Materia: Estadística Inferencial II

Clave de la asignatura: GEG-0908

Unidad III: Análisis de serie de tiempo.

Objetivo Educacional (Competencia específica a desarrollar) Utiliza las diferentes

técnicas de análisis de series de tiempo para estimar el comportamiento de las variables a
través del tiempo, calculados con base en tendencias, fluctuaciones cíclicas, variaciones
estacionales y variaciones irregulares (al azar) para pronosticar modelos económicos e
industriales.

Introducción

Series de Tiempo

Por serie de tiempo nos referimos a datos estadísticos que se recopilan, observan o
registran en intervalos de tiempo regulares (diario, semanal, semestral, anual, entre
otros). El término serie de tiempo se aplica por ejemplo a datos registrados en forma
periódica que muestran, por ejemplo, las ventas anuales totales de almacenes, el valor
trimestral total de contratos de construcción otorgados, el valor trimestral del (PIB).

DEFINICION:

El producto interior bruto (PIB) o producto bruto interno (PBI) es la principal

macromagnitud existente que mide el valor monetario de la producción de bienes y
servicios finales de un país durante un período de tiempo (normalmente un año).

El PIB es el valor monetario de los bienes y servicios finales producidos por una economía
en un período determinado. EL PIB es un indicador representativo que ayuda a medir el
crecimiento o decrecimiento de la producción de bienes y servicios de las empresas de
cada país, únicamente dentro de su territorio. Este indicador es un reflejo de la
competitividad de las empresas.

Objetivo 3.1 Componentes de una serie de tiempo.

Supondremos que en una serie existen cuatro tipos básicos de variación, los cuales
sobrepuestos o actuando en concierto, contribuyen a los cambios observados en un
período de tiempo y dan a la serie su aspecto errático. Estas cuatro componentes son:
Tendencia secular, variación estacional, variación cíclica y variación irregular.

Supondremos, además, que existe una relación multiplicativa entre estas cuatro
componentes; es decir, cualquier valor de una serie es el producto de factores que se
pueden atribuir a las cuatro componentes.

1. Tendencia secular: La tendencia secular o tendencia a largo plazo de una serie es por
lo común el resultado de factores a largo plazo. En términos intuitivos, la tendencia de una
serie de tiempo caracteriza el patrón gradual y consistente de las Variaciones de la propia
serie, que se consideran consecuencias de fuerzas persistentes que afectan el
crecimiento o la reducción de la misma, tales como: cambios en la población, en las
características demográficas de la misma, cambios en los ingresos, en la salud, en el nivel

1
de educación y tecnología. Las tendencias a largo plazo se ajustan a diversos esquemas.
Algunas se mueven continuamente hacía arriba, otras declinan, y otras más permanecen
igual en un cierto período o intervalo de tiempo.

2. Variación estacional: El componente de la serie de tiempo que representa la

variabilidad en los datos debida a influencias de las estaciones, se llama componente
estacional. Esta variación corresponde a los movimientos de la serie que recurren año
tras año en los mismos meses (o en los mismos trimestres) del año poco más o menos
con la misma intensidad. Por ejemplo: Un fabricante de albercas inflables espera poca
actividad de ventas durante los meses de otoño e invierno y tiene ventas máximas en los
de primavera y verano, mientras que los fabricantes de equipo para la nieve y ropa de
abrigo esperan un comportamiento anual opuesto al del fabricante de albercas.

3. Variación cíclica: Con frecuencia las series de tiempo presentan secuencias alternas
de puntos abajo y arriba de la línea de tendencia que duran más de un año, esta variación
se mantiene después de que se han eliminado las variaciones o tendencias estacional e
irregular. Un ejemplo de este tipo de variación son los ciclos comerciales cuyos períodos
recurrentes dependen de la prosperidad, recesión, depresión y recuperación, las cuales
no dependen de factores como el clima o las costumbres sociales.

4. Variación Irregular: Esta se debe a factores a corto plazo, imprevisibles y no

recurrentes que afectan a la serie de tiempo. Como este componente explica la
variabilidad aleatoria de la serie, es impredecible, es decir, no se puede esperar predecir
su impacto sobre la serie de tiempo. Existen dos tipos de variación irregular: a) Las
variaciones que son provocadas por acontecimientos especiales, fácilmente identificables,
como las elecciones, inundaciones, huelgas, terremotos. b) Variaciones aleatorias o por
casualidad, cuyas causas no se pueden señalar en forma exacta, pero que tienden a
equilibrarse a la larga.

Ejemplo: Determine el comportamiento de las siguientes series de tiempos:

1.- 2.-
Unidades Mes Ventas en Semanas Ventas en $ Semanas Ventas en
Vendidas $ miles Miles $ Miles
10.52 Enero 300.42 1 26.76 9 25.60
9.35 Febrero 256.30 2 24.14 10 44.55
12.40 Marzo 294.60 3 22.33 11 47.37
16.67 Abril 360.78 4 26.46 12 45.90
12.90 Mayo 410.40 5 33.50 13 53.60
11.02 Junio 400.30 6 38.65 14 60.33
8.55 Julio 407.65 7 37.55 15 59.90
8 42.82 16 65.65

2
3.-

Días Ventas de Días Ventas de

Unidades Unidades
1 33300 7 57350
2 45600 8 67930
3 40000 9 68000
4 55260 10 85040
5 53000 11 80300
6 61260 12 99995

Métodos Cuantitativos

Objetivo 3.2 Método de mínimos cuadrados.

Metodos Causales:

• Regresion Lineal Simple.

• Regresion Lineal Multiple.

Tendencia de una serie.

1.- Tendencia lineal

Como se dijo antes, la tendencia de una serie viene dada por el movimiento general a
largo plazo de la serie. La tendencia a largo plazo de muchas series de negocios
(industriales y comerciales), como ventas, exportaciones y producción, con frecuencia se
aproxima a una línea recta. Esta línea de tendencia muestra que algo aumenta o
disminuye a un ritmo constante. El método que se utiliza para obtener la línea recta de
mejor ajuste es el Método de Mínimos Cuadrados.

2.- Tendencia no lineal

Cuando la serie de tiempo presenta un comportamiento curvilíneo se dice que este

comportamiento es no lineal. Dentro de las tendencias no lineales que pueden
presentarse en una serie se encuentran, la polinomial, logarítmica, exponencial y
potencial, entre otras.

3
La regresión lineal aplicando la (ANOVA)

El modelo de regresión lineal simple (un factor) se refiere a la relación que puede existir
entre una variable Independiente y una variable de respuesta, el modelo y la
interpretación de sus componentes se muestran a continuación:

Y = 0 + 1 x + 
Por lo tanto:
Y = 0 + 1 x + 
ßO= a
ß1 = b
Sxy
b=
Sxx
Donde:

Y= Variable Dependiente o modelar (Respuesta)

X= Variable Independiente (Predictor de Y)
ε= Componente de Error (Medición + Variación Natural) Variable aleatoria (VA)
ßO= Intersección. Si los Datos Incluyen cero, representa la media de la distribución de y
cuando x=0. No tiene un significado particular si los datos no incluyen cero.
ß1= b Pendiente. Es el cambio en la media de y por cada cambio unitario de x.

Por otra parte la estimación de los parámetros del modelo es por medio del método de
mínimos cuadrados que consiste en minimizar el error del modelo las ecuaciones son las
siguientes:

Sxy x y
1 =  o = Y − 1 X Sxy =  xy −
Sxx n
n

y
n

(  x) 2 x
Sxx =  x −
2
Y = 0 + 1 x Y = i =1
X = i =1
a = Y − bX
n n n

Por otra parte se consideran las Variaciones de los modelos de regresión, estas son las
siguientes:

SST = Syy = SSR + SSE

SST = Syy = Variación total de los datos.
SSR = Variación Representada por el modelo de regresión.
4
SSE = Variación Residual no representada por la regresión.

( y )
2

SSR = 1Sxy
i
Syy =  yi2 − , , SSE = Syy − SSR
n

Fuente de SS=suma de los Grados de MS Fo

Variación cuadrados de la Libertad GL
regresión
Regresión SSR 1 MSR=SSR/1 MSR/MSE
Error SSE n-2 MSE=SSE/(n-2)
Total SST n-1

Ejemplo Determinar la ecuación de regresión en donde:

y= Estimador pronostico de la demanda variable dependiente.

x= Tiempo, Variable Independiente.
a= Intersección en el eje y.
b= Pendiente.
C= XY- Y

Periodo Venta y X XY X2 Y2 Y C
E 350 1 350 1 122500 371.26 -21.26
F 410 2 383.22
M 385 3 395.18
A 425 4 407.14
M 415 5 419.1
J 420 6 431.06
J 445 7 443.02
A 8 454.98
 2850  28  11735  140  1166100
Prom: Prom.
407.1428 4

Determinar:
a) La ecuación de regresión cuando el valor de la variable Independiente x=8
y=454.98
b) Probar la significación de la ecuación de pronóstico de regresión y diseñar una
tabla ANOVA.

Fuente de SS=suma de los Grados de MS F

Variación cuadrados de la Libertad GL
regresión
Regresión 4006.6 1 Numerador 4006.6 11.5380
Error 1736.26 5 Denominador 347.252 FO > FT
Total 5742.86 6

5
Ejemplo.- Utilizando la Regresión Simple pronostique el periodo 8 Determinando la
ecuación de regresión en donde: Considerando a la variable x como el gasto de
promoción.

y= Estimador pronostico de la demanda variable dependiente.

x= Tiempo, Variable Independiente.
a= Intersección en el eje y.
b= Pendiente.
C= XY- Y

Periodo Venta($) Gastos de XY X2 Y2 Y C

y Promoción
X
1 301.30 130.4
2 270.60 125.3
3 280.00 125
4 250.90 120
5 236.00 121
6 242.10 121.4
7 223.60 111.9
8 218.12 105.3
    
Determinar:
a) La ecuación de regresión cuando el valor del presupuesto para el periodo 8 es de
$130.5.
b) Probar la significación de la ecuación de pronóstico de regresión y diseñar una
tabla ANOVA.
c) Graficar.

6
Ejemplo 3.- La siguiente tabla muestra la dureza (y) vs el tiempo de solidificación (x) son:

Tiempo de Dureza Y X2 Y2 XY Y C
solidificación X
10 4.5
11 4.2
12 3.8
13 3.6
14 3.4
15 3.0
16 2.9
17 2.4
18 2.2
19 2.1
20 1.8

Pruebe la significación de la regresión si determina de manera estadística si vale la pena

obtener un modelo de regresión o si simplemente la media de la variable de respuesta (y)
es suficiente. El valor de la variable independiente es el promedio de la misma.

HO: ß1=0 (No existe relación lineal entre (x, y) la regresión no tiene sentido

H1: ß1 ≠ 0 (x es valiosa para explicar la variación en y)

Objetivo 3.3 Métodos de promedios móviles.

Método Promedio móvil Simple.

Este método se usa para estimar el promedio de una serie de tiempos de demanda y por
lo tanto, para suprimir los efectos de las fluctuaciones al azar. Este método resulta más
útil cuando la demanda no tiene tendencias pronunciadas ni influencias estacionales. La
aplicación de un modelo de promedio móvil implica simplemente calcular la demanda
promedio para la n periodos más recientes, con el fin de usarla como pronostico para
el siguiente periodo.

Para el periodo siguiente, una vez que se conoce la demanda, la demanda más
antigua incluida en el promedio anterior se sustituye por la demanda mas reciente y
luego se vuelve a calcular el promedio. De esta manera se usan la n demandas más
recientes, por lo cual el promedio se mueve de uno a otro periodo.

7
En términos específicos, el pronóstico correspondiente al periodo t+1 se puede calcular en
la siguiente fórmula:

Suma de las n ultimas semanas Dt + Dt −1 + Dt −2 + ......... + Dt −n+1

Ft +1 = =
n n
Dónde:

Dt = Demanda Real en el periodo t.

n = Número total de periodo incluidos en el promedio.

F t+1 = Pronostico para el periodo t+1.

Con el método de promedio móvil, el pronóstico de la demanda en el periodo siguiente

será igual al promedio calculado al final de este periodo.

Ejemplo: Uso del método promedio móvil simple para estimar la demanda promedio:

a) Elabore un pronóstico de promedio móvil de tres semanas para estimar la llegada

de pacientes a la clínica médica durante la semana 4. Los números
correspondientes a las llegadas de pacientes durante las tres últimas semanas
fueron las siguientes:

Semana Llegadas de Pacientes

1 400
2 380
3 411
4 415
5

b) Si el número real de llegadas de pacientes durante la semana 4 fue de 415, ¿Cuál

será el pronóstico de la semana 5?

Solución:

a) El pronóstico promedio móvil al final de la semana 3 es:

411 + 380 + 400

F4 = = 397.0
3
Así, el pronóstico para la semana número 4 es 397 pacientes.

8
 b) Para elaborar el pronóstico correspondiente a la semana 5, es necesario conocer
las llegadas reales durante las semanas 2 a 4, es decir, los datos de las tres
semanas más recientes.

415 + 411 + 380

F5 = = 402.0
3
El pronóstico para la semana 5 es de 402 pacientes. Además, como ahora estamos en la
semana 4, el pronóstico para la semana 6 y las siguientes será también de 402 pacientes.

En el método de promedio móvil puede incluirse todos los periodos pretéritos de demanda
que se desee. Generalmente, la estabilidad de la serie correpondiente a la demanda
determina cuantos periodos será necesario incluir (es decir, el valor de n). Las series de
demandas estables son aquellas para las cuales el promedio (que habrá de calcularse
mediante el método de pronóstico) cambia solamente en forma infrecuente. Deberá
utilizar valores grandes de n para las series de demanda que sean estables y valores
pequeños de n para las que sean susceptibles de cambios en el promedio fundamental.

Método Promedio Móvil Ponderado.

En el método de promedio móvil simple, todas las demandas tienen la misma ponderación
en el promedio, es decir, 1/n.

En el método de promedio móvil ponderado, cada una de las demandas históricas que
intervienen en el promedio puede tener su propia ponderación. El resultado de las sumas
de las ponderaciones es 1.0.

Por ejemplo en un modelo con promedio móvil ponderado de tres periodos, al periodo
mas reciente se le puede asignar una ponderación de 0.50, al segundo mas reciente se le
asignar una ponderación de 0.30, y al tercero más reciente, una de 0.20. el promedio se
obtiene multiplicando la ponderación de cada periodo por el valor correspondiente a dicho
periodo y sumando finalmente los periodos.

Ft +1 = 0.50Dt + 0.30Dt −1 + 0.20DT −2

La Ventaja del promedio móvil ponderado es que nos permite hacer énfasis en la
demanda reciente, por encima de la demanda anterior. Este pronóstico suele responder
mejor que el pronóstico de promedio móvil simple, frente a los cambios registrados en el
promedio fundamental de la serie de demandas. A pesar de eso, el pronóstico de
promedio móvil ponderado seguirá retrasándose con respecto a la demanda porque solo
calcula promedios de la demanda en el pasado. Este retraso es especialmente notable
cuando existe una tendencia, por que el promedio de la serie de tiempo va incrementando
o disminuyendo en forma sistemática.

9
Uso del método promedio móvil ponderado para estimar la demanda promedio:

Ejemplo:

El analista que está a cargo de la clínica médica a asignado ponderaciones de 0.70 a la

demanda más reciente, 0.20 a la demanda de hace una semana y 0.10 a la demanda de
hace dos semanas. Use los datos correspondientes a las tres primeras semanas del
ejemplo anterior para calcular el pronóstico promedio móvil ponderado para la semana 4.

Semana Llegadas de Pacientes

1 400
2 380
3 411

Solución: La demanda ponderada en la semana 3 es:

F4= 0.70 (411)+0.20 (380)+0.10 (400)= 403.7

Como no es posible dividir a un paciente en fracciones, tenemos que redondear la

respuesta al número entero más próximo. En este caso, el pronóstico para la semana 4 es
de 404 pacientes.

Supongamos ahora que la demanda real para la semana 4 fuera de 415 pacientes
entonces el nuevo promedio y el pronóstico para la semana 5 seria:

F5= 0.70 (415)+0.20 (411)+0.10 (380)= 410.7

Redondeando el resultado, el pronóstico para la semana 5 es de 411 pacientes.

Por otra parte se hace una observación el promedio móvil ponderado presenta las mismas
limitaciones que el método de promedio móvil simple: es necesario recolectar los datos de
n periodos de demanda para poder calcular el promedio correspondiente a cada periodo.
Recopilar esta cantidad de datos no es un gran problema en situaciones sencillas, como
vimos en los ejemplos anteriores de tres y seis semanas. Sin embargo, si una compañía
tiene que pronosticar el valor de muchas demandas, los costos de obtención y
actualización de datos pueden ser altos.

10
Ejemplo: El polish General`s pizza Parlor es un pequeño restaurante que atrae a los
parroquianos aficionados al sabor de las pizzas europeas. Una de sus especialidades es
la pizza polish General`s prize. El gerente de la empresa tiene que pronosticar la
demanda semanal de esas pizzas especiales para saber cuántas bases de pan será
necesario pedir cada semana. A últimas fechas, la demanda ha sido la siguiente:

Semana del Pizzas Semana del Pizzas

2 de Junio 50 23 de Junio 56
9 de Junio 65 30 de Junio 55
16 de Junio 52 7 de Julio 60

Determinar lo siguientes: Pronostique la demanda de pizzas para el periodo

comprendido entre el 23 de junio y el 14 de julio, usando el método promedio movil simple
con n=3. Repita después el pronóstico, utilizando el método del promedio móvil
ponderado con n=3 y ponderaciones de 0.50, 0.30, y 0.20, aplicando 0.50 a la demanda
mas reciente.

Solución:

El método de promedio móvil simple y promedio móvil ponderado producen los siguientes
resultados.

Semana Pronostico de promedio móvil Pronostico de promedio móvil ponderado para la

Actual simple para la semana semana siguiente
siguiente
16 de junio 52 + 65 + 50
= 55.7 = 56 (0.50  52) + 0.30  65) + (0.2  50) = 55.5 = 56
3
23 de junio 56 + 52 + 65
= 57.7 = 58 (0.50  56) + 0.30  52) + (0.2  65) = 56.6 = 57
3
30 de junio 55 + 56 + 52
= 54.3 = 54 (0.50  55) + 0.30  56) + (0.2  52) = 54.7 = 55
3
7 de julio 60 + 55 + 56
= 57 (0.50  60) + 0.30  55) + (0.2  56) = 57.7 = 58
3

Estos dos objetivos me los investigan y realizan un mapa conceptual del mismo.
Para entregar el día de la evaluación.
3.4 Métodos de suavización exponencial.
3.5 Tendencias no lineales.

11
3.6 Variación Estacional (Método Estacional Multiplicativo).

Muchas organizaciones tienen una demanda estacional para sus bienes o servicios. Los
patrones estacionales consisten en movimientos ascendentes o descendentes de la
demanda, que se repiten con seguridad, medidos en periodos de menos de un año (en
horas, días, semanas, meses, o trimestres). En este contexto, dichos periodos de tiempo
se llaman estaciones.

Por ejemplo, la llegada de los clientes a un establecimiento de comida rápida durante un

día cualquiera puede alcanzar un punto máximo entre las 11 am y la 1 pm y de nuevo
entre las 5 pm y las 7 pm. En este caso, la duración del patrón estacional es de un día y
cada hora del día es una estación.

En forma similar, la demanda de cortes de cabello suele alcanzar un punto máximo los
sábados, semana tras semana. En este caso, el patrón estacional dura una semana y las
estaciones son los días de la semana.

También es posible que los patrones estacionales duren un mes, como en el caso de las
solicitudes semanales de renovación para licencias de conductor, o tal vez un año, como
sucede con los volúmenes mensuales de la correspondencia procesada en la oficina de
correos y la demanda mensual de neumáticos para automóvil.

Disponemos de varios métodos para pronosticar serie de tiempos que presentan patrones
estacionales. Aquí describiremos solamente el Método Estacional Multiplicativo, en el
cual los factores estacionales se multiplican por una estación de la demanda promedio y
así se obtiene un promedio estacional. El procedimiento en cuatro pasos, descrito aquí,
requiere el uso de promedios simples de la demanda pretérita, pero también podrían
usarse otros métodos más refinados para calcular promedios, como los métodos de
promedios móvil o de suavización exponencial. La siguiente descripción está basada en
un patrón estacional con un año de duración y estaciones equivalentes a un mes, aunque
el procedimiento se puede aplicar con cualquier patrón estacional con estaciones de
cualquier duración.

1.- Para cada año, calcule la demanda promedio por estación, dividiendo la demanda
anual entre el número de estaciones incluidas en el año. Por ejemplo, si la demanda total
de un año determinado es de 6000 unidades y cada mes representa una estación, la
demanda promedio por estación será de 6000/12= 500 unidades.

2.- Para cada año, divida la demanda real correspondiente a una estación entre la
demanda promedio por estación. El resultado así obtenido será un índice estacional para
cada una de las estaciones del año, el cual indica el nivel de la demanda en relación con
la demanda promedio. Por ejemplo, suponga que la demanda para marzo fue de 400
unidades. Entonces, el índice estacional de marzo es 400/500= 0.80, lo cual indica que la
demanda de marzo es 20% inferior a la demanda promedio por mes. En forma similar, la
presencia de un índice estacional de 1.14 para abril implica que la demanda de abril es de
14% mayor que la demanda promedio por mes.

3.- Calcule el índice estacional promedio para cada estación, usando los resultados del
paso (No. 2). Sume los índices estacionales para una estación dada y divídalos entre el

12
número de años que abarquen los datos. Por ejemplo, suponga que hemos calculado tres
índices estacionales para abril: 1.14, 1.18, y 1.04. El índice estacional promedio para abril
es (1.14+1.18+1.04)/3 = 1.12. Este es el índice que usaremos para pronosticar la
demanda de abril.

4.- Calcule el pronóstico para cada estación para el año siguiente. Comience con el
cálculo de la demanda promedio por estación para el año siguiente. Use el método
empírico, los promedios móviles, la suavización exponencial, ajustada a la tendencia, o
bien, la regresión lineal, para elaborar el pronóstico correspondiente a la demanda anual.
Divida luego la demanda anual entre el número de estaciones incluidas en el año.
Encuentre finalmente el pronóstico estacional, multiplicando el índice estacional por la
demanda promedio por estación.

Ejemplo:

La gerente de la compañía Stanley Steemer, perteneciente al rubro de limpieza de

alfombras, necesita un pronóstico trimestral del número esperado de clientes para el año
siguiente. El negocio de la limpieza de alfombras es estacional, con un punto máximo en
el tercer trimestre y uno mínimo en el primer trimestre. Presentamos a continuación los
datos de la demanda trimestral en los cuatro años más recientes.

Trimestre Año 1 Año 2 Año 3 Año 4 Año 5

1 45 70 100 100 130
2 335 370 585 725 845
3 520 590 830 1160 1300
4 100 170 285 215 325
Total 1000 1200 1800 2200 2600

La gerente desea hacer un pronóstico de la demanda de clientes para cada uno de los
trimestres del año 5, basándose en su estimación de que la demanda total durante el año
5 será de 2600 clientes.

Solución:

Paso 1. El número promedio de clientes por estación es:

Año 1: 1000/4= 250 Año 2: 1200/4= 300 Año 3: 1800/4= 450 Año 4: 2200/4=550

Paso 2. Los índices estacionales son:

Trimestre Año 1 Año 2 Año 3 Año 4

1 45/250 = 0.18 70/300 = 0.23 100/450 = 0.22 100/550 =0.18
2 335/250 = 1.34 370/300 =1.23 585/450 = 1.30 725/550 = 1.32
3 520/250 = 2.08 590/300 =1.97 830/450 = 1.84 1160/550 = 2.11
4 100/250 = 0.40 170/300 =0.57 285/450 = 0.63 215/550 = 0.39

13
Paso 3. Observe la Forma en que los índices estacionales de cada trimestre fluctúan de
un año a otro a causa de los efectos aleatorios. Por eso es necesario que la gerente
calcule el índice estacional promedio para cada trimestre.

Trimestre Índice estacional Promedio

1 (0.18 + 0.23 + 0.22 + 0.18) / 4 = 0.20
2 (1.34 + 1.23 + 1.30 + 1.32) / 4 = 1.30
3 (2.08 + 1.97 + 1.84 + 2.11) / 4 = 2.00
4 (0.40 + 0.57 + 0.63 + 0.39) / 4 = 0.50

4.- Observe que la demanda anual ha aumentado con un incremento promedio de 400
clientes cada año. La gerente prolonga esa tendencia y proyecta una demanda anual de
2200+400=2600 clientes en el año 5. Por lo tanto, la demanda promedio estimada por
trimestre es de 2600/4= 650 clientes en el año 5. A continuación, la gerente elabora
pronósticos trimestrales multiplicando los factores estacionales por la demanda promedio
por trimestre.

Trimestre Pronostico
1 650(0.20) = 130 Clientes
2 650(1.30) = 845 Clientes
3 650(2.00) = 1300 Clientes
4 650(0.50) = 325 Clientes

Al final del año, el factor estacional promedio para cada trimestre puede ser actualizado.
Calculamos el promedio de todos los factores estacionales históricos correspondientes a
ese trimestre, o bien, si deseamos tener cierto grado de control sobre la pertinencia de los
patrones de demanda pretéritos, entonces calcularemos un promedio móvil o un promedio
suavizado exponencialmente.

Por otra parte el método estacional multiplicativo recibe su nombre de la forma en que se
calculan y utilizan los factores estacionales. El hecho de multiplicar el factor estacional por
una estimación de la demanda promedio durante el periodo implica que el patrón
estacional depende del nivel de la demanda.

Ejemplo:

El volumen diario de la correspondencia que se recibe cada semana en la oficina de

correos de Northville, se registra un patrón estacional. Los siguientes datos corresponden
a dos semanas representativas y están expresados en miles de piezas postales.

Día Semana 1 Semana 2

Domingo 5 8
Lunes 20 15
Martes 30 32
Miércoles 35 30
Jueves 49 45
Viernes 70 70
Sábado 15 10
Total 224 210

14
 a) Calcule un Factor Estacional para cada día de la semana.
b) Si el director de correos estima que tendrá que clasificar 230000 piezas de correo
durante la semana próxima, pronostique usted cual será el volumen
correspondiente para cada día de la semana.

Solución:

a) Calcule el volumen promedio de la correspondencia postal diaria para cada

semana. Después, para cada día de la semana, divida el volumen de correo entre
el promedio de la semana a fin de obtener el factor estacional. Finalmente, para
cada día, sume los dos factores estacionales y divida entre dos para obtener el
factor estacional promedio que deberá utilizar en el pronóstico (Véase la parte b).

Semana 1 Semana 2 Factor Estacional

Día Volumen de Factor Volumen Factor Promedio
Correo Estacional (1) de Correo Estacional (2) /2
Domingo 5 5/32=0.15625 8 8/30=0.26667 0.21146
Lunes 20 20/32=0.625 15 15/30=0.50000 0.56250
Martes 30 30/32=0.9375 32 32/30=1.06667 1.00209
Miércoles 35 35/32=1.09375 30 30/30=1.00000 1.04688
Jueves 49 49/32=1.53125 45 45/30=1.50000 1.515625
Viernes 70 70/32=2.1875 70 70/30=2.33333 2.26042
Sábado 15 15/32=0.46875 10 10/30=0.33333 0.40104
Total 224 210
Promedio 224/7 = 32 210/7 = 30

b) El Volumen promedio Diario de Correspondencia postal que se espera es de

230,000/7= 32857 piezas de correo. A partir de los factores estacionales promedio,
calculados en la parte (a), obtenemos los siguientes pronósticos:

Día Calculo Pronostico

Domingo 0.21146(32857) 6,948
Lunes 0.56250(32857) 18,482
Martes 1.00209(32857) 32,926
Miércoles 1.04688(32857) 34,397
Jueves 1.515625(32857) 49,799
Viernes 2.26042(32857) 74,271
Sábado 0.40104(32857) 13,177
Total = 230,000

15