Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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 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.
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.
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.
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.-
Métodos Cuantitativos
Metodos Causales:
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.
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:
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:
( y )
2
SSR = 1Sxy
i
Syy = yi2 − , , SSE = Syy − SSR
n
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.
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.
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
HO: ß1=0 (No existe relación lineal entre (x, y) la regresión no tiene sentido
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:
Ejemplo: Uso del método promedio móvil simple para estimar la demanda promedio:
Solución:
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.
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.
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.
9
Uso del método promedio móvil ponderado para estimar la demanda promedio:
Ejemplo:
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:
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:
Solución:
El método de promedio móvil simple y promedio móvil ponderado producen los siguientes
resultados.
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.
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 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:
Año 1: 1000/4= 250 Año 2: 1200/4= 300 Año 3: 1800/4= 450 Año 4: 2200/4=550
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.
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:
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:
15