INSTITUTO TECNOLOGICO SUPERIOR

PUHREPECHA
INGENIERIA INDUSTRIAL

UNIDAD: 5

MATERIA: ESTADISTICA INDIFERENCIAL II

TEMA: SERIE DE EJERCICIOS PARA LA

MEDICION DE VARIACIONES ESTACIONALES
E IRREGULARES

SEMESTRE 4TO

NOMBRE DEL ALUMNO: YOVANI ROSAS

SHARICATA

NOMBRE DEL ING: FRANCISCO DIEGO

LUGAR: CHERAN MICH

FECHA: 08/06/2016
 DETERMINACION DE VARIACIONES ESTACIONALES E IRREGULARES

- Método de la razón a la media móvil para determinar la componente estacional en una

serie temporal

1. Se determina la tendencia por el método de las medias centradas en los

períodos (Yt) ( estamos aplicando cuatro observaciones para el cálculo de la
media aritmética)
2. Cómo este método se basa en la hipótesis multiplicativa, si dividimos la
serie observada Yt, por su correspondiente media móvil centrada, eliminamos de
forma conjunta las componentes del largo plazo (tendencia y ciclo), pero la serie
seguirá manteniendo el efecto de la componente estacional.
3. Para eliminar el efecto de la componente estacional, calcularemos las
medias aritméticas a nivel de cada estación (cuatrimestre). Estas medias
representan de forma aislada la importancia de la componente estacional.
4. Calcularemos los índices de variación estacional, para lo que previamente
calcularemos la media aritmética anual de las medias estacionales ( M1, M2, M3,
M4 ) , que será la base de los índices de variación estacional. Existirán tantos
índices como estaciones o medias estacionales tengan las observaciones
5. Una vez obtenidos los índices de variación estacional puede
desestacionalizarse la serie observada, dividiendo cada valor de la
correspondiente estación por su correspondiente índice.

- Método de la Tendencia por Ajuste Mínimo-Cuadrático

El objetivo sigue siendo aislar la componente estacional de la serie por eliminación

sucesiva de todos los demás. La diferencia con el método anterior es que, en este caso,
las componentes a l/p (tendencia-ciclo) las obtenemos mediante un ajuste mínimo
cuadrático de las medias aritméticas anuales yt calculándose bajo la hipótesis aditiva

Sigue los siguientes pasos:

 Se calculan las medias anuales de los datos observados y las

observaciones son trimestrales estas medias se obtienen con 4 datos, si son
mensuales con 12 datos, etc. para el caso de que el periodo de repetición sea el
año
 Se ajusta una recta por mínimos cuadrados y a b t t = + que nos
representa, como sabemos, la tendencia, siendo el coeficiente angular de la recta
el incremento medio anual de la tendencia, que influirá de forma distinta al pasar
de una estación a otra
 Se calculan, con los datos observados, las medias estacionales (M1, M2,
M3, ...) con objeto de eliminar la componente accidental. Estas medias son brutas
pues siguen incluyendo los componentes a l/p (tendencia-ciclo) que deben
someterse a una corrección
 Empleando el incremento medio anual dado por el coeficiente, se obtienen
las medias estacionales corregidas de las componentes a largo plazo (M’1, M’2,
M’3, ...) bajo el esquema aditivo
  Los índices de variación estacional se obtienen con la misma sistemática
del método anterior: con las medias estacionales corregidas se obtiene la media
aritmética anual M’A que sirve de base para calcular los índices
 Obtenidos estos índices, podemos desestacionalizar la serie como en el
método anterior.
Las variaciones estacionales pueden ser de dos tipos, aquellas que presentan un patrón de
variación relativamente estable y aquellas en las que su. Patrón de variación se va
modificando paulatinamente. La medición de las primeras es relativamente fácil, las
segundas requieren de algunos ajustes. La variación estacional de una serie de tiempo se
mide a través del índice de estacionalidad (S). El índice se elabora para periodos anuales.
Su construcción utiliza doce observaciones si la información es mensual, seis
observaciones si la información es bimestral, cuatro si es trimestral. Este índice puede ser
específico o típico, se dice que es específico cuando mide los cambios estacionales en un
periodo particular, por ejemplo la variación de ventas mensuales de una empresa
comercial en 2003. El índice es típico cuando se obtiene promediando variaciones
estacionales de un periodo, por ejemplo, de dos o más años. Antes de estimar la variación
estacional es recomendable ajustar los datos originales en periodos de tiempo regulares.
Con frecuencia las series de tiempo son afectadas por el tamaño de los meses (enero tiene
31 días, febrero 28) u otros eventos como el mal tiempo, huelgas, días feriados, etc. El
ajuste de una serie de tiempo en periodos regulares es muy importante. En la mayoría de
los casos los efectos de las irregularidades no se alcanzan a eliminar del todo dentro de la
unidad de tiempo en que se presentan (mes, bimestre, etc.); la razón de los ajustes es
estimar cuál sería el valor de la serie en caso de no producirse tales irregularidades.

EL MÉTODO DE PROMEDIOS SIMPLES

Para calcular la variación estacional de una serie de cinco o más años que tiene
movimientos cíclicos regulares se utiliza el método de promedios simples. Este método
supone que los movimientos cíclicos de una serie se equilibran, y que la tendencia tiene
escaso o nulo efecto sobre la serie. Los índices así obtenidos son buenas estimaciones de
la variación estacional. El método tiene varios pasos, el primero consiste en expresar la
información de cada mes, bimestre o trimestre como un porcentaje del promedio de los
valores de la serie de cada año. El ejemplo número 1 aclara la idea, el cuadro 1 presenta
los datos de ventas mensuales de la industria alimentaria, de 1999 a 2003 de un país
hipotético.

EJEMPLO 1
Determine los valores de los índices de variación estacional de la variable
Viajes del archivo Turivia.sav. Para poder calcular los índices de variación
estacional de la serie Viajes es necesario, en primer lugar, definir una variable
fecha, como se ha hecho en el ejemplo 2.

Para obtener los índices de variación estacional correspondientes a cada uno

de los 12 meses la secuencia a seguir es: Analizar > Series Temporales >
Descomposición estacional. En el cuadro de diálogo se selecciona la variable
Viajes, se mantiene el modelo Multiplicativo y se indica que las medias móviles
se quieren realizar con la ponderación Puntos finales ponderados por ,5. Si se
quiere recoger el listado de los resultados de la descomposición en el editor de
resultados se deberá seleccionar Mostrar el listado por casos.

El cuadro de resultados presenta:

Moving averages: Medias móviles centradas de orden 12;

Ratios (*100)= 100: componente estacional específica de cada

período;

Seasonal factors: índices de variación estacional corregidos (IVE),obtenidos

como mediana de los ratios correspondientes a cada período estacional por
separado y corregido teniendo en cuenta que se debe verificar:

Serie desestacionalizada;

Smoothed trend-cycle: Estimación del componente Tendencia-Ciclo;

Estimación del
componente irregular.
Algunos de los resultados que se obtienen son:

Los índices de variación estacional obtenidos son: JAN 62,207 FEB 63,671 MAR
80,921 APR 95,999 MAY 105,515 JUN 104,870 JUL 152,271 AUG 180,162 SEP
115,276 OCT 99,178 NOV 68,232 DEC 71,698. Por lo tanto, se puede concluir
que la serie en los meses enero, febrero, marzo, abril, octubre, noviembre y
diciembre toma valores inferiores a la tendencia media; el componente
estacional tiene mayor repercusión en el mes de agosto incrementando en algo
más del 80% el valor de los viajes; en el mes de enero es cuando se produce
el mayor decremento de los viajes debido a la estacionalidad, reduciéndose
éstos en cerca del 38%. La representación gráfica de la serie
desestacionalizada y de la estimación de la tendencia-ciclo (o del componente
extra estacional) es la siguiente:

Como se puede observar, la serie desestacionalizada presenta fluctuaciones a

muy corto plazo debidas a la acción del componente irregular, mientras que la
serie de valores de tendencia-ciclo está mucho más alisada y sugiere una
tendencia lineal creciente.

VARIACIÓN IRREGULAR
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 ciertos sucesos a veces
impredecibles como huelgas, cambios de clima (sequías, inundaciones o terremotos),
elecciones, conflictos armados o la aprobación de asuntos legislativos, pueden causar
irregularidad en una variable.
Movimientos irregulares o 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. Aunque debe reconocerse que en ocasiones sus
efectos sobre el
Comportamiento de una serie pueden ser tan intensos que fácilmente podrían dar lugar a
un nuevo ciclo o a otros movimientos. Un claro ejemplo de esto es el efecto del shock de
precios de agosto de 1990 sobre el comportamiento de la inflación.
Al analizar una serie de tiempo es necesario, entonces, tener en consideración el
comportamiento de cada uno de estos componentes. Para ello el criterio más lógico a
seguir es aislarlos secuencialmente partiendo de la serie original para luego analizarlos de
manera individual. Si bien esto supone la utilización de métodos estadísticos adecuados,
que más adelante veremos, la mejor forma de apreciarlos es a través de su
observación visual.
a) Detectar Outlier: se refiere a puntos de la serie que se escapan de lo normal. Un
outliers es una observación de la serie que corresponde a un comportamiento anormal del
fenómeno (sin incidencias futuras) o a un error de medición.
Se debe determinar desde fuera si un punto dado es outlier o no. Si se concluye que lo
es, se debe omitir o reemplazar por otro valor antes de analizar la serie.
Por ejemplo, en un estudio de la producción diaria en una fábrica se presentó la siguiente
situación ver figura

Los dos puntos enmarcados en un círculo parecen corresponder a un comportamiento

anormal de la serie. Al investigar estos dos puntos se vio que correspondían a dos días de
paro, lo que naturalmente afectó la producción en esos días. El problema fue solucionado
eliminando las observaciones e interpolando.
 EJEMPLO
La piratería sigue creciendo
La tasa de piratería en el Perú fue del 73% en el 2004, cinco puntos porcentuales más
que en el 2003, y las pérdidas por piratería de software ascendieron a 39 millones de
dólares. Estos son algunos de los hallazgos de un estudio de piratería mundial de
software publicado por la Business Software Alliance (BSA), asociación internacional de
desarrolladores de software.

El estudio independiente -que indica que la piratería de software continúa representando

un gran desafío en todo el mundo- fue realizado por la consultora, Internacional Data
Corporación (IDC).

El informe indicó que el Perú está entre los cinco países con tasas de piratería mayores a
la tasa latinoamericana, fijada en 66% por el estudio de IDC, que generó pérdidas por
1.546 millones de dólares. "En el Perú, siete de cada diez copias de software en uso hoy
en día han sido obtenidas ilegalmente", dijo el presidente y CEO de Business Software
Alliance, Robert Holleyman. "Las pérdidas por piratería de software ocasionan un gran
impacto económico en los países de la región y en todo el mundo.

Cada copia de software utilizada sin la licencia apropiada cuesta ingresos fiscales,
empleos y oportunidades de crecimiento para mercados de software que están en
desarrollo".

La tasa de piratería de América Latina (66%) fue significativamente más alta que la tasa
mundial, de 35%. De las seis regiones incluidas en el estudio, Latinoamérica fue la que
registró la mayor tasa de piratería, seguida por la región identificada como "Resto de
Europa" en el reporte (países que no son parte de la Unión Europea), con un 61%, Medio
Oriente y África (58%), Asia-Pacífico (53%), la Unión Europea (35%) y Norteamérica
(22%).

La piratería todavía es mucho más fuerte en países y regiones donde el mercado de

software está en crecimiento, a medida que la computación se integra más al trabajo y a
la vida diaria", dijo John Gantz, el oficial principal de investigación en IDC. "La piratería
sube o baja como consecuencia de una compleja ecuación que incluye, por un lado, la
educación y el cumplimiento de las leyes; y, por otro, el ingreso de nuevos usuarios al
mercado, la simplificación del acceso a software pirateado y/o nuevos factores externos,
como el cambio en las condiciones políticas".

Por su lado, Holleyman indicó que "los programas educativos, el fomento de políticas
públicas y los esfuerzos de aplicación y ejecución de la ley de BSA alrededor del mundo
continúan teniendo un impacto sobre el problema de la piratería. Pero la afluencia
continua de nuevos usuarios en mercados emergentes y la creciente disponibilidad de
software pirateado, principalmente a través de la Internet y redes P2P, demuestra que la
educación permanente es esencial".
A nivel mundial, el 35% del software instalado en computadoras personales en el 2004
era pirateado, una baja de un punto porcentual del 36% en el 2003. No obstante, las
pérdidas a raíz de la piratería incrementaron de 29 mil millones de dólares
estadounidenses a 33 mil millones de dólares.

En el 2004, en el mundo se gastaron más de 59 mil millones de dólares en software

comercial empaquetado para PC, una cifra mayor a los 51 mil millones de dólares
gastados en el 2003. Pero, en realidad, fue instalado software por más de 90 mil millones
de dólares, un incremento de los 80 mil millones de dólares instalados el año anterior.

El alza a 33 mil millones de dólares en pérdidas fue, en parte, producto de que el mercado
de software para PC haya crecido en más de un 6%, y que el dólar estadounidense se
haya debilitado en comparación con muchas de las divisas del mundo.

Para este estudio, IDC utilizó estadísticas propias de envíos de software y hardware,
realizó más de siete mil entrevistas en 23 países para confirmar las tendencias en
piratería de software, y contó con analistas en más de 50 países para estudiar las
condiciones de los mercados locales.

El siguiente grafico muestra la cantidad en soles perdidos en el Perú durante los últimos
11 años en software piratas. Se presenta como Tendencia Secular se presenta como una
tendencia decreciente a largo plazo.