelos y métodos de pronóstico. A medida que profundices en este tema, descubrirás su amplio potencial en la toma de decisiones basadas en datos. ¿Cómo puedo identificar tendencias en una serie de tiempo? ¿Cuál es la diferencia entre el modelo ARIMA y el modelo de suavizamiento exponencial? ¿Cuándo es apropiado utilizar métodos cualitativos en lugar de métodos ¿Cuáles son las principales fuentes de error en los modelos de series de tiempo? ¿Puedes proporcionar ejemplos de aplicaciones prácticas en mi campo específico?