Docsity
Docsity

Prepara tus exámenes
Prepara tus exámenes

Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity


Consigue puntos base para descargar
Consigue puntos base para descargar

Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium


Orientación Universidad
Orientación Universidad

Análisis de métodos cuantitativos: Series de tiempo y modelos causales, Resúmenes de Estadística

Una introducción a los métodos cuantitativos de análisis de datos, divididos en series de tiempo y modelos causales. Las series de tiempo se refieren a observaciones recolectadas en intervalos regulares de tiempo, aplicables cuando solo disponemos de datos de la variable a predicir. Por otro lado, los modelos causales utilizan datos de otras variables supuestamente relacionadas. La serie de tiempo es un conjunto de datos numéricos obtenidos en intervalos regulares de tiempo, importante mantener la frecuencia de las observaciones para construir gráficos que revelen el comportamiento de los datos. Se estudian componentes de una serie de tiempo como tendencia, estacionalidad y componente cíclico, y se presentan herramientas numéricas como modelos de regresión y funciones de auto correlación para su análisis.

Qué aprenderás

  • ¿Qué son los métodos cuantitativos y cómo se dividen?
  • ¿Cómo se utilizan las herramientas numéricas para analizar los componentes de una serie de tiempo?
  • ¿Qué son las series de tiempo y cuál es su importancia?

Tipo: Resúmenes

2020/2021

Subido el 07/12/2021

eduardo-varela-1
eduardo-varela-1 🇲🇽

2 documentos

1 / 3

Toggle sidebar

Esta página no es visible en la vista previa

¡No te pierdas las partes importantes!

bg1
Los métodos cuantitativos se dividen fundamentalmente en dos tipos de métodos
las series de tiempo y los modelos causales, el término series de tiempo está
asociado a observaciones que se recolectan en periodos regulares de tiempo, los
métodos de series de tiempo se aplican cuando los únicos datos que tenemos son
aquellos que pertenecen a la variable que deseamos pronosticar por ejemplo,
consideremos un local en donde se venden helados y deseamos pronosticar el
número de litros de helado de vainilla que se venderá en el siguiente día, si los
únicos registros que tenemos pertenecen a las ventas diarias de este tipo de
helado entonces debemos aplicar algún método de series de tiempo.
Por otro lado los modelos causales son utilizados cuando tenemos datos de otras
variables que suponemos están relacionados con la variable que deseamos
pronosticar por ejemplo, si además de los registros diarios de las ventas también
tenemos las temperaturas máximas que se han alcanzado en cada uno de estos
días entonces podríamos aplicar algún modelo causal.
Una serie de tiempo es un conjunto de datos numéricos que son obtenidos en
intervalos regulares de tiempo, el intervalo de tiempo podría ser anual, semestral,
o a cada minuto, pero es importante mantener la frecuencia con la que se realizan
las observaciones ya que con estas observaciones es posible construir gráficos
que nos permitan observar el comportamiento de los datos.
Una gráfica de series de tiempo siempre tendrá dos dimensiones ,en el eje
horizontal se coloca la frecuencia de la medición o el periodo de tiempo mientras
que el eje vertical representa la variable de interés, el gráfico es muy importante ya
que su figura podría indicarnos algún tipo de patrón de comportamiento por
ejemplo, en esta figura que refleja la paridad entre el peso mexicano y el dólar
podemos observar que en el valor del dólar existe una tendencia a crecer pero si
desglosamos la serie de tiempo con más detalle es posible que este no sea el
único patrón de comportamiento que podamos observar.
Estudiar los componentes de una serie de tiempo es importante porque nos
puede ayudar a saber que debemos buscar y cómo encontrarlo, regularmente en
pf3

Vista previa parcial del texto

¡Descarga Análisis de métodos cuantitativos: Series de tiempo y modelos causales y más Resúmenes en PDF de Estadística solo en Docsity!

Los métodos cuantitativos se dividen fundamentalmente en dos tipos de métodos las series de tiempo y los modelos causales, el término series de tiempo está asociado a observaciones que se recolectan en periodos regulares de tiempo, los métodos de series de tiempo se aplican cuando los únicos datos que tenemos son aquellos que pertenecen a la variable que deseamos pronosticar por ejemplo, consideremos un local en donde se venden helados y deseamos pronosticar el número de litros de helado de vainilla que se venderá en el siguiente día, si los únicos registros que tenemos pertenecen a las ventas diarias de este tipo de helado entonces debemos aplicar algún método de series de tiempo. Por otro lado los modelos causales son utilizados cuando tenemos datos de otras variables que suponemos están relacionados con la variable que deseamos pronosticar por ejemplo, si además de los registros diarios de las ventas también tenemos las temperaturas máximas que se han alcanzado en cada uno de estos días entonces podríamos aplicar algún modelo causal. Una serie de tiempo es un conjunto de datos numéricos que son obtenidos en intervalos regulares de tiempo, el intervalo de tiempo podría ser anual, semestral, o a cada minuto, pero es importante mantener la frecuencia con la que se realizan las observaciones ya que con estas observaciones es posible construir gráficos que nos permitan observar el comportamiento de los datos. Una gráfica de series de tiempo siempre tendrá dos dimensiones ,en el eje horizontal se coloca la frecuencia de la medición o el periodo de tiempo mientras que el eje vertical representa la variable de interés, el gráfico es muy importante ya que su figura podría indicarnos algún tipo de patrón de comportamiento por ejemplo, en esta figura que refleja la paridad entre el peso mexicano y el dólar podemos observar que en el valor del dólar existe una tendencia a crecer pero si desglosamos la serie de tiempo con más detalle es posible que este no sea el único patrón de comportamiento que podamos observar. Estudiar los componentes de una serie de tiempo es importante porque nos puede ayudar a saber que debemos buscar y cómo encontrarlo, regularmente en

una serie de tiempo es posible que podamos identificar algún componente que nos permita sacar algunas conclusiones sobre el comportamiento de los datos, la teoría señala que podrían existir cuatro componentes diferentes dentro de una. El componente de tendencia podría ser creciente o decreciente y los datos podrían comportarse de forma lineal o no, los datos tienden a crecer cuando observamos su comportamiento en el tiempo además una línea recta podría ayudarnos a representar este patrón de crecimiento pero los datos también podrían decrecer y su patrón de comportamiento podría ser lo lineal, este tipo de comportamiento de los datos será fundamental cuando elegimos el método de pronóstico más adecuado. Un segundo componente de las series de tiempo es la estacionalidad , cuando hablamos de estacionalidad estamos hablando de patrones de comportamiento en los datos que se repiten en intervalos de tiempo regulares, para observar si la estacionalidad existe, es muy deseable considerar al menos un conjunto de datos que contenga al menos dos veces el número de estaciones, si el patrón de comportamiento tiende a repetirse es muy posible que los datos tengan un componente estacional, si el número de datos es muy pequeño y solo tenemos un dato de cada estación es imposible saber si los datos presentan estacionalidad o si la variación que se observa proviene únicamente de la aleatoriedad por ejemplo, supongamos que una empresa tiene datos de ventas y estos están agrupados por bimestre, los datos del primer año tienen el siguiente comportamiento observa cómo las ventas parecen aumentar en el segundo y tercer bimestre, mientras que en el cuarto bimestre disminuyen considerablemente, podemos suponer que el siguiente año este patrón de comportamiento puede repetirse pero también podría suceder que esta variación se deba solamente al azar, supongamos que los datos que se presentan en el segundo año son los siguientes , como puedes ver el patrón de comportamiento de los datos no se repite esto indica que no existe estacionalidad si por el contrario los datos que se presentan en el siguiente año tienen este comportamiento entonces observamos que el comportamiento de los datos en ambos años son sumamente parecidos, esto significa que los datos