UNIVERSIDAD TECNOLÓGICA DE PANAMÁ

FACULTAD DE INGENIERÍA INDUSTRIAL

FOLLETO

DIRIGIDO A LOS ESTUDIANTES DE LA FACULTAD DE

INGENIERÍA INDUSTRIAL PARA LOS CURSOS DE:

Investigación de Operaciones, Métodos Cuantitativos

y Administración de la Producción

MODELOS DE PRONÓSTICOS PARA NEGOCIOS

Elaborado por:

ING. BOLÍVAR BERNAL MOJICA

Panamá, República de Panamá

Fecha de Elaboración: Abril de 2013 a Abril de 2015

Fecha de impresión: Abril de 2015

29
 INTRODUCCIÓN

El uso de distintos modelos para la realización de pronósticos para la entrega de

productos y servicios es cada vez más importante. Por esta razón hemos decidido
documentar las técnicas de atenuación para el desarrollo de pronósticos según el
comportamiento de la serie de tiempo

El documento presenta en principio una introducción en la cual se da a conocer los

conceptos más importantes relacionados con el Análisis de una Serie de Tiempo. Aquí se
define como realizar el Análisis Descriptivo de la Serie y posteriormente se presentan
algunos Indicadores de Eficiencia de uso común para evaluar el modelo que mejor se
ajusta a los datos

En los capítulos siguientes se presentan las distintas técnicas para realizar pronósticos
según el comportamiento de la serie en estudio. Para el caso se presentaran los modelos
que a juicio de los autores resultan más fáciles de comprender por los lectores, en gran
parte por la simplicidad que proponen los mismos en la matemática empleada para el
análisis. Esta sencillez en el modelo matemático no implica que la validez de los mismos
sea menor.

Con este documento esperamos satisfacer todas las dudas que le han surgido con
respecto al tema que aquí se expone. Invitamos a los lectores a realizar las sugerencias
que consideren con la intención de mejorar la primera edición de este documento que con
mucho gusto hemos preparado para Ustedes

Bolívar Bernal Mojica

bolívar.bernal1@utp.ac.pa

29
 OBJETIVOS

Con la elaboración de este documento se espera que una vez el estudiante culmine la
lectura del mismo esté en capacidad de:

 Identificar en que situaciones aplican cada uno de los modelos presentados

 Comprender cuales son los supuestos que aplican a cada modelo

 Determinar la información necesaria para la solución de los distintos problemas

según la situación que aplique

 Tomar decisiones para casos presentados al aplicar los modelos expuestos

29
 TABLA DE CONTENIDO

Introducción

Objetivos

1. Introducción a los Pronósticos

1.1 Componentes de una Serie de Tiempo

1.2 Visualización de los datos por medio de gráficas
1.3 Coeficiente de Autocorrelación
1.4 Medición del Error en el Pronóstico

2. Promedios Móviles y Métodos de Suavización Exponencial para Series

Estacionarias

3. Análisis de Tendencia para Series de Tiempo con Tendencia Pura

4. Modelo de Descomposición Estacional para Datos que presentan Tendencia con

Estacionalidad

5. Inferencia Estadística en los Modelos de Pronóstico

Conclusiones

Recomendaciones y Proyectos Futuros

Bibliografía

29
1. INTRODUCCIÓN A LOS PRONÓSTICOS

Desde los inicios de la Historia, el ser humano siempre ha sentido la necesidad de

poder predecir el futuro, en un principio recurría a todo de tipo de técnicas basadas
en creencias populares y ritos para definirlo. Con el avance de la “ciencia como la
base del conocimiento” se empieza a pensar en un conjunto de herramientas para
describir patrones de comportamiento que pudiesen darnos luces de los valores
futuros más probables. Es allí donde aparecen las primeras técnicas de Análisis de
Series Temporales para finales del Siglo XIX; ejemplo de esto es el uso de las
técnicas de regresión.

Con el pasar de los años han aparecido diversas técnicas, de las más simples (como
los métodos de suavización) hasta las más refinadas (como los Métodos ARIMA),
que han permitido pronosticar con mayor precisión diversas variables de interés. Esto
ha sido acompañado con el desarrollo de medios informáticos que han hecho más
fácil el cálculo laborioso que representaba el uso de estas técnicas

Existen diversos paquetes computacionales que permiten realizar evaluaciones de

los datos que se han recolectado, aquí algunos de los más populares:

 Minitab
 Statistical Package for Social Sciences (SPSS)
 Statistical Analysis System (SAS)
 E-Views
 Easy Forecast Plus
 Forecast Pro

La generación de un pronóstico preciso y útil implica dos consideraciones básicas:

Primero: Reunir los datos que sean aplicables para la tarea de pronósticos y que
contengan información que pueda producir pronósticos precisos

Segundo: Seleccionar una técnica de pronóstico que utilice al máximo la información

contenida en los datos y los patrones que éstos presenten

1.1. Componentes de una Serie de Tiempo

Para evaluar la técnica que mejor se ajusta a los datos debemos definir primero las
componentes de una serie de tiempo:

La Tendencia de una serie de tiempo es el componente de largo plazo que

representa un crecimiento o disminución en la serie de tiempo sobre un periodo
amplio

El Componente Cíclico es la fluctuación en forma de onda alrededor de la

tendencia. Por general está influenciada por cambios de expansión y contracción
económicas

La Componente Estacional es un patrón de cambio que se repite a sí mismo año

tras año. La variación estacional puede reflejar condiciones de clima, días festivos,
etc.

29
 El Componente Aleatorio mide la variabilidad de las series de tiempo después de
que se retiran los otros componentes. Contabiliza la variabilidad aleatoria en una
serie de tiempo ocasionada por factores imprevistos y no recurrentes

Antes de elegir el Modelo de Pronóstico que mejor se ajusta a los patrones

encontrados en los datos, se deberá realizar una Exploración de Patrones en los
Datos.

1.2. Visualización de los Datos por medio de Gráficas

Por simple que parezca, la primera evaluación que se hace a los datos es realizar un
diagrama de dispersión de los mismos. De esta forma se podrá con la inspección de
la gráfica que se obtiene determinar si una o más de las componentes antes
mencionadas están presentes en la Serie de Tiempo. Para ilustrar este caso veremos
el Caso de las Empresas Marine Motors y Electronic Store, cuyos valores de
ventas se presentan a continuación:

Ventas Mensuales de Marine Motors Ene-08 a Dic-09

Ventas Ventas
Periodo Periodo
(Unidades) (Unidades)
ene-08 113 ene-09 191
feb-08 128 feb-09 183
mar-08 125 mar-09 200
abr-08 138 abr-09 207
may-08 145 may-09 201
jun-08 153 jun-09 216
jul-08 150 jul-09 223
ago-08 162 ago-09 242
sep-08 167 sep-09 233
oct-08 173 oct-09 256
nov-08 177 nov-09 261
dic-08 185 dic-09 270

29
Para el caso de Marine Motors se puede apreciar en el gráfico de serie de tiempo
que existe una marcada tendencia a la alza en la venta de productos. Por lo tanto se
debe esperar que para los meses siguientes la venta aumente si los distintos factores
económicos se mantienen a iguales condiciones

Ventas Trimestrales de Electronic Store T1-84 a T4-93

Ventas Ventas
Periodo Periodo
(Unidades) (Unidades)
T1-84 147 T1-89 264
T2-84 251 T2-89 402
T3-84 273 T3-89 411
T4-84 249 T4-89 385
T1-85 139 T1-90 232
T2-85 221 T2-90 309
T3-85 260 T3-90 310
T4-85 259 T4-90 293
T1-86 140 T1-91 205
T2-86 245 T2-91 234
T3-86 298 T3-91 285
T4-86 287 T4-91 258
T1-87 168 T1-92 193
T2-87 322 T2-92 263
T3-87 393 T3-92 292
T4-87 404 T4-92 315
T1-88 259 T1-93 178
T2-88 401 T2-93 274
T3-88 464 T3-93 295
T4-88 479 T4-93 311

29
 En el caso de Electronic Store se da un comportamiento estacional a lo largo del
periodo de estudio. Lo que no se puede distinguir de forma clara es si existe o no una
leve tendencia, aunque de estar presente esta componente es más débil que la de
estacionalidad

1.3. Coeficiente de Autocorrelación

Una primera medida de asociación o fuerza entre los datos es el Coeficiente de

Autocorrelación. Este coeficiente mide la correlación existente entre una variable
desfasada uno o más periodos y la misma variable en el periodo t

  Y  Y Y
t t k Y
Rk  t  k 1
n 2

 Y  Y 
t 1
t

En donde
Rk = coeficiente de correlación para un desfase de k periodos
Y = media de los valores de la serie
Yt = observación en el periodo t
Yt-k = observación en k periodos anteriores o en el periodo t – k
n = total de observaciones

Los patrones de datos que incluyen componentes de tendencia, estacionalidad e

irregularidad se pueden estudiar usando el enfoque del análisis de autocorrelación.
Los coeficientes de autocorrelación para diferentes desfases de tiempo de una
variable se emplean para identificar patrones en las series de tiempo de los datos

29
Para ilustrar este cálculo veamos el Ejemplo de Electronic Store. Para ello se
calculará el coeficiente de correlación para un periodo de desfase

Periodo Yt Yt - Prom Yt-k - Prom (Yt - Prom)*(Yt-k - Prom) (Yt - Prom)^2

T1-84 147 -137.2 -137.2 18823.84
T2-84 251 -33.2 -33.2 4555.04 1102.24
T3-84 273 -11.2 -11.2 371.84 125.44
T4-84 249 -35.2 -35.2 394.24 1239.04
T1-85 139 -145.2 -145.2 5111.04 21083.04
T2-85 221 -63.2 -63.2 9176.64 3994.24
T3-85 260 -24.2 -24.2 1529.44 585.64
T4-85 259 -25.2 -25.2 609.84 635.04
T1-86 140 -144.2 -144.2 3633.84 20793.64
T2-86 245 -39.2 -39.2 5652.64 1536.64
T3-86 298 13.8 13.8 -540.96 190.44
T4-86 287 2.8 2.8 38.64 7.84
T1-87 168 -116.2 -116.2 -325.36 13502.44
T2-87 322 37.8 37.8 -4392.36 1428.84
T3-87 393 108.8 108.8 4112.64 11837.44
T4-87 404 119.8 119.8 13034.24 14352.04
T1-88 259 -25.2 -25.2 -3018.96 635.04
T2-88 401 116.8 116.8 -2943.36 13642.24
T3-88 464 179.8 179.8 21000.64 32328.04
T4-88 479 194.8 194.8 35025.04 37947.04
T1-89 264 -20.2 -20.2 -3934.96 408.04
T2-89 402 117.8 117.8 -2379.56 13876.84
T3-89 411 126.8 126.8 14937.04 16078.24
T4-89 385 100.8 100.8 12781.44 10160.64
T1-90 232 -52.2 -52.2 -5261.76 2724.84
T2-90 309 24.8 24.8 -1294.56 615.04
T3-90 310 25.8 25.8 639.84 665.64
T4-90 293 8.8 8.8 227.04 77.44
T1-91 205 -79.2 -79.2 -696.96 6272.64
T2-91 234 -50.2 -50.2 3975.84 2520.04
T3-91 285 0.8 0.8 -40.16 0.64
T4-91 258 -26.2 -26.2 -20.96 686.44
T1-92 193 -91.2 -91.2 2389.44 8317.44
T2-92 263 -21.2 -21.2 1933.44 449.44
T3-92 292 7.8 7.8 -165.36 60.84
T4-92 315 30.8 30.8 240.24 948.64
T1-93 178 -106.2 -106.2 -3270.96 11278.44
T2-93 274 -10.2 -10.2 1083.24 104.04
T3-93 295 10.8 10.8 -110.16 116.64
T4-93 311 26.8 289.44 718.24
Promedio= 284.20 Totales= 1.143E+05 2.719E+05

29
Dividiendo los valores de 1.143E+05 / 2.719E+05 se obtiene R1 = 0.42059. Este
mismo cálculo se puede realizar para un desfase de dos, tres, cuatro periodos o
más.

Existe un gráfico de suma utilidad conocido como Función de Autocorrelación. En

dicho gráfico se presentan los valores de las correlaciones para k periodos
desfasados, para ilustrar mostraremos este gráfico para 12 desfases para la Serie de
Tiempo de Electronic Store, según la forma del Gráfico se puede corroborar la
presencia de las distintas componentes de la serie de tiempo inspeccionadas en la
exploración visual de los datos

K 1 2 3 4 5 6
R 0.42059 0.19349 0.31146 0.73328 0.17660 -0.11961

K 7 8 9 10 11 12
R -0.05240 0.29818 -0.19314 -0.44132 -0.34628 0.02897

El Gráfico de la Función de Autocorrelación suele presentar unas franjas de color rojo

que representan los límites de significancia de las autocorrelaciones calculadas. Para
que una Autocorrelación sea significativa debe sobrepasar las franjas rojas del
Gráfico indicando así que la fuerza entre esos dos periodos presenta significancia

A manera de resumen presentaremos los comportamientos de los Gráficos de

Funciones de Autocorrelación según el Patrón de las Componentes de la Serie de
Tiempo

Autocorrelación y Tendencia Pura: en una serie con tendencia pura notará que el
valor de la autocorrelación para un periodo de desfase tendrá una correlación muy

29
alta, casi cercana a 1, e irá decayendo lentamente hasta llegar a cero, como se
presenta a continuación:

Autocorrelación y Estacionalidad: una serie tendrá un patrón estacional cuando se

presente un coeficiente de autocorrelación significativo en el periodo de desfase
correspondiente; cuatro en los datos trimestrales o doce en los datos mensuales.
Como se presenta a continuación:

Autocorrelación y Estacionariedad: una serie tendrá estacionariedad cuando se

presente un coeficiente de autocorrelación significativo en el primer periodo de
desfase o en el primer y segundo periodo de desfase. Como se presenta a
continuación:

29
1.4. Medición del Error en el Pronóstico

Cada técnica particular de pronóstico posee cierto grado de error. Las medidas de
dicho error implican una función de la diferencia entre el valor real y su pronóstico.
Esta medida es conocida como residuales.

De manera formal se definirá como residual a la diferencia entre el valor real y su

valor de pronóstico

A continuación mostraremos varias de las medidas del error de los pronósticos

realizados:

Desviación Absoluta Media (DAM): equivale al promedio de los errores absolutos

 Y  Yˆ t t
DAM  t 1
n

Error Medio Cuadrático (EMC): equivale al promedio de los residuales cuadrados

 Y  Yˆ 
2
t t
EMC  t 1
n

Porcentaje de Error Medio Absoluto (PEMA): equivale al error porcentual de los

residuales absolutos

29
 n Yt  Yˆt

t 1 Yt
PEMA 
n

Porcentaje Medio de Error (PME): equivale al error porcentual de los residuales. Si

el pronóstico no presenta sesgo, su valor será muy próximo a cero. Si el resultado
del porcentaje en un valor negativo grande, el método de pronóstico está
sobreestimando de manera consistente. Por otro lado si el porcentaje es un valor
positivo grande, el método de pronóstico esta subestimando de manera consistente

n
Yt  Yˆt
 Yt
PME  t 1
n

Debido a la simplicidad que implican los cálculos de los distintos indicadores de error
en los pronósticos no se mostrará un ejemplo en esta sección

29
PROBLEMAS DE REPASO DEL CAPÍTULO

Presto Fácil:

Presto Fácil es una financiera que se ha logrado consolidar en el mercado nacional.

Para analizar la cartera de préstamos de dicha financiera se han registrado los
montos en préstamos comprendidos entre el 2009 y el 2014. Estos se presentan a
continuación

Préstamos de Presto Fácil por trimestre, 2009-2014

(en millones de dólares)
Año I Trim II Trim III Trim IV Trim
2009 2313 2495 2609 2792
2010 2860 3099 3202 3161
2011 3399 3471 3545 3851
2012 4458 4850 5093 5318
2013 5756 6013 6158 6289
2014 6369 6568 6646 6861

a. Calcule las autocorrelaciones para 1 y 2 periodos de desfase. Muestre en un

correlograma la significancia de ambos cálculos
b. Determine con dicho correlograma si los datos presentan patrones de
estacionalidad
c. Determine los valores pronosticados para cada periodo asumiendo que el
pronóstico se resolverá a través de la fórmula Ft = Ft - 1
d. Para los pronósticos encontrados evaluar DAM, EMC, PEMA, PME

Pricing Company:

Un inversionista desea determinar si existe un patrón sobre las utilidades por acción
de la compañía que opera en varios estados de los Estados Unidos de América. Los
datos son los siguientes:

Utilidades por acción de Pricing Company, 2007-2014

(en dólares por acción)
Año I Trim II Trim III Trim IV Trim
2007 0.40 0.29 0.24 0.32
2008 0.47 0.34 0.30 0.39
2009 0.63 0.43 0.38 0.49
2010 0.76 0.51 0.42 0.61
2011 0.86 0.51 0.47 0.63
2012 0.94 0.56 0.50 0.65
2013 0.95 0.42 0.57 0.60
2014 0.93 0.38 0.37 0.57

a. Describa cualquier patrón existente en la serie temporal presentada

b. Determine los valores pronosticados para cada periodo asumiendo que el
pronóstico se resolverá a través de la fórmula Ft = Ft - 1
c. Para los pronósticos encontrados evaluar DAM, EMC, PEMA

29
Mercado Inmobiliario:

Un indicador importante de la salud financiera de la economía es la venta de

viviendas. Es por ello que se presenta a continuación la venta trimestral de viviendas
de un país:

Viviendas Vendidas en el país X, 2007-2014

(en miles de viviendas)
Año I Trim II Trim III Trim IV Trim
2007 121 144 126 116
2008 153 152 130 123
2009 161 179 172 138
2010 178 185 165 142
2011 192 204 201 161
2012 211 212 208 174
2013 227 248 221 185
2014 256 299 294 239

a. Describa cualquier patrón existente en la serie temporal presentada

b. Determine los valores pronosticados para cada periodo asumiendo que el
pronóstico se resolverá a través de la fórmula Ft = Ft - 1
c. Para los pronósticos encontrados evaluar DAM , EMC, PEMA

29
2. PROMEDIOS MÓVILES Y MÉTODOS DE SUAVIZACIÓN EXPONENCIAL
PARA SERIES ESTACIONARIAS

Se entenderá que una serie es del tipo estacionaria cuando los datos suelen variar
con respecto a un valor medio en forma netamente aleatoria. Para ello se presentará
a continuación los modelos usados con mayor frecuencia para este caso:

Media Móvil Simple

Un promedio móvil se obtiene encontrando la media de un conjunto específico de

valores y empleándolo después para pronosticar el siguiente periodo

Debemos destacar que la técnica solo emplea los últimos “n” periodos de datos
conocidos. Dicho modelo funciona mejor cuando los datos son del tipo estacionarios.
No maneja muy bien la presencia de tendencia o estacionalidad en la serie de
tiempo. En este modelo el analista es quien debe definir el número de periodos que
se emplearán para el pronóstico. Es preferible un número pequeño para cambios
súbitos en el nivel de la serie, ya que de esta forma se dará mayor peso a los valores
más recientes de la misma

Yt 1  Yt  2      Yt  n
Yˆt 
n

Como se aprecia en la fórmula en promedio móvil en “t” es la media aritmética de las

“n” observaciones más recientes

Media Móvil Ponderada

Un promedio móvil ponderado se obtiene encontrando la media ponderada de los “n”

últimos periodos en el pronóstico

Cuando el investigador siente que debe variar los pesos de las “n” últimas
observaciones que empleará para realizar el pronóstico surge la técnica de las
medias móviles ponderadas como herramienta para predecir

Yˆt  W1 * Yt 1  W2 * Yt  2      Wn * Yt  n

W1  W2      Wn  1

La asignación de los pesos se pondrá dar de forma tal que se pueda reducir la
medida del error para la serie de tiempo presentada

Suavización Exponencial Simple

Es un procedimiento para revisar constantemente un pronóstico a la luz de las

experiencias más recientes

Si se examina con más detalle el método, este viene a ser una especie de media
móvil ponderada pero donde los pesos se van atenuando en el tiempo, siendo mayor
para la observación más reciente y menor para la observación mas distante.

29
Debemos agregar que el coeficiente de suavización “α”, está comprendido entre cero
y uno. En la práctica el valor de “α” es determinado en función de aquel que minimice
la medida del error. Con el uso del computador es posible definir el mismo a través
de la iteración de dicho valores

Yˆt  Yt 1  (1   )Yˆt 1

De igual forma que la media móvil simple y la media móvil ponderada, este método
se emplea en series de tiempo del tipo estacionarias. Para el modelo se recomienda
6

que el valor de Y t
y el resto del pronóstico de t = 2 en adelante se realice
Yˆ1  t 1

6
con la fórmula antes presentada

EJEMPLO ILUSTRATIVO:

Para ilustrar los métodos explicados en esta sección emplearemos los datos de
ventas de una compañía de las últimas 43 semanas a fin de mejorar la planificación
operacional de la empresa. Para ello se realizará el pronóstico a través de:

 Media Móvil Simple a tres periodos

 Media Móvil Ponderada a tres periodos con ponderadores de 0.50 al mes
más reciente, 0.30 al mes anterior y 0.20 al mes más distante
 Suavización Exponencial Simple con un coeficiente de suavización de 0.20

Adicional presentaremos la DAM para cada uno de los tres modelos para los valores
de los parámetros definidos

Sem Venta MMS-3 Error MMP-3 Error SES Error

1 61 65.5 -4.5
2 61 64.6 -3.6
3 74 63.9 10.1
4 75 65.3 9.7 67.5 7.5 65.9 9.1
5 71 70.0 1.0 71.9 -0.9 67.7 3.3
6 51 73.3 -22.3 72.8 -21.8 68.4 -17.4
7 56 65.7 -9.7 61.8 -5.8 64.9 -8.9
8 77 59.3 17.7 57.5 19.5 63.1 13.9
9 70 61.3 8.7 65.5 4.5 65.9 4.1
10 78 67.7 10.3 69.3 8.7 66.7 11.3
11 72 75.0 -3.0 75.4 -3.4 69.0 3.0
12 85 73.3 11.7 73.4 11.6 69.6 15.4
13 63 78.3 -15.3 79.7 -16.7 72.7 -9.7
14 63 73.3 -10.3 71.4 -8.4 70.7 -7.7
15 76 70.3 5.7 67.4 8.6 69.2 6.8
16 78 67.3 10.7 69.5 8.5 70.5 7.5

29
 17 84 72.3 11.7 74.4 9.6 72.0 12.0
18 79 79.3 -0.3 80.6 -1.6 74.4 4.6
19 80 80.3 -0.3 80.3 -0.3 75.3 4.7
20 85 81.0 4.0 80.5 4.5 76.3 8.7
21 59 81.3 -22.3 82.3 -23.3 78.0 -19.0
22 56 74.7 -18.7 71.0 -15.0 74.2 -18.2
23 57 66.7 -9.7 62.7 -5.7 70.6 -13.6
24 58 57.3 0.7 57.1 0.9 67.9 -9.9
25 64 57.0 7.0 57.3 6.7 65.9 -1.9
26 55 59.7 -4.7 60.8 -5.8 65.5 -10.5
27 62 59.0 3.0 58.3 3.7 63.4 -1.4
28 67 60.3 6.7 60.3 6.7 63.1 3.9
29 62 61.3 0.7 63.1 -1.1 63.9 -1.9
30 55 63.7 -8.7 63.5 -8.5 63.5 -8.5
31 64 61.3 2.7 59.5 4.5 61.8 2.2
32 61 60.3 0.7 60.9 0.1 62.3 -1.3
33 62 60.0 2.0 60.7 1.3 62.0 0.0
34 53 62.3 -9.3 62.1 -9.1 62.0 -9.0
35 46 58.7 -12.7 57.3 -11.3 60.2 -14.2
36 49 53.7 -4.7 51.3 -2.3 57.4 -8.4
37 49 49.3 -0.3 48.9 0.1 55.7 -6.7
38 55 48.0 7.0 48.4 6.6 54.4 0.6
39 52 51.0 1.0 52.0 0.0 54.5 -2.5
40 52 52.0 0.0 52.3 -0.3 54.0 -2.0
41 57 53.0 4.0 52.6 4.4 53.6 3.4
42 66 53.7 12.3 54.5 11.5 54.3 11.7
43 46 58.3 -12.3 60.5 -14.5 56.6 -10.6
Pronostico= 56.3 54.2 54.5
DAM= 7.5833 7.1325 7.6160

Vale la pena resaltar que los valores del DAM variarán para los métodos de media
móvil ponderada y para suavizado exponencial en la medida que se cambien los
parámetros. Por esta razón invitamos al lector para que pruebe con distintos valores
hasta obtener los que minimicen el DAM

29
PROBLEMAS DE REPASO DEL CAPÍTULO

Helados Don Frío:

Esta pequeña heladería está ubicada cerca de un colegio de la localidad. Los

jóvenes suelen comprar con bastante frecuencia el helado de mango que tiene un
sabor espectacular. Para los dueños de dicha heladería es importante tener un
estimado de las ventas mensuales de dicho helado para planificar así la producción
del mismo. Por ello se presenta a continuación la venta de los últimos doce meses de
este helado:

Mes 1 2 3 4 5 6
Venta 220 215 195 180 220 235

Mes 7 8 9 10 11 12
Venta 170 210 190 230 220 250

a. Pronostique la demanda para el siguiente mes utilizando el Método de Media

Móvil Simple a tres meses. Determine también la DAM
b. Pronostique la demanda para el siguiente mes utilizando el Método de Media
Móvil Ponderada a tres meses. Las ponderaciones serán las siguientes: mes más
reciente 0.50, mes anterior 0.30 y mes más antiguo 0.20. Determine también la
DAM de dicho modelo
c. Pronostique la demanda del siguiente mes utilizando el Método de Suavización
Exponencial Simple. Utilice un coeficiente de suavización de 0.40. Determine de
igual forma la DAM
d. Basado en el indicador de eficiencia propuesto (DAM) cuál elegiría Usted como
mejor modelo para pronosticar. Justifique su respuesta de forma breve y concisa

Consultorio Médico:

Un pequeño consultorio médico particular ubicado en el área de Pedregal ha

registrado la demanda real de pacientes que asisten para medicina general de las
últimas 10 semanas, dato que presentamos a continuación:

Semana 1 2 3 4 5 6 7 8 9 10
# de pacientes 52 72 58 69 54 69 46 48 60 46

El administrador de la clínica le ha pedido a Usted que le proponga un modelo de

pronóstico para la demanda de pacientes para la semana 11 utilizando:

a. Media Móvil Simple a tres semanas

b. Media Móvil Ponderada a tres semanas, con las siguientes ponderaciones: la
semana más reciente 0.50, la semana anterior 0.30 y la semana más antigua
0.20
c. ¿Cuál de los dos métodos propuestos elegiría Usted usando como criterio de
eficiencia la Desviación Absoluta Media (DAM)?

29
3. ANÁLISIS DE TENDENCIA PARA SERIES CON TENDENCIA PURA

Se entenderá que una serie de tiempo presenta tendencia pura sí de forma

consistente la misma presenta un comportamiento a la alza o a la baja en el largo
plazo. Tal como se realizó en el capítulo anterior se presentarán los modelos más
usados para dicho caso:

Regresión Lineal con Tendencia

Cuando los datos presentan una tendencia pura, ya sea lineal, exponencial, potencial
u otro tipo de comportamiento que pueda ser transformado a lineal resulta sencillo y
conveniente el uso del modelo de regresión lineal. Para el cálculo de los estimadores
se deberá tener presente el concepto de los Mínimos Cuadrado Ordinarios. Este
principio no será definido en este apartado del documento por la derivación
matemática que representa. Invitamos al lector a que se informe del mismo en textos
del Área de Estadística Matemática para una mayor comprensión

Cuando la serie de tiempo presenta tendencia lineal de los datos se propone un

modelo bajo las siguientes ecuaciones:

Yˆt  a  b * t

n  XY     X   Y 
b
 
n  X 2   X 
2

a
Y  b  X
n n

EJEMPLO ILUSTRATIVO:

Para ilustrar los métodos explicados en esta sección emplearemos los datos de
ventas de una compañía que vende motores fuera de borda de los últimos 15 meses.
Para ello se realizará el pronóstico para los próximos cuatro meses a través del
modelo de regresión lineal con tendencia

Queremos destacar la importancia del uso adecuado de los distintos modelos de

pronóstico es por ello que utilizaremos la técnica de media móvil simple a tres
periodos para los datos para que el lector comprenda que el uso incorrecto de un
modelo puede llevar a estimaciones equivocadas y luego de ello se presentarán los
resultados para el modelo de regresión lineal con tendencia y los cálculos del DAM y
el PEMA

De igual forma mostraremos en un gráfico los resultados de las estimaciones con el

modelo de media móvil simple a tres periodos

29
 Media Movil Simple a tres periodos
Error
Mes Venta MMS-3 Error Abs %
1 654
2 658
3 665
4 672 659.0 13.0 1.93%
5 673 665.0 8.0 1.19%
6 671 670.0 1.0 0.15%
7 693 672.0 21.0 3.03%
8 694 679.0 15.0 2.16%
9 701 686.0 15.0 2.14%
10 703 696.0 7.0 1.00%
11 702 699.3 2.7 0.38%
12 710 702.0 8.0 1.13%
13 712 705.0 7.0 0.98%
14 711 708.0 3.0 0.42%
15 728 711.0 17.0 2.3%
Pronostico(t=16)= 717.0

El lector podrá que para la técnica empleada se subestima el valor de la venta, es

decir que los pronósticos de demanda siempre aparecen por debajo de la línea de las
ventas reales (línea en color rojo) lo que implicaría que para el mes 16 para el cual se

29
pronostica la demanda tiene una alta probabilidad de ser un valor muy por debajo de
la que se podría presentar es por ello que se hace necesario utilizar otra técnica de
pronóstico adecuada. A continuación mostramos los resultados que se obtendrían de
utilizar la regresión lineal como modelo de tendencia

Regresión Lineal con Tendencia

Error
Mes Venta RLT Error Abs %
1 654 655.25 1.25 0.19%
2 658 660.19 2.2 0.33%
3 665 665.12 0.1 0.02%
4 672 670.06 1.9 0.29%
5 673 674.99 2.0 0.30%
6 671 679.93 8.9 1.33%
7 693 684.86 8.1 1.17%
8 694 689.80 4.2 0.61%
9 701 694.74 6.3 0.89%
10 703 699.67 3.3 0.47%
11 702 704.61 2.6 0.37%
12 710 709.54 0.5 0.06%
13 712 714.48 2.5 0.35%
14 711 719.41 8.4 1.18%
15 728 724.35 3.6 0.5%
Pronostico(t=16)= 729.29
Pronostico(t=17)= 734.22
Pronostico(t=18)= 739.16
Pronostico(t=19)= 744.09

A= 650.31 DAM= 3.7

B= 4.9357 PEMA= 0.54%

29
Como podrás apreciar la línea de tendencia presenta un mejor ajuste a la información
pues no tiende a subestimar o sobreestimar a través del pronóstico de venta que se
desea hacer por el uso del modelo propuesto. Invitamos al lector a realizar los cálculos de
los parámetros de la intersección (A) y de la pendiente (B), ya que los mismos solo se
presentaron en la tabla y se obvio los cálculos respectivos para la obtención de estos

29
PROBLEMAS DE REPASO DEL CAPÍTULO

Lechería La Vaquita Feliz:

La Vaquita Feliz suministra leche grado A en diversas tiendas de comestibles

independientes en el Área Metropolitana. La administración desea elabora un
pronóstico de la cantidad de galones de leche vendidos semanalmente. Para ello
lleva un registro de las ventas de las últimas doce semanas. A continuación se
muestran los valores:

Mes 1 2 3 4 5 6
Venta 2536 2859 3250 3327 3421 3526

Mes 7 8 9 10 11 12
Venta 3423 3712 3888 3925 4066 4200

a. Pronostique la demanda para la venta de galones de leche para las próximas tres
semanas
b. Determine la DAM y el PEMA

Hacienda Pasto Verde:

La Hacienda Pasto Verde está interesada en planificar la demanda de café de la

compañía para los próximos 3 años (2015, 2016 y 2017). Por esta razón le ha
solicitado a Usted que mediante los datos de la demanda de los últimos siete años le
determine esa demanda, datos que presentamos a continuación:

Año 2008 2009 2010 2011 2012 2013 2014

Quintales 6100 6400 6500 6700 7000 6900 7200

Para la información entregada a Usted se le solicita lo siguiente:

a. Determinar la demanda para los años 2015, 2016 y 2017

b. Si la capacidad instalada de producción de café de la hacienda es de 7600
quintales por año, podrá hacer frente a la demanda de los próximos 3 años o
necesitará realizar inversiones de capital para aumentar su capacidad actual

29
4. MODELO DE DESCOMPOSICIÓN ESTACIONAL PARA DATOS QUE
PRESENTAN TENDENCIA CON ESTACIONALIDAD

Es común encontrar series de tiempo que presentan estas dos componentes juntas.
Para modelar el comportamiento de las mismas, se propone un modelo que une el
efecto de ambas componentes por medio de una función multiplicativa de ambas.
Este modelo parte de la premisa que el pronóstico es el resultado del efecto
multiplicativo de la componente de tendencia por la componente de estacionalidad

Yˆt  Tt  S t

Para fines prácticos sólo se presentará el modelo para cuando los datos han sido
agrupados en periodos trimestrales (en la práctica los datos de ventas de las
empresas son presentados de esta forma). Para comprender mejor los cálculos
necesarios para estimar de manera más eficiente los pronósticos mostraremos un
ejemplo para este modelo

EJEMPLO ILUSTRATIVO:

Se cuenta con los datos de unidades vendidas trimestralmente de una compañía de

los últimos ocho años. Con la información suministrada presente el pronóstico de las
ventas para los cuatro trimestres del próximo año

Año Trim Venta Año Trim Venta

I 121 I 192
II 144 II 204
1 5
III 126 III 201
IV 116 IV 161
I 153 I 211
II 152 II 212
2 6
III 130 III 208
IV 123 IV 174
I 161 I 227
II 179 II 248
3 7
III 172 III 221
IV 138 IV 185
I 178 I 256
II 185 II 299
4 8
III 165 III 294
IV 142 IV 239

Para realizar el pronóstico para el próximo año es necesario tener presente que el
gráfico de la serie de tiempo mostrada presenta puntos máximos y mínimos de forma
cíclica. Es por ello que debemos desestacionalizar los datos para suavizar la
información y obtener una serie sin los efectos de la estacionalidad trimestral propia
de la serie de tiempo mostrada. Para desestacionalizar se procede a realizar un

29
doble suavizado con Media Móvil Centrada (CMA), la cual no debe ser confundida
con el método expuesto en capítulos anteriores. El centrado consta de dos etapas
presentadas a continuación:

Yt  2  Yt 1  Yt  Yt 1
MAt 
4

MAt  Mat 1
CMAt 
2

A continuación presentaremos los valores obtenidos para los datos mostrados al

igual que la gráfica respectiva de las dos series de tiempo, la venta real (Y t) y la serie
suavizada con Media Móvil Centrada (CMAt)

Tal como se puede apreciar el suavizado nos da como resultado una línea en color
verde sin los efectos de la estacionalidad presente en la serie de tiempo original. En
la tabla a continuación se muestran todos los resultados de los cálculos respectivos,
tanto para la MAt como para la CMAt

Año Trim Venta MAt CMAt

I 121
II 144
1
III 126 126.75
IV 116 134.75 130.75

29
 I 153 136.75 135.75
II 152 137.75 137.25
2
III 130 139.50 138.63
IV 123 141.5 140.50
I 161 148.25 144.88
II 179 158.75 153.50
3
III 172 162.50 160.63
IV 138 166.75 164.63
I 178 168.25 167.50
II 185 166.50 167.38
4
III 165 167.50 167.00
IV 142 171 169.25
I 192 175.75 173.38
II 204 184.75 180.25
5
III 201 189.50 187.13
IV 161 194.25 191.88
I 211 196.25 195.25
II 212 198.00 197.13
6
III 208 201.25 199.63
IV 174 205.25 203.25
I 227 214.25 209.75
7
II 248 217.50 215.88
III 221 220.25 218.88
IV 185 227.5 223.88
I 256 240.25 233.88
II 299 258.50 249.38
8
III 294 272.00 265.25
IV 239

Una vez obtenidos os cálculos de la Media Móvil Centrada se debe proceder a

realizar una regresión sobre la serie de tiempo centrada para obtener la componente
de tendencia (Tt) en el modelo propuesto. En este caso se obtuvo el siguiente valor:

Tt  a  b  t
Tt  108.1796  4.2721  t

Para obtener la componente estacional de la serie de tiempo propuesta se deben

obtener los Índices Estacionales (SI), que para el caso presentado serán cuatro ya
que la información se presentó trimestralmente, estos índices se obtienen por medio
de las siguientes formulaciones:

29
 Yt
SFt 
CMAt

SI  Pr omedio SFt  , para cada trimestre

Recuerde que el valor del promedio de los SI debe ser igual a 1.0000, de no ser así
debe normalizar los mismos. Veamos los cálculos respectivos para el ejemplo
mostrado en esta sección:

El gráfico muestra como el cálculo de los factores estacionales eliminan el efecto de

la tendencia de en la serie de tiempo. A continuación mostramos los valores
obtenidos de forma tabular:

Año Trim Venta CMAt SF

I 121
II 144
1
III 126
IV 116 130.75 0.8872

29
 I 153 135.75 1.1271
II 152 137.25 1.1075
2
III 130 138.63 0.9378
IV 123 140.50 0.8754
I 161 144.88 1.1113
II 179 153.50 1.1661
3
III 172 160.63 1.0708
IV 138 164.63 0.8383
I 178 167.50 1.0627
II 185 167.38 1.1053
4
III 165 167.00 0.9880
IV 142 169.25 0.8390
I 192 173.38 1.1074
II 204 180.25 1.1318
5
III 201 187.13 1.0741
IV 161 191.88 0.8391
I 211 195.25 1.0807
II 212 197.13 1.0755
6
III 208 199.63 1.0420
IV 174 203.25 0.8561
I 227 209.75 1.0822
II 248 215.88 1.1488
7
III 221 218.88 1.0097
IV 185 223.88 0.8264
I 256 233.88 1.0946
II 299 249.38 1.1990
8
III 294 265.25 1.1084
IV 239

Con los valores obtenidos del Factor Estacional se obtendrá el índice estacional de
cada trimestre respectivo:

AÑO
PROM. SI
DE FILA NORM.
1 2 3 4 5 6 7 8
TRIM.

I 1.1271 1.1113 1.0627 1.1074 1.0807 1.0822 1.0946 1.0951 1.0650

II 1.1075 1.1661 1.1053 1.1318 1.0755 1.1488 1.1990 1.1334 1.1022

29
 III 0.9378 1.0708 0.9880 1.0741 1.0420 1.0097 1.1084 1.0330 1.0046

IV 0.8872 0.8754 0.8383 0.8390 0.8391 0.8561 0.8264 0.8516 0.8282

GRAN
PROM
. 1.0283 1.0000

La normalización de los promedios según periodo trimestral se obtiene de dividir el

promedio de fila entre el gran promedio, ejemplo el valor de 1.0650 proviene de
dividir 1.0951 entre 1.0283

Encontrados los valores de la Función de Tendencia y los Índices Estacionales

podemos pronostica para los cuatro trimestres del próximo año. A continuación
mostramos los datos tabulados y la gráfica que se obtiene del pronóstico indicado

Año Trim Venta Tt SI Yt

1 I 121 112.45 1.0650 119.76
II 144 116.72 1.1022 128.66
III 126 121.00 1.0046 121.55

29
 IV 116 125.27 0.8282 103.75
I 153 129.54 1.0650 137.96
II 152 133.81 1.1022 147.49
2
III 130 138.08 1.0046 138.71
IV 123 142.36 0.8282 117.90
I 161 146.63 1.0650 156.16
II 179 150.90 1.1022 166.33
3
III 172 155.17 1.0046 155.88
IV 138 159.45 0.8282 132.05
I 178 163.72 1.0650 174.36
II 185 167.99 1.1022 185.16
4
III 165 172.26 1.0046 173.05
IV 142 176.53 0.8282 146.21
I 192 180.81 1.0650 192.56
II 204 185.08 1.1022 204.00
5
III 201 189.35 1.0046 190.21
IV 161 193.62 0.8282 160.36
I 211 197.89 1.0650 210.76
II 212 202.17 1.1022 222.83
6
III 208 206.44 1.0046 207.38
IV 174 210.71 0.8282 174.51
I 227 214.98 1.0650 228.96
II 248 219.26 1.1022 241.67
7
III 221 223.53 1.0046 224.55
IV 185 227.80 0.8282 188.66
I 256 232.07 1.0650 247.16
II 299 236.34 1.1022 260.51
8
III 294 240.62 1.0046 241.71
IV 239 244.89 0.8282 202.82
I 249.16 1.0650 265.36
II 253.43 1.1022 279.34
9
III 257.70 1.0046 258.88
IV 261.98 0.8282 216.97

29
PROBLEMAS DE REPASO DEL CAPÍTULO

Electrónica El Baratillo:

Electrónica el Baratillo es una empresa dedicada a la venta de artículos electrónicas

a buen precio y buena calidad. Interesada en la buena planificación de las
operaciones ha mantenido un registro histórico de las ventas de su producto estrella,
el Modelo ABC de la Marca Buen Precio (en miles de unidades), de los últimos cuatro
años. Los cuales se presentan a continuación:

Trimestre
Año I II III IV
2011 4.8 4.1 6.0 6.5
2012 5.8 5.2 6.8 7.4
2013 6.0 5.6 7.5 7.8
2014 6.3 5.9 8.0 8.4

a. Realice el pronóstico de demanda para los cuatro trimestres del próximo año

La Gran Feria de la Moda:

Este pequeño negocio vende de todo tipo de productos para vestimenta. Se ha

caracterizado por su buen servicio y ubicación. Este pequeño negocio está ubicado
en el Centro de la Ciudad. A continuación presentamos un registro de la venta total
de lentes para sol (en cientos de unidades), de los últimos cinco años. Los cuales se
presentan a continuación:

Trimestre
Año I II III IV
2010 5 4 2 1
2011 14 6 4 4
2012 16 10 3 5
2013 22 12 9 7
2014 25 15 10 13

a. Realice el pronóstico de demanda para los cuatro trimestres del próximo año

29
5. INFERENCIA ESTADÍSTICA EN LOS MODELOS DE PRONÓSTICO

Para el Análisis de las Series Temporales es necesario cumplir con una serie de
supuestos que se hacen para el mismo. A continuación detallaremos los mismos:

Normalidad de los errores

Una vez que se realiza el pronóstico con la técnica adecuada, se debe partir por
encontrar el error del pronóstico el cual es igual a:

error  YREAL  YPRONOSTICADA

Al tener cada uno de estos errores se puede realizar una prueba de bondad de ajuste
que me permita establecer si la distribución de los errores pertenece a una
distribución normal. Estas son algunas de las pruebas que se pueden emplear:

 Prueba de bondad de ajuste de Chi Cuadrado

 Prueba de bondad de ajuste de Kolmogórov-Smirnov
 Prueba de Shapiro-Wilk
 Prueba de Anderson-Darling

Para el cálculo de la normalidad de los errores, daremos explicación a la técnica de

Shapiro Wilk a través de un ejemplo. Invitamos al lector e revisar el resto de las
otras pruebas o el uso de paquetes estadísticos para las mismas:

Suponga que los siguientes datos representan los errores de estimación de un

pronóstico realizado para las ventas de un producto dado:

-17.3786 -9.6637 -8.9028 -7.7310 -4.5000 -3.6000 3.0254 3.2768

4.1022 6.8152 7.4522 9.0960 10.1200 11.2817 13.8777 15.4203

Para el cálculo del estadístico de Shapiro Wilk se seguirán los siguientes pasos:

Paso 1: Ordenar los valores del menor al mayor, que para nuestro caso ya están
dispuestos de esa forma

Paso 2: Calcular el promedio de las observaciones

Pr omedio 
  17.3786    9.6637   ...  13.8777   15.4203
16

29
 Pr omedio  2.0432

Paso 3: Calcular la suma de los desvíos cuadrados con respecto a la media

  X  Pr omedio     17.3786  2.0432    9.6637  2.0432  ...

2 2 2

  X  Pr omedio
2
 1382.3526

Paso 4: Calcular el numerador del estadístico W de prueba, el cual llamaremos b:

k
b   ani 1 ( X ni 1  X i )
i 1

Donde k es el valor del total de observaciones (n), dividida por 2. En el caso de que
la división no de exacta se elige el entero superior

Para nuestro caso será k = 16/2 = 8. Por lo tanto b será el resultado de:

b  a16  X 16  X 1   a15  X 15  X 2   ...  a9  X 9  X 8 

Los valores de a16, a15, a14, a13, a12, a11, a10, a9, se obtendrán de la siguiente tabla

Valor de n
n-1+i 2 3 4 5 6 7 8 9 10
10 0.5739
9 0.5888 0.3291
8 0.6052 0.3244 0.2141
7 0.6233 0.6134 0.1976 0.1224
6 0.6431 0.3031 0.0174 0.0947 0.0399
5 0.6646 0.2806 0.1401 0.0561 0.0000
4 0.6872 0.2413 0.0875 0.0000
3 0.7071 0.1677 0.0000
2 0.7071 0.0000

29
 Valor de n
n-1+i 11 12 13 14 15 16 17 18 19
19 0.4808
18 0.4886 0.3232
17 0.4968 0.3253 0.2561
16 0.5056 0.3273 0.2553 0.2059
15 0.5150 0.3290 0.2540 0.2027 0.1641
14 0.5251 0.3306 0.2521 0.1988 0.1587 0.1271
13 0.5359 0.3318 0.2495 0.1939 0.1109 0.1197 0.0932
12 0.5475 0.3325 0.2460 0.1878 0.1447 0.0725 0.0837 0.0612
11 0.5601 0.3325 0.2412 0.1802 0.1353 0.1005 0.3590 0.0496 0.0303
10 0.3315 0.2347 0.1707 0.1240 0.0880 0.0593 0.0000 0.0163 0.0000
9 0.2260 0.1586 0.1099 0.0727 0.0433 0.0196
8 0.1429 0.0927 0.0539 0.0240 0.0000
7 0.0695 0.0303 0.0000
6 0.0000

Reemplazando los respectivos valores obtenemos:

b  0.505615.4203   - 17.3786   0.329013.8777   - 9.6637    ...

b  36.1971

Paso 5: Calcular el estadístico W de prueba:

b2
W n

 (X
i 1
i  Pr omedio) 2

W 
 36.1971 2  .9478
1382.3526

29
Paso 6: Comparar el estadístico W de prueba contra el valor crítico obtenido de la
tabla que a continuación presentaremos. Tome en cuenta que cuanto más cercano a
uno sea el valor de W calculada, los datos se aproximan mejor a una Distribución
Normal. Es por eso que si W de prueba es mayor que W crítica (la que se obtiene de
la tabla) se acepta Normalidad

Valores de W tabulados para una Prueba de Shapiro & Wilks

Nivel de Significancia del

N 0.01 0.05 0.10
3 0.753 0.767 0.789
4 0.687 0.748 0.792
5 0.686 0.762 0.806
6 0.713 0.788 0.826
7 0.730 0.803 0.838
8 0.749 0.818 0.851
9 0.764 0.829 0.859
10 0.781 0.842 0.869
11 0.792 0.850 0.876
12 0.805 0.859 0.883
13 0.814 0.866 0.889
14 0.825 0.874 0.895
15 0.835 0.881 0.901
16 0.844 0.887 0.906
17 0.851 0.892 0.910
18 0.858 0.897 0.914
19 0.863 0.901 0.917

Para nuestro caso el valor crítico para un nivel de significancia del 5% y una N de 16
observaciones el valor es de 0.887. Dado que W calculada es de 0.9478, la cual es
mayor que W crítica. Se puede decir que los errores de los pronósticos siguen una
Distribución Aproximadamente Normal

Independencia de los errores

Aparte de la prueba de normalidad es necesario que los errores no estén

correlacionados, para ello se puede realizar observar la Función de Autocorrelación
de los errores. En el caso de estas correlaciones habrá independencia si ninguna
correlación es significativa

29
Intervalos de confianza para el pronóstico

Además del pronóstico propiamente en un conjunto de datos en series de tiempo. Si

el modelo cumple con los dos supuestos anteriores se puede construir un intervalo
de confianza para el pronóstico. El cual será válido para una muestra grande (al
menos 30 observaciones). A continuación la ecuación que define el intervalo de
confianza:
LI  YPRONOSTICADA  Z / 2  EEYˆ 
LS  YPRONOSTICADA  Z / 2  EEYˆ 
EEYˆ  1.25 * DAM

EJEMPLO ILUSTRATIVO:

Suponga que se empleo un modelo de Suavizado Exponencial Simple para

pronosticar las ventas de periódicos para la siguiente semana. Para ello tiene
recogido los datos de las ventas de los últimos 30 lunes, 30 martes, … Una vez se
realizaron los respectos análisis a los supuestos se encontró que los errores
presentan normalidad e independencia. Para el siguiente lunes se obtuvo que el
pronóstico de venta para el Supermercado Kung Fu es de 35 ejemplares, con una
desviación absoluta media de 3.256. Encuentre el intervalo de confianza para el
pronóstico con un nivel de confianza de 95%

EEYˆ  1.25 * DAM  1.25 * 3.256  4.07

LI  35  1.96 * 4.07  27.0228
LS  35  1.96 * 4.07  42.9772

Por lo tanto, se debe esperar que la cantidad a vender el próximo lunes es un valor
ubicado entre 27 y 43 ejemplares, con un nivel de confianza del 95%

29
 CONCLUSIONES

Los objetivos planteados con la elaboración de este documento se alcanzan de manera

satisfactoria. Esto se puede evidenciar en el hecho de que se pone principal énfasis en el
desarrollo de los modelos matemáticos que dan como resultado cada una de las
formulaciones correspondientes a los distintos casos que puedan presentarse en los
modelos de pronóstico que se expusieron.

De igual forma se intenta presentar ejemplos lo más aproximados a situaciones reales. Se

expuso de manera sencilla cuales son los principios elementales que se deben tomar en
cuenta a la hora de elegir el modelo que aplica a cada caso que se presente según las
componentes de la serie de tiempo analizada.

En resumen, la comprensión clara de los elementos que se deben definir para el

desarrollo de las formulaciones de modelos de pronósticos conlleva a postular modelos
más completos aplicados a casos reales, de empresas de nuestro entorno.

29
 RECOMENDACIONES Y PROYECTOS FUTUROS

Como parte del trabajo del estudiante que hace uso de este documento se recomienda
que realice visitas a empresas de la localidad con departamentos relacionados con la
labor de estimación de pronósticos de demanda para la toma de decisiones.

Como trabajo futuro el autor se plantea ampliar la aplicación de modelos de pronósticos

más complejos, como es el caso de los modelos ARIMA, cuya metodología de análisis fue
expuesta por los estadísticos George Box y Gwilym Jenkins. Esta metodología ha tenido
un uso más extensivo con el desarrollo de la tecnología de información y por la precisión
de la misma

29
 BIBLIOGRAFÍA

 Anderson, David; Sweeny, Dennis; Williams, Thomas; Camm, Jeffrey y

Martin, Kipp. (2011). Métodos Cuantitativos para los Negocios. Undécima Edición.
Editorial Cengage Learning.

 Render, Barry; Stair, Ralph y Hanna, Michael. (2012). Métodos Cuantitativos

para los Negocios. Undécima Edición. Editorial Pearson.

 Gallagher, Charles y Watson, Hugh. (1982). Métodos Cuantitativos para la Toma

de Decisiones en Administración. Primera Edición. Editorial McGraw Hill.

 Wilson, J. Holton y Keating, Barry. (2007). Pronósticos en los negocios con

ForecastXMR basado en Excel. Segunda Edición. Editorial McGraw Hill.

 Hanke, John E. y Reitsh, Arthur G. (1996). Pronósticos en los Negocios. Quinta

Edición. Editorial Pearson.

 Montgomery, Douglas C.; Peck, Elizabeth A. y Vining, G. Geoffrey. (2006).

Introducción al Análisis de Regresión Lineal. Tercera Edición. Compañía Editorial
Continental CECSA.

 Pérez López, César. (2007). Econometría básica: Técnicas y herramientas.

Primera Edición. Editorial Pearson.

 Pérez López, César. (2006). Econometría de las Series Temporales. Primera

Edición. Editorial Pearson.

29