Minitab ofrece varios métodos de pronóstico y suavización simples, métodos de análisis de correlaciones y técnicas del modelo ARIMA para analizar los datos de series de tiempo.
Gráfica de series de tiempo
Para graficar los datos en orden cronológico con fin de determinar si hay una tendencia o un patrón estacional, cree una gráfica de series de tiempo. En Minitab, elija Estadísticas > Series de tiempo > Gráfica de series de tiempo.
Análisis de tendencia
Para ajustar las líneas de tendencia usando un modelo de tendencia lineal, cuadrático, de crecimiento o de curva S, realice un análisis de tendencia. En Minitab, elija Estadísticas > Series de tiempo > Análisis de tendencia.
Descomposición
Para ajustar un modelo que pondera de igual forma todas las observaciones con el fin de determinar el mejor ajuste de regresión, realice un análisis de descomposición. Utilice esta opción cuando la serie presente un patrón estacional, con o sin una tendencia. En Minitab, elija Estadísticas > Series de tiempo > Descomposición.
Promedio móvil
Para suavizar la serie usando un método que promedie las observaciones recientes y excluya las observaciones más antiguas, utilice un método de promedio móvil. No use esta opción cuando la serie exhiba una tendencia. En Minitab, elija Estadísticas > Series de tiempo > Promedio móvil.
Suavización exponencial individual
Para suavizar una serie utilizando un método que otorgue ponderaciones decrecientes a las observaciones más antiguas cuando la serie de tiempo no exhiba una tendencia o un patrón estacional, utilice un método de suavización exponencial simple. En Minitab, elija Estadísticas > Series de tiempo > Suavización exponencial simple.
Suavización exponencial doble
Para suavizar una serie utilizando un método que otorgue ponderaciones decrecientes a las observaciones más antiguas cuando la serie de tiempo exhiba una tendencia, pero no un patrón estacional, utilice un método de suavización exponencial doble. En Minitab, elija Estadísticas > Series de tiempo > Suavización exponencial doble.
Método de Winters
Para suavizar una serie utilizando un método que otorgue ponderaciones decrecientes a las observaciones más antiguas cuando la serie de tiempo exhiba un patrón estacional, con o sin una tendencia, utilice el método de suavización de Winters. En Minitab, elija Estadísticas > Series de tiempo > Método de Winters.
Diferencias
Cree una nueva columna de datos para análisis y gráficas personalizados y almacene las diferencias entre las observaciones dentro de una serie. En Minitab, elija Estadísticas > Series de tiempo > Diferencias.
Desfase
Cree una nueva columna de datos para análisis y gráficas personalizados y desplace una serie hacia abajo un número específico de filas en la hoja de trabajo. En Minitab, elija Estadísticas > Series de tiempo > Desfase.
Autocorrelación
Para medir el grado en que las observaciones en diferentes puntos en el tiempo se correlacionan entre sí y buscar un patrón estacional, realice un análisis de autocorrelaciones. Utilice este análisis junto con la función de autocorrelación parcial para identificar los componentes de un modelo ARIMA. En Minitab, elija Estadísticas > Series de tiempo > Autocorrelación.
Autocorrelación parcial
Para medir el grado en que las observaciones anteriores en una serie de tiempo se correlacionan con las observaciones futuras, representando al mismo tiempo las observaciones que se encuentran entre el par de correlación, realice un análisis de autocorrelación parcial. Utilice este análisis junto con la función autocorrelación para identificar los componentes para un modelo ARIMA. En Minitab, elija Estadísticas > Series de tiempo > Autocorrelación parcial.
Intercorrelación
Para determinar si una serie predice otra serie graficando las correlaciones entre las dos series en diferentes puntos en el tiempo, realice un análisis de intercorrelación. En Minitab, elija Estadísticas > Series de tiempo > Intercorrelación.
ARIMA
Para ajustar un modelo con componentes autorregresivo, de diferencia y de promedios móviles, realice un ARIMA. Para ajustar un modelo ARIMA, debe entender la autocorrelación y la estructura de autocorrelación parcial de la serie. En Minitab, elija Estadísticas > Series de tiempo > ARIMA.
