Escuela Profesional de Ingeniería Industrial

Universidad Nacional de San Agustín

ANALISIS DE DATOS 2
GUÍA DE CLASE Nº 4: SERIES DE TIEMPO
Profesora: Ing. Cecilia Cuadros
-----------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------
PROBLEMA Nº1 Los siguientes datos representan las ventas Año Ventas
anuales de una empresa en artículos de camping, se requiere
realizar el pronóstico para el año 2019. Las ventas están 2010 1126
expresadas en miles de dólares 2011 1257
2012 1200
2013 1085
2014 1068
2015 1216
2016 1468
2017 1539
2018 1717
PROBLEMA Nº2 Se ha realizado un seguimiento a Ventas
las ventas de muebles durante los últimos 14 meses Año Mes Periodo
Muebles
en una mueblería. Se debe pronosticar para el mes
2018 Enero 1 125.7
15. Las ventas están expresadas en miles de
dólares Febrero 2 129.4
Marzo 3 131.7
Abril 4 135.0
Mayo 5 140.2
Junio 6 141.7
Julio 7 138.4
Agosto 8 135.3
Septiembre 9 130.9
Octubre 10 130.2
Noviembre 11 131.8
Diciembre 12 128.2
2019 Enero 13 127.3
Febrero 14 129.3
PROBLEMA Nº 3: El gerente de créditos de una empresa financiera, está analizando los métodos de pronósticos más
adecuados. La siguiente tabla, incluye la información anual sobre los montos totales desembolsados, en miles de soles, para las
diferentes modalidades de créditos.

Año 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2017
Monto de
desembolso 113350 107650 75300 89957 84800 98100 74200 102900 79950 90300 91677 113600
(miles de S/.)

PROBLEMAN°4 La empresa Algodón y Afines, ha proporcionado los datos de ventas, en prendas y valorizadas, de una de una de sus
importantes tiendas de Lima.
VVENTAS GAMARRA (Pzs)

E F M A M J J A S O N D
201
4 2126 2241 3000 1559 2486 2565 2642 3433 2550 2377 2345 2493
201
5 2091 1329 1586 1613 2860 2206 2379 2544 1935 2170 1988 2509
201
6 1864 1382 1576 1886 2358 2362 2376 2486 1990 2066 1792 2352
1
 Escuela Profesional de Ingeniería Industrial
Universidad Nacional de San Agustín
201
7 1596 2008 1948 1802 2068 1750 2026 4386 2090 2190 2016 2226
201
8 1394 1602 1538 1540 2394 2282 2304 2384 2308 3262 2540 2466

VENTAS GAMARRA (S/.)

E F M A M J J A S O N D
201 328685.7 300695.1 476692.9 523149.8 594582.6 450329.2 404684.6
4 293621.16 254902.46 7 0 3 4 480942.11 9 411515.98 8 9 408082.30
201 295838.0 313026.6 518727.0 467672.6 555676.3 555562.4 416940.7 486559.7 378665.6
5 344531.79 230911.77 8 7 9 0 2 1 1 0 8 427378.63
201 314074.7 387232.6 564797.9 574006.2 589713.9 606262.6 485886.2 548356.0 429460.0
6 329016.51 247923.23 8 2 6 8 4 1 4 7 4 497719.85
201 366774.2 412844.4 521990.3 523618.3 522026.1 789280.6 554850.3 507789.3 464307.8
7 366691.45 343369.18 5 4 2 4 8 2 1 9 1 439674.59
201 321017.1 413393.6 681953.4 639256.0 622164.4 615552.2 577873.9 657698.5 515018.3
8 304831.73 313283.33 3 1 3 7 0 1 4 5 9 541867.46

Ingreso
PROBLEMA Nº5 Un analista está comprometido con la Ventas
Año persona
planeación de futuro de Reynolds Metals, productos mundiales (mil $)
l
de aluminio, y desea establecer una base cuantitativa para
proyectar ventas futuras. Considera el ingreso personal 1998 3307 273,4
disponible como una buena variable de pronóstico. Evalúe la 1999 3556 291,3
serie de tiempo y determine el mejor método empleando un 2000 3601 306,9
modelo aditivo. 2001 3721 317,1
2002 4036 336,1
2003 4134 349,4
2004 4268 362,9
2005 4578 383,9
2006 5093 402,8
2007 5716 437
2008 6357 472,2
2009 6769 510,4
2010 7296 544,5
2011 8178 588,1
2012 8844 630,4
2013 9251 685,9
2014 10006 742,8
2015 11200 801,3
2016 12500 903,1
2017 13101 983,6
2018 13640 1076,7

2
 Escuela Profesional de Ingeniería Industrial
Universidad Nacional de San Agustín

PROBLEMA N°6 El registro anual de ventas de automóviles durante un periodo Año Ventas Nº Pronost Ciclo
de más de 30 años, se registran en la tabla siguiente y se observan en la gráfica
adjunta. 1984 6,577
1985 5,855
1986 6,939
1987 7,557
1988 8,065
1989 9,314
1990 9,009
1991 8,357
1992 9,404
1993 9,447
1994 8,388
1995 9,831
1996 10,409
1997 11,351
1998 8,701
1999 8,168
2000 9,752
2001 10,826
2002 10,946
2003 10,357
2004 8,761
2005 8,444
2006 7,754
2007 8,924
2008 10,118
2009 10,889
2010 11,14
2011 10,183
2012 10,398
2013 9,853
2014 9,16
2015 9,234
2016 8,054

PROBLEMA Nº 7: Los datos a continuación muestran los salarios en dólares de los últimos 43 meses de la industria alimentaria referidos a
España. Evaluar el modelo de pronóstico más adecuado. Calcular el Índice de estacionalidad y pronosticar
3
 Escuela Profesional de Ingeniería Industrial
Universidad Nacional de San Agustín
Promed. Prom.Móv % Valor Real /
Año Trim Salarios Total Móvil
Móvil Centrado Prom Móvil
2008 I 8,52

II 9,30

III 10,04

IV 10,28

2009 I 8,77

II 9,59

III 10,45

IV 10,75

2010 I 9,47

II 9,75

III 10,01

IV 11,11

2011 I 9,01

II 10,54

III 11,16

IV 11,47

2012 I 10,30

II 10,84

III 11,34

IV 12,10

2013 I 10,82

II 11,01

III 11,73

IV 12,46

4
 Escuela Profesional de Ingeniería Industrial
Universidad Nacional de San Agustín
2014 I 10,93

II 12,04

III 12,37

IV 13,30

2015 I 11,44

II 12,54

III 12,96

IV 13,09

2016 I 12,50

II 12,79

III 13,76

IV 14,27

2017 I 12,80

II 14,04

III 14,30

IV 15,02
Año 1º Trim 2º Trim 3º Trim 4º Trim
2008
2009
2010
2011
2012
2013
2014
2015
2016
2017
Promedio

Año Trim Salarios Diferencia Coefic. IE Desest Nº CI

2008 I 8,52
II 9,30
III 10,04
IV 10,28
2009 I 8,77
5
 Escuela Profesional de Ingeniería Industrial
Universidad Nacional de San Agustín
II 9,59
III 10,45
IV 10,75
2010 I 9,47
II 9,75
III 10,01
a 
 Y
IV

n
b 
11,11
X


n
Y

2011 I 9,01
II 10,54
III 11,16
IV 11,47
2012 I 10,30
II 10,84
III 11,34
IV 12,10
2013 I 10,82
II 11,01
III 11,73
IV 12,46
2014 I 10,93
II 12,04
III 12,37
IV 13,30
2015 I 11,44
II 12,54
III 12,96
IV 13,09
2016 I 12,50
II 12,79
III 13,76
IV 14,27
2017 I 12,80
II 14,04
III 14,30
IV 15,02

6
 Escuela Profesional de Ingeniería Industrial
Universidad Nacional de San Agustín

PROBLEMA Nº 6
La responsable de las segundas especialidades universitarias y cursos de extensión, necesita, de alguna manera, pronosticar el número de
estudiantes que cada trimestre del año podría matricularse. Se cuenta con reportes de años anteriores y se decide utilizar los
últimos cinco años como un buen periodo de análisis para la preparación de los pronósticos. Utilice estos datos para
realizar una evaluación estacional y pronosticar para el próximo año.
Año 1º Trim 2º Trim 3º Trim 4º Trim
2014 1861 2203 2415 1908
2015 1921 2343 2514 1986
2016 1834 2154 2098 1799
2017 1837 2025 2304 1965
2018 2073 2414 2339 1967
PROBLEMA Nº7
La compañía de electricidad de una determinada ciudad desea determinar si existe un patrón estacional en las
utilidades trimestrales de la compañía y recoge los siguientes datos trimestrales:
Año Mar-31 Jun-30 Sep-30 Dic-31
2013 1441 1209 1526 1321
2014 1441 1187 1411 1185
2015 1284 1125 1493 1192
2016 1327 1102 1469 1213
a. Calcule los índices estacionales trimestrales.
b. compare los índices estacionales ajustados para cada período.