Unipap 8 SERIES DE TIEMPO Y MODELOS DE PRONOSTICO Objetivos ‘Al inalizar la unidad, el lumno: ‘ Identificard qué es una serie de tiempo. + Conocerd los componentes de una serie de tiempo, ‘© Graficard dstintas series de tiempo. ‘© Utilizard los modelos de promedio mivil y suavizacién exponencial para elaborar prondstices. ‘¢ Elaborard pronésticos aplicando en series de tiempo diversas, los modelos de tendencia y regresién LinealEstadistica 1315 Introduccién 1 Ja actualidad el éxito en cualquier rubro depende de una planeaci6n de objetivos, metas y aleances bien estructurados y sustentados. En no pocas ocasiones dirigimos nuestra vista al pasado y hacemos un recuento de nuestros aciertos y nuestros errores; los primeros siempre nos apoyarén para mejorar nuestro futuro, de los segundos aprenderemos para no volver a cometerlos. Por ejemplo, cuando decidimos realizar un viaje, recordamos que el verano pasado olvidamos, por error, llevar “x” cosa, algo que en esta ocasién no sucederd; 0 bien, como viajaremos en automévil, y hhace dos afios no tuvimos la precaucién de revisarlo y se_tuvieron problemas con el motor, esta vez, antes de salir a carretera se Hevaré al taller mecénico. Si la decisi6n es viajar en temporada navideita, sabemos por afios anteriores qué terminales de autobuses y aeropuertos estardn saturados; tendremos que comprar nuestros boletos y hacer nuestras reservaciones con anticipacién, si no queremos que nuestras vacaciones sean un fracaso. En una situacién tan comin como un viaje intervinieron periodos anteriores (series de tiempo) para recordarnos las fallas que tuvimos y evitar cometerlas de nuevo, esto contribuyé a una mejor planeacién de nuestro futuro viaje ya garantizar su éxito. En una empresa, aungue la planeacién es mucho més compleja, también se tiene como punto de partida revisar datos de periodos anteriores que muestran el comportamiento de las ventas, de las compras; series de datos hist6ricos que exhiben el crecimiento o no crecimiento de la produccién, si se ha mejorado 0 no en la calidad de la produccién, etcétera. Una serie de tiempo se construye de datos que se presentan con cierta periodicidad, por ejemplo, las ventas mensuales en una empresa textil, las exportaciones anuales de petréleo, el reporte mensual de la inflacién, y muchos, otros. La serie de tiempo muestra el comportamiento de dichos datos, lo que permitiré prevenir cualquier contratiempo que se pueda presentar alrededor de cellos, y ayudados por los modelos de prediccién, pronosticar periodos posteriores. Supongamos el caso de una empresa dedicada a la confeccién de ropa, esta empresa para planear la produccién del siguiente aiio decide aplicar un modelo de pronéstico con tendencia y estacionalidad, las razones son las siguientes: se ha revisado la serie de tiempo correspondiente a las ventas de los doce meses316 | Unidad s de los tres titimos afios, las ventas han disminuido en el ditimo aio y medio, sin embargo existe un alza en las ventas de los meses julio-agosto y nuevamente cn los meses noviembre-diciembre, situacién recurrente en los tres ailos; esta serie muestra una tendencia a la baja en las ventas provocada por lus variables nflacién y desempleo, adems de una estcionalidad en el periodo vacacional de verano y en temporada navideia, siempre en esas temporadas lis ventas se incrementan, a pesar de la tendencia decreciente del gitimo aio y medio. Con la informacién de esta serie de tiempo y la utilizacidn de un modelo de prediccion se puede planear la produccién, determinar la cantidad de materia prima que seri solicitada y hasta las ventas para el préximo aiio; en qué periodo se debe realizar una mayor confeccién de prendas y en cual menos, En esta unidad se estudiardn dos temas importantes en la planeacién y toma de decisiones dentro de una empresa: series de tiempo y modelos de prediecion. El comportamiento de una serie de tiempo, con informacién estadistica basada en un conjunto con un modelo de prediccién contribuyen a mejorar Ia toma de decisiones futuras y a mejorar la planeacién organizativa dentro de una empresa. 8.1. Series de tiempo el reporte trimestral de la del acero, la publicacién de la inflacién mensual son s de tiempo. algunos ejemplos de seri Una serie de tiempo o cronoligica como también se le denomina, se define como un conjunto de datos registrados u abservados en intervalos de tiempo iguales. Al decir que una serie de tiempo registra valores equidistantes en el tiempo. se refiere a que si nuestro primer dato en Ia serie es la exportacién de petréleo correspondiente al mes de julio del aito 2001, los demés reportes de las exportaciones petroleras deben continuar en términos mensuales; sin embargo, estos registros pueden ser semanales, mensuales, trimestrales, semestrales. anuales, etcétera, siempre considerando que si nuestro primer valor es anual, los demiis datos en la serie tienen que ser anuales. Los datos organizados en una serie de tiempo también son conocidos como variables de la serie de tiempo.Estadistica 1317 Un grifico de lineas es la representacién de una serie de tiempo En el eje de las X (eje horizontal) se grafica la variable tiempo y en el eje de las ¥ (eje vertical) los datos o valores observados. Dirigir una mirada al pasado a través de una serie de tiempo e interpretar 0s datos histéricos, permite la planificacién y pronéstico de valores futuros. Lo relevante en una serie de tiempo para la planificacién es el comportamiento de la serie en su conjunto, no los datos como valores Fjemplo 1 de tiempo que muestra las ventas mensuales iio 2001 La siguiente tabla es una se (en miles de pesos) al menudeo de un supermercado en el ‘Mes [ Ene. [Feb. [Mzo. [Abr [May- [Jun. [Jul [Ago. [Sept. [Oct | Now. [Dic Ventas [1252 [1126 [1219] 1222 [1246] 1224) 1265] 256 [1255] Ieee] 1267 fis ‘Ventas de un supermereado 3 200 Eso Z 100 —— Ventas = 50 eo Meses de ato 2001 ura 8.1. Grfica de la serie de tiempo. Ejemplo 2 La siguiente tabla es una serie de tiempo que exhibe las compris (en miles de pesos) de una papeleria en los tltimos 10 afios: 1993 | 1994 | 1998 | 1996 | 1997 1998 | 1999 | 2000 2001 | 2002 146.0] 1035 102.6] 137.9 [10427] 10s] 1127 [1026] 132 | 1269 Ano (Compras |i318 | Unidad s Compras [Compra] 1234567 8 90 Aso Figura 8.2. Grifica de la serie de tiempo. 8.1.1. Componentes de la serie de tiempo Enel anslisis de series de tiempo se identifican cuatro que influyen en los valores estadisticos recopilados: lores 0 componentes Tendencia (T). ¢ Fluctuaciones cfelicas (C). ¢ Estacionalidad (E). Variaciones irregulares (1). ‘Tendencia (1): es el cambio general de los datos en la serie de tiempo durante un niémero prolongado de afios. En el andlisis utilizan datos anuales, se deben analizar datos de minimo 10 afios. La tendencia en una serie de tiempo exhibe los cambios graduales 0 estables que ocurren sobre los valores observados. Ejemplos de este componente es la inflacién, el Producto Nacional Bruto, el crecimiento demogritico, etcétera. La inflacién puede influir en el comportamiento de la demanda de automéviles, 0 bien en el poder de compra de los consumidores; €l Producto Nacional Bruto es un factor de influencia importante en una serie de tiempo que nos muestre el tipo de cambio de nuestra moneda; el crecimiento demogrifico ejercerd fuerza sobre una serie de tiempo que se refiera a la educacién, empleo, desempleo, vivienda, por nombrar algunos, Ejemplo 3 La siguiente serie de tiempo se refiere a Ia industria textil mexieana; presenta una tendencia decreciente de sus ventas en los tiltimos alos, tendencia originada por la importaci6n de telas y prendas confeccionadas:Estadistica 11319 Aso 1993 | 1994| 1995 | 1996 | 1997 | 1998 | 1999 | 2000 | 2001 Jventasen mittones | 22.0] 18.0] 183 | 164] 134] 11.9] 1.9] 140] 12.7 ‘Ventas en millones de In industria txt Fluctuaciones ciclicas (C): erificamente se observan como ondas 0 picos que se mueven hacia arriba y hacia abajo con respecto a la tendencia de largo plazo de la serie de tiempo. El componente ciclico, por estar relacionado con la tendencia, emplea valores anuales y puede obtenerse dividiendo el valor observado entre el correspondiente de la tendencian Las fluctuaciones ciclicas pueden ser provocadas por la inflacién, una devaluacién, en términos generales, por una recesién econémica Ejemplo 4 La serie de tiempo presenta la cantidad de personas que emigran del estado de Puebla hacia Jas grandes cjudades o hacia Estados Unidos de América. Las fluctuaciones son causadas por el desempleo 0 el empleo temporal en la construccién 0 agricultura Afio 1991 | 1992 | 1993 | 1994 | 1995| 1996 | 1998 | 1999 | 2000 [ottes de personas] 121.6] 117.3] 165.7] 146.3] 103.5] 102.6] 137.4] 104.7 | 112.8,320 | Unidad 8 200 150 100 50 En miles de personas Ano Figura 8.4, Personas que emigran del estado de Puebla, lad (E): movimientos hacia arriba y hacia abajo que ocurren en un periodo particular de un aio, por lo regular estas variaciones se presentan en datos mensuales o trimestrales y cada afio las observamos. Ejemplos de estas variaciones suelen ser las compras realizadas a fin de cada afio, o la venta de iitiles escolares en cada periodo de inicio de ciclo escolar, también Io es la demanda turistica en Semana Santa, verano o Navidad. Ejemplo 5 En la siguiente gréfica de una serie de tiempo se muestra la estacionalidad de las ventas de una tienda de autoservicio, los meses con mayores ventas, independientemente del aiio, son: noviembre, diciembre y enero. ‘Tienda de Autoservicio 200 130 ‘Venta en miles a Meses ura 8.5 Estaci mnalidad de las ventas de una tienda de autoser Variaciones irregulares o aleatorias (1); son los cambios provocados por el azar o la casualidad en una serie de tiempo; son eventos inesperados 0 impredecibles en un periodo corto de tiempo. Los periodos electorales, los desastres naturales (huracanes, sequias, temblores), epidemias, son algunos ejemplos de este tipo de variaciones.Estadistica II]321 Los modelos de las series de tiempo cominmente: 0s si las componentes son independientes entre si Y= T+C+E+l vos si las componentes estin relacionados entre si Y=TCEI ares 0 aleatorias estén presentes en todas las series de tiempo. Los otros tres componentes tendencia, ciclicidad y estacionalidad~ pueden estar o no presentes en una serie de Ejercicio 1 1. De las tres tablas que e presentan a continaci6n, cud no es una serie de tempo? a) trimeste [ort | orm [ orm[orrv | o2t | oon | oom Precio 10s | 103 | 120 [ no [100 [tos [a7 b) ‘Aso 2000 | Trimesire | septiembre 1500 sao [267 [sis °) Semana ifefs[als[ol> [Nimero de wabsjadores eventates [100] 97 102] a8 [55] 106124 2. Aunque las fluctuaciones efclicas y la variaci6n estacional son movimientos hacia arriba y hacia abajo en la serie de tiempo, existe una diferencia que las identifica perfectamente, zeuil es? 3. Graficarla siguiente serie de Semana 1 Namero de wabajadoresevenuaes [100 |322 | Unidad 8 8.2. Modelos de pronostico Muchas de las decisiones importantes en la administracién, economia y finanzas necesitan pronésticos futuros. © Un gerente de produccién necesita pronosticar Ja demanda de un determinado articulo, para asf tomar la decisién de la cantidad de materia prima que sera tequerida, ‘© Un gerente de mereadotecnia necesita el prondstico de las ventas de un producto para decidir el mejor canal de promocién y distribucién de dicho producto. ¢ Un gerente financiero debe pronosticar las tasas de inversi6n de ciertas, acciones, para decidir si compra 0 no dichas acciones, con lo anterior se observa que en Ia administracién y economia es necesario algtin tipo de pronésticos. Un modelo de pronéstico cuantitativo es un modelo matemético que utiliza los datos estadisticos de una serie de tiempo para las variables independientes teniendo como fin generar un pronéstico Existen varios modelos de pronésticos, los que estudiaremos son: *Promedios méviles. ¢ Suavizamiento exponencial. *Econométricos. + Estacionales. Los anteriores son modelos matemiticos de complejidad diversa, que sirven para generar un pronéstico. Ademés de emplearse como modelos para pronosticar, también son utilizados como téenicas de suavizacién de una serie de tiempo; la suavizacién de una serie de tiempo se observa en una gritica, nales y los valores pronosticados; cuando para suavizar la serie de nando las fluctuaciones y La grifica incluye los valores 0 se aplica un modelo de pronéstico como técnii empo, la grifica es suavizada, es decir, se alisa lin ciclicidades de los datos originaleEstadistica Il i 8.2.1. Promedios méviles Es un modelo que se emplea para elaborar pronésticos a corto y mediano plazo. Por corto plazo comprenderemos un lapso de tiempo de pronéstico futuro que va de un dia a un mes, Cuando se habla de mediano plazo se hace referencia a pronésticos de un ‘mes a un aho hacia el futuro. El promedio de lo que ocurrié en el pasado se utiliza para pronosticar el futuro, La precisién del pronéstico es de regular a buena en el corto plazo, tendiendo 4 pobre en el mediano plazo. El modelo de promedios méviles es excelente para el control de inventarios de poco volumen; demanda de alin articulo de la que se tenga informacién en un lapso de tiempo que oscile entre 6 y 12 meses; cantidad de préstamos solicitados en las tiltimas seis o siete semanas, lo que permitiria pronosticar el nimero de préstamos de la semana inmediata posterior, eteétera. En ocasiones no se conoce con exactitud la tendencia de wna serie de tiempo Y puede no desearse una ecuacién matemética muy elaborada para pronosticar un valor; un promedio mévil es una buena alternativa para elaborar prondsticos de manera rapida y sencilla. Este modelo tnicamente pronostica un periodo: que puede ser un mes, una semana, una quincena, un dia, etcétera, El promedio mévil es un promedio aritmético de varias observaciones consecutivas en una serie de tiempo. El nimero de observaciones seleccionadas (N) para el promedio mévil depende de la estacionalidad 0 variacién irregular de la serie de tiempo: serd pequeito si la serie de tiempo presenta movimientos diversos y constantes; o bien una NV grande si el comportamiento de la serie es estable y las variaciones que se pudieran observar se deben al azar. Con un promedio mévil, tnicamente se utilizan las tltimas N observaciones; cuando se dispone de una nueva observacién el promedio “se mueve” para incluir Ia observacién més reciente y deja fuera la mAs antigua de las observaciones que se utilizaron antes. En los promedios méviles NV debe ser un niimero impar, mayor que 1 as{ se evitard calcular los promedios méviles entre los periodos de tiempo, calculindolos en los periodos de tiempo lo que nos permite comparar con los valores originales.324 | Unidad 8 Es recomendable aplicar a una serie de tiempo promedios méviles con valores de Ndistintos, seleccionando aquel que nos otorgue el mejor prondstico. Para conocer el mejor pronéstico, se debe calcular la Desviacién Media Absoluta, que es el promedio de las diferencias absolutas entre las observaciones reales y las prono ién, para conocer qué tanto se apega un valor futuro estimado a la realidad. Por lo tanto, entre menor sea el valor de la DMA, mejor o mis aproximado a la realidad seré el prondstico. Calculo del promedio mévil un eh yO X,es la observaci6n en el periodo ¢ Nes el niimero de términos del promedio mévil F. en donde: F, €S el pronéstico del periodo r+ 1; la letra al prondstico, ya que vie pronéstica F, es el promedio mévil en el periodo t es el periodo a estudiar. ‘es utilizada para representar e de la palabra del idioma inglés forecast, que significa Caleulo de la Desviacién Media Absoluta El promedio del error del pronéstico en términos absolutos se obtiene con la Desviacién Media Absoluta (DMA) ” IE en donde:Estadistica 325 Ez error de cada pronéstico que se obtiene: F,= Dato real -F,, v1; mimero de errores Ejemplo 6 El precio del kilo de naranja en las dltimas 8 quincenas ha sido: Quineena] 1 | 2] 3] 4/5] 6/7] 8 [9 Precio | 6.80 [6.95] 5.50] 5.00] 4.50] 4.50] s.00] s.s0| Pronosticar el precio del kilo de naranja para la quincena 9. Utilizar un promedio mévil de NV: Graficar la serie de tiempo suavizada por un promedio mévil de N Obtener la Desviacién Media Absoluta, DMA del prondstico. En el promedio mévil siempre se pronostica un periodo después, si en la serie de tiempo se conoce el valor del periodo 8, éste serviré para pronosticar el periodo 9, En este ejemplo se pide un promedio mévil N’ =3 términos, lo que significa que se tendran que sumar los valores de 3 periodos y promediarlos. EL promedio de las 3 primeras quincenas sirve para pronosticar la quincena 4. Para poder pronosticar Ia quincena 5 se suman los valores de las quincenas 2. 3 y 4 y se promedian; como se observa, sale el valor de la quincena 1 y entra el valor de la quincena 4, se continua de la misma forma hasta Hegar al céleulo de ta quincena 9, Por esta razén se denomina promedio mévil. Solucién: Cuando N=3 Fy = 5504 695 +680 _ 6 9 El pronéstico para la quincena 9 es de $5.00, éste es un valor estimado, por Jo tanto existe un error de estimacién, El error se obtiene de la diferencia entre el dato original y el estimado.326 | Unidad 6 Quince |i [2 [3] 4 fs [ols sf o Precio | 6.40] 695]3.50| s00 [aso [4s0|s.00[5.s0) 2 Fn a2 [52 [S00)407[4.7]s.00 Tor = =1a2|-122|-05)033) 0.) IpstoRest—F', El precio del kilo de naranja pronosticado para la quincena 9 es de $5.00, ilizando un promedio movil de 3 términos. El promedio del error del pronéstico en términos absolutos se obtiene con la Desviacién Media Absoluta (DMA) del ” 1.42+13240.5+0.33+0.83 DM DMA $0.88 Se puede esperar un error en el prondstico del precio del kilo de naranja de 88 centavos por encima del precio real. Como la suma de las diferencias negativas es mayor que la de las diferencias positivas, esto significa que el valor pronosticado es mayor que las observaciones reales. Precio del kilo de naranja 84 got Precios originales, B44 £31 s-~ Precios de promedio of movil de N=3 123 45678 9 Quincenas Figura 8.6. Grafica de la de la serie de tiempo suavizada con la técnica de promedio m6Estadistica II 1327 Ejemplo 7 La siguiente serie de tiempo muestra la produccién mensual (en toneladas) de un producto derivado del petréleo, del afio 2002, utilizando el modelo de promedio mévil con una N=5, pronosticar la produccién del mes de enero del 2003. Calcular la DMA del pronéstico. Mes [Boe [ve [Mar [ ate [May [aun | Jot Tago [sep [ 0c | Nov [ic | te En el promedio mévil siempre se pronostica un periodo después, si en la serie de tiempo se conoce el valor del mes de diciembre, éste serviré para pronosti emplo se pide un promedio movil N =5 términos, lo que signific: a que sumar los valores de 5 periodos y promediarlos. El promedio de los 5 primeros meses sirve para pronosticar el mes 6. Para poder pronosticar el mes 7, se suman los valores de los meses: febrero. marzo, abril, mayo, junio y se promedian; como se observa, sale el valor del mes de enero y entra el valor del mes de junio, se continua de la misma forma hasta al célculo de enero de 2003. Por esta raz6n se denomina promedio mévil. Solucién: Formula: 158+159-+1614147 +150 _ _14541584159+1614147 S155 Fy) = 164 3 3 +145+158+ 54-145 4158+ MSHS HSIHE 655 p,, 210820 lass BH159 _ ype 1S8+2104205+1454+158_jo54 jp, 210+1S8+210+205+145 igs, 5328 | Unidad s Fg = OE2IOH SSA 20205 jog i, WOE2IOSPOHSEHZIO 956 is [tee [re8 [nae [abe [oon [von [ ro [ano [ Sep [ on [Nor [ic [te a [rss [ise [ies nas [rsa [asc naan Exar —o | st [a Paap sex Poa fe Se espera una produccién para et mes de enero del 2003 de 195.6 toneladas SE pua-= 1OsSt tits 2505 +85 244 86 casi a El error esperado del pronéstico es de 64.81 toneladas, ademas se puede agregar que este prondstico esté por encima de la produccién real. Lo anterior se concluye de que es mayor la suma de las diferencias negativas que las ositivas; esto significa que el prondstico esté quedando por encima de las Gastos en miles de pesos [19 [2.a}i.7)2.1 [20] 19|z7 2. Caleular el pronéstico con un promedio mévil de. que se refiere al gasto de gasolina quincenal; calcular su DMA. ; Qué pronéstico es el ms apegado a la realidad; el obtenido con una N =3 0 con una N=5? Utilizar, para responder, el criterio de la DMA.Estadistica Il i Qunicens f2]s[+[s[olo Gasios en miles de pesos [19/23] 8.2.2. Suavizamiento exponencial E1 modelo de suavizamiento exponencial es otra propuesta para los pronésticos a corto y mediano plazo. Pronésticos de corto plizo pueden ser: ‘© La merma por produccién de articulos defectuosos mensual. ‘© Lacantidad de articulos, mensual, que debemos tener en almacén, ¢ El nimero de trabajadores diario, que no asisten a trabajar por alguna gistro de gastos diarios. Prondsticos a mediano plazo son: Lacantidad de materia prima que se tiene que solicitar a los proveedores para la produccién del préximo aiio. ‘Las ventas esperadas en términos anuales. ‘* El nimero de empleados qué se necesitarén contra La utilidad esperada anual. ar el aio entrante. Este modelo no deja fuera ninguna observacién, al contrario, siempre est integrada en alguna medida en el prondstico. Esta es una ventaja sobre el modelo de promedios méviles. Al modelo de suavizamiento exponencial se le denomina asi, debido a que la aportacién que hace cada observacién al. pronéstico va disminuyendo exponencialmente lo largo del tiempo. La rapidez de la disminucién de 1a contribucién de cada observacién al pronéstico en un lapso de tiempo depende de una constante llamada semilla de suavizacién (@). La constante 0 semilla de suavizacién que tiene un papel semejante al del niimero de términos N en el modelo de promedios méviles. La semilla de suavizacién toma valores entre 0 y 1; este valor lo determina quien elabora el330 | Unidad 8 pronéstico, de tal forma que el valor pronosticado en los distintos periodos de la serie de tiempo responda répida o lentamente a los movimientos en la serie de tiempo. Sin embargo, si los datos de la serie de tiempo se ven afectados por los componentes irregulares 0 ciclicos, lo mejor es seleccionar un valor de c Pequetio, es decir, cercano a cero. Si se trata de una serie de tiempo con una tendencia ms 0 menos estable, enfonces un valor dece cercano a 1 seri lo ideal. En este modelo los prondsticos a corto plazo son muy buenos, mientras que @ mediano plazo el pronéstico es de bueno a regular. Como modelo de pronéstico a largo plazo resulta bastante pobre ya que no detecta la tendencia, ni Ia estacionalidad; existen otros modelos de pronéstico mis efectivos para el largo plazo. Este modelo, al igual que el de promedios méviles, s6lo es bueno para pronosticar el valor del periodo siguiente de una serie de tiempo. La DMA es necesaria para determinar cual constante de suavizacién provee de un mejor prondstico. Entre més pequeito sea el valor de la DMA. mejor sera la constante de suavizacién seleccionada. Valores pequetios de ce dan menor peso a las observaciones mas recientes y viceversa, valores grandes de dan mayor peso a las observaciones actuales. Férmul: Rasa X,+ (l-a) & en donde: F.,3 pronéstico del periodoy +1 LX; observacién del periodos F; pronéstico del periodo f Ejemplo 8 Una empresa que se dedica a la venta de computadoras, quiere pronosticar sus ventas para el mes de diciembre. En la distribucién siguiente se observan las ventas (en miles de unidades) durante los dtimos 11 meses. Con un modeloEstadistica II]331 de suavizamiento exponencial y una semilla de suavizacién de 0.3, pronosticar las ventas, en miles de unidades, del mes de diciembre. Obtener la DMA para el error de estimacién del pronéstico. Mes Ene Fab | Mar [Abr [May] Jun [0 [Ago | Sept | Oct [Nov | Die Ventas en miles de unidades| 12.0] 62] 57 [as [a3 [as [ao] 7a los [a2 far lar Graficar la serie de tiempo suavizada exponencialmente con ce Solucién: Formula: Fa =a X,+ (l-a)F Fy =0.302)+ d= 03)12=12 = 0.46.2)+ (I= 03)12 =10.26 0.3(5.7)+ (1-0.310.2 = O.X4.5}+ (I-0.3)889=7.57 1 =0.%4.3}+ (1-03)757 = 0.(4.3)+ (1 03)659=5.90 13(4.0}+ (1-03)590=S.. ) =0.3(7.8)}+ (1-0.3)8.3, 07 3(9.5)+ (1 03)6.0" joa = 0.48.2) (I= 03)7.10=7.43 =0.38.7}+ (1-03)743=7.81 Nee Tere [Fee [wer [Abe [ay Jum [oot [aso [sep ox [Now [Die Fi = [20 [i026 [ exo [757 [oss [90 [535 [oor [10 [78 [rat liso bae Raal =F ss [456 39 [227 |2a9 9 pa [se | [i Elpronéstico muestra la venta de 7 810 computadoras para el mes de diciembre.332 | Unidad 8 £2.47 +3434 1141.27 DMA = Sl 7 048 unidades en miles Se puede esperar un error en el prondstico de 3 048 unidades por arriba de la vema real: los signos negativos en el error representan un prondstico exagerad ‘Ventas en unidades Datos originales Datos suavisados ‘exponencialmente Unidades en miles ¥¢ € & FS 2 ¢ Meses Figura 8.7. Grafica de serie de tiempo suavizada con la técnica de suavizacién exponencial. Ejemplo 9 Los datos de la siguiente serie de tiempo nos muestran la asistenc sala de cine en las ditimas 6 semanas; pronosticar la asistencia de la préxima semana (7), utilizando un modelo de suavizacién exponencial con un @= 0.2. Estimar la DMA para el pronéstico. ‘Semana i] 2]3 6] 7 Niimero de personas en cientos ]25 ]13 [30 ]45 ]66] 54] ¢ Solucién: Formula: Rayzo X,+l-0) F K,, = 0.225) +(1-02)25 = 25 Fay = 0.213) +1-0.2)25=22.6 280) +1-0.2)22.6=2408 Fy = 0.2(45) + (-0.2)24.08= 28.26 Bae Feu, = 0.254) + 10.2) 81 =39.45 Feu = 0.2066) +(1~ 0228.2Estadistica 11333 Semana iJ2,3],4[s][e« [7 Niimero de personas en cientos| 25[13 | 30 | 45 | 66 | 4 | a2 Fs = [25 ]22.6|24.08]28.26]35.81 [39.45] Enror ~ Dato Real — F,., 12] 7.4 |20.92|37.74]18.19 Se puede pensar tener una asistencia de 3 945 personas en la semana 7 DMA= =——ae*e«sxc avs 519.25 EI error del prondstico es de 1 925 personas debajo de lo que puede ser ta asistencia real. Esta conelusidn se obtiene de observar que en la mayoria de las diferencias, datos reales y datos pronosticados, los valores pronosticados estén ‘muy por debajo de los datos originales Ejercicio 3 1. La siguiente serie de tiempo nos muestra los datos referentes al niimero de lesiones mensuales, en una empresa de una rama especifica de la industria manufacturera, Pronosticar con un¢=0.! las lesiones del mes siguiente; obtener la DMA para el pronéstico, Mes 1|2[s |4|sfe]7 Lesiones mensuales 1.5 ]2.3]1.7]1.7/1.8] 2.0]. 2. Pronosticar con un c=0.3 el ntimero de lesiones en el mes 7 del ejercici ‘alcular la DMA y decidir qué constante de suavizacién es mejor: 8.2.3, Modelos econométricos Los modelos econométricos son considerados métodos causales de pronésti esta denominacién se debe a que toman en cuenta varios de los factores que afectan © influyen en la variable que se quiere pronosticar, Estos modelos parten de los valores anteriores de la variable de tiempo, pero son mis interesantes que los334 | Unidad 8 modelos de los puntos anteriores, ya que incluyen factores externos afectan ala variable que se pronostica. Por ejemplo, se quieren pronosticar las ventas para el préximo aiio. Factores externos que pueden afectar esta variable: # La inflacién, + El tipo de cambio si se requiere importar la materia prima ‘© La importacién de productos semejantes al de la organizacién. Factores internos: © El precio del producto. * La calidad del producto, # La publicidad del producto. La construccién de modelos econométricos puede ser bastante compleja, debido a la gran cantidad de factores que pueden intervenir en el prondstico de la variable. Aqui s6lo se estudiarin dos de ellos, los mis simples: modelos de 8.2.3.1. Modelos de tendencia y regresi6n lineal Estos modelos tienen ventajas con respecto los anteriores: © Observan la tendencia de los datos. ‘© Predicen mas de un periodo o valor. © Sis se decide, también se puede observar la variacién cfclica, En ambos modelos intervienen dos variables y el célculo del pronéstico se realiza utilizando las ecuaciones de minimos cuadrados; sin embargo, existe una diferencia conceptual importante entre los dos modelos, ésta define a uno como modelo de tendencia y al otro como modelo de regresién. EI modelo de tendencia, como su nombre lo indica, muestra tendencias en una serie de tiempo. En este modelo la variable independiente es el tiempo y la variable a pronosticar es la dependiente.Estadistica 1335 EI modelo de regresién lineal (unidad 6) establece una relacién causal entre dos variables, una predictora y otra de pronéstico. La variable predictora es la variable independiente y la de prondstico la variable dependiente. En el modelo de regresién lineal las observaciones de la variable predictora son independientes entre ellas, mientras que en el andlisis de tendencia no sucede lo mismo; considerando que es el tiempo la variable independiente, el lapso de tiempo estudiado siempre sera en orden ascendente y secuenci EI pronéstico en ambos modelos, tendencia y regresién lineal se realiza por medio de la ecuacién de la recta. En el modelo de tendeneia lineal la variable x es el tiempo, por lo tanto la tendencia del pronéstico siempre sera ascendente; en el modelo de regresién lineal la variable es una Variable relacionada 0 asociada con la variable a pronosticar, la relacién puede ser: directa o inversa. Formula para la linea de tendencia y de regresién 3, = abs, en donde: variable dependiente (pronéstico). ordenada al origen, >: pendiente x, variable \dependiente (tiempo o predictor) Los valores de @ y b pueden ser positivos o negativos. El pronéstico jes igual ala ordenada al origen a cuandoxes igual a cero. Cuando los valores de 3, aumentan al incrementarse x, la pendiente b es positiva y se dice que la relacién entre J, yxes directa; si J, disminuye al aumentar x la pendiente 6 es negati lard En el modelo de tendencia los aiios son codificados de 0 en adelante 0 de 1 mplifica las operaciones al sustituirlos en la variuble x de la Formulas para estimar los pardimetros ay b (unidad 6) Utilizando el método de minimos cuadrados, se calculardn los valores de la ordenada al origen y la pendiente correspondientes a la ecuacién de la recta de las variablesxy x336 | Unidad 8 Sweeney aes ma “(Ss P Ejemplo 10 Una cadena de restaurantes de hamburguesas ha observado un crecimiento cn la demanda de su producto en los tiltimos 12 meses. En la tabla que se presenta a continuacién estén los datos de la demanda mensual (en miles de hamburguesis). Con un modelo de tendencia, pronosticar la demanda para los meses 13, 14 y 15. Mex JI ]2]3]*]2]°]7]8)]° 9] u Demanda y, 210 [235] 260] 280] 305] 360 [380] 390 | 415] 420] 228 Solucién: Para obtener la sumatoria de Para obtener la sumatoria de 10+2354260+..435= 4,118 }+2434..412=78 Para obtener la sumatoria de P24. t= 650 Dy 4 118-21.9650(78) n 12 = 2003939 4 5 eh 12(29908)~(78K4 118) _ 5 965935 12(650)=(78F _ =at bx; 200.3939 + 21.9650x, Cuando ya se obtuvo la ecuacién de la recta, basta con sustituir x, en el valor codificado del mes correspondiente (13,14,15) y obtener el pronéstico 5,Estadistica II 1337 Elpronéstico de demanda de hamburguesas (en miles de unidades) para los meses 13, 14, 15 es de. 5,,= 200,39394 + 21.965035(13) = 485.9393 hamburguesas = 200,39394 + 21.965035(14) = 507.9044 hamburguesas 3 200.39394 + 21.965035(15 we J?l2[>[-¢[s[*[>[*]-[«[a [a Denne | 210 | Bas | 260 aan | 305 | 360 | aan [ a0 | ais we | as 3 fxn [pesto avaaofannas] sinaa| saan sais 70a [Soacn|san0a] ano [acaor _ 500 22 40 SE 300 Ventas ca millones is ~ oe Co 0 Mes Figura 8.8. Grifica de la demanda de hamburguesas. Ejemplo 11 ‘Una empresa ha invertido en publicidad los dtimos 8 trimestres y ha visto incrementados sus ingresos por ventas; ;cudles serén sus ingresos, si decide invertir $20 000.00 en publicidad? Utilizar un modelo de regresi6n lineal. Trimestre uo | mow] v |v | ve lvn ‘Gasto en publicidad (en miles de pesos) a | 5.0 [15.0] 10.0] 75 [45] 80[ 180/120 Tngresos (en miles de pesos) 7 T00 | 350 [290 150 [85 [210 | 405 | 315 Soluci Como se puede observar, a pesar de tener dos variables x yy: este no es un modelo de tendencia, sino uno de regresi6n. La caracteristica que lo hace distinto es que la variable independiente x no es el tiempo: la variable independiente x es una variable predictora, relacionada con la variable dependiente 3; En este ejemplo se supone que el nivel de ingresos depende del338 | Unidad s Como es un modelo de regresién lineal, se tienen que estimar la ordenada al origen y la pendiente correspondientes a la ecuacién de la recta de las variables xy proporcionadas. Formulas para estimar los pardmetros.a yb Ulilizando el método de minimos cuadrados, se caleularan los valores de la ordenads al origen y la pendiente correspondientes a la ecuaci6n de la recta de las variables yy = 100+350+290+...4315= 1 965 +15+104...+12=80 3:100}+(15x350}+(10x200}+.+ 12831 AP = PHISH OR P= 958.5 Para obtener la sumatoria de Para obtener la suratoria dex, Para obtener la sumatoria d 3 9875 qa 5 = 28.03.4306 ~28.034306 + 27.3659306x, Cuando ya se obtuvo la ecuacién de la recta, basta con sustituir en.x,el valor del gasto en publicidad propuesto y obtener el pronéstico (nivel de ingresos) 9. J = ~28.034306 + 27.3659306(20) = $519.2843, Cuando se tiene un gasto de $20 000 en publicidad, se obtiene un ingreso de $519 2843Estadistica 11339 Ejercicio 4 1. Utilizando un modelo de tendencia lineal en la siguiente serie de tiempo, que se refiere a demandas interpuestas contra la empresa por empleados despedidos, pronosticarel nimero de demandas esperadas para el trimestre 9 y 10. Trimestre | 1 [| uf vv | va] vit] vin} rx] x Demands [5|3[sfs]4fs] o] 6 fala 2. Las ventas de una empresa estén en funcién del {ndice de inflacién, si en este periodo se puede esperar un fndice de inflacién de 2.4%, ;qué ventas se podrin esperar? Resolver empleando un modelo de regresién lineal Indice deimflacion %x, [19 ]21]18]16]20/19]21]) 15] 18 ‘Ventas (en miles de pesos) y,{ 100] 75 | 105] 115] 80 [97] 78 [120] 103 8.2.4. Modelo estacional El modelo que se estudiar ahora mide las variaciones que se presentan en forma mis 0 menos constante en las mismas fechas en los distintos aftos, ca siempre meses 0 trimestres. N =12 0 N'= 4. El indice estacional 0 indice de variacién estacional es el que se encarga de medir estas variaciones. Para la construccién de los indices estacionales se utilizar el modelo de promedios méviles y para el pronéstico se empleard el modelo de tendenci Este modelo es uno de los mis completos, en él se considera la tendencia, estacionalidad y hasta las variaciones ciclicas de los datos, El procedisniento se explicard mediante un ejemplo Ejemplo 12 La siguiente tabla muestra las ventas trimestrales de televisores en miles de pesos, aplicando un modelo de tenden de los cuatro trimestres del 2003. y estacionalidad, pronosticar las ventas340 Unidad 8 Trimestre | 1998] 1999] 2000] 2001 [2002 i 1s [20 [26 [22 [28 u__[32 [30 [44 [34 [36 m [36 [36 | 34 [50 | so ww [42 [40 [48 far [52 Solucién: Construir una tabla para obtener el cociente del promedio mévi Componentes de esta taba © Total mévil de 4 trimestres. «Total mévil centrado de 4 trimestres. ‘*Promedio mévil de 4 trimest #Cociente del promedio mévi % Para calcular el cociente del promedio mévil % ‘© Calcular el total mévil de 4 trimestres: éste se obtiene de la sum deN=4 trimestres 18+32+36+42. La siguiente estimacién deja fuera la puntuacién iis antigua ¢ incorpora una nueva 32+36+42+20, y asf sucesivamente. Es muy importante que el primer valor calculado se coloque a ta mitad del imer ailo, es decir, entre el trimestre 2 y 3, el siguiente se colocard entre el trimestre 3 y 4 y asf sucesivamente. Lo anterior es porque N=4 es par e interesa que el promedio quede en los periodos y no entre los periodos, considerando de mejor forma los valores originales. ‘© EL total mévil centrado se obtiene de la suma de N=2 totales méviles de 4 trimestres, se van ir sumando dejando la puntuacién mis antigua y anexando una nueva: 128 +130; 1304128; 128+128. El primer valor queda entre los dos primeros, observe la posicién del 258, continuar de la misma forma. © Dividir los valores del total mévil centrado entre &: esto es ast porque se sumaron 2 valores de 4 trimestres cada uno, 258+8; 258+8; 256+8, etcétera, colocando los resultados sobre el mismo renglén. © El cociente del promedio mévil %: se obtiene de dividir las ventas por cl promedio mévil de 4 trimestres y el resultado multiplicado por 100. El primer promedio mévil aparece en el renglén que corresponde al trimestre 3, asf que el primer cileulo seria: (36+32.25)x100.Estadistica Il fj Ventas de Total mvt | Totalmivit | Promedio | Cociente del snmiles twimestres | trimetre trimestre | mil % ‘© Formar una tabla de los cocientes del promedio mévil, para calcular el indice estacional342 | Unidad 8 El primer cociente aparece en el trimestre 3 de 1998, colocar el valor y continuar con los demés en orden secuenci 1998 | 1999 | 2000 | 2001 | 2002 | meaia indice estacional modificada| Factor de ajuste x valor de media modificada T 625 | muta | oo27[7i79| enn | erat 102— 68.4522 Baay| TeoD]| OOMT [aaa | oaae DEI 163 [ris] 90.67 [132.45 16s 113.8626 W_[13023[ 15.11) 13427 [ose 122.00 124.4400 Eas La media modificada se obtiene eliminando los valores extremos (el mis pequeiio y el mayor de cada renglén); se suman las puntuaciones que quedan y se dividen entre el ntimero de puntuaciones: (62.5 + 71.72)/2 = 67.11 El indice estacional se obtiene multiplicando el valor de la media modificada porel factor de ajuste, el cual es: 4x10 Factor de ajuste trimestral = 4100 _ Sumatoria de Ta meilia modificad: Para obtener los valores ajustados estacionalmente * Dividir los datos originales por su correspondiente indice multiplicarios por 100, (18+68.4522)100=26.30; (32+94.1256)100=34.00 Valores ajustados estacionalmente Trimestre | 1998 [1999 [2000 [ 2001 | 2002 T 2630 | 2922 [ 3798 | 32.14 | 4090 in 3400 | 3187 | 4675 [3612 [3825 I sie | 3102 | 2986 | 491 | 4390 1V 3375 | s214 | 38.57 | 3375 | 4179Estadistica 11343 Cuando los datos se ajustan estacionalmente, nos dan los valores reales, en este caso las ventas reales. Lo que sucede es que en la primera serie las ventas estan infladas por el efecto de estacionalidad; cuando desestacionalizamos los datos, se obtienen las ventas reales. Observar las ventas del trimestre III y IV de 2002. Calcular la variacién con los datos originales y con los datos ajustados estacionalmente, frimeste 42 F007 190= $2 «100 =104% inden un ineremento en ls ventas de 4% Irimestredde 2002, yy) 41.78 59% indica wna dim, exsmins ees, 02 535% rine 4d 2002 994175199 20468 india ings eas, 55% Pronéstico de ventas en miles de pesos Aplicar un modelo de tendencia lineal a los datos trimestrales originales: Para obtener la sumatoria de y,= 18+32+364..#52= 720 Para obtener la sumatoria de r= 14243+..#20=210 Para obtener la sumatoria de x,¥,= (1x18}+(2x32)+(3x36)+...#(20x52)= 8 132 Para obtener la sumatoria de x7 = 1°+2°+3%..120%= 2 870 720-0.8602(210) _ 69694 20 208 132)=(210)(720) 202 870)=(2107 1860 26.9684 + 0.860: Para calcular el pronéstico de los 4 trimestres de 2003, ta ecuacién de tendencia es multiplicada por el indice estacional dividido por 100, correspondiente a cada trimestre. Pronosticar los trimestres 21, 22, 23, 24.344 | Unidad 8 “ndice estacional §,=a + d(x) x————_—_— * " 100 26.9684 + 0,8602(21) S81435 30,69 68.1435 indice estacional del trimestre I 26.9684 + 0,860, $43.12 93.9550 indice estacional del trimestre II =$52.99 113.3491 indice estacional del trimestre II 1245591 100 = 269684 + 0.860224) $5930 124.5591 {ndice estacional del trimestre IV El pronéstico sin considerar el indice estacional, tinicamente la tendencia, para el trimestre 21 hubiera sido de $45.03. Cuando se considera la estacionalidad eentonces las ventas esperadas son de $30.69. El pronéstico sin considerar el indice estacional, tinicamente la tendencia, para el trimestre 22 hubiera sido de $45.89. Cuando se considera la estacionalidad centonces las ventas esperadas son de $43.12. El pronéstico sin considerar el indice estacional, tinicamente la tendencia, para el trimestre 23 hubiera sido de $46.75. Cuando se considera la estacionalidad eentonces las ventas esperadas son de $52.99. El pronéstico sin considerar el indice estacional, tinicamente la tendencia, para el trimestre 24 hubiera sido de $47.61. Cuando se considera la estacionalidad entonces las ventas esperadas son de $59.30 El pronéstico sin considerar el indice estacional, tinicamente la tendencia, para el trimestre 21 hubiera sido de $45.03. Cuando se considera la estacionalidad entonces las ventas esperadas son de $30.69.Estadistica 1345 Ejercicios resueltos 1. Graficarla siguiente s de tiempo: Mes de 2001 | Eine | Feb | Mar| Abr | May[ tun] sui [Ago 28 [3af2tfzo indice de desempteo%] 2.5 | 34 [34 Soluci fndice de desempleo % Porcentaje Ago Mes 2. La cantidad de ejemplares vendidos del libro EI albergue de las mujeres tristes durante las tiltimas 7 semanas ha sido: Semana_[1 [2 [3 [4 [5 [6 [7 [8 Ejemplares| 150] 115] 125| 160] 165] 145 [160] ¢ Pronosticar el nimero de ejemplares que podrian venderse en la semana 8, Ulilizar un modelo de promedio mévil de N=3. Caleular el DMA del pronéstico. Solucién: Formula:346 | Unidad 8 - co 125 #13333 E 160#125 _ p59 pz, = MS+165+160_ 156.65 3 3 BE 145 +168 5667 Segiin el prondstico obtenido se podrian vender 156.67 ejemplares de este libro. Semana, 1[2[s[4][s][e«e][7]s8 jemplares 150_[ us [125 [160 [165 [14s [160 | a? Fos 130 [133.33] 150 [156.67] 186.67 ‘Eror= Dato Rea 30 [aie7] —s [ass Se espera un error de 17.5 libros; este pronéstico es un poco pesimisia, se observa que en la mayoria de los errores obtenidos el dato real queda por encima del valor pronosticado. 3. La ocupicién hotelera en un centro turistico durante In temporada vacacional de verano (8 semanas) se exhibe en la siguiente tabla; hasta el momento han transcurrido 7 semanas del periodo vacacional, ;cudl seré la cupacién hotelera en la semana 8? Utilizar un modelo exponencial y una constante de suavizacién de 0.15. Calcular el DMA del pronéstico. Semana 1f2 ‘Ocupacion Hotelera en %| 65] 77 60] 65] 68 80] 88] ;2 Solucién: Formula:Estadistica II 1347 Fig = 0.151 65)+ (1-0.15) © =65 Fou, = 0.1S( 77}+ (I-0.15) = 668 By 0.15(60)+ (10.15) 6.8=6578 Fy = 0.15( 65)+ (1-0.15) 66.78=65.66 0.15( 68)+ (10.15) 65.665 66.01 Fi, = 0.15(80)+ (10.15) 66.01=68.11 15(88)+ (1-0.15) .01=69.31 Se pronostica para el tiltimo mes del periodo vacacional una ocupacién hotelera de 69.31%. Semana, tl2[s]4+[s[«[7][s [Ocupacion Hoteles env] 65 | 77 | 60 | 5 | os [ a0 [ se | av Ft = [6s [oes [65.78 [05.66 [ooo fox.it [09.31 Error = Dato Real =F, 12 | 68 [-078 [ 234 [13.99] 19.89 Sel ,, Dyit= Beall -12+68+-0.8+ 2344139941989 _ 7 Se espera unerror enel prondstico de 9.3% por debajo de la ocupacién real los datos originales, en su mayoria, estén por encima del valor pronosticado. 4, En los timo 9 aos, en temporada de invierno, el nimero de trabajadores que faltan por causa de enfermedades respiratorias se muestra en la siguiente tabla, Aton [1 [2 [3 ]4[5]6]7 [8/9 Trabajadores y, [65 [55 [70 [ 87 [56 [io [97 [a5 [75 Ulilizando un modelo de tendencia lineal, ;cudntos trabajadores podemos esperar que falten por esta causa, este aio? Solucién: Para obtener la sumatoria d Para obtener la sumatoria de’ Para obtener la sumatoria de Para obtener la sumatoria de 3; 65455+704..475= 691 142434..49=45 )4(3x70)4..19N7S)= 3 653348 | Unidad 8 et Ge * _9(3.653)~(45)(691) a. xe 9(285)-(45) 5yo= 60.2778 + 3.3(10) = 93.2778 trabajadores 33 5. La materia prima que una empresa requiere esté en funcién de la demanda de su producto; si se piensa que la demanda puede ser de 100 000 unidades, cual serd la materia prima requerida? Emplear un modelo de regresién li Demanda en miles de unidades x, | 105] 97 [90 [110 [86 [so [78 | 90 “Materia prima en toncladas y,_|1.75|1.65] 1.60] 1,821.63] 1.55|1.50|1.64 Solucién: Para obtener Ia sumatoria de y= 1.754+1.6541.604..H1.64= 13.14 Para obtener Ia sumatoria de x= 105497490+..+90=36 Para obtener la sumatoria dex,y= (1051. 75)H9TXI.65}+(90X1.60)+:-+490x1.68)= 1 21678 Para obtener la sumatoria de x7 = 105+97+90+...+9 836735 14) = 8121678) 7363.14) _ 9 og755 68 1) =T367 NETS ) = 0.836735 + 0.008758(100) = .7126 toneladasEstadistica 11349 Ejercicios propuestos 1. Utilizando los datos del problema que se refiere a la serie de tiempo de ejemplares vendidos del libro EI albergue de las mujeres tristes durante las tltimas 7 semanas, Pronosticar el nimero de ejemplares que podrian venderse en la semana 8. Utilizar un modelo de promedio mévil de N’= 5. Utilizando como anilisis el DMA, decir cusl prondstico es mejor si el de N= 3 oN Semana [1 [2 [3 [4 [5 [6 [7 [8 Ejemplares| 150] 115|125]160[165] 145[160]2? 2. Con referencia al ejercicio de la ocupacién hotelera en un centro turistic utilizar un modelo exponencial y con una semilla de suavizacién de 0.65. ;Qué semilla resulta ser mejor la de 0.15 0 0.65? Semana 1f2 era en %| 65 77| 60] 65] 6880] 88] .2 ‘Ocupacion Hot 3. Bn la serie de tiempo : Mes del 2001 | Ene | Feb | Mar} Abr | May| Jun] Jul [Ago indice de desempleo %| 2.5 | 3.4} 3.4 | 2.3 | 25 | 3.1]2.1]2.0 Pronosticar el {ndice de desempleo para el mes de septiembre y octubre utilizando el modelo de tendencia lineal, graficar los datos. 4. Las compras de cajas de cartén de una compaiifa estén en funcién de las ventas de su producto; si se piensa que las ventas pueden ser de 95 000 unidades, {cul ser el mimero de cajas requerido? Emplear un modelo de regresién lineal Venta en miles de unidades x,|105 | 97 | 90 | 110 | 86 | 0 [78 | 90 Cajas (pieva en miles)», |1.85 ]1.75]1.70] 1.92]1.73] 1.65 1.60 1.74350 | Unidad 8 Autoevaluacién 1 Y=TCEI 4 Silas componentes esti relacionadas entre si b) Silas componentes son independientes entre si ¢) Silas componentes no tiene que ver una con otra 4) Si las componentes son excluyentes. {Como se representa al pronéstico en un promedio mévil a)N=3 2En qué modelo se utiliza la constante de suavizacién cf? a) Enel modelo lineal. b) Enel modelo exponencial. c) En una serie de tiempo. 4) Enel modelo de regresién. {Cémo se puede saber que una semilla de suavizacién es mejor que otra? a) Por el valor de N. b) Por el valor de F- ¢) Por el valor de ct. d) Por el valor de la DMA. La DMA se calcula: a) a X,+ (l-a) F Ee b) N oath, Sel oat 710. Estadistica II]351 {Cuil DMA es mejor? 4) 0.03, b) 3.0 ©) 0.003 4) 30 Enel modelo de tendencia lineal, X representa a) El tiempo. b) El pronéstico. c) El nimero de términos, 4) La constante de suavizacién. Si la ecuaci6n es 2.5 = 0.936735 + 0.008758X), ;cudl es el valor de.X? a) 180.9880 b) 178.4892 ©) 191.1724 ) 177.4892 La formula F,, =a X,+ (Ia) F, corresponde al modelo: a) Promedio mévil. b) Exponencial sus ©) Estacional 4) Tendencia lineal. ido. {En cui modeto se utiliza el valor de N? 4 Regresién lineal. ) Estacional. ©) Tendencia lineal. 4) Promedio movil.352 | Unidad s Respuestas a los ejercicios Bercicio 1 1.b) 2. Las fluctuaciones ciclicas se refieren a un periodo largo de tiempo (aii), estas fluctuaciones son impredecibles. La variacién estacional es constante en el tiempo; son periodos menores de tun alo, meses o trimestres, estas variaciones se pueden predecir, 3 ‘Trabajadores eventuales 150. 100 50 ‘Nimero de trabajadores 1234567 Semanas Ejercicio 2 1. Se plantean los dos primeros para que tu contindes con los dems. Cuando N= 3 17423419 1.97 2.03 El gasto quincenal en gasolina pronosticado es de $2 000.00 Quincena rit 2tsaiats io dz Gasto en miles de pesos | 1.9 | 23 [1.7 [21] 20] 19 [ar Fu 1.97 | 2.03]1.93 [2.0 0.13 |-0.03]-0.03} Error = Dato Real - Fy,Estadistica 11353 0.19, -=0.0633¢/ error esperado del prondstico es de $63.3 El gasto quincenal en gasolina pronosticado es de $2 000.00 Quincena 1 3[afs fo lz Gasto en miles de pesos | 1.9 | 23 [17 [21 | 20[ 19 | 2 FE 2.0 [2.0 0 or ~ Dato Re Deal pMA= = =o nT El mejor pronéstico es el que se obtiene con un promedio movil de N ~3 aunque el prondstico coincide en los dos promedios maviles, N ~3 y N ~5, la DMA menor es la de N =3 Jel error esperado del prondstico es de $100.00 Bjercicio 3 1 Bay =a X,+ (lea) Ry =0.1(1.5)+ 1-0.) 1S=1S—— Fy = 0. 2.3)+ (1-011) 15=158 Elmimero pronosticado de lesiones para el mes 7 es de 1.66 Ms Te bP eElep Lesiones mensuales LS | 23 [17 | 17] 18 ] 2 ve [Ena buona os [oz fort] 02 [ose SEL sot DMA= 7 Ay 70.322 la DMA de este prondstico es de 0,322 lesiones.354 | Unidad 8 2 El nimero pronosticado de lesiones para el mes 7 es de 1.82 Mes, a f2fs fa ls to ia Lesionesmensuales | 15 [23 [17 [17 [ts [20 [| F 15 _[u7a [73 five [74 [82 Enror = Dato Real-F, 08 Foos|00s[o.08] 0.26 DMA= C 0.242 la DMA de este prondstico ex de 0.242 lesiones Ex mejor el prondstico con un ee 0.3 que con un e=0.1; lo anterior es considerando que la DMA es menor para un c= 0.3. Bjercicio 4 1 at! et 3y= 4.714286 + 0.2857149) Diq= 4.714286 + 0.285714(10) 2857 demandas 5714 demandas -7568182)167) 945 45199 7568182 9 = 23743182 + (-15.68182)(2.4) = 55.7955 ventas en miles de pesos.Estadistica 1355 Respuestas a los ejercicios propuestos 1. Formula: ‘Segiin el prondstico obtenido se podrian vender 151 ejemplares de este libro. Semanal 1t[2[s[4[s5][o6][7][s Fjemplares| 150 | 15 | 125 | 160 | 165 | 14s | 160 | a F. was [142 [151 2 | 18 Dato Real = n 2 N =5. Se puede concluir que este prondstico se aproxima més a la realidad, aunque sigue siendo pesimista, Puede esperarse una venta mayor DMA 10 ef error absoluto del prondstico es mejor cuando Fi =a X,+ (l-a) F Fou, = 0.65( 65)+ (1-0.65) 6 =65 Foy = 0.65( 77)+ (1-0.65) 65=72.8 Fou, = 0.65( 60)+ (10.65) R.8=6448 Fy = 0.65( 65)+ (10.65) 64.48= 64.82356 | Unidad 8 Feu, = 0.65( 68)+ (150.65) 182=66.8) Fy = 0.65( 80)+ (10.65) 66.89= 75.41 F.,, = 0.65( 88)+ (1-0.65) 7541=83.59 Se pronostica para el titimo mes del periodo vacacional una ocupacién hotelera de 83.59%, ‘Semana 1]2]2]/4]5]°,7]8 Gcupacibntortowenre | 65_| 7 | 60 | os [os | a0 | a8 Fu = _ [65 [728 | 644s | 6082 [06.09] 25.41 [93.59 Firor ~ Dato Real—F, 12 [=128| 032 [3:8 [i311 fi239 pua= Bl 542 oo = SL = 275 =9.0333 Fi ligeramente menor el error wilizando un = 0.65. Esto significa que es mejor esperar una ocupacion de 83.59 % a una de 69.31%. 824) G23) gp y739) 9,= 3.235714 + (-0.127381)(9)=2.0893% indice de desempleo '35714 + (-0.127381)(10)=1.9619% indice de desempleo Mes del 2001 x, Ene | Feb [Mar [Abr | May [Jun [ Jut_[ Ago Indice de desempleovy | 25 | 34 | 34 [23 | 25 [3a] 21 | 20 i, 3.1 | 2.98 | 2.85 | 2.73 | 2.60 [2.47 | 2.34 | 2.22Estadistica II 1357 Porcentaje de desempleo 24 z: [Datos reales E22 [patos ea! Obseruadoe ° ebb Seah Bis2243 2 Mes 13.94=0.008758(738) _ 9 936735 n 8 be % Eady, 8(1032304)~ (73011394) _ pagers (Sx) MB C14)=(736F 0936735 + 0.008758(95) = 1.7688 piezas en miles Respuestas a la autoevaluacién a) ° db) a a °) a) db) by 10. d) SeNAWEY RO