UNIVERSIDAD NACIONAL

“SANTIAGO ANTÚNEZ DE MAYOLO”

FACULTAD DE CIENCIAS DEL AMBIENTE

ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA AMBIENTAL

ASIGNATURA: Métodos Estadísticos

TEMA: Investigación Formativa

DOCENTE:
ALUMNOS:

SEMESTRE: 2018 – II

HUARAZ – ANCASH – PERÚ

 INTRODUCCION

Suele ocurrir con frecuencia que en los mercados de acciones y de futuros la presión
compradora o vendedora es transmitida automáticamente a los precios, y por ello, éstos,
están constantemente sometidos a variaciones bruscas. Esas variaciones son denominadas por
"volatilidad" del valor. Un valor con un alto nivel de volatilidad, presentara bruscos cambios en
los precios, que trasladados a un gráfico, tendrá grandes picos y valles, es decir, presentará el
gráfico los denominados dientes de sierra. Estos movimientos pueden llegar a ocultar la
verdadera tendencia del valor, y que será solucionado mediante la determinación de la media
móvil.
Las medias móviles son el indicador más empleado en el análisis chartista. Se trata de
un promedio aritmético que "suaviza" la curva de precios y se convierte en una linea o curva
de la tendencia, permitiendo analizar su inicio y su final. No proporciona cambios de tendencia
pero si los puede confirmar.

Los métodos de suavización son fáciles de usar y por lo general proporcionan un alto nivel de
precisión para pronósticos de corto alcance como un pronóstico para el siguiente periodo.

El propósito de determinar índices estacionales es precisamente eliminar los efectos

estacionales de una serie de tiempo. Este proceso se conoce como desestacionalización de las
series de tiempo

Uno de los objetivos del siguiente trabajo es hacer una descripción, mostrando varias de las
aplicaciones, de algunos de los métodos no paramétricos de más fácil uso por su sencillez para
el análisis y el cálculo, tales como: la prueba del signo
 PROMEDIO MÓVIL

I. DEFINICIÓN.- Son promedios calculados a partir de subgrupos artificiales de

observaciones consecutivas, se utiliza cuando se quiere dar más importancia a conjuntos
de datos más recientes para obtener la previsión. Cada punto de una media móvil de
una serie temporal es la media aritmética de un número de puntos consecutivos de la
serie, donde el número de puntos es elegido de tal manera que los efectos estacionales
y / o irregulares sean eliminados. En las gráficas de control, se puede crear una gráfica
de promedio móvil para los datos de tiempo ponderados.

II. CARACTERÍSTICAS:
 Se utiliza para poder estimar valores futuros en base a datos históricos.
 Se requiere que la información esté ordenada cronológicamente todos los periodos
deben ser de la misma duración (meses, días, etc). Deben haber sido obtenidos por
periodos uniformes de la observación (todas las semanas de lunes a viernes) la
información faltante debe ser suplida con información.
 Existen multiplicidad de técnicas, las empresas deciden por lo general por alguna de
ellas luego de haber experimentado su bondad para el pronóstico, luego de haberlos
aplicado a casos concretos.
 Proyecta valores en el periodo de pronósticos, basándose en el valor promedio de la
variable calculada durante un número específico de periodos anteriores. Una media
móvil proporciona información de tendencias que se vería enmascarada por una
simple media de todos los datos históricos.
 Cuanto menor el número de periodos utilizados para el promedio móvil, el pronóstico
responde en forma más rápida a los cambios que tienen los datos históricos y
viceversa.

III. VENTAJAS:
 Permite aproximar el futuro, facilitando la toma de decisiones.
 Los pronósticos planeados son más valiosos y exactos que los intuitivos.

IV. DESVENTAJAS:
 No existe un método de pronóstico universal, capaz de adaptarse a todas las
situaciones y circunstancias, este debe seleccionarse cuidadosamente, dependiendo
del uso específico que se le pretenda dar del producto y las características cualitativas
que podría tenerse.
 Son simplificaciones de la realidad y no se asegura que todas las variables que influyen
sobre el futuro a pronosticar estén incluidas en el modelo de pronóstico.
 Solo pronostica un periodo más.
V. EJEMPLOS DE PROMEDIO MÓVIL

1. Una compañía de suministro de productos de oficina monitorea los niveles de

inventario cada día. La compañía desea conocer los promedios móviles de longitud 3
para rastrear los niveles de inventario. Durante 8 días, se recolectan datos
correspondientes a uno de sus productos.

DÍA NIVEL DE INVENTARIO PM 3

1 4310 -
2 4400 4236.667
3 4000 4117.333
4 3952 3987.667
5 4011 3987.667
6 4000 4040.333
7 4110 4110
8 4220 -

GRÁFICO:

4500

4400

4300

4200

4100

4000

3900

3800

3700
1 2 3 4 5 6 7 8

NIVEL DE INVENTARIO PROMEDIO MÓVIL 3

 2. Una empresa presenta en el siguiente cuadro el reporte de ventas correspondiente al
año 2011

MES VENTAS PM 5
Enero 100 -
Febrero 70 -
Marzo 80 88
Abril 85 98
Mayo 105 102
Junio 150 108
Julio 90 104
Agosto 110 103
Septiembre 65 89
Octubre 100 90
Noviembre 80 -
Diciembre 95

Hallar el promedio móvil de longitud 5 y el pronóstico para el mes de Enero del 2012

Septiembre 65 89
Octubre 100 90
Noviembre 80
Diciembre 95
Enero del 2012 90 86
 El pronóstico de promedio móvil para enero del 2012 es 86

GRÁFICO:

160

140

120

100

80

60

40

20

VENTAS PROMEDIO MÓVIL 5

3. Una empresa desea conocer la tendencia que tendrá para el siguiente período de la
producción de un artículo XX, para lo cual ha obtenido la información del sector dentro
de su área de influencia. Se solicita hallar el pronóstico mediante el promedio móvil 4.

PERÍODO PRODUCCIÓN PROMEDIO MÓVIL 4

1 593 -
2 570 -
3 486 651.25
4 854 650.75
5 797 638.25
6 362 578.875
7 594 412
8 271 304.5
9 45 270.875
10 254 283
 11 433 433.875
12 529 560.625
13 994 590.875
14 319 640.375
15 610 647.5
16 748 611.5
17 832 609.5
18 193 581.625
19 720 503
20 415 548.125
21 536 -
22 850 -
23 548.125 608.766

El pronóstico para el siguiente período (23) es de: 608.766

GRÁFICO:

1200

1000

800

600

400

200

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

PRODUCCIÓN PROMEDIO MÓVIL 4

 4. Una fábrica de zapatos desea conocer la tendencia que tendrá para el siguiente mes
con respecto a la cantidad de zapatos que confeccionan sus empleados. Hallar el
pronóstico con un promedio móvil de 6.

MES CANTIDAD DE ZAPATOS PM 6

Marzo del 2009 180 -

Abril 256 -
Mayo 123 -
Junio 234 162.917
Julio 70 156.417
Agosto 132 168
Septiembre 145 181.667
Octubre 213 191
Noviembre 305 -
Diciembre 216 -
Enero del 2010 200 -
Febrero 191 206.75
El pronóstico para el siguiente mes es de: 206.75

GRÁFICO:
25

20

15

10

0
1 2 3 4 5 6 7 8 9 10 11 12

VENTAS(MILES DE GASOLINA) PM 3
 5. En el siguiente cuadro se presenta la cantidad de galones de gasolina vendidos por una
determinada gasolinera durante las últimas 12 semanas. Se quiere saber el pronóstico
de ventas de gasolina con un promedio móvil de tres semanas.

SEMANAS VENTAS(MILES DE GASOLINA) PM 3

1 17 -
2 21 19
3 19 21
4 23 20
5 18 19
6 16 18
7 20 18
8 18 20
9 22 20
10 20 19
11 15 59
12 22 -

GRÁFICO:

SUAVIZACIÓN EXPONENCIAL SIMPLE

25

20

15

10

0
1 2 3 4 5 6 7 8 9 10 11 12

VENTAS(MILES DE GASOLINA) PM 3
 SUAVIZAMIENTO EXPONENCIAL SIMPLE
El método de suavización o suavizamiento exponencial simple puede considerarse como una
evolución del método de promedio móvil ponderado, en éste caso se calcula el promedio de
una serie de tiempo con un mecanismo de autocorrección que busca ajustar los pronósticos en
dirección opuesta a las desviaciones del pasado mediante una corrección que se ve afectada
por un coeficiente de suavización.

Así entonces, este modelo de pronóstico precisa tan sólo de tres tipos de datos: el pronóstico
del último período, la demanda del último período y el coeficiente de suavización.

¿Cuándo utilizar un pronóstico de suavización exponencial simple?

El pronóstico de suavización exponencial simple es óptimo para patrones de demanda

aleatorios o nivelados donde se pretende eliminar el impacto de los elementos irregulares
históricos mediante un enfoque en períodos de demanda reciente, este posee una ventaja
sobre el modelo de promedio móvil ponderado ya que no requiere de una gran cantidad de
períodos y de ponderaciones para lograr óptimos resultados.

MODELO DE SUAVIZACIÓN EXPONENCIAL SIMPLE:

Se tiene la siguiente fórmula:

̂𝐭 = 𝐗
𝐗 ̂ 𝐭−𝟏 + [𝛂. (𝐗 𝐭−𝟏 − 𝐗
̂ 𝐭−𝟏 )]

Dónde:

̂ 𝐭 : Promedio de ventas en unidades en el periodo 𝒕

𝐗

̂ 𝐭−𝟏 : Pronóstico de ventas en unidades en el periodo 𝒕 − 𝟏

𝐗

𝐗 𝐭−𝟏 : Ventas reales en el periodo 𝒕 − 𝟏

𝛂: Factor de suavización 𝟎<𝛂≤𝟏

Para efectos académicos suele proporcionarse el factor de suavización (α), sin embargo en la
práctica éste es comúnmente hallado de la siguiente forma:

𝟐
𝛂=
𝐧+𝟏
EJERCICIO N°1: Una empresa de consumo masivo lleva registro de la demanda mensual de uno
de sus productos emblemáticos para un período de un año. Dicha información se presenta a
continuación. Se requiere utilizar el método de suavizamiento exponencial simple
considerando el parámetro de suavizamiento α: 0,5. Obtener el pronóstico del período 13
(mes de Enero del año siguiente).

MES PERÍODO DEMANDA

ENERO 1 2000
FEBRERO 2 1350
MARZO 3 1950
ABRIL 4 1975
MAYO 5 3100
JUNIO 6 1750
JULIO 7 1550
AGOSTO 8 1300
SEPTIEMBRE 9 2200
OCTUBRE 10 2770
NOVIEMBRE 11 2350
DICIEMBRE 12 2230
ENERO 13

El pronóstico para el mes de enero es la misma cantidad demandada, el cual se

ve replicado también en el mes de febrero.

Hallamos el pronóstico para el mes de marzo:

̂ 𝐌𝐚𝐫𝐳𝐨 = 𝟐𝟎𝟎𝟎 + [𝟎, 𝟓. (𝟏𝟑𝟓𝟎 − 𝟐𝟎𝟎𝟎)] = 𝟏𝟔𝟕𝟓

𝐗

Y así sucesivamente para cada periodo:

̂ 𝐀𝐛𝐫𝐢𝐥 = 𝟏𝟔𝟕𝟓 + [𝟎, 𝟓. (𝟏𝟗𝟓𝟎 − 𝟏𝟔𝟕𝟓)] = 𝟏𝟖𝟏𝟐, 𝟓 ≈ 𝟏𝟖𝟏𝟑

𝐗

̂ 𝐌𝐚𝐲𝐨 = 𝟏𝟖𝟏𝟑 + [𝟎, 𝟓. (𝟏𝟗𝟕𝟓 − 𝟏𝟖𝟏𝟑)] = 𝟏𝟖𝟗𝟒

𝐗

̂ 𝐉𝐮𝐧𝐢𝐨 = 𝟏𝟖𝟗𝟒 + [𝟎, 𝟓. (𝟑𝟏𝟎𝟎 − 𝟏𝟖𝟗𝟒)] = 𝟐𝟒𝟗𝟕

𝐗

̂ 𝐉𝐮𝐥𝐢𝐨 = 𝟐𝟒𝟗𝟕 + [𝟎, 𝟓. (𝟏𝟕𝟓𝟎 − 𝟐𝟒𝟗𝟕)] = 𝟐𝟏𝟐𝟑, 𝟓 ≈ 𝟐𝟏𝟐𝟒

𝐗

̂ 𝐀𝐠𝐨𝐬𝐭𝐨 = 𝟐𝟏𝟐𝟒 + [𝟎, 𝟓. (𝟏𝟓𝟓𝟎 − 𝟐𝟏𝟐𝟒)] = 𝟏𝟖𝟑𝟕

𝐗

̂ 𝐒𝐞𝐩𝐭𝐢𝐞𝐦𝐛𝐫𝐞 = 𝟏𝟖𝟑𝟕 + [𝟎, 𝟓. (𝟏𝟑𝟎𝟎 − 𝟏𝟖𝟑𝟕)] = 𝟏𝟓𝟔𝟖, 𝟓 ≈ 𝟏𝟓𝟔𝟗

𝐗

̂ 𝐎𝐜𝐭𝐮𝐛𝐫𝐞 = 𝟏𝟓𝟔𝟗 + [𝟎, 𝟓. (𝟐𝟐𝟎𝟎 − 𝟏𝟓𝟔𝟗)] = 𝟏𝟖𝟖𝟒, 𝟓 ≈ 𝟏𝟖𝟖𝟓

𝐗

̂ 𝐍𝐨𝐯𝐢𝐞𝐦𝐛𝐫𝐞 = 𝟏𝟖𝟖𝟓 + [𝟎, 𝟓. (𝟐𝟕𝟕𝟎 − 𝟏𝟖𝟖𝟓)] = 𝟐𝟑𝟐𝟕, 𝟓 ≈ 𝟐𝟑𝟐𝟖

𝐗

̂ 𝐃𝐢𝐜𝐢𝐞𝐦𝐛𝐫𝐞 = 𝟐𝟑𝟐𝟖 + [𝟎, 𝟓. (𝟐𝟑𝟓𝟎 − 𝟐𝟑𝟐𝟖)] = 𝟐𝟑𝟑𝟗

𝐗

̂ 𝐄𝐧𝐞𝐫𝐨 = 𝟐𝟑𝟑𝟗 + [𝟎, 𝟓. (𝟐𝟐𝟑𝟎 − 𝟐𝟑𝟑𝟗)] = 𝟐𝟐𝟖𝟒, 𝟓 ≈ 𝟐𝟐𝟖𝟓

𝐗
 MES PERÍODO DEMANDA PRONÓSTICO (α =
0,5)
ENERO 1 2000 2000
FEBRERO 2 1350 2000
MARZO 3 1950 1675
ABRIL 4 1975 1813
MAYO 5 3100 1894
JUNIO 6 1750 2497
JULIO 7 1550 2124
AGOSTO 8 1300 1837
SEPTIEMBRE 9 2200 1569
OCTUBRE 10 2770 1885
NOVIEMBRE 11 2350 2328
DICIEMBRE 12 2230 2339
ENERO 13 2285

3500

3000

2500

2000

1500 DEMANDA
SUAVIZAMIENTO α = 0,5
1000

500

0
EJERCICIO N°2: Una gasolinera lleva seguimiento de la demanda diaria de los galones vendidos
para un período de 10 días. Dicha información se presenta a continuación. Se requiere utilizar
el método de suavizamiento exponencial simple considerando tres valores para el parámetro
de suavizamiento α: 0,35. Obtener el pronóstico del período 11.

DÍA Nº DE GALONES VENDIDOS

1 17
2 21
3 19
4 23
5 18
6 16
7 20
8 18
9 22
10 20
11

El pronóstico para el día 1 es la misma cantidad demandada, el cual se ve

replicado también en el día 2.

Hallamos el pronóstico para el día 3:

̂ 𝟑 = 𝟏𝟕 + [𝟎, 𝟑𝟓. (𝟐𝟏 − 𝟏𝟕)] = 𝟏𝟖, 𝟒 ≈ 𝟏𝟖

𝐗

Ahora calculamos los pronósticos para cada periodo:

̂ 𝟒 = 𝟏𝟖 + [𝟎, 𝟑𝟓. (𝟏𝟗 − 𝟏𝟖)] = 𝟏𝟖, 𝟑𝟓 ≈ 𝟏𝟖

𝐗

̂ 𝟓 = 𝟏𝟖 + [𝟎, 𝟑𝟓. (𝟐𝟑 − 𝟏𝟖)] = 𝟏𝟗, 𝟕𝟓 ≈ 𝟐𝟎

𝐗

̂ 𝟔 = 𝟐𝟎 + [𝟎, 𝟑𝟓. (𝟏𝟖 − 𝟐𝟎)] = 𝟏𝟗, 𝟑 ≈ 𝟏𝟗

𝐗

̂ 𝟕 = 𝟏𝟗 + [𝟎, 𝟑𝟓. (𝟏𝟔 − 𝟏𝟗)] = 𝟏𝟕, 𝟗𝟓 ≈ 𝟏𝟖

𝐗

̂ 𝟖 = 𝟏𝟖 + [𝟎, 𝟑𝟓. (𝟐𝟎 − 𝟏𝟖)] = 𝟏𝟖, 𝟕 ≈ 𝟏𝟗

𝐗

̂ 𝟗 = 𝟏𝟗 + [𝟎, 𝟑𝟓. (𝟏𝟖 − 𝟏𝟗)] = 𝟏𝟖, 𝟔𝟓 ≈ 𝟏𝟗

𝐗

̂ 𝟏𝟎 = 𝟏𝟗 + [𝟎, 𝟑𝟓. (𝟐𝟐 − 𝟏𝟗)] = 𝟐𝟎, 𝟎𝟓 ≈ 𝟐𝟎

𝐗

̂ 𝟏𝟏 = 𝟐𝟎 + [𝟎, 𝟑𝟓. (𝟐𝟎 − 𝟐𝟎)] = 𝟐𝟎

𝐗
 DÍA Nº DE GALONES PRONÓSTICO (α = 0,35)
VENDIDOS

1 17 17
2 21 17
3 19 18
4 23 18
5 18 20
6 16 19
7 20 18
8 18 19
9 22 19
10 20 20
11 20

25

20

15
GALONES VENDIDOS
SUVIZACIÓN α = 0,35
10

0
DIA 1 DIA 2 DIA 3 DIA 4 DIA 5 DIA 6 DIA 7 DIA 8 DIA 9 DIA 10 DIA 11
 ÍNDICES ESTACIONALES
Esta técnica sirve para calcular el pronóstico de ventas cuando existe estacionalidad o ciclos y
también se utiliza cuando en cada período existen diferencias de ventas muy marcadas, razón
por la cual se hace necesario calcular un índice que nos permitirá un ajuste por cada período.
en general, los patrones estacionales son fluctuaciones que ocurren dentro de un año y
tienden a repetirse anualmente. Estas estaciones pueden ser causadas por el clima, las
vacaciones, los días de pago, los eventos escolares o cualquier otro fenómeno.

El índice estacional se utiliza en ventas para determinar con anterioridad a los hechos cuales
van a ser los periodos en los que vamos a estar por debajo de la línea media establecida como
optima de rentabilidad, esto nos da la posibilidad de diagramar estrategias puntuales, para
mantener un equilibrio durante todo el período analizado.

usa la ecuación de regresión para calcular los pronósticos del futuro y se utilizan los índices de
estacionalidad para aplicar los patrones estacionales a los pronósticos.

Ejercicio 1: Los datos trimestrales de ventas (número de productos que se venden) de una
empresa de cosméticos en los últimos 3 años son los siguientes:

TRIMESTRE AÑO
2011 2012 2013
I 1,700.00 1,800.00 1,850.00
II 940 900 1,100.00
III 2,630.00 2,900.00 2,930.00
IV 2,500.00 2,360.00 2,650.00
• Calcule los índices estacionales para los 4 trimestres Determine la ecuación de la expresión
de la componente lineal de tendencia.

Se saca el promedio de cada año luego se divide cada trimestre de cada año con el promedio
de cada año y asi se obtendrá un resultado que ira en cada casilla luego se saca el promedio y
se tiene los índices estacionales.

TRIMESTRE AÑO
2011 2012 2013
I 1,700.00 1,800.00 1,850.00
II 940 900 1,100.00
III 2,630.00 2,900.00 2,930.00
IV 2,500.00 2,360.00 2,650.00
promedio 1,942.50 1,990.00 2,132.50

Ejemplo: 1700 /1942.50 = 0.88

 TRIMESTRE AÑO Índices
2011 2012 2013 estacionales
I 0.88 0.90 0.87 0.88
II 0.48 0.45 0.52 0.48
III 1.35 1.46 1.37 1.47
IV 1.29 1.19 1.24 1.24

Estos números indican el porcentaje de cada uno de los trimestres en función del trimestre
típico de cada uno de los años. Estos números contienen la estacionalidad.

Ejercicio 2: Muebles Daris desea calcular el pronóstico de ventas para 2002, si en los últimos
años cuenta con la siguiente información bimestral a su vez hallar los índices estacionales.

1. Se obtienen los datos de las ventas en los últimos períodos.

2. Se calculan los índices de estacionalidad:

 Se suman el total por cada periodo y el total de los totales.

 Se obtiene un promedio por periodo y un promedio total.
 Se calcula índice de estacionalidad dividiendo el promedio ( x ) por periodo entre el
promedio total ( x T), para cada periodo.

3. Se calcula el pronóstico para el período deseado mediante el metodo deseado.

4. Se ajusta el pronóstico para cada periodo, multiplicando el índice de estacionalidad de cada

periodo por las ventas promedio calculadas en el pronóstico.

Año 1 2 3 4 5 6 Total

1993 80 120 130 100 90 120 640

1994 85 140 140 105 95 125 690
1995 84 160 150 105 94 125 718
1996 83 170 155 110 93 130 741
1997 81 175 160 100 92 140 748
413 765 735 520 464 640 3537
promedio 82.6 153 147 104 92.8 128 117.9
Índices 0.700 1.297 1.246 0.882 0.787 1.085 6.000
estacionales
Por Método Simplificado.

Periodo Ventas X XY X2

(miles) 97 – 2
1993 640 -2 -1280 4 98 – 3
1994 690 -1 -690 1 99 – 4
1995 718 0 0 0 00 – 5
1996 741 1 741 1 01 – 6
1997 748 2 1496 4 02 – 7
3537 0 267 03 - 8
10

Posteriormente se calcula el pronóstico ajustado por estacionalidad para cada periodo:

Año 1 2 3 4 5 6 Total
Índice de 0.700 1.298 1.247 0.882 0.787 1.085 5.999
Estacionalidad
(X) Promedio 153.5 153.5 153.5 153.5 153.5 153.5 153.5
Pronostico
Pronóstico 107.45 199.243 191.414 135.387 120.804 166.547 920.845
ajustado

Ejercicio 3:

Un distribuidor Des Moines de computadoras portátiles Sony quiere desarrollar índices

mensuales para las ventas. Se dispone de los datos mensuales para los años 2005 a 2007.

Mes Demanda Demanda Demanda

promedio promedio
2005 2006 2007
2005-2007 mensual"
Enero 80 85 105 90 94
Febrero 70 85 85 80 94
Marzo 80 93 82 85 94
Abril 90 95 115 100 94
Mayo 113 125 131 123 94
Junio 110 115 120 115 94
Julio 100 102 113 105 94
Agosto 88 102 110 100 94
Septiembre 85 90 95 90 94
Octubre 77 78 85 80 94
Noviembre 75 82 83 80 94
Diciembre 82 78 80 80 94
 1. Demanda histórica promedio del mes = 80+85+105 / 3 = 90

2. Demanda promedio mensual = 1128 / 12 meses = 94

3. Índice estacional= Demanda promedio mensual 2005-2007 / Demanda promedio

mensual

90/94 =0.957

Mes Demanda Demanda Demanda índice

promedio promedio estacional
2005-2007 mensual
2005 2006 2007

Enero 80 85 105 90 ] <&> 0.957 (= 90/94)

Febrero 70 85 85 80 94 0.851 (=80/94)

Marzo 80 93 82 85 94 0.904 (= 85/94)
Abril 90 95 115 100 94 1.064 (= 100/94)
Mayo 113 125 131 123 94 1.309 (= 123/94)
Junio 110 115 120 115 94 1.223 (= 115/94)
Julio 100 102 113 105 94 1.117 (= 105/94)
Agosto 88 102 110 100 94 1.064 (= 100/94)
Septiembre 85 90 95 90 94 0.957 (= 90/94)
Octubre 77 78 85 80 94 0.851 (=80/94)
Noviembre 75 82 83 80 94 0.851 (=80/94)
Diciembre 82 78 80 80 94 0.851 (=80/94)

Razonamiento: Piense en estos índices como porcentajes de las ventas promedio. Las ventas
promedio (sin estacionalidad) serían de 94, pero con estacionalidad, las ventas fluctúan entre
85% y 131% del promedio.

Ejercicio 4: stock tour ha tenido y a administrado una empresa de transportes durante

varios años. Se desea determinar los índices estacionales para los datos trimestrales
sobre los ingresos presentados en miles de dólares.
 Razón por PM
Trimestre del Año Ingreso PM PM Centrado Y/CMA=S*I
1996-1 24.00

1996-11 31.00
29.50
1996-III 21.00 29.88 0.7029
30.25
1996-IV 42.00 30.38 1.3827
30.50
1997-1 27.00 31.00 0.8710
31.50
1997-11 32.00 31.38 1.0199
31.25
1997-111 25.00 30.38 0.8230
29.50
1997-IV 41.00 28.88 1.4199
28.25
1998-1 20.00 27.38 0.7306
26.50
1998-11 27.00 26.25 1.0286
26.00
1998-111 18.00

1998-IV 39.00

Razones Por Promedio móvil Razón

promedio por
Periodo 1996 1997 1998 PM índice Estacional

I 0.8710 0.7306 0.8008 0.8029

II 1.0199 1.0286 1.0242 1.0270

III 0.7029 0.8230 0.7630 0.7650

IV 1.3827 1.4199 1.4013 1.4051

∑ 3.9893 4.0000 ≈ 4

DATO AJUSTADO = 1.0026

Interpretación: Las ventas en el 4o trimestre por ejemplo son 40.50% mayores que el
promedio anual. El valor desestacionalizado para el 4® trimestre de 1996 es 42/1.4050:
29.89.
Ejercicio 5: Toys Internacional es una fábrica de juguetes que ha estado operando por varios
años. Se generó una tabla con las ventas que se han realizado en durante 6 años según las
estaciones del año, la cual se muestra a continuación:

Año Invierno Primavera Verano Otoño

2001 6.7 4.6 10.0 12.7

2002 6.5 4.6 9.8 13.6

2003 6.9 5.0 10.4 14.1

Determinar un índice estacional por cada una de las estaciones

 Calcular el total de ventas móvil cada 4 estaciones y el promedio de ventas móvil

cada 4 estaciones.

Año Estación Ventas Total Venta 4 Promedio

estaciones móvil

2001 Invierno 6.7

Primavera 4.6
Verano 10.0 34.0 8.500
Otoño 12.7 33.8 8.450
2002 Invierno 6.5 33.8 8.450
Primavera 4.6 33.6 8.400
Verano 9.8 34.5 8.625
Otoño 13.6 34.9 8.725
2003 Invierno 6.9 35.3 8.825
Primavera 5.0 35.9 8.975
Verano 10.4 36.4 9.100
Otoño 14.1

Año 2001

Total, venta = 6.7 + 4.6 + 10.0 + 12.7 34

Promedio móvil =34/4 = 8.500

 Calcular el promedio centrado.

PC = verano + otoño / 2 = 8.4750

 Calcular los índices estacionales

 Año Estación Ventas Total Venta Promedio Promedio índice
4 estaciones móvil centrado Estacional
2001 Invierno 6.7
Primavera 4.6
Verano 10.0 34.0 8.5000 8.4750 1.1799
Otoño 12.7 33.8 8.4500 8.4500 1.5030
2002 Invierno 6.5 33.8 8.4500 8.4250 0.7715
Primavera 4.6 33.6 8.4000 8.5125 0.5404
Verano 9.8 34.5 8.6250 8.6750 1.1297
Otoño 13.6 34.9 8.7250 8.7750 1.5499
2003 Invierno 6.9 35.3 8.8250 8.9000 0.7753
Primavera 5.0 35.9 8.9750 9.0375 0.5533
Verano 10.4 36.4 9.1000
Otoño 14.1

índice estacional = ventas / PMC = 1.1799

 Generar la tabla por estaciones con su respectivo índice estacional

Año Invierno Primavera Verano Otoño
2001 1.1799 1.5030
2002 0.7715 0.5404 1.1297 1.5499
2003 0.7753 0.5533

 Calcular el promedio estacional sin ajustar de cada estación

Año Invierno Primavera Verano Otoño Corrección

2001 1.1799 1.5030
2002 0.7715 0.5404 1.1297 1.5499
2003 0.7753 0.5533
Promedio 0.7734 0.5468 1.1548 1.5264 4.0014

 Sumar los promedios de las 4 estaciones

0.7734 + 0.5468 + 1.1548 + 1.5264 = 4.0014

 Al ser diferente de 4.0000 se debe buscar el factor de corrección que permita que la
suma sea igual a 4. Dividir 4 sobre la suma de promedios.

Factor de corrección 4/4.0014 = 0.9996

 Multiplicar cada promedio estacional por el factor de corrección.

Invierno =0.7734 + 0.9996 = 0.7731

 Determinar los índices estacionales

 Año Invierno Primavera Verano Otoño Corrección

2001 1.1799 1.5030

2002 0.7715 0.5404 1.1297 1.5499

2003 0.7753 0.5533

Promedio 0.7734 0.5468 1.1548 1.5264 4.0014

índice 0.7731 0.5466 1.1544 1.5259 0.9996

estacional
77.3% 54.7% 115.4% 152.6%

Los porcentajes interpretan los niveles de compra de invernó y primavera son menores
a las compras normales; mientras que en verano y otro son superior a la media
normal.
 DESESTACIONALIZACION DE DATOS
¿QUÉ ES LA ESTACIONALIDAD?
Son fluctuaciones subanuales (por ejemplo, mensuales, trimestrales) que se repiten
regularmente de año en año. Por convención, la estacionalidad se anula cada año. Como
resultado de ello: - Las series anuales no pueden contener estacionalidad (en virtud de
la definición de estacionalidad). - Las sumas o promedios de 12 meses consecutivos (o
de 4 trimestres) no contienen estacionalidad. Estela Bee Dagum señala que las tres
características más importantes del fenómeno estacional son:
a) Se repite cada año con cierta regularidad, pero puede evolucionar.
b) Es posible medirlo y separarlo de las otras fuerzas que influyen en el movimiento de
la serie.
c) Es causado principalmente por fuerzas no económicas, exógenas al sistema
económico, que los tomadores de decisiones no pueden controlar o modificar en el
corto plazo.
Causas de la estacionalidad:

A. Estacionalidad climática: Es atribuible a variaciones climáticas estacionales, como

las que ocurren en la agricultura y en la construcción.
B. Estacionalidad institucional: Es atribuible a las convenciones sociales y reglas
administrativas, como las debidas al efecto de la Navidad en el comercio minorista
y las relacionadas a la programación del inicio del año escolar.
C. Estacionalidad inducida: Es atribuible a la estacionalidad en otros sectores, como
por ejemplo en la industria de elaboración de los alimentos y en la fabricación de
juguetes.
Pero la estacionalidad puede evolucionar, debido a cambios tecnológicos o cambios
institucionales que operan en la actividad económica.

¿Por qué desestacionalizar una serie?

Porque las causas que producen la estacionalidad de una serie se consideran
factores exógenos, de naturaleza no económica y que influyen en la variable que
se estudia, que oscurecen las características de la serie relacionadas con
aspectos meramente económicos. Con el ajuste estacional uno pretende
eliminar al máximo la fluctuación que oscurece el componente de tendencia-
ciclo de la serie, así que no sólo se debe tratar de extraer el componente
 estacional, sino de ser posible también, parte de la irregularidad que se puede
medir, a fin de observar mejor la tendencia-ciclo.
Porque al contar con series desestacionalizadas el analista puede realizar
comparaciones entre meses consecutivos o no consecutivos para evaluar la
coyuntura. Evitando o complementando las comparaciones interanuales
(comparación de un mes con el mismo mes del año anterior), que no son válidas
en caso de que la estacionalidad evolucione rápidamente, además que no
permite analizar la evolución de la serie en el último año que es generalmente el
periodo más importante para el análisis coyuntural.

METODOS PARA DESESTACIONALIZAR UNA SERIE

Existen dos procedimientos generales para realizar el ajuste estacional de una
serie de tiempo, éstos son: el método de regresión y el método de promedios
móviles. Los métodos de regresión se aplican por lo general bajo el supuesto de
que la estacionalidad, y en ocasiones también la tendencia, pueden
representarse de manera determinística mediante funciones del tiempo. Para
ello es común representar la tendencia con una curva polinomial y la
estacionalidad mediante funciones periódicas (combinaciones de senos y
cosenos) o variables artificiales. Los métodos de promedios móviles presuponen
que tanto la tendencia como la estacionalidad tienen comportamientos
dinámicos con el paso del tiempo y, por tanto, la estimación de los componentes
se realiza localmente, de forma que la tendencia en un punto determinado del
tiempo se estima como promedio de las observaciones previas y futuras.

APLICACIÓN ILUSTRATIVA DE LA DESESTACIONALIZACIÓN

En esta sección presentamos los diferentes pasos que podrían seguirse para
identificar si una serie es estacional, para encontrar los componentes de la serie
y para efectuar la desestacionalización. El procedimiento que se va a utilizar para
desestacionalizar la serie es el de razón a promedios móviles. No está de más
señalar que en todo momento suponemos que la serie tiene cuatro
componentes: tendencia-ciclo (que no se pueden separar), estacional e irregular.
A. Observación directa de la serie: En algunas ocasiones la sola observación de
la serie nos permitiría decir, como una primera aproximación, si presenta o
no estacionalidad. A manera de ejemplo, podemos evaluar gráficamente la
serie del PBI peruano.
A primera vista no se puede observar claramente la presencia de
estacionalidad en la serie (Ver gráfico Nº 1), sin embargo, si observamos la
serie del PBI del sector agropecuario (Ver gráfico Nº 2) podemos notar cierta
regularidad en el comportamiento de dicha serie. Esta regularidad toma la
forma de picos que se presentan al interior de cada año y se repiten
anualmente.
B. Gráfico de la serie año a año: Esto nos permite observar de mejor manera si
existe un comportamiento sistemático que se presenta al interior de cada
año y se repite anualmente. Observando los gráficos por meses para los
primeros seis años de la década del comportamiento diferente, que
parecería indicar cierta evolución en la estacionalidad, en efecto, en el año
1991 el mayor nivel de producción se registró en el mes de julio, en tanto
que en los años 1992 y 1993 el mes de mayor producción fue junio,
conformándose en el resto de la década, de 1994 al 2001, 90's (véase gráfico
3) se puede ver que hay un comportamiento que se repite en los años 1994,
1995 y 1996, presentando al mes de mayo como el de mayor producción y al
mes de febrero como el de menor nivel de producción. Sin embargo, en los
años 1991, 1992 y 1993 la serie presenta un un patrón de comportamiento
más estable en la serie, siendo los primeros y últimos meses del año los de
menor producción y los meses de abril, mayo y junio los de mayor
producción, con el pico más alto en el mes de mayo (véase gráfico 4).
 Es de mencionar que en los primeros años de la década del 90 se dio inicio,
en el país, a un programa de estabilización, sustentado en una política
monetaria y fiscal restrictiva, y a un programa de reformas estructurales, que
implicó una liberalización del mercado cambiario y financiero, la apertura
comercial y la liberalización del mercado de trabajo, medidas que generaron
un proceso de reconversión industrial y de reestructuración de la actividad
productiva.

1. PRESENTACIÓN DEL MÉTODO DE RAZÓN A PROMEDIOS MÓVILES

Una vez detectado si una serie presenta estacionalidad procedemos a encontrar
los factores estacionales mediante el método de razón a promedios móviles. El
procedimiento que presentamos a continuación contiene los pasos básicos que
utilizan los programas de desestacionalización X11 y X12-ARIMA. Sea 𝑥𝑡 la serie
original, los pasos para obtener los componentes de la serie son:
Paso 1. Para obtener el componente tendencia-ciclo (𝑇𝐶𝑡 ) efectuamos un
promedio móvil centrado de 12 términos mediante la siguiente fórmula:
5
1 1 1
𝑇𝐶𝑡 = 𝑋𝑡−6 + ∑ 𝑋𝑡+𝑖 + 𝑋
24 12 24 𝑡+6
𝑖=−5
 Paso 2. Para obtener el componente estacional-irregular (𝑆𝐼𝑡 ) dividimos los
valores de la serie original entre los valores del componente tendencia-ciclo
hallados en el paso anterior.
𝑋𝑡
𝑆𝐼𝑡 =
𝑇𝐶𝑡

Paso 3. Para obtener el componente estacional (𝑆𝑡 ), efectuar un promedio móvil

de tres términos utilizando los valores de 𝑆𝐼𝑡 para cada mes por separado a
través de los años.
1
1
𝑆𝑡 = ∑ 𝑆𝐼𝑡+12×𝑖
3
𝑖=−1

Paso 4. El componente irregular (𝐼𝑡 ) lo obtenemos dividiendo los valores de 𝑆𝐼𝑡

con respecto a 𝑆𝑡 .
𝑆𝐼𝑡
𝐼𝑡 =
𝑆𝑡

Paso 5. Finalmente, la serie desestacionalizada (𝑋𝐷𝑡 )se obtiene dividiendo los

valores de la serie original entre los valores del componente estacional.
𝑋𝑡
𝑋𝐷𝑡 =
𝑆𝑡
EJEMPLO N°01:
Los gastos trimestrales en miles de dólares de países de Sudamérica. Calcule los datos
desestacionalizados, la norma estadística y el componente cíclico.
Razón con
Periodo Gastos PM = 4 PMC
PMC
I 79 ---------- ---------- ----------
II 89 85.25 ---------- ----------
1991
III 88 86.25 85.75 1.0262
IV 85 85.5 85.875 0.9898
I 83 84 84.75 0.9794
1992 II 86 84.5 84.25 1.0208
II 82 84.25 84.375 0.9719
 IV 87 85.25 84.75 1.0265
I 82 87.25 86.25 0.9507
II 90 88.75 88 1.0227
1993
III 90 91 89.875 1.0014
IV 93 94.25 92.625 1.0041
I 91 97 95.625 0.9516
II 103 100.25 98.625 1.0444
1994
III 101 ---------- ----------
IV 106 ---------- ---------- ----------

Índices
Trimestre 1991 1992 1993 1994 Promedio
estacionales
I ---------- 0.9794 0.9507 0.9516 0.9606 0.9615
II ---------- 1.0208 1.0227 1.0444 1.0293 1.0302
III 1.0262 0.9719 1.0014 ---------- 0.9998 1.0007
IV 0.9898 1.0265 1.0041 ---------- 1.0068 1.0077
Suma 3.9965 4.0001

Ajusta de datos:
4
𝐴𝐷 = = 1.0009
3.9965

A continuación, la desestacionalización de datos:

Gastos Datos
X Periodo IE 𝑋2 XY
(Y) desestacionalizados
1 I 79 0.9615 82.1633 1 79
2 II 89 1.0302 86.3910 4 178
1991
3 III 88 1.0007 87.9384 9 264
4 IV 85 1.0077 84.3505 16 340
5 I 83 0.9615 86.3235 25 415
6 II 86 1.0302 83.4789 36 516
1992
7 III 82 1.0007 81.9426 49 574
8 IV 87 1.0077 86.3352 64 696
9 I 82 0.9615 85.2834 81 738
1993
10 II 90 1.0302 87.3617 100 900
 11 III 90 1.0007 89.9370 121 990
12 IV 93 1.0077 92.2894 144 1116
13 I 91 0.9615 94.6438 169 1183
14 II 103 1.0302 99.9806 196 1442
1994
15 III 101 1.0007 100.9293 225 1515
16 IV 106 1.0077 105.1900 256 1696
136 ------------ 1435 ----- ------------------ 1496 12642

Ecuación de regresión:
𝑌̂ = 𝑎 + 𝑏𝑥𝑖 ⇒ 𝑌̂ = 𝑏0 + 𝑏1 𝑥𝑖
𝑎 = 𝑏0
𝑏 = 𝑏1

(∑ 𝑥)2
𝑆𝐶𝑥 = ∑ 𝑥 2 −
𝑛
(136)2
𝑆𝐶𝑥 = 1496 − = 340
16

(∑ 𝑥)(∑ 𝑦)
𝑆𝐶𝑥𝑦 = ∑ 𝑥𝑦 −
𝑛
(136)(1435)
𝑆𝐶𝑥𝑦 = 12642 − = 444.5
16

𝑆𝐶𝑥𝑦
𝑏1 =
𝑆𝐶𝑥
444.5
𝑏1 = = 1.3074
340

𝑏0 = 𝑌̅ − 𝑏0 𝑋̅
𝑌̅ = 89.6875
𝑋̅ = 8.5
𝑏0 = 89.6875 − 1.3074 × 8.5 = 78.5746

Entones la ecuación de regresión queda:

𝑌̂ = 𝑎 + 𝑏𝑥𝑖
 𝑌̂ = 78.5746 + 1.3074 × 𝑥𝑖

Norma Componente Componente PMC

Proyección Estadística
X cíclico cíclico Componente %.
(𝑌̂) ̂
(𝑌⁄𝐼𝐸 ) (𝑌⁄𝑁𝐸 ) PM = 4 cíclico
1 79.882 83.0806 0.9509 ---------- ---------- -----
2 81.1894 78.8094 1.1293 ---------- ------
3 82.4968 82.4391 1.0675 1.0425 1.0408 104%
1.0391
4 83.8042 83.1638 1.0221 1.0261 102%
1.0131
5 85.1116 88.5196 0.9376 0.9966 99%
0.9801
6 86.419 83.8857 1.0252 0.9754 97%
0.9707
7 87.7264 87.6650 0.9354 0.9626 96%
0.9545
8 89.0338 88.3535 0.9847 0.9529 95%
0.9512
9 90.3412 93.9556 0.8728 0.9554 95%
0.9595
10 91.6486 88.9619 1.0117 0.9607 96%
0.9619
11 92.956 92.8910 0.9689 0.9673 96%
0.9726
12 94.2634 93.5431 0.9942 0.9831 98%
0.9935
13 95.5708 99.3976 0.9155 1.0011 100%
1.0086
14 96.8782 94.0382 1.0953 1.0285 1.0186 101%
15 98.1856 98.1169 1.0294 ---------- -----
16 99.493 98.7328 1.0736 ---------- ---------- ------

Interpretaciones:
1. Los gastos del tercer trimestre del año 1991 están por encima del 4%.
2. Los gastos del cuarto trimestre del año 1991 están por encima del 2%.
3. Los gastos del primer trimestre del año 1992 están por debajo del 1%.
4. Los gastos del segundo trimestre del año 1992 están por debajo del 3%.
5. Los gastos del tercer trimestre del año 1992 están por debajo del 4%.
6. Los gastos del cuarto trimestre del año 1992 están por debajo del 5%.
7. Los gastos del primer trimestre del año 1993 están por debajo del 5%.
8. Los gastos del segundo trimestre del año 1993 están por debajo del 4%.
9. Los gastos del tercer trimestre del año 1993 están por debajo del 4%.
10. Los gastos del cuarto trimestre del año 1993 están por debajo del 2%.
11. Los gastos del primer trimestre del año 1994 están iguales al 100%.
12. Los gastos del segundo trimestre del año 1994 están por encima del 1%.
EJEMPLO N°02:
Los ingresos mensuales en miles dólares de países de Norteamérica. Calcule los datos
desestacionalizados, la norma estadística y el componente cíclico.
Razón con
Periodo Ingresos PM = 4 PMC
PMC
I 115 ---------- ---------- ----------
II 123 ---------- ----------
1998 118.75
III 118 118.625 0.9947
118.5
IV 119 119 1
119.5
I 114 119.25 0.9560
119
II 127 119.25 1.0650
1999 119.5
II 116 120.5 0.9627
121.5
IV 121 122 0.9918
122.5
I 122 123 0.9919
123.5
II 131 123.25 1.0629
2000 123
III 120 122.5 0.9796
122
IV 119 121.875 0.9764
121.75
I 118 122.125 0.9662
122.5
II 130 123.75 123.125 1.0558
2001
III 123 ---------- ----------
IV 124 ---------- ---------- ----------

Índices
Trimestre 1998 1999 2000 2001 Promedio
estacionales
I ---------- 0.9560 0.9919 0.9662 0.9714 0.9712
II ---------- 1.0650 1.0629 1.0558 1.0612 1.0610
III 0.9947 0.9627 0.9796 ---------- 0.9790 0.9788
IV 1 0.9918 0.9764 ---------- 0.9894 0.9892
Suma 4.0010 4.0002

Ajusta de datos:
4
𝐴𝐷 = = 0.9998
4.0010
A continuación, la desestacionalización de datos:
Ingresos Datos
X Periodo IE 𝑋2 XY
(Y) desestacionalizados
1 I 115 0.9712 118.4102 1 115
2 II 123 1.0610 115.9284 4 246
1998
3 III 118 0.9788 120.5558 9 354
4 IV 119 0.9892 120.2992 16 476
5 I 114 0.9712 117.3806 25 570
6 II 127 1.0610 119.6984 36 762
1999
7 III 116 0.9788 118.5125 49 812
8 IV 121 0.9892 122.3211 64 968
9 I 122 0.9712 125.6178 81 1098
10 II 131 1.0610 123.4684 100 1310
2000
11 III 120 0.9788 122.5991 121 1320
12 IV 119 0.9892 120.2992 144 1428
13 I 118 0.9712 121.4992 169 1534
14 II 130 1.0610 122.5259 196 1820
2001
15 III 123 0.9788 125.6641 225 1845
16 IV 124 0.9892 125.3538 256 1984
136 ------------ 1940 ----- ------------------ 1496 16642

Ecuación de regresión:
𝑌̂ = 𝑎 + 𝑏𝑥𝑖 ⇒ 𝑌̂ = 𝑏0 + 𝑏1 𝑥𝑖
𝑎 = 𝑏0
𝑏 = 𝑏1

(∑ 𝑥)2
2
𝑆𝐶𝑥 = ∑ 𝑥 −
𝑛
(136)2
𝑆𝐶𝑥 = 1496 − = 340
16

(∑ 𝑥)(∑ 𝑦)
𝑆𝐶𝑥𝑦 = ∑ 𝑥𝑦 −
𝑛
(136)(1940)
𝑆𝐶𝑥𝑦 = 16642 − = 152
16
 𝑆𝐶𝑥𝑦
𝑏1 =
𝑆𝐶𝑥
152
𝑏1 = = 0.4471
340

𝑏0 = 𝑌̅ − 𝑏0 𝑋̅
𝑌̅ = 121.25
𝑋̅ = 8.5
𝑏0 = 121.25 − 0.4471 × 8.5 = 117.4497

Entones la ecuación de regresión queda:

𝑌̂ = 𝑎 + 𝑏𝑥𝑖
𝑌̂ = 117.4497 + 0.4471 × 𝑥𝑖

Norma Componente Componente PMC

Proyección Estadística
X cíclico cíclico Componente %.
(𝑌̂) ̂
(𝑌⁄𝐼𝐸 ) (𝑌⁄𝑁𝐸 ) PM = 4 cíclico
1 117.8968 121.3929 0.9473 ---------- ---------- --------
2 118.3439 111.5310 1.1028 ---------- --------
3 118.791 121.3639 0.9723 1.0024 0.9997 99%
0.9969
4 119.2381 120.5399 0.9872 0.9993 99%
1.0016
5 119.6852 123.2343 0.9251 0.9978 99%
0.9939
6 120.1323 113.2255 1.1217 0.9942 99%
0.9944
7 120.5794 123.1911 0.9416 1.0007 100%
1.0069
8 121.0265 122.3479 0.9890 1.0092 100%
1.0115
9 121.4736 125.0758 0.9754 1.0138 101%
1.0161
10 121.9207 114.9111 1.1400 1.0123 101%
1.0085
11 122.3678 125.0182 0.9599 1.0028 100%
0.9970
12 122.8149 124.1558 0.9585 0.9939 99%
0.9908
13 123.262 126.9172 0.9297 0.992 99%
0.9932
14 123.7091 116.5967 1.1150 0.9997 0.9965 99%
15 124.1562 126.8453 0.9697 ---------- --------
16 124.6033 125.9637 0.9844 ---------- ---------- --------
Interpretaciones:
1. Los ingresos del tercer trimestre del año 1998 están por debajo del 1%.
2. Los ingresos del cuarto trimestre del año 1998 están por debajo del 1%.
3. Los ingresos del primer trimestre del año 1999 están por debajo del 1%.
4. Los ingresos del segundo trimestre del año 1999 están por debajo del 1%.
5. Los ingresos del tercer trimestre del año 1999 están iguales al 100%.
6. Los ingresos del cuarto trimestre del año 1999 están iguales al 100%.
7. Los ingresos del primer trimestre del año 2000 están por encima del 1%.
8. Los ingresos del segundo trimestre del año 2000 están por encima del 1%.
9. Los ingresos del tercer trimestre del año 2000 están iguales al 100%.
10. Los ingresos del cuarto trimestre del año 2000 están por debajo del 1%.
11. Los ingresos del primer trimestre del año 2001 están por debajo del 1%.
12. Los ingresos del segundo trimestre del año 2001 están por debajo del 1%.
 PRUEBA DEL SIGNO

Es una prueba no parametrizada utilizada comúnmente para tomar decisiones comerciales es la

prueba del signo. Esta prueba es la más usada con frecuencia para contrastar la hipótesis
comparando dos distribuciones poblacionales, y por lo general implica el uso de pares
correspondientes. Se supone que se tienen datos antes y después para una muestra y se desean
comparar estos conjuntos de datos correspondientes. Se supone que se tienen datos antes y
después para una muestra y se desean comparar estos conjuntos de datos correspondientes. Se
hace restando las observaciones por pares en un conjunto de datos de las del segundo, y se nota
el signo algebraico que resulta. No se tiene interés en la magnitud de la diferencia, sino solo en
si resulta un signo más o un signo menos.

La prueba de signos es la contraparte de la prueba t para pares correspondientes. La prueba t

requiere la suposición de que las poblaciones están normalmente distribuidas. En muchos casos,
esta suposición de que las poblaciones están normalmente distribuidas. En muchos casos, esta
suposición no es posible. La prueba del signo es útil en estos casos.

La hipótesis nula establece que no existe diferencia entre los conjuntos de datos. Si eso es cierto,
entonces un signo más y un signo menos son igualmente probables. La probabilidad de que
ocurra cualquiera es de 0,59. Una prueba de dos colas es:

𝐻𝑜 : 𝑚 = 𝑝

𝐻𝐴 : 𝑚 ≠ 𝑝

Donde m y p son los números de signos menos y de signos más, respectivamente. Una prueba
de una sola cola es:

𝐻𝑜 : 𝑚 ≤ 𝑝

𝐻𝐴 : 𝑚 > 𝑝

𝐻𝑜 : 𝑚 ≥ 𝑝

𝐻𝐴 : 𝑚 < 𝑝

Debido a que existen dos posibles resultados, un signo menos y un signo más, y a la probabilidad
de que cada uno siga constante ensayo tras ensayo, se puede utilizar la distribución binomial.

Para datos 𝑛 ≥ 30, es permisible utilizar la aproximación normal al binomio:

Regla de decisión:”No rechazar si −(𝑣𝑎𝑙𝑜𝑟 𝑐𝑟í𝑡𝑖𝑐𝑜) < 𝑍 < (𝑣𝑎𝑙𝑜𝑟 𝑐𝑟í𝑡𝑖𝑐𝑜). Rechazar en caso
contrario.

Dónde:

𝑘 ± 0.5 − 0.5𝑛
𝑍=
0.5√𝑛
Ejemplos:

 Una compañía de taxis trata de decidir si el uso de llantas radiales en lugar de llantas
regulares con cinturón para mejorar la economía de combustible. Se equipan 16
automóviles con llantas radiales y se manejan por un recorrido de prueba establecido.
Sin cambiar de conductores, se equipan los mismos autos con llantas regulares con
cinturón y se manejan una vez más por el recorrido de prueba. Se registra el consumo
de gasolina, en kilómetros por litro, de la siguiente manera:
Automóvil Llantas radiales Llantas con Signo
cinturón
1 4.2 4.1 +
2 4.7 4.6 +
3 6.6 6.2 +
4 7.0 6.9 +
5 6.7 6.4 +
6 4.5 4.4 +
7 5.7 5.3 +
8 6.0 5.8 +
9 7.4 7.9 -
10 4.9 4.9 0

¿Se puede concluir en el nivel de significancia del 10% que los autos equipados con llantas
radiales obtienen mejores economías de combustible que los equipados con llantas regulares
con cinturón?

1. Formulación de Hipótesis:
𝐻𝑜 : 𝑚 = 𝑝 (𝑁𝑜 ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 𝑒𝑛 𝑙𝑎𝑠 𝑒𝑐𝑜𝑛𝑜𝑚í𝑎𝑠 𝑑𝑒𝑙 𝑐𝑜𝑚𝑏𝑢𝑠𝑡𝑖𝑏𝑙𝑒)
𝐻𝐴 : 𝑚 ≠ 𝑝 (𝐻𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 𝑒𝑛 𝑙𝑎𝑠 𝑒𝑐𝑜𝑛𝑜𝑚í𝑎𝑠 𝑑𝑒𝑙 𝑐𝑜𝑚𝑏𝑢𝑠𝑡𝑖𝑏𝑙𝑒)

2. Nivel de significancia: 10%

𝛼 = 0.1
3. Estadístico de prueba:
Se trabaja con la distribución binomial aproximada.
4. Cálculo:
𝑃(𝑥 ≤ 1, 𝑛 = 9, 𝜋 = 0.5) = 1 − 𝑃(𝑥 ≤ 1) = 1 − 0.9805 = 0.0195
5. Decisión:
Debido a que:
𝛼⁄ = 0.05 > 0.0195, 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 ℎ𝑖𝑝ó𝑡𝑒𝑠𝑖𝑠 𝑛𝑢𝑙𝑎.
2
6. Conclusión:
Existen datos necesarios para afirmar que existe una diferencia de economías de
combustible.
 Se toma los datos de la cantidad de artículos vendidos en dos tiendas en diez días,
obteniendo los siguientes datos:
Número Tienda A Tienda B Signo
de días
1 82 84 +
2 91 85 +
3 90 90 -
4 82 78 +
5 85 94 -
6 89 88 +
7 93 96 -
8 93 94 -
9 96 92 +
10 89 84 +

Para poder afirmar que la tienda A tiene un mayor promedio de ventas que la tienda B
con un nivel de significancia del 10% se pide usar la prueba de signos para comprobar
dicha hipótesis.
1. Formulación de Hipótesis:
𝐻𝑜 : 𝑚 > 𝑝 (𝐿𝑎 𝑡𝑖𝑒𝑛𝑑𝑎 𝐴 𝑡𝑖𝑒𝑛𝑒 𝑚𝑎𝑦𝑜𝑟𝑒𝑠 𝑣𝑒𝑛𝑡𝑎𝑠 𝑞𝑢𝑒 𝑙𝑎 𝑡𝑖𝑒𝑛𝑑𝑎 𝐵 )
𝐻𝐴 : 𝑚 ≤ 𝑝 (𝐿𝑎 𝑡𝑖𝑒𝑛𝑑𝑎 𝐴 𝑡𝑖𝑒𝑛𝑒 𝑚𝑒𝑛𝑜𝑟𝑒𝑠 𝑣𝑒𝑛𝑡𝑎𝑠 𝑞𝑢𝑒 𝑙𝑎 𝑡𝑖𝑒𝑛𝑑𝑎 𝐵)

2. Nivel de significancia: 10%

𝛼 = 0.1
3. Estadístico de prueba:
Se trabaja con la distribución binomial aproximada.
4. Cálculo:
𝑃(𝑥 ≥ 6, 𝑛 = 10, 𝜋 = 0.5) = 1 − 𝑃(𝑥 ≤ 1) = 1 − 0.623 = 0.377
5. Decisión:
Debido a que:
𝛼⁄ = 0.05 < 0.377, 𝑛𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 ℎ𝑖𝑝ó𝑡𝑒𝑠𝑖𝑠 𝑛𝑢𝑙𝑎.
2
6. Conclusión:
Existen datos necesarios para afirmar que existe una mayor venta en la tienda A.

 En un estudio se pretende se pretende conocer si un tratamiento produce efectos

positivos en el nivel de Bornout de un grupo de trabajadores, se seleccionaron a los que
tenían un elevado nivel de Bornout, posteriormente, se les hizo ingresar a un centro de
técnicas de rejalación y finalmente se les administró, de nuevo, la escala de Bornout y
se obtuvieron 8 signos más, 28 signos menos y 5 ceros. Comprobar si el tratamiento
produce efectos en los trabajadores con un nivel de confianza del 90%.

1. Formulación de Hipótesis:
𝐻𝑜 : 𝑚 = 𝑝 (𝑒𝑙 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑛𝑜 𝑝𝑟𝑜𝑑𝑢𝑐𝑒 𝑒𝑓𝑒𝑐𝑡𝑜𝑠 𝑒𝑛 𝑙𝑜𝑠 𝑡𝑟𝑎𝑏𝑎𝑗𝑎𝑑𝑜𝑟𝑒 )
𝐻𝐴 : 𝑚 ≠ 𝑝 (𝑒𝑙 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑝𝑟𝑜𝑑𝑢𝑐𝑒 𝑒𝑓𝑒𝑐𝑡𝑜𝑠 𝑒𝑛 𝑙𝑜𝑠 𝑡𝑟𝑎𝑏𝑎𝑗𝑎𝑑𝑜𝑟𝑒)

2. Nivel de significancia: 10%

 𝛼 = 0.1
Valor crítico: 1.65
3. Estadístico de prueba:
Se trabaja con la aproximación normal al binomio.
4. Cálculo:
8 + 0.5 − (0.5)(36)
𝑍= = 3.17
0.5√36
5. Decisión:
Debido a que:
3.17 se encuentra fuera del valor crítico se rechaza la hipótesis nula (H0).
6. Conclusión:
Existen datos suficientes para afirmar que el tratamiento si produce efectos en los
trabajadores.
 CONCLUSION

 se utilizan los índices de estacionalidad para aplicar los patrones estacionales a

los pronósticos.
 El método para desestacionalizar sirve para análisis de tendencias no
estacionales a lo largo de periodos más largos, para que los datos sean más
precisos y directos.
 La prueba de signos Puede contrastar la hipótesis comparando dos
distribuciones poblacionales usando generalmente pares correspondientes.
 El promedio móvil Se utiliza para poder estimar valores futuros en base a datos
históricos.
 BIBLIOGRAFÍA

carmona, g. (2016). slider player. Obtenido de https://slideplayer.es/slide/4016181/

Pablo, J. C. (23 de junio de 2013). La Nacion. Obtenido de

https://www.lanacion.com.ar/1594065-por-que-y-como-desestacionalizar-
series-de-datos

Rodriguez, F. (marzo de 2008). ESTUDIO DE MÉTODOS NO PARAMÉTRICOS . Obtenido

de http://biblo.una.edu.ve/docu.7/bases/marc/texto/t34486.pdf

Salazar, B. (2016). ingenieria.com. Obtenido de

https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-
industrial/pron%C3%B3stico-de-ventas/promedio-m%C3%B3vil/

Villareal, D. F. (2016). unio matematica Argentina. Obtenido de

http://www.matematica.uns.edu.ar/uma2016/material/Introduccion_a_los_M
odelos_de_Pronosticos.pdf

ESTEBAN, J.; y otros.: “Estadística Descriptiva y nociones de Probabilidad”, Ed.

Thomson, segunda impresión 2006. Capítulo 6.