Pronósticos de serie de tiempo

estacionalizados

Método de descomposición de series

de tiempo
Series de tiempo estacionalizadas
Estacionalidad en los pronósticos de series de
tiempo. Por lo general, los patrones
estacionales son fluctuaciones que ocurren
dentro de un año y tienden a repetirse
anualmente. Estas estaciones pueden ser
causadas o determinadas por el clima, las
vacaciones, los días de pago, los eventos
escolares o cualquier otro fenómeno.
Series de tiempo estacionalizadas
Se siguen estos pasos.
1. Seleccione un conjunto representativo de
datos históricos.
2. Desarrolle un índice de estacionalidad para
cada estación, es decir, mes o trimestre.
3. Utilice los índices de estacionalidad para
desestacionalizar los datos. En otras palabras,
elimine los patrones estacionales.
Series de tiempo estacionalizadas
4. Realice un análisis de regresión lineal sobre los
datos desestacionalizados. Ello resultará
en una ecuación de regresión de la forma: Y = a
+ bX.
5. Utilice la ecuación de regresión para calcular los
pronósticos del futuro.
6. Utilice los índices de estacionalidad para volver a
aplicar los patrones estacionales a los
pronósticos.
 Ejemplo
El gerente de planta de una compañía , está intentando
planear las necesidades de efectivo, personal y
materiales y suministros para cada trimestre del
próximo año. Los datos de ventas trimestrales durante
los últimos tres años razonablemente parecen reflejar
el patrón de resultados estacional que debe esperarse
en el futuro. Si el gerente de planta pudiera estimar las
ventas trimestrales del siguiente año, podría
determinar las necesidades de efectivo, material,
personal y suministros.
A continuación se presentan las ventas trimestrales de
los últimos 3 años:
 Ejemplo
1. Primero, calculamos los índices de
estacionalidad:
 Ejemplo
*Promedio general del trimestre = 8700/12 =
725. (12 trimestres)

**IE = Promedio del trimestre/Promedio general

del trimestre.
Ejemplo
 Ejemplo
2. A continuación, desestacionalizamos los
datos dividiendo cada valor trimestral entre
su IE (índice de estacionalidad). Por ejemplo,
520 ÷ 0.809 = 642.8 , 730 ÷ 1.122 = 650.6,
y así sucesivamente.
Ejemplo
Ejemplo
 Ejemplo
A continuación, hacemos un análisis de
regresión sobre los datos desestacionalizados
(12 trimestres) y el pronóstico de los
siguientes cuatro trimestres:
Ejemplo
 Ejemplo
A continuación utilizamos estos valores para para la
regresión lineal:

a = 650(8,700.5) - 78(58,964.9) = 615.421

12(650) - (78)2

b = 12(58,964.9) - 78(8,700.5) = 16.865

12(650) - (78)2

Y = 615.421 + 16.865X
Ejemplo
 Ejemplo
5. Ahora reemplazamos Los valores 13, 14, 15 y 16
(los siguientes cuatro valores de x) en la
ecuación. Estos serán los pronósticos
desestacionalizados, en miles de unidades, para
los siguientes cuatro trimestres:

Y13 = 615.421 + 16.865(13) = 834.666

Y14 = 615.421 + 16.865(14) = 851.531
Y15 = 615.421 + 16.865(15) = 868.396
Y16 = 615.421 + 16.865(16) = 885.261
 Ejemplo
Utilizamos los índices de estacionalidad (IE) para
estacionalizar los pronósticos:

Pronostico estacionalizado = IE x pronostico

desestacionalizado.