Libro Cap 02

METODOSCUANTITATIVOSPARALOSNEGOCIOS
2009
CAPITULO2.PRONSTICOSDENEGOCIOS
ObjetivosdelCaptulo.
Conocerlosconceptosbsicosdeseriesdetiempo,yaplicarlosenlamodelacin.
Al observar la grfica de una serie de tiempo, saber detectar los componentes
esencialesdeunaseriedetiempo.
Aprender a construir modelos de serie de tiempo, mediante las componentes:
tendencia,estacional,ciclo,yuntrminodeerroraleatorio.
Identificarelmodeloadecuadoparalaseriequeseestanalizando.
Pronosticarlosdatosdeunaseriedetiempo,utilizandomsadecuadoelmodelo.
En el mundo globalizado y conmercados tan competidos como los que enfrentamoshoy,

las empresas se ven obligadas a buscar mayor eficiencia en sus procesos de negocio. En
este sentido, un tema que actualmente interesa es cmo pronosticar con ms certeza la
demanda de productos o servicios. Cada vez ms empresas estn redefiniendo y
formalizando el proceso de elaboracin de pronsticos para llevar a cabo una mejor
planeacindeventasyoperaciny,porlotanto,unmejordesempeofinanciero.
Cuandoseelaboraunmalpronstico,laplaneacinsevieneabajoytodaslasreasdela
empresa se vuelven ineficientes. Esto se puede observar directamente en el bajo
desempeofinancierodelaempresa.Ventasnegadas,excesosdeinventariosdeproductos
que norequierenlosclientes,reduccindemargenalvender con descuentosparalograr
losobjetivos,costosmsaltosenlascompras,producciny/odistribucinparareaccionar
a emergencias, etc., estos son los sntomas. Pronosticar la demanda con buena exactitud
normalmente no es fcil. No existen recetas de cmo hacerlo y cada empresa tiene que
determinarlamejorformadeelaborarsuspronsticos.
El tema de pronosticar es extenso y requiere de tcnicas ad hoc para cada situacin. Por
ejemplo, pronosticar productos de alta rotacin requiere diferentes tcnicas que
pronosticar productos de bajo movimiento o de demanda intermitente. Pronosticar la
demanda de productos nuevos requiere consideraciones diferentes. Por otro lado, en
ciertas ocasiones es conveniente pronosticar agrupando productos similares y en ciertas
ocasionesporcanaldeventaopormarca.
Enciertasocasioneselusodeherramientasestadsticasesdemuybuenaayudayenotras
ocasionesesmejorelaborarpronsticosencolaboracinconlosclientes.Sielxitodela
planeacin depende de pronsticos certeros, entonces es conveniente revisar cmo se
elaboranlospronsticosensuempresaydeterminarsiesposiblemejorarlaexactitud.Un
buen comienzo para mejorar la exactitud de los pronsticos es entender los factores que
Compilacin: Ybnias El Grijalva Yauri
CAPITULO2.PRONSTICOSDENEGOCIOS
2.0Introduccin.
30
2009
influyen en el comportamiento de la demanda y tener mejor idea de qu ofrecen las

diferentestcnicasdepronsticos.
QusonlosPronsticos?
El pronstico no es una prediccin de lo que irremediablemente pasar en el futuro. Un

pronstico es informacin con cierto grado de probabilidad de lo que pudiera pasar. La
probabilidaddexito,estenfuncindirectadelaelaboracindelospronsticos.Dichode
otra forma, el resultado de la planeacin y operacin de la empresa est directamente
ligadaalacertezadelospronsticos.
Parapronsticosdenegocioslasmejoresprcticassugierenunacombinacindetcnicas
cuantitativas y cualitativas, es decir, pronsticos estadsticos como base para iniciar el
procesodevalidacindelospronsticosdefinitivos.Sehacomprobadoquelastcnicasde
pronsticos estadsticassonmuytiles,yaquecuantifican demaneramuyexacta ciertos
componentesdelademandacomotendencia,patronesdeestacionalidadodeeventos.
El ser humano tiene la capacidad de analizar muchas variables que sera muy difcil
establecer en un modelo estadstico, sin embargo, est limitado en la cantidad de
pronsticosquepuedeanalizar,esinconsistenteyadicionalmenteenmuchasocasioneslas
estimacionespresentansesgosmotivadosporinfluenciasdeestadodenimo,optimismoo
inclusoinfluenciasderivadasporlapresin.
PronsticosyPlaneacin:Procesoscrticosdelnegocio
El papel de los directivos y gerentes es administrar los elementos del negocio que
conducenallogrodelosobjetivos.Deunauotramaneralosdirectivospresientenloque
pasar.Sinembargo,enlamayoradelasocasiones,susdecisionessonmuchomejoressi
seapoyanencifrascuantificadasporunaherramientaestadsticayaquedeestamanerase
parte de una cifra base ms conservadora. Por otro lado, cada vez es ms necesario
diferenciarlasdemandasdelosclientesdeunmismoproducto,loquerequieremstiempo
yargumentos.
CualeselcostodemalosPronsticos?
Tenemos garanta que los pronsticos no van a ser 100% exactos y que adems la
desviacin de los pronsticos tiene un costo implcito, ya sea que los pronsticos fueron
altosofueronbajosrespectoalarealidad.
El punto fundamental en los pronsticos es ser consistente y lograr la menor desviacin

respecto a los objetivos: Pronosticar por arriba de la demanda tiene entre sus
consecuenciasexcesodeinventario,obsolescencia,reduccindemargenparapromoversu
venta. Pronosticar por debajo de la demanda tiene entre sus consecuencias comprar y
producir ms caro algo que no estaba planeado, inclusoprdida deventa ymargen si no
reaccionamosatiempo.
2.0Introduccin.
31
2009
Laelaboracindelospronsticosrequiereinformacindelaplaneacin.
Quien elabora los pronsticos debe considerar las actividades planeadas como
promociones, cambios de precios o, incluso, si hubo algn evento extraordinario en la
historiarecientequepuedadesviarfuertementelasestimaciones.Dejarestoalamemoria
seguramente causar que nuestros pronsticos sean menos exactos. Actualmente las
empresas estn implantando alguna forma de documentar la historia para medir los
impactos de los eventos y considerarlos o no como parte del pronstico si se realizaran
nuevamente.
CmoPronosticar?
Muchas empresas actualmente estn recurriendo al uso de paquetes de pronsticos

estadsticos y establecer un proceso ms formal en la planeacin de ventas y operacin.
Antesdepensarenunaherramientaosoftwaredepronsticosestadsticosesconveniente
entenderaspectosrelativosalprocesodelospronsticos:
a. Cmofuncionanlastcnicasestadsticas.
b. Cuntosdatosserequieren.
c. Cmosepuedemedirelimpactodeladesviacindelospronsticos.
d. Cmopronosticarcientosdeproductosdemanerarpidaymsexacta.
e. Culeselperfilsugeridodequienelaboralospronsticos,etc.
Esto le permitir evaluar si tiene oportunidad de mejorar su proceso mediante el uso de

alguna herramienta o capacitacin. Hoy en da las compaas tienen la posibilidad de
romper paradigmas culturales acera de la realizacin de los pronsticos. Hacer buenos
pronsticos es un proceso que agrega valor ya que est ntimamente relacionado con la
tomadedecisionesqueimpactanenelrendimientodelaempresa.
Exactituddelpronsticocomoindicadordedesempeoclave
Se requiere madurez para establecer la exactitud de los pronsticos como un indicador

clave ya que siempre habr desviaciones. Es necesario documentar y aprender de cuales
fueronlasrazonesquenosllevaronatantadesviacinenunaestimacin.Solomediantela
medicinobtenemosunareferenciaquenospuedaindicarnuestrodesempeoy/otomar
accionesinmediatasparacorregirelrumbo.
MejoresprcticasenlaelaboracindePronsticos
Las mejores prcticas sugieren una combinacin de pronsticos estadsticos con

pronsticosporexperiencia.Estaprcticaayudaareducirlosefectosdeinfluenciadelplan,
influencias emocionales y adems a cuando son muchos productos los algoritmos
estadsticosautomticosdeterminarunamejorestimacinynosolounsimplepromedio.
Unamejoraenlaexactituddelospronsticoslapodrconfirmarcuandocadamesseestn
2.0Introduccin.
32
2009
logrando los resultados de los objetivos. Esto tambin se confirma cuando las diferentes
reasestnalineadasapartirdeunpronsticoconsensuado.
Acercadeherramientasestadsticasexisteunamuybuenavariedaddesoftwareparahacer
pronsticos estadsticos. Los paquetesestadsticos trabajan de manera muy automtica y
soneconmicos.
2.1TeoradeSeriesTemporales
Unaserietemporalesunconjuntodeobservacionesordenadaseneltiempoo,tambin,la
evolucin de un fenmeno o variable a lo largo de l. Esta variable puede ser econmica
(ventasdeunaempresa,consumodeciertoproducto,evolucindelostiposdeinters,...),
fsica (evolucin del caudal de un ro, de la temperatura de una regin, etc.) o social
(nmero de habitantes de un pas, nmero de alumnos matriculados en ciertos estudios,
votosaunpartido,...).
El objetivo del anlisis de una serie temporal, de la que se dispone de datos en perodos
regulares de tiempo, es el conocimiento de su patrn de comportamiento para prever la
evolucinfutura,siemprebajoelsupuestodequelascondicionesnocambiarnrespectoa
lasactualesypasadas.
Sialconocerlaevolucindelaserieenelpasadosepudiesepredecirsucomportamiento
futurosinningntipodeerror,estaramosfrenteaunfenmenodeterministacuyoestudio
notendraningnintersespecial.Estocorresponderaaunasituacincomoladelafigura
2.1, que muestra la intensidad de corriente, I, que circula a travs de una resistencia, R,
sometidaaunvoltajesinusoidal,V(t)=acos(vt+);portantoI(t)=acos(vt+)/R.
1.5
I(t)
1
0.5
0
1
1.5
Figura2.1.ObservacionesdelaserieI(t)=cos(0,5t+/2)
En general, las series de inters llevan asociados fenmenos aleatorios, de forma que el
estudio de su comportamiento pasado slo permite acercarse a la estructura o modelo
probabilsticoparalaprediccindelfuturo.Estosmodelossedenominantambinprocesos
estocsticos.As,unprocesoestocsticoesunasucesindevariablesaleatorias{Yt},cont=
1,2,...,n,queevolucionanconeltiempo(representadosteporelsubndicet).
0.5
33
2009
Cuando se dispone de n datos de un proceso estocstico, se est frente a n muestras, de

tamaounidad,extradasdelapoblacin(variablealeatoria),correspondientesaltiempo
enqueserealizlamedicin,yestoesloqueconstituyelaserietemporalocronolgica.
Como ejemplo puede servir la evolucin a lo largo del ao 2008 del ndice IGBVL, que
recogelos38valoresdemayorcotizacindelabolsadevaloresperuana,representadaen
lafigura2.2.
Lgicamente,elvalordelIGBVLdependerdelvaloralcanzadoenlosdasprevios,adems
derecogerlainfluenciadeunconjuntodefactoressociales,polticos,econmicos,etc.,que
son continuamente cambiantes en el tiempo y cuya conjuncin, en un determinado
instante, configurara una hipottica distribucin de probabilidad del citado ndice
econmico.
En casos como ste, es evidente que puede obtenerse un modelo que explique el
comportamiento de la serie en el perodo estudiado, pero puede ser muy arriesgada la
utilizacindeestemodeloparahacerprevisionesamedioolargoplazo.As,entodaslas
series cronolgicas, es necesaria una gran cautela en la previsin a causa de la muy
probableinestabilidaddelmodeloenunfuturomsomenosalejadodelltimoinstantedel
queseconocendatos.
20
18
16
14
IGBVL
12
10
8
6
Figura2.2.EvolucindelndiceIGBVL2008
Otro ejemplo puede ser el constituido por la sucesin de variables aleatorias {Y1, ...,Yt,...},
talesqueYt=0,80Yt1+t,conY0=0ylostdistribuidosN(0;1),independientesparatodot
=1,2,...
Esta serie puede expresarse tambin como

0.8
y la distribucin de
probabilidad de cualquier Yt corresponde a una ley Normal, con esperanza matemtica
0.8
.
.
yvarianza
0.8
.
.
34
2009
Lafigura2.3muestralaleydeprobabilidaddelavariableYenlosinstantest=1,t=4yt=
20, junto con la serie cronolgica compuesta por las 25 primeras observaciones de la
misma.
La particular forma delainformacindisponibledeunaseriecronolgica, nmuestrasde

tamao unidad procedente de otras tantas poblaciones de distribucin y caractersticas
desconocidas, hacen que las tcnicas de inferencia estadstica, usualmente aplicadas en
muestrasdetamaosuperioralaunidad,noseanvlidasparaestoscasos.
En los captulos siguientes se pretende presentar, de forma simple, distintos criterios

metodolgicosquepermitanelestudiodeestosfenmenos,yenparticularlaprevisinde
su evolucin futura, para aplicarlos a campos tcnicos y econmicos, como por ejemplo
previsindelasventasdeunaempresa,delosusuariosdeunmediodetransporte,dela
caractersticadeintersdeunprocesocontinuo,etc.
Figura2.3.DistribucindeYty25observacionesdelaserie
Todaslasformasdeestudiodeunaseriecronolgica,talcomoseirviendo,noconllevan
clculos complicados, pero s reiterativos, con gran volumen de datos manipulados y con
abundanciadegrficos;esporelloqueparasuestudiosehacemuynecesarioeldisponer
deunprogramainformticoquepermitasucorrectaaplicacinylaobtencindecuantos
grficosseannecesarios.
Antes de abordar cualquier estudio analtico de una serie temporal, se impone una
representacingrficadelamismaylaobservacindetenidadesuaspectoevolutivo.
Para estudiar el comportamiento de cualquier serie temporal, y predecir los valores que
puedetomarenunfuturo,puedehablarsededistintasmetodologas,quedenominaremos
modelizacinporcomponentesyenfoqueBoxJenkins.
2.2.1Modelizacinporcomponentes
2.2AnlisisDeUnaSerieTemporal
35
2009
Este mtodo consiste en identificar, en la serie Yt, cuatro componentes tericas, que no
tienenporquexistirtodas,yqueson:
Tendencia:Tt.
Estacionalidad:Et.
Ciclos:Ct.
Residuos:Rt.
Cada una de estas componentes es una funcin del tiempo y el anlisis consistir en la
separacin y obtencin de cada una de ellas, as como en determinar de qu forma se
conjugan para dar lugar a la serie original. Estas componentes se pueden observar en la
figura2.4,endondesehaconsideradoqueactandeformaaditivaparadarlugaralaserie
cronolgica.
Latendenciaeslacomponentegeneralalargoplazoysesueleexpresarcomounafuncin
deltiempodetipopolinmicoologartmico,porejemploTt=0+1t+2t2+
Las variaciones estacionales son oscilaciones que se producen, y repiten, en perodos de

tiempo cortos. Pueden estar asociadas a factores dinmicos, por ejemplo la ocupacin
hotelera, la venta de prendas de vestir, de juguetes, etc., cuya evolucin est claramente
ligadaalaestacionalidadclimtica,vacacional,publicitaria,etc.
Las variaciones cclicas se producen a largo plazo y suelen ir ligadas a etapas de

prosperidadorecesineconmica.Suelensertantomsdifcilesdeidentificarcuantoms
largo sea su perodo, debido, fundamentalmente, a que el tiempo de recogida de
informacinnoaportasuficientesdatos,porloqueavecesquedarnconfundidasconlas
otrascomponentes.
TENDENCIA
ESTACIONALIDAD
900
1,300
1,200
1,100
1,000
900
800
700
600
500
400
800
700
600
400
300
1
11
16
21
26
CICLOS
31
36
41
46
11
16
21
26
31
36
41
46
RESIDUOS
500
36
2009
1400
150
140
130
120
110
100
90
80
70
1200
1000
800
600
400
200
1 2 3 4 5 6 7 8 9 1011121314151617181920
SERIECRONOLOGICA
1050
1000
950
900
850
800
750
700
650
600
1
11
16
21
26
31
36
41
46
Figura2.4.Componentesdeunaseriecronolgica
La componente residual es la que recoge la aportacin aleatoria de cualquier fenmeno

sujetoalazar.
Paraevaluarlasdistintascomponentesseutilizantcnicasestadsticastalescomomodelo
lineal,mediasmviles,diferenciasfinitas,etc.
Admitiendo que el componente aleatorio (residuo) es aditivo, una vez identificadas las
otras componentes surge un nuevo problema que es el cmo conjuntar tendencia,
estacionalidadyciclosparadarlugaralaseriedefinitiva.
As se proponen, entre otros, modelos genricamente denominados aditivos y

multiplicativos.
Modeloaditivo:Y=T+E+C+R
Modelomultiplicativo:Y=TxExC+R
37
2009
Para una primera identificacin visual del caso, se puede considerar que si el patrn
estacionalsemantieneconamplitudconstantesetratardemodeloaditivo(figuras2.4y
2.5). Cuando dicho patrn se vaya amplificando con el tiempo, sermultiplicativo (figura
2.6).
1200
1100
1000
900
800
700
600
500
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46
Figura2.5.Serieaditiva
230
210
190
170
150
130
110
90
70
50
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Un modelo aditivo se puede interpretar como aquel en que la estacionalidad acta

modificandolaordenadaenelorigendelatendencia.
Supongamos que no hay ciclos, que la tendencia es de tipo lineal, Tt = 0 + 1t, y que la
estacionalidadesdeperodop=4,esdecir,cada4unidadesdetiemposerepiteelpatrn
(tal como ocurre en la figura 2.2). Representando sus valores por E1, E2, E3 y E4,
respectivamente,elmodeloaditivosepuedeescribircomo
Y1=0+11+E1+R1=1+11+R1
Y2=0+12+E2+R2=2+12+R2
Y3=0+13+E3+R3=3+13+R3
Y4=0+14+E4+R4=4+14+R4
Y5=0+15+E1+R5=1+15+R5
..
Yt=0+1t+Es+Rt=s+1t+Rt
cont=p+s;s=1,,p
Figura2.6Seriemultiplicativa
38
METOD
DOSCUAN
NTITATIV
VOSPARA
ALOSNE
EGOCIOS
2009
maunarecttaconordeenadaenell
Aspuees,cadaesttacin(s)ccomponenteedelperodoconform
origendistintapaaracadacassoypendieentecomn
natodos;eesdecir,segnmuesttralafiguraa
modeloesu
unconjunto
oderectassparalelas,cadaunad
deellasaso
ociadaaunaaestacin.
2.7,elm
modelomulltiplicativo,,elcompon
nenteestaccionalactaasobrelao
ordenadaeenelorigen
n
Enelm
ysobreelapendien
nte.
ndiendo dee los ciclo

os, supuestta una ten
ndencia lin
neal tipo Tt = 0 + 1t y unaa
Prescin
estacionalidaddeperodop,,paracualq
quiert=p+
+s;cons=1,,p,resulta
Es+Rt=((0+1t)E
Es+Rt,
Yt=Tt
esdecirrYt=(0Es)+(1Es))t+Rt
oseaYt=0s+1sst+Rt
perodocon
nfiguraunaarectadisttinta,tanto
o
Deestaaforma,cadaunade laspestaccionesdelp
enloqu
ueserefierrealaordeenadaenelorigen(0ss)comoalaapendientee(1s).
Elconju
untodelassprectasco
onstituyeeelmodelod
decomportamientodeelaserie(ffigura2.8).
Es eviidente quee esta diivisin, en

n modelo estrictamente aditiivo o esttrictamentee
multipllicativo, ess bastante restrictivaa, ya que puede darrse el caso
o de que en
e algunass
estaciones cambiee slo la pendiente, o
o slo la orrdenada en
n el origen
n. Esto consstituira un
n
modelo
omixtomu
uchomsgeeneralquelospropueestoshastaaahora,los cualespassaranaserr
meroscasospartiicularesdeste.Enlafigura2.9sepresentaaunasituaacindeesttetipo.
Compilaccin: Ybnias El Grijalva Yaurri
Figura2
2.7.Interprettacindeunaserieconmo
odeloaditivo
39
2009
Figura2.8.Interpretacindeunaserieconmodelomultiplicativo
Figura2.9.Modelogeneral
LaformadeencararelanlisisdelasseriestemporalesatravsdelametodologadeBox
Jenkins es dirigir el esfuerzo a determinar cul es el modelo probabilstico que rige el
comportamientodelfenmenoalolargodeltiempo.Esdecir,partiendodelapremisade
quenosiemprevaaserposibleidentificarloscomponentesdelaserie,setratadeestudiar
elcomponentealeatoriopuro,reflejadoenlosresiduos.
Lametodologaestadsticautilizadaenelestudiodeunaserietemporalporestesistema,se
basaenlossiguientespasos:
Identificacindelmodelo.
Estimacindelosparmetros.
Validacindelossupuestosadmitidosenelanlisis,tambinllamadodiagnosisdel
modelo.
Para poder abordar esta metodologa es imprescindible, en primer lugar, estudiar un

conjunto de modelos de comportamiento que cubran el mayor espectro posible de los
procesos estocsticos objeto de nuestro inters. Entre ellos se pueden destacar los
procesosderuidoblanco,mediasmviles(MA),autorregresivos(AR),integrados(I)ysus
conjunciones(ARMAyARIMA).Apartirdeaqusepodridentificarlaseriededatoscon
2.2.2EnfoqueBoxJenkins
40
2009
alguno de los modelos estudiados, estimar sus parmetros y validar la admisibilidad del
modeloadoptado.
Engeneral,sesueleasumirqueelcomponentealeatorio,elcualserepresentaporZ,sigue
unadistribucinNormaldemediaceroyvariancia2.Unprocesoestocsticoenquetodos
sus componentessonindependientes yestn constituidos slo por componente aleatorio
sedenominaprocesoderuidoblanco,esdecir,Yt=ZtconZtNINDEP(0;2)paratodot.
Un proceso se denomina de media mvil de orden q, y se representa por MA(q), si su

estructuraesdeltipoYt=Zt+t1Zt1++tqZtq.Enlafigura2.10semuestraunMA(4).
Un proceso es autorregresivo de orden p, y se representa por AR(p), cuando cada

componente es funcin de los anteriores ms el trmino aleatorio; su estructura
correspondea:
Yt=Zt+t1Yt1++tpYtp
Enlafigura2.11semuestraunAR(2).
Cuandoalasestructurasdeautorregresinymediamvilseuneunadependenciaconel
tiempo se llega a un ARIMA(p, r, q), donde p es el orden del AR, q el del MA y r el del
procesointegrado,o,loqueeslomismo,elgradodelpolinomioquerepresentalafuncin
deltiempo.Enlafigura2.12sepresentaunprocesoARIMA(2,1,3).
Figura2.10.ProcesodemediamvilMA(4)
41
2009
Figura2.11.ProcesoautorregresivoAR(2)
Figura2.12.ProcesoARIMA(2,1,3)
Este mtodo, tambin denominado sistema clsico, descompone la serie en tendencia,

estacionalidad, ciclos y residuos Una vez decidida la conjuncin entre ellos, aditiva o
multiplicativa,seobtieneelmodeloconelquehacerprevisiones.
La tendencia es la componente ms importante de la serie, al definir lo que se podra

interpretarcomocomportamientoalargoplazo.Cadaobservacinvaligadaaunvalordel
tiempo,loquepermiteplantearunmodelodeltipo
Y=(t)+e
Dondelafuncin(t)puedeser:
Lineal
:(t)=0+1t
Polinmica
:(t)=0+1t+2t2+...
Exponencial
:(t)=0t1
2.3DescomposicindeUnaSerieTemporal
42
2009
Silaserienopresentaestacionalidad,elmtododeestimacinmnimocuadrticaytodas
las pruebas de hiptesis relativas a la explicacin del modelo y a la significacin de los
coeficientes estimados, propios del modelo lineal ordinario, permiten estimar los
coeficientesdelmodelodetendenciasobrelosdatosdirectos.
Caso de existir componente estacional, para que sta no enmascare la tendencia, es

necesarioestabilizarpreviamentelaserie.
Paradesarrollarlametodologadeladescomposicinclsicasobreunejemplo,sedispone
delosdatosrelativosalasventasdematerialdeportivoenunagransuperficiecomercial,
recogidosenelcuadro2.1yrepresentadosenlafigura2.1.Enestecuadroeltiempo(t)se
hamedidotomandocomoreferenciaeliniciodelperododerecogidadedatos,y,eneste
caso,suunidadeseltrimestre.
La observacin de la figura 2.1, permite pensar en una tendencia lineal creciente y una
estacionalidadclara,cuyopatrnserepiteanualmente,esdecir,cada4valoresdeltiempo
(trimestres).Estosepuedeinterpretarcomounatendenciasostenidadeunaumentodelas
ventasenestasuperficiecomercial,unidaauncomportamientodistintoparacadaunode
loscuatrotrimestres;debido,posiblemente,aqueelpreciodelmaterialdeportivoesmuy
distinto segn sea el adecuado para una estacin concreta (material de esqu frente a
entretenimiento de playa, por ejemplo). Por otra parte, el patrn estacional se mantiene
con una amplitud aproximadamente constante, lo que conduce a la utilizacin de un
modeloaditivo.
Trimestre
2000
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2001
2002
2003
2004
Ventas
(Y)
40.22
54.89
63.51
111.35
46.95
51.62
61.47
108.58
41.38
65.30
64.25
113.82
53.34
59.37
66.15
121.50
67.38
t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Ao
43
2009
2
56.09
3
75.11
4
124.39
2005
1
55.90
2
61.25
3
75.44
4
126.50
Cuadro2.1.Ventasdematerialdeportivo
18
19
20
21
22
23
24
130
120
110
100
90
80
70
60
50
40
1
11 13 15 17 19 21 23
Figura2.13Evolucincronolgicadelasventasdematerialdeportivo
En este ejemplo se ha identificado un patrn estacional compuesto por los cuatro

trimestresyqueserepitedeaoenao,ademsdeunatendenciaaparentementelineal.Si
sedecidieseajustarelmodelodetendenciadirectamentesobrelosdatos,seobtendranlos
resultadosdelCuadro2.2.
0.3293794
0.1084908
0.0679676
26.648969
24
ANLISISDEVARIANZA
Regresin
Residuos
Total
Gradosde
libertad
1
22
23
Promedio
Sumade
delos
Valorcrtico
cuadrados
cuadrados
F
deF
1901.2996 1901.2996
2.677255 0.1160183
15623.6857 710.16753
17524.9853
Coeficientes Errortpico Estadsticot Probabilidad

Intercepcin 57.500725 11.2285559 5.1209368
3.933E05
VariableX1 1.2858087 0.78583522
1.636232
0.1160183
Estadsticasdelaregresin
Coeficientedecorrelacinmltiple
CoeficientededeterminacinR^2
R2ajustado
Errortpico
Observaciones
44
2009
Cuadro2.2Modelodetendenciaajustadosobretodoslosdatos:Y=0+1t+e
El modelo presenta un coeficiente de determinacin (R2) tan slo del 10,8% y no resulta
estadsticamentesignificativo,yaqueelniveldesignificacin(pval),tantodelajustecomo
delapendientedelarectadetendencia,sonclaramentesuperioresaunriesgodeprimera
especiedel5%.As,sedemuestraqueesteprocedimientonoesvlidoyaqueincluyeenel
residuo todo el componente estacional, lo cual produce una inflacin de la suma de
cuadrados residual que desvirta el modelo y cualquier prueba de significacin de la
regresinydesuscoeficientes.
Para evitar esto es necesario estabilizar la serie liberndola de la estacionalidad; esto se

podraconseguirtrabajandoconlosvaloresmediosanuales,quesonlosdelCuadro2.3.En
elCuadro2.4sedetallan losresultados del clculodelmodelodetendencia, considerado
tiporectilneo.
aos
t
(aos)
Y
promedio
2000
1
67.4925
2001
2
67.1550
2002
3
71.1875
2003
4
75.0900
2004
5
80.7425
2005
6
79.7725
Cuadro2.3.Mediasanualesdeventasdematerialdeportivo
CoeficientededeterminacinR2
R^2ajustado
Errortpico

Observaciones
0.9556047
0.9131804
0.8914755
1.9544456
6
Regresin
Residuos
Total
Gradosde
libertad
1
4
5
Sumade
cuadrados
Promedio
delos
cuadrados
Valorcrtico
deF
160.7112
160.7112 42.072565 0.0029127
15.27943 3.8198575
175.99063

Intercepcin 62.966833 1.8194898 34.606862
4.16E06
VariableX1 3.0304286 0.4672019 6.4863368
0.0029127
Cuadro2.4.Modelolinealparalasmediasanuales
ANLISISDEVARIANZA
45
2009
Ahora ya se ha obtenido un modelo de tendencia altamente significativo y con un buen

ajuste (R2 = 91,3%). En la figura 2.14 se han representado las medias anuales junto a la
estimacindelmodelodetendencia;seobservalaestabilizacinconseguidaenlosvalores
de las medias anuales, ya que mientras los datos directos oscilaban entre 40 y 130, las
mediasanualesvandesde67hasta81.
83
81
79
77
75
73
71
69
67
65
1
Figura2.14Evolucinytendenciadelamediaanual
Hay que destacar que con esta estabilizacin se ha conseguido un modelo de tendencia
significativo;sinembargo,esaceptableesteprocedimiento?Larespuestaserano,yaque
estesistematieneelinconvenientedelagranprdidadeinformacin,puesdelos24datos
iniciales,sehaacabadoestimandoelmodeloconslo6puntos.Esteinconvenientequeda
paliadodesestacionalizandolaserieconlasmediasmviles.
Conestemtodoseconsiguensuavizartantolasoscilacionesperidicasdeunaseriecomo
las aleatorias. Su aplicacin requiere decidir, previamente, el perodo en que se repite
cierto patrn de comportamiento, que pueda atribuirse a variaciones estacionales; la
observacindelaevolucingrficadelaseriepuedeayudaratomarladecisin.
Unavezfijadoelperodop,secalculanlasmediasdelosvaloresdelaserietomadosdepen
p,sucesivamente desdeelinicio.Asociandocadaunadeestas mediasalvalordeltiempo
delpuntocentraldelperodoestudiado,seobtieneunanuevaseriedevaloresmuchoms
estables,debido,porunaparte,alareduccindelavariabilidadocasionadaalpromediary,
por otra, a que, si el perodo escogido es el correcto, al pasar de una media mvil a la
siguiente,elnuevodatoincorporadoesdelmismocomportamientoqueeldatosaliente.
Sipesimparlaasociacinesdirecta:
/
2
2.3.1Mediasmviles:tendencia
46
2009
Sipespar,elcentrodelgrupodecadapvalorespromediadoscorrespondeaunvalorno
observadodeltiempo;parasubsanarlo,lanuevaseriequedaconstituidaporlospromedios
delasmediasmvilestomadasdosados.Esdecir:
2
/
/
/
2
2
4
/
/
/
2
2
Larepresentacingrficadelasmediasmviles,olaregresindedichosvaloresfrenteal
tiempo,permitenevaluarlatendenciadelaserieliberadadelacomponenteestacional.
Unodelosinconvenientesdeestesistemaeslaprdidadevaloresenlosdosextremosde
laserie,tantomayorcuantomayoresp.Enocasiones,seproponecomoalternativaaeste
problemalasustitucindelosvaloresextremosdelasmediasmvilesporlosresultantes
de una extrapolacin lineal de los observados; sin embargo, si el nmero de datos
disponiblesesgrande,laprdidadeinformacinesinsignificante.
En el caso del ejemplo de las ventas de material deportivo, ya se ha comentado que la

estacionalidadsemanifiestadeformaanual,esdecir,cadacuatrotrimestres;elloconduce
alclculodelasmediasmvilestomandop=4.
Enelcuadro2.5sedetallaelclculodelosprimerosvaloresdelanuevaserie,yelcuadro
2.6resumelatotalidaddelosmismos.
Yprom
1
40.22
2
54.89
3
63.51 67.49250
68.3338
3
4
111.35 69.17500 69.17500
68.7663
4
5
46.95 68.35750 68.35750
68.1025
5
Cuadro2.5Detalledelclculodelasmediasmvilesconp=4
t
3
4
5
6
Yprom
68.3338
68.7663
68.1025
67.5013
47
2009
7
66.4588
8
67.4725
9
69.5300
10
70.5325
11
72.6825
12
73.4363
13
72.9325
14
74.1300
15
76.8450
16
78.1900
17
78.9000
18
80.3813
19
79.3075
20
78.5175
21
79.2038
22
79.5088
Cuadro2.6Mediasmvilesconp=4
Losresultadosdelmodelolineal,
enelcuadro2.7.
CoeficientededeterminacinR^2
R^2ajustado
Errortpico
Observaciones
paraelclculodelatendenciaconstan
0.9515545
0.905456
0.8998946
1.5550251
19
Gradosde
libertad
Sumade
cuadrados
Promedio
delos
cuadrados
393.69249 162.81046
3.912E10
2.4181031
Regresin
Residuos
1
17
393.692486
41.1077523
Total
18
434.800238
Valorcrtico
deF

Intercepcin 63.006463
0.9188117 68.573858
3.25E22
VariableX1 0.8310768 0.06513283
12.75972
3.912E10
Cuadro2.7Modelodetendenciasobrelasmediasmviles
Trabajandosobre19puntos,los19valoresdelasmediasmviles,sehaobtenidounbuen
ajuste, con un coeficiente de determinacin del 90,5 %. En consecuencia, el modelo de
tendenciaresultantees
ANLISISDEVARIANZA
48
2009
T=63,0065+0,8311t
Evidentemente, la interpretacin de la ecuacin de la tendencia permite afirmar que las

ventasseincrementan0,8311unidadescadatrimestre(yaqueeltiemposehamedidoen
trimestres). En la figura 2.15 puede observarse el suavizado conseguido con las medias
mvilesjuntoconelmodelodetendenciaestimadoapartirdeloscitadosvalores.
130
120
110
100
90
80
70
60
50
40
1
11
16
21
Figura2.15Evolucin(),mediasmviles()ytendencia( ),parap=4
La componente estacional, que provoca una oscilacin sistemtica de perodo corto,

generalmentenosuperioralao,puedeenmascararlaevolucinalargoplazo,tendencia,si
noseaslaconvenientemente.
Seentiendecomocomponenteestacional,enmodelosaditivos,ladiferenciaentreelvalor
delaestacinylamediadetodaslasestacionescomponentesdelperodo.
El anlisis de la estacionalidad queda ligado al mtodo que se decida emplear para

modelizarlatendencia;as,enestepuntoestudiaremoslasituacinparaelcasodetrabajar
conmediasmviles.
Paracalcularlosvaloresdelosndicesestacionaleshayqueseguirlasiguientesistemtica:
Calcular las medias mviles, Y , sobre los datos,Yt, de la serie original, tomando el
perododeagrupacin,p,queseconsidereoportuno.
Proponerunmodelodeagrupacindelascomponentes,aditivoomultiplicativo.
Separar la parte explicada por la tendencia. Supuesto el modelo aditivo, esto

equivaleacalcularWt=YtY .Sifuesemultiplicativo,enlugardediferenciasseran
cocientes, es decir, Wt =Yt/Y . Hay que destacar que en Wt estn incluidas las
componentesasociadasalaestacionalidad,losciclosylosresiduos.
2.3.2Estacionalidad
49
2009
Asumiendo que los residuos son variables aleatorias de media nula y que la
componentecclica,casodeexistir,esdeperodosuficientementelargocomopara
noserrecogidaporlosdatos,seprocedeaevaluarlaestacionalidadasociadaacada
componente del perodo, a cada trimestre en el caso del ejemplo. Para ello se
calculanlospromediosdelosWtdelamismaestacinE
,s=t,,p.
dondesrepresentaelndiceestacionalynselnmerodevaloresasociadosaeste
ndicequesepromedian.
Ya que los ndices estacionales miden discrepancias respecto a la media, sta se

necesitacomovalordereferencia;portantoesnecesariocalcularlamediageneral:
E
E
Calcularlosndicesestacionalesenmodeloaditivo
Los ndices estacionales son lasdiferencias entre los promedios de las Wt de cada
estacinylamediageneralqueseacabadedefinir,esdecir
Esobviodestacarquelasumadeestosndicesescero:
Calcularlosndicesestacionalesenmodelomultiplicativo.
Enestecaso,losndicesestacionalessonelcocienteentrelospromediosdelasWt
decadaestacinylamediageneral,esdecir
. En modelo
Ahora, la suma de estos ndices es igual al perodo,
multiplicativo,noesextraoquelosndicesestacionalesserepresentenen%.
En el cuadro 2.8 se detallan los clculos del caso de modelo aditivo de las ventas de
materialdeportivo.
Yt
Yprom_movil
Wt
40.22
54.89
63.51
67.49250
68.3338
4.8238
111.35
69.17500
68.7663
42.5838
Estacin:s
0.
50
2009
46.95
68.35750
68.1025
21.1525
51.62
67.84750
67.5013
15.8813
61.47
67.15500
66.4588
4.9888
108.58
65.76250
67.4725
41.1075
41.38
69.18250
69.5300
28.1500
10
65.30
69.87750
70.5325
5.2325
11
64.25
71.18750
72.6825
8.4325
12
113.82
74.17750
73.4363
40.3838
13
53.34
72.69500
72.9325
19.5925
14
59.37
73.17000
74.1300
14.7600
15
66.15
75.09000
76.8450
10.6950
16
121.50
78.60000
78.1900
43.3100
17
67.38
77.78000
78.9000
11.5200
18
56.09
80.02000
80.3813
24.2913
19
75.11
80.74250
79.3075
4.1975
20
124.39
77.87250
78.5175
45.8725
21
55.90
79.16250
79.2038
23.3038
22
61.25
79.24500
79.5088
18.2588
75.44
79.77250
24
126.50
Cuadro2.8Evaluacindelaestacionalidadpormediasmviles.
3
4
Por ejemplo, para el tercer trimestre (s = 3), el promedio de las Wt, cuyos valores del
tiempocorrespondiesenaltercertrimestre,porsermltiplosde4ms3(t=3,7,11,15,
19),sera:
4.8237 4.9888 8.4325 10.6950 4.1975
6.6275
5
Anlogamente,paracadatrimestre,seobtiene:
21.1525 28.1500 19.5925 11.5200 23.3037
20.7438
5
15.8812 5.2325 14.7600 24.2912 18.2588
15.68477
5
42.5838 41.10.75 40.3837 43.3100 45.8725
42.6515
5
Ylamediagenerales:
23
51
20.7438
15.68477
4
6.6275
42.6515
0.101125
ylosndicesestacionales,resultan
E1=20,6426
E2=15,5836
E3=6,5264
E4=42,7526
Los valores de los ndices estacionales recin obtenidos se interpretan de la siguiente

forma: respecto a la media, el primer trimestre tiene una venta inferior en 20,6426
unidades; el segundo est 15,5836 unidades por debajo de la media; el tercero 6,5264;
mientrasqueelcuartosuperaalamediaen42,7526unidadesdeventa.
Con el modelo de tendencia del cuadro 2.7 y la estacionalidad, se ha obtenido la

descomposicindelaserieoriginal,mostradaenlafigura2.16.
Evidentemente, los residuos se calculan como: R = Y T E. La buena modelizacin

conseguidaquedaconfirmadaporlosresiduos,yaqueensumayoraestnenelintervalo
5ysloen3puntossellegaavaloresde10u11unidades.
Talcomosehaidorepitiendo,elobjetivodelamodelizacindelaserieespoderrealizar
previsiones para los prximos valores del tiempo. En el cuadro 2.9 se presentan las
previsionesparalos2aosinmediatossiguientes.Atendiendoaqueelperodoestacional
esiguala4,pararealizarlaprevisinhayqueidentificareltiempocomounmltiplode4
mss(s=1,2,3,4),paraaadiralatendenciaelvalorcorrectodelaestacionalidad.As,la
previsinsecalculacomo:
Y
63.0065 0.8311t E cont 4 s
La figura 2.17 muestra la evolucin de las previsiones y su buena concordancia con la

evolucinhistricadelosdatosrecogidosenelestudio.
T
E
85
50
40
80
30
75
20
70
10
0
65
10
60
20
1
13
17
21
30
2009
52
2009
T+E
130
10
120
110
100
90
80
0
70
60
50
40
1
13
17
21
10
SERIECRONOLOGICA(Yt)
130
120
110
100
90
80
70
60
50
40
1
11
16
21
Figura2.16Descomposicindelaseriedeventasdematerialdeportivopormediasmviles
Estacionalidad:
E
83.7834
20.6426
63.1408
26
84.6145
15.5836
69.0308
27
85.4455
6.5264
78.9192
28
86.2766
42.7526
129.0292
2007
29
87.1077
20.6426
66.4651
30
87.9388
15.5836
72.3551
31
88.7698
6.5264
82.2435
estacin=s
2006
25
Previsin:
Yestim
32
4
89.6009
42.7526
132.3535
Cuadro2.9Previsionespara2006y2007,segnelmodelodedescomposicinclsica
Tendencia
Ao
53
2009
130
120
110
100
90
80
70
60
50
Yt
40
1
11
16
21
26
31
Figura2.17Evolucinhistrica(),modelo()yprevisiones(p)
2.3.3DescomposicinAditiva:Casotemperaturas
Elcuadro2.10presentalastemperaturasmediasmensualesregistradasenunaciudaddel
hemisferiosur,enelperododetiempoqueabarcadesdeenerode1996adiciembredel
2005. Interesa estudiar el modelo de comportamiento y realizar una previsin de las
temperaturasdeladcadasiguiente.
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
26,8
27,1
26,9
26,8
26,3
27,1
26,8
27,1
26,3
27,0
II
27,2
27,5
26,3
26,9
27,1
27,1
27,1
27,5
26,7
27,4
III
27,1
27,4
25,7
26,7
26,2
27,4
27,4
26,2
26,6
27,0
IV
26,3
26,4
25,7
26,1
25,7
26,8
26,4
28,2
25,8
26,3
25,4
24,8
24,8
26,2
25,5
25,4
25,5
27,1
25,2
25,9
VI
23,9
24,3
24,0
24,7
24,9
24,8
24,7
25,4
25,1
24,6
VII
23,8
23,4
23,4
23,9
24,2
23,6
24,3
25,6
23,3
24,1
VIII
23,6
23,4
23,5
23,7
24,6
23,9
24,4
24,5
23,8
24,3
IX
25,3
24,6
24,8
24,7
25,5
25,0
24,8
24,7
25,2
25,2
25,8
25,4
25,6
25,8
25,9
25,9
26,2
26,0
25,5
26,3
XI
26,4
25,8
26,2
26,1
26,4
26,3
26,3
26,5
26,4
26,4
XII
26,9
26,7 26,5 26,5

26,9
26,6
27,0
26,8
Cuadro2.10Registrodelastemperaturasmensuales
26,7
26,7
La evolucin cronolgica de los datos se muestra en la figura 2.18, en donde se pone de

manifiestoquelatendenciaesprcticamenteinapreciable,porlaaparentehorizontalidad
del eje virtual de la serie. Por otra parte se observa la existencia de una componente
estacionalclaraqueserepite,lgicamente,cadaaoymantienelaamplitud,dandoideade
queesunmodeloaditivo.Alserlosdatosmensuales,lalongituddelperodoesiguala12.
El clculo de las medias mviles, con p = 12, y su representacin grfica (figura 2.19)
confirman la estacionalidad, por la estabilizacin conseguida en la serie, pero ponen en
entredicholaausenciadetendencia.
Mes
54
2009
Laobservacindelgrficohacerecomendableajustarunmodelodetendencia,quesehar
posteriormenteyqueyaseharepresentadoenestafigura.
29
28
27
26
25
24
23
22
1
24
47
70
93
116
Figura2.18Evolucincronolgicadelastemperaturas
29
28
27
26
25
24
23
temperatura
Lineal(temperatura)
22
1
24
47
Prommovil
70
93
116
Figura2.19Temperaturasmensuales(),mediasmviles(_)ylneadetendenciaajustada()
Mes (s)
I
1
II
2
III
3
IV
4
V
5
VI
IndicesEs
Mes (s)
IndicesEs
1.08329475 VII 7 1.88013117
1.32310957 VIII 8 1.79309414
0.98699846 IX
9 0.77133488
0.62959105
X
10 0.06246142
0.15050154 XI 11 0.53792438
1.0273534 XII 12 0.99903549
Cuadro2.11ndicesestacionales
La interpretacin de los ndices es simple: desde octubre (X) a abril (IV), la temperatura
est por encimade lamediaanual; mientrasque de mayo (V) a septiembre (IX) est por
debajodelamedia.Noolvidemosquelosdatoscorrespondenaunaciudaddelhemisferio
sur; por tanto, de octubre a abril son los meses clidos, y los dems son los fros. Es de
Paraevaluarlaestacionalidadesnecesariocalcularlosndicesestacionales,talcomoseha
detallado. Los resultados obtenidos se encuentran en el cuadro 2.11, y se presentan
grficamenteenlafigura2.20.
55
2009
destacarquelaoscilacintrmicamedia,delmesmsclidoalmsfro,esrelativamente
pequea (1,31 + 1,80 = 3,01C). Esto, unido a los valores medios mensuales, que oscilan
entre23y29Cpermiteafirmarqueelestudioseesthaciendosobreunaciudaddeclima
muysuaveycasipermanentementeprimaveral.
1.50
1.00
0.50
0.00
0.50
1.00
1.50
2.00
1
9 10 11 12
Figura2.20Componenteestacional:ndices
Latendencia,aunquedbil,existeyesdetipolineal.Suevaluacinseefectuarmedianteel
modelolinealaplicadoalasmediasmviles(cuadro2.12).
0.54422581
0.29618173
0.28954194
0.22654012
108
R2ajustado
Errortpico
Observaciones
Sumade
cuadrados
Promediode
loscuadrados
Regresin
Residuos
1
106
2.28925319
5.43996491
Total
107
7.72921811
Valorcrtico
deF
2.28925319 44.6070595
0.05132042
1.145E09
Intercepcin 25.4342763 0.05009208 507.750413
2.637E181
VariableX1 0.00467004 0.00069923 6.67885166

1.145E09
Cuadro2.12Modelolinealparalatendencia:Yt=0+1t+e
Apesardelvalordelcoeficientededeterminacindelajuste,(29,62%),laexplicacindel
modeloessignificativa.As,sepuedededucirquepareceexistirunatendenciamuyligeraa
un incremento de la temperatura, que se ha estimado en un aumento de 0,00467 grados
mensualesenpromedio.
ANLISISDEVARIANZA
Gradosde
libertad
56
2009
La evolucindelmodelo,juntoconlos datosreales,sepresenta enlafigura 2.21 Parasu

obtencin,hayquetenerencuentaque,conocidoslosndicesestacionalesyelmodelode
tendencia, la suma mes a mes de los dichos valores dar lugar al modelo propuesto, es
decir:
25.4343 0.00467 ,
12
1, , 12
29
28
27
26
25
24
23
temperatura
22
1
24
47
70
93
116
Figura2.21Datos()ymodeloajustado()
Solamente hay que destacar la buena concordancia entre ambos, a pesar de que hay
algunospuntosqueparecenpresentarmayoresdiscrepancias.
Estoocurre,principalmente,desdeabrilhastajuliode2003quecomo,puedeobservarse,
yaenlosdatosinicialespresentaronunastemperaturasmediasbastantesuperioresalas
delosdemsaos(esdecirhizounotooespecialmenteclido).
Enlafigura2.22,semuestranlosresiduosresultantesdeladescomposicindeestaserie,
obtenidoscomo
.Hayquedestacarlabuenamodelizacinconseguida,puesen
lamayoradelas120observaciones,elerroresinferioraungrado,exceptoenlosmeses
yacomentados.
2
1
1
0
1
1
2
2
1
24
47
70
93
Figura2.22Residuosdelmodelo
116
57
2009
A partir de la descomposicin, y suponiendo que no cambiase el comportamiento

meteorolgicodelazona,laprevisindelatemperaturaparalos10aossiguientesserala
del cuadro 2.13, que se muestra en la figura 2.23 junto a los datos disponibles. Aqu se
observaque,demantenerselatendencia,latemperaturamediamensual,pocoapoco,seva
incrementando.
Comparando los datos reales con las previsiones, se ve en estas ltimas la ausencia del
componentealeatorio.Seesthaciendounaprevisindetemperaturasmedias,peroelazar
meteorolgicoseuniralaprevisinalterndolaenaquellosperodosdetiempoenlosque
lastemperaturasseandistintasalasdelatnicageneral:inviernosmuyfrosomuysuaves,
veranosmsextremos,etc.
Mes
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
27.1
27.1
27.2
27.3
27.3
27.4
27.4
27.5
27.5
27.6
II
27.3
27.4
27.4
27.5
27.6
27.6
27.7
27.7
27.8
27.8
III
27.0
27.1
27.1
27.2
27.2
27.3
27.3
27.4
27.4
27.5
IV
26.6
26.7
26.8
26.8
26.9
26.9
27.0
27.0
27.1
27.1
25.9
25.9
26.0
26.0
26.1
26.1
26.2
26.3
26.3
26.4
VI
25.0
25.1
25.1
25.2
25.2
25.3
25.3
25.4
25.4
25.5
VII
24.1
24.2
24.3
24.3
24.4
24.4
24.5
24.5
24.6
24.7
VIII
24.2
24.3
24.4
24.4
24.5
24.5
24.6
24.6
24.7
24.7
IX
25.3
25.3
25.4
25.4
25.5
25.5
25.6
25.7
25.7
25.8
26.1
26.2
26.2
26.3
26.3
26.4
26.4
26.5
26.6
26.6
XI
26.6
26.6
26.7
26.8
26.8
26.9
26.9
27.0
27.0
27.1
XII
Ao
27.0
27.1
27.2
27.2
27.3
27.3
27.4
27.4
27.5
27.6
Cuadro2.13Temperaturaprevistaparalos10aossiguientesalarecogidadedatos
29
28
27
25
24
23
temperatura
22
1
48
95
142
189
236
Figura2.23Datosdesde1986a1995()yprevisionesdesde1996a2005()
2.3.4DescomposicinMultiplicativa:Casousuariostransportepblico
26
58
2009
Enelcuadro2.14serecogenlosdatosrelativosalnmerodeusuariosdeundeterminado
transporte pblico en el perodo que abarca desde 1994 hasta 2005, y la figura 2.24
muestrasuevolucincronolgica.
Mes
I
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
90
111
127
142
146
164
175
176
208
199
207
219
II
88
115
107
139
155
151
161
194
189
190
198
206
III
109
129
141
145
182
180
179
197
232
228
251
229
IV
103
121
135
162
165
164
195
211
226
220
231
223
103
112
133
144
165
184
189
191
222
222
234
231
VI
122
125
154
176
191
206
208
235
245
233
251
266
VII
134
164
175
192
195
198
227
248
252
303
316
290
VIII
132
158
174
190
205
235
249
273
242
253
285
294
IX
115
133
158
160
182
197
224
202
229
253
250
258
101
127
139
151
165
163
193
189
202
223
232
214
XI
91
110
112
134
138
148
170
167
192
191
190
206
XII
112
120
140
140
155
163
166
168
198
Cuadro2.14Usuariosdeuntransportepblico.
185
201
199
280
230
180
130
80
1
24
47
70
93
116
139
Laobservacindelafigura2.24permiterealizarlassiguientesconsideraciones:
Sedetectaunaclaratendenciacrecienteeneltiempo.
Hay una estacionalidad manifiesta que se repite anualmente. Ya que los datos son
mensuales,superodoseriguala12.
El patrn de estacionalidad tiene una forma constante pero presenta una
amplificacin continua en el tiempo. Esta situacin es la que indica que el modelo
subyacenteesmultiplicativo.
Para obtener la descomposicin de la serie cronolgica, es necesario estabilizarla

previamente, mediante medias mviles de p = 12; y despus modelizar la tendencia y
calcularlosndicesestacionales.
Figura2.24Evolucincronolgicadelnmerodeusuarios.
59
2009
Laevolucindelasmediasmvilessemuestraenlafigura2.25,yseapreciauncrecimiento
quenoesproporcionalaltiempo,sinoqueparecesufrirunamortiguamientoalfinaldela
serie;esdecir,probablementesetratardeunmodeloparablico.
280
230
180
130
80
1
24
47
70
93
116
139
Figura2.25Tendenciaatravsdelasmediasmviles(p=12)
La estimacin mnimocuadrtica conduce al modelo de tendencia, sobre las medias

mviles, cuya estimacin se muestra en el cuadro 2.15. En ella se observa, adems de un
muybuenajustereflejadoporunaR2del99,74%,queeltrminocuadrticoesaltamente
significativo. El signo negativo de este trmino da idea de una especie de freno en el
crecimientosostenidodelnmerodeusuarios,representadoporelcoeficientepositivodel
tiempo.
R2ajustado
Errortpico

Observaciones
0.99866456
0.99733091
0.99728953
2.0160183
132
Regresin
Promediodelos
cuadrados
Valor
crticodeF
195909.374
97954.6869
Residuos
129
524.298543
4.06432979
24101.0675 1.001E166
Total
131
196433.672
Coeficientes Errortpico
Intercepcin 99.7953224 0.63760786

VariableX1 1.43266479 0.02012802
VariableX2
Estadsticot Probabilidad
156.515201
71.1776439
5.433E149
2.126E105
0.0029421 0.00013513 21.7720708 4.9966E45

Cuadro2.15Estimacindelmodelodetendencia:Y=a0+a1t+a2t2+e
ANLISISDEVARIANZA
Gradosde
Sumade
libertad
cuadrados
60
2009
Aspues,elmodelodetendenciapuedeescribirsecomo:
T=99.7953+1.4326t0,00294t2
En modelos multiplicativos, como el del actual ejemplo, la componente estacional

representa la relacin entre cada estacin y la media general. Recordemos que, en estos
casos,elclculodelaestacionalidadserealizadeacuerdoconlossiguientespasos:
a.Calcularlasmediasmviles ,apartirdelosdatos,Yt,delaserie.
b.Separarlatendencia,esdecir,calcular

c. Asumiendo que los ciclos, caso de existir, son de perodo suficientemente largo como
paranoserrecogidosporlosdatos,calcularlospromediosdelasWtdecadaestacinyla
media general, s es el indicador de la estacin (mes, en el ejemplo), y ns el nmero de
valoresdeWquesepromedianenlacitadaestacin
s=1,,p
d.Finalmente,losvaloresdelascomponentesestacionales,generalmenteexpresadosen%
enmodelosmultiplicativos,seobtienencomo:
100
En el cuadro 2.16 se muestran los valores de las componentes estacionales del presente
ejemplo,yserepresentangrficamenteenlafigura2.26.
I
II
III
IV
Es
Mes
Es
Mes
92.40
V
97.07
IX
88.43
VI
109.25
X
101.75
VII
121.94
XI
99.24
VIII
121.34
XII
Cuadro2.16Componenteestacional.
Es
105.54
94.13
81.56
87.35
Mes
61
2009
130
125
120
115
110
105
100
95
90
85
80
1
10 11 12
Figura2.26ndicesestacionales
Lainterpretacindelosndicespodraserenelsentidodeque,porejemplo,losusuarios
delosmesesdejulioyagostosondelordendeun121%superioralamedia,mientrasque
ennoviembreseestenun81%delamedia.Ellopodraaconsejarunapromocinenlos
meses de noviembre, diciembre, enero y febrero, con el fin de conseguir una mayor
ocupacindelasplazasdisponibles.
La figura 2.26 muestra la concordancia entre los datos y su modelizacin, a partir de la

tendenciayestacionalidadcalculadas,deacuerdoconelmodelomultiplicativo:
330
280
230
180
130
Usuarios
Prevision:Yestim
80
1
24
47
70
93
116
139
Observando la figura 2.26 se puede destacar que hay unos desajustes ms acusados en
ciertosmesesdejuliooagosto,enconcreto,losdelosaos1999,2000,2001,2003y2004,
por lo que es posible afirmar que en los casos citados ha habido un comportamiento
sustancialmente distinto del esperado en los mismos meses de otros aos; en principio,
sera discutible afirmar la presencia de un cambio en los hbitos de utilizacin de este
transporte, ya que ni el ao 2003 ni el 2005, pertenecientes al perodo en cuestin,
presentansemejantesdiscrepancias.
A pesar de todo, en este caso, sera prudente tomar con ciertas precauciones las
previsionesparaaosvenideros,mientrasnoseconfirmelaconsolidacinenelfuturode
un cambio o de una permanencia de comportamiento. Tambin podra ser interesante
Figura2.26Seriecronolgicaexperimental()yajustada().
62
2009
intentaraveriguarquocurrienestosmeses(quizsunacampaapublicitaria,quizsuna
disminucindealternativasdelacompetencia,...).
La figura 2.27 muestra la evolucin de los residuos entre los datos experimentales y el
modelo ajustado, como
. Se observa que, en la mayora de los casos, oscilan

entre16,aunqueenalgncasoladiscrepanciaseaproximaa30unidades.
Asumiendoquesemantieneelmismomodelo,laprevisindeusuarioshastaelao2010
se presenta en la figura 2.28. Hay que tener en cuenta, para realizar correctamente los
clculos, que el ltimo valor de t para el que se dispone de datos, diciembre de 2005, es
144;portanto,paralaspredicciones,queabarcanelperododelosprximos60meses,los
valoresdetirndesde145hasta204.
28
18
8
2
12
22
32
1
24
47
70
93
116
139
Figura2.27Residuosdelmodeloajustado
Enelgrficodelaprevisinsepuedeobservarlareduccindelavelocidaddecrecimiento
inicialdelaseriequesehacomentadoenlamodelizacindelatendencia.
330
280
180
130
Usuarios
Prevision:Yestim
80
1
24
47
70
93
116
139
162
185
Figura2.28Serieobservadayprevisioneshastaelao2000
2.4ModelizacinconVariablesCategricas
Tal como se ha comentado en la seccin anterior, si hubiera estacionalidad, estimar el

modelo de tendencia sobre los datos directos, por procedimientos usuales de ajuste
230
63
2009
mnimocuadrtico,seraimprocedente.Elloesdebidoaqueseproduciraunainflacinde
los residuos no atribuible a la aleatoriedad sino a la variabilidad ocasionada por el
componenteestacional.Paraevitarlo,sepuedenmodelizarconjuntamentelatendenciayla
estacionalidadconvariablescategricasasociadasacadaestacin,obiendesestacionalizar
previamentelaserieyentoncesajustarelmodelodetendencia,comoyasehaexpuesto.
La modelizacin conjunta, con variables categricas, de la tendencia y la estacionalidad

presentacomoprincipalventajalageneralidaddelmtodo.Poresteprocedimientonoes
necesario, a priori, asumir un modelo aditivo o multiplicativo, sino que se plantea un
modelogeneralqueincluyetodaslasposibilidades.
Sea p el perodoestacional, es decir, el nmero deunidades de tiempo que conforman el

patrn de comportamiento que se repite sistemticamente. Cada uno de los valores del
tiempocontenidosenpcorrespondeaunaestacin,lacualsedesignarporelsubndices,
deformaques=1,2,...,p.
Cadaestacindebeestarligadabiunvocamenteaunavariablecategrica.Dichavariablees
un indicador que toma el valor 1 en la estacin a la que est asociada y 0 en todas las
dems,exceptoparalaprimeraestacin,enquetodastomanelvalor0.staeslaraznpor
lacualconp1variablescategricasessuficienteparaestudiarunaseriedeperodop.
Lasvariablescategricas,Q,quedan,pues,definidascomo
1, 2, ,
2, , .
1
Conestasvariablesseplanteaunmodelotipo
dondef(t)esunafuncinpolinmicadeltiempo,osea,
,quevienea
recoger la tendencia o evolucin general, a largo plazo, de los datos con el tiempo. Los
trminos del grupo
indican los cambios que las distintas estaciones,
componentes del perodo estacional, introducen en la ordenada en el origen del modelo,
parteaditivasegnelsistemaclsico.Mientrasquelosdelgrupo
representalainfluenciadelaestacionalidadsobrelafuncindeltiempo,loque
enelmtodoclsicoseinterpretacomopartemultiplicativa.
El estudio de la significacin de cada uno de los coeficientes , y , y la consiguiente

eliminacin de los no significativos conducir el modelo que definitivamente explica el
comportamientodelaserie.
64
2009
Ao
Trimestre
(s)
2000
Ventas(Y)
Q2
Q3
Q4
40.22
54.89
63.51
111.35
2001
46.95
51.62
61.47
108.58
2002
41.38
65.30
10
64.25
11
113.82
12
2003
53.34
13
59.37
14
66.15
15
121.50
16
2004
67.38
17
56.09
18
75.11
19
124.39
20
2005
55.90
21
61.25
22
Para desarrollar la metodologa de las variables categricas sobre un ejemplo, se van a

utilizarlos datos relativos a las ventas de material deportivo estudiados por el mtodo
clsico,conelfindepodercompararposteriormentelosresultadosobtenidos.Enelcuadro
2.17 se vuelven a reproducir los datos de la serie cronolgica, junto a los valores de las
variablescategricas.Larepresentacingrficadelosmismosyasepresentenlafigura
2.13, cuya observacin condujo a pensar en una tendencia lineal creciente y una
estacionalidaddeperodop=4.
A fin de no confundir los dos efectos, procede la creacin de variables categricas que
identifiquencadaunadelascuatroestaciones,queenesteejemploconstituyenelperodo
de repeticin del patrn estacional. Por otra parte, suponiendo que hubiese ciclos, el
intervalodetiempoderecogidadedatosestotalmenteinsuficienteparatomarlos,porlo
quesuposibleexistenciaquedarenmascaradaenlosresiduos.
Enelcuadro2.17estnlasvariablescategricasQ2,Q3yQ4,cuyaconjuncinrepresenta
de forma unvocacadatrimestre.Se insiste enque noesnecesariaunaQ1,puestoque el
primertrimestreeselquetomacomoreferenciaQ2=Q3=Q4=0,ysonlosdemsque,a
travsdelindicador,aportarnlapartedelefectoestacionalcorrespondiente.
65
2009
75.44
23
4
126.50 0
0
1
Cuadro2.17Ventasdematerialdeportivo
24
Enestecaso,alserlatendenciarectilnea,seplanteaelmodelo
Y=0+1t+2Q2+3Q3+4Q4+2Q2t+3Q3t+4Q4t+
Laestimacindesusparmetrosconducealosresultadosexpuestosenelcuadro2.18.
LosresultadosdelmodelolinealgeneralevidencianquetodoslostrminosdeltipoQjtno
sonestadsticamentesignificativos,(pval<0,05),portantoprocederecalcularelmodelo
prescindiendodeellos.
Cabedestacarqueestehechomanifiestaquelaestacionalidadnomodificalapendientede
larectadeltiempo,esdecir,elincrementodelasventaseselmismoparacadatrimestre.
Esto simplifica el caso al corresponder a un modelo aditivo puro, que puede ser,
alternativamente, estudiado por la metodologa de la descomposicin clsica, tal como se
hahechoenlaseccinanterior.Sialgunodeesostrminoshubieseresultadosignificativo,
elsistemaclsicoproporcionaraunmodelobastanteprecario.
0.98973365
0.97957269
R2ajustado
Errortpico
0.97063574
4.73014481
24
Observaciones
Promediode
loscuadrados
Regresin
Residuos
7
16
17166.997
357.988318
Total
23
17524.9853
Valorcrtico
deF
2452.42815 109.609304 2.5717E12

22.3742699
Coeficientes
Errortpico
Estadsticot Probabilidad
Intercepcin
Q2
Q3
Q4
t
tQ2
tQ3
38.9463095
15.7735
19.193619
65.6576905
1.08321429
0.80264286
0.35128571
3.66031773
5.3510502
5.53456782
5.72616449
0.28268022
0.3997702
0.3997702
10.6401445
2.94773912
3.46795264
11.4662599
3.83194228
2.0077606
0.87871911
1.1507E08
0.0094549
0.00317106
3.966E09
0.00147026
0.06186319
0.39255913
ANLISISDEVARIANZA
Gradosde
Sumade
libertad
cuadrados
66
2009
tQ4
0.1485
0.3997702
0.3714634 0.71516553
Cuadro2.18Resultadosdelmodelolinealgeneral
Elcuadro2.19contienelosresultadosdelajustedelmodelodefinitivo,esdecir,de
Y=0+1t+2Q2+3Q3+4Q4+
R2ajustado
Errortpico

Observaciones
0.98677823
0.97373128
0.96820102
4.92233873
24
ANLISISDE
VARIANZA
Gradosde
Sumade
libertad
cuadrados
Promediode
loscuadrados
Regresin
Residuos
4
19
17064.6264
460.358954
Total
23
17524.9853
Valor
crticodeF
4266.15659 176.07342 9.8949E15

24.2294186
Intercepcin 42.5279881 2.57989903 16.4843615
1.0352E12
Q2
Q3
Q4
6.46739286 2.84571718 2.2726759

15.278119 2.85709757 5.34742643
64.5555119 2.8759648 22.4465584
0.03484621
3.6808E05
3.8699E15
0.75760714
0.147083 5.1508817
5.682E05
Cuadro2.19Resultadosdelmodelodefinitivo
Los grficos de residuos y probabilstico Normal se presentan en la figura 2.29, y no

presentanningunapeculiaridadespecial.
Enconsecuenciaquedavalidadoelmodeloobtenido.
67
2009
15
15
Residuos Yestimado
Residuos tiempo
10
10
10
10
30
40
50
60
70
80
90
100 110 120
130
10
15
20
25
130
%Probabilidad Residuos
110
90
70
50
30
3 4 3 1 1 2 2 5 8 9 2 2 1 0 3 2 12 7 3 2 3 4 0 1
Figura2.29Grficosdelosresiduosdelmodelo
Comoresumendetodoloanterior,elmodeloqueexplicaelcomportamientodelaserie,y
quevaaserutilizadoparahacerprevisionesdelasventasfuturas,haresultadoser
42,5280+0,7576t+6,4674Q2+15,2781Q3+64,5555Q4
La interpretacin de los coeficientes del modelo permite identificar tendencia y

estacionalidad.
En cuanto a la primera, se detecta un incremento de las ventas de 0,7576 unidades cada

unidad de tiempo (trimestre); incremento que se mantiene constante sea cual sea la
estacin.
Enconsecuencia,laestacionalidadsloafectaalaordenadaenelorigendecadaunadelas
cuatroestaciones(trimestres)quecomponenelperodo.
Tomandocomoreferenciaelprimertrimestre,enelqueQ2=Q3=Q4=0,seobservaqueen
llasventasdependendeltiempo,segnlaecuacin
42,5280+0,7576t
cont=1+4
Para un tiempo correspondiente a un segundo trimestre, las variables categricas toman

losvaloresQ2=1yQ3=Q4=0yelmodeloes
68
2009
cont=2+4
Parauntiempodetercertrimestre,lasvariablescategricastomanlosvaloresQ3=1yQ2=
Q4=0yelmodeloes
42,5280+0,7576t+15,2781=57,8061+0,7576t
cont=3+4
Y,enelcasodelcuartotrimestre,lasvariablescategricastomanlosvaloresQ4=1y
Q2=Q3=0;elmodeloes
42,5280+0,7576t+64,5555=107,0835+0,7576t
cont=4+4
As, para cada trimestre (estacin del perodo), se obtiene un modelo del mismo tipo,
rectilneoconigualpendiente,enestecaso,perocondistintaordenadaenelorigen.
Estosepuedeinterpretarcomoque,tomandosiemprecomoreferenciaelprimertrimestre,
enelsegundoelvolumendeventasaadealafuncindeltiempo6,4674unidades,enel
terceroelincrementoesde15,2782yenelcuartode64,5555unidades.Estosvaloresson,
evidentemente,loscoeficientesdelasvariablescategricas.
En consecuencia los coeficientes de las variables categricas representan la cantidad en

queunaestacin,sistemticamente,supera(onoalcanza,segnseaelsigno)elvalordela
primera estacin del perodo. Es decir, estos coeficientes son una forma de medir el
componenteestacional.
Para evaluar la bondad del modelo, en la figura 2.30 se muestra la comparacin de los
valores medidos con los estimados a partir del modelo ajustado; se observa la buena
concordanciaentreambos.
La modelizacin tiene como objetivo principal el poder hacer previsiones para un futuro
prximo.Enestecasoseprocedeacalcularlasprevisionesparalosprximos2aos,abase
desustituirlosvaloresdeltiempoydelasvariablescategricasenelmodeloobtenido.
Losresultadossemuestranenelcuadro2.20yenlafigura2.31.
42,5280+0,7576t+6,4674=48,9954+0,7576t
69
2009
130
Ventas(Y)
120
110
100
90
80
70
60
50
40
1
13
17
21
Figura2.30Datosreales()ymodeloajustado(_)
Aqu se detecta la coherencia de la previsin con los datos histricos, siempre que no
cambie el modelo de comportamiento de la serie en el perodo previsto. Esto podra
ocurrir, por ejemplo, si hubiese una recesin econmica,la apertura de otro comercio de
similares caractersticas en las inmediaciones, un cambio de hbitos en la poblacin, una
campaapropagandsticaconxitodelacompetencia,etc.
42,5280+0,7576t+6,4674Q2+15,2781Q3+64,5555Q4
Ao
Q2
Q3
Q4
2006
25
61.46817
26
68.69317
27
78.26150
28
128.29650
2007
29
64.49860
30
71.72360
31
81.29193
32
0
0
1
131.32693
Cuadro2.20Previsionespara2006y2007
130
120
110
100
90
80
70
60
50
Ventas(Y)
40
1
13
17
21
25
29
Figura2.31Datos,modeloyprevisionesparalosdosaossiguientes
Yestim
70
2009
2.5ActividadesparaelAprendizaje.
Luegodevisitarestasdireccionesdepginasweb,elaborarunresumeny/odesarrollarlos
ejerciciospropuestosparaeltemacorrespondiente:
http://ciberconta.unizar.es/LECCION/seriest/060.HTM
http://www.mty.itesm.mx/egap/materias/re4004/Cap7.ppt
http://www.bccr.fi.cr/ndie/Documentos/DIE022002NT
ASPECTOS%20CONCEPTUALES%20SOBRE%20SEATS.pdf
http://www.aaep.org.ar/espa/anales/resumen04/04/Trajtenberg.pdf
Resolverlosejerciciosalcapitulocorrespondiente:
CtedradeMtodosCuantitativosparalosNegocios.
http://www.unsa.edu.ar/mcneco/mcn_tps.html
ProgramacinMatemtica
http://www.uv.es/~sala/programacion.htm
2.5ActividadesparaelAprendizaje.
BienvenidosaloscursosdelreadeOperacionesDescargarejercicios:
http://ucreanop.org/descarga_ejercicios.php
71

Libro Cap 02

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Libro Cap 02

Cargado por

Copyright:

Formatos disponibles

METODOSCUANTITATIVOSPARALOSNEGOCIOS

En el mundo globalizado y conmercados tan competidos como los que enfrentamoshoy,

influyen en el comportamiento de la demanda y tener mejor idea de qu ofrecen las

El pronstico no es una prediccin de lo que irremediablemente pasar en el futuro. Un

El punto fundamental en los pronsticos es ser consistente y lograr la menor desviacin

Compilacin: Ybnias El Grijalva Yauri

Muchas empresas actualmente estn recurriendo al uso de paquetes de pronsticos

Esto le permitir evaluar si tiene oportunidad de mejorar su proceso mediante el uso de

Se requiere madurez para establecer la exactitud de los pronsticos como un indicador

Las mejores prcticas sugieren una combinacin de pronsticos estadsticos con

Compilacin: Ybnias El Grijalva Yauri

Cuando se dispone de n datos de un proceso estocstico, se est frente a n muestras, de

Esta serie puede expresarse tambin como

Compilacin: Ybnias El Grijalva Yauri

La particular forma delainformacindisponibledeunaseriecronolgica, nmuestrasde

En los captulos siguientes se pretende presentar, de forma simple, distintos criterios

Compilacin: Ybnias El Grijalva Yauri

Las variaciones estacionales son oscilaciones que se producen, y repiten, en perodos de

Las variaciones cclicas se producen a largo plazo y suelen ir ligadas a etapas de

Compilacin: Ybnias El Grijalva Yauri

Compilacin: Ybnias El Grijalva Yauri

La componente residual es la que recoge la aportacin aleatoria de cualquier fenmeno

As se proponen, entre otros, modelos genricamente denominados aditivos y

Un modelo aditivo se puede interpretar como aquel en que la estacionalidad acta

ndiendo dee los ciclo

Es eviidente quee esta diivisin, en

Compilaccin: Ybnias El Grijalva Yaurri

Para poder abordar esta metodologa es imprescindible, en primer lugar, estudiar un

Compilacin: Ybnias El Grijalva Yauri

Un proceso se denomina de media mvil de orden q, y se representa por MA(q), si su

Un proceso es autorregresivo de orden p, y se representa por AR(p), cuando cada

Compilacin: Ybnias El Grijalva Yauri

Este mtodo, tambin denominado sistema clsico, descompone la serie en tendencia,

La tendencia es la componente ms importante de la serie, al definir lo que se podra

Caso de existir componente estacional, para que sta no enmascare la tendencia, es

Compilacin: Ybnias El Grijalva Yauri

En este ejemplo se ha identificado un patrn estacional compuesto por los cuatro

Coeficientes Errortpico Estadsticot Probabilidad

Compilacin: Ybnias El Grijalva Yauri

Para evitar esto es necesario estabilizar la serie liberndola de la estacionalidad; esto se

Coeficientes Errortpico Estadsticot Probabilidad

Compilacin: Ybnias El Grijalva Yauri

Ahora ya se ha obtenido un modelo de tendencia altamente significativo y con un buen

Compilacin: Ybnias El Grijalva Yauri

En el caso del ejemplo de las ventas de material deportivo, ya se ha comentado que la

Compilacin: Ybnias El Grijalva Yauri

Coeficientes Errortpico Estadsticot Probabilidad

Compilacin: Ybnias El Grijalva Yauri

Evidentemente, la interpretacin de la ecuacin de la tendencia permite afirmar que las

La componente estacional, que provoca una oscilacin sistemtica de perodo corto,

El anlisis de la estacionalidad queda ligado al mtodo que se decida emplear para

Separar la parte explicada por la tendencia. Supuesto el modelo aditivo, esto

Compilacin: Ybnias El Grijalva Yauri

Ya que los ndices estacionales miden discrepancias respecto a la media, sta se

Compilacin: Ybnias El Grijalva Yauri

4.8237 4.9888 8.4325 10.6950 4.1975

21.1525 28.1500 19.5925 11.5200 23.3037

15.8812 5.2325 14.7600 24.2912 18.2588

42.5838 41.10.75 40.3837 43.3100 45.8725

Compilacin: Ybnias El Grijalva Yauri

Los valores de los ndices estacionales recin obtenidos se interpretan de la siguiente

Con el modelo de tendencia del cuadro 2.7 y la estacionalidad, se ha obtenido la

Evidentemente, los residuos se calculan como: R = Y T E. La buena modelizacin

La figura 2.17 muestra la evolucin de las previsiones y su buena concordancia con la