INTRODUCCIÓN Y ANTECEDENTES

En el último año las ventas de la empresa OFIK se han incrementado, el número

de clientes va aumentado, la empresa se encarga de fabricar y distribuir equipo
para oficina, cada cierto tiempo se lanzan artículos al mercado, debido al
crecimiento, los socios se ven expuestos a tomar todo tipo de decisiones, por lo
cual se ha decidido analizar las ganancias y ventas de los últimos años.
OBJETIVO
Mostrar que las herramientas estadísticas practicadas dentro del curso pueden ser
útiles para la toma de decisiones y se pueden obtener información y cifras que son
muy importantes para el crecimiento económico de las empresas, así como aplicar
pronósticos ya que debido a la economía de nuestro país se debe evaluar la
aceptación de estos.
METODOLOGÍA
En ocasiones en que no es posible o conveniente realizar un censo (analizar a
todos los elementos de una población), se selecciona una muestra, entendiendo
por tal una parte representativa de la población.
Para realizar el análisis se tomó una base de datos de los años 2015,2016,2017 y
2018 la empresa se dedica a producir equipo para oficina.
Estado Segmento Categoría Ventas Cantidad Descuento Descuento Fecha de envío Fecha del pedido Ganancia
Baja California Empresa Silleria $591 3 0% $0.00 06/04/2018 02/04/2018 206.4
Tamaulipas Cliente Silleria $2,251 2 0% $0.00 11/10/2018 08/10/2018 922.8
Veracruz Cliente Métalicos $129 5 0% $0.00 11/10/2018 08/10/2018 11
Monterrey Cliente Mobiliario $505 3 0% $0.00 18/06/2016 14/06/2016 95.4
Oaxaca Cliente Mobiliario $3,377 3 0% $0.00 18/06/2016 14/06/2016 641.4

Tabla 1 Base de datos de la empresa OFIK

Estadística descriptiva
Se puede definir como la recolección, presentación, descripción, análisis e
interpretación de una colección de datos, esencialmente consiste en resumir éstos
con uno o dos elementos de información, que caracterizan la totalidad de estos.
[ CITATION San02 \l 4106 ].

Se definido aplicar la estadística descriptiva para tener un panorama general del

comportamiento de ventas y ganancias en los últimos cuatro años de la empresa.
Distribución normal
La distribución normal es una distribución con forma de campana donde las
desviaciones estándar sucesivas con respecto a la media establecen valores de
referencia para estimar el porcentaje de observaciones de los datos. Estos valores
de referencia son la base de muchas pruebas de hipótesis, como las pruebas Z y
t.
 Ilustración 1 Grafica de distribución normal

Es importante realizar una prueba de normalidad para verificar si los datos se

comportan normalmente, así podemos determinar de qué forma se van a trabajar
o si es necesario ajustar los datos.
Prueba de Anderson-Darling

El estadístico Anderson-Darling mide qué tan bien siguen los datos una
distribución específica. Para un conjunto de datos y distribución en particular,
mientras mejor se ajuste la distribución a los datos, menor será este estadístico.
Por ejemplo, usted puede utilizar el estadístico de Anderson-Darling para
determinar si los datos cumplen el supuesto de normalidad para una prueba t.
Las hipótesis para la prueba de Anderson-Darling son:

 H0: Los datos siguen una distribución especificada

 H1: Los datos no siguen una distribución especificada

Utilice el valor p correspondiente (si está disponible) para probar si los datos
provienen de la distribución elegida. Si el valor p es menor que un nivel de
significancia elegido (por lo general 0.05 o 0.10), entonces rechace la hipótesis
nula de que los datos provienen de esa distribución. 

Pronósticos
En el mundo globalizado y con mercados tan competidos como los que enfrentan
hoy las empresas se ven obligadas a buscar mayor eficiencia en sus procesos de
negocio. En este sentido,  un  tema  que  actualmente  interesa  es  cómo 
pronosticar  conmás  certeza  la  demanda  de  productos  o  servicios. 
Cada vez más  empresas están  redefiniendo  y  formalizando  el  proceso  de 
elaboración  de  pronósticos  para  llevar  a  cabo  una  mejor 
planeación de ventas y operación y, por lo tanto, un mejor desempeño financiero.  
Un pronóstico  es  información  con  cierto  grado  de  probabilidad  de  lo  que 
pudiera  pasar. 
La probabilidad de éxito, está en función directa de la elaboración de los pronóstic
os. Dicho de  otra  forma,  el  resultado  de  la  planeación  y  operación  de  la 
empresa  está  directamente  ligada a la certeza de los pronósticos.  
Serie de tiempo
Una serie de tiempo es una secuencia de observaciones en una variable que se
mide en puntos sucesivos en el tiempo o sobre un periodo sucesivo. Las medidas
pueden ser tomadas cada hora, dia, semana, mes o año, o en cualquier otro
intervalo regular. El patrón de datos es un factor importante en la comprensión de
cómo las series de tiempo se han comportado en el pasado. Si se espera que tal
comportamiento continúe en el futuro, se puede utilizar el patrón anterior como
guía en la selección de un método de elaboración de pronósticos adecuado.
Promedios móviles
En el método del promedio móvil, cada observación en los cálculos recibe el
mismo peso. Una variante, conocida como promedios móviles ponderados,
consiste en seleccionar un peso diferente para cada uno de los valores y después
calcular el promedio ponderado de los k valores más recientes como pronóstico.
En la mayoría de los casos la observación más reciente recibe el mayor peso, y
los pesos se reducen para los datos más antiguos.
Suavizamiento exponencial
El suavizamiento exponencial también utiliza un promedio ponderado de los
valores pasados de la serie de tiempo como pronóstico; es un caso especial del
método de promedio móvil ponderado en el que se elige sólo un peso, aquel para
la observación más reciente. Los pesos de los valores para los demás datos se
calculan automáticamente y son más pequeños conforme las observaciones se
vuelven más antiguas. La ecuación de suavizamiento exponencial es la siguiente.

Ilustración 2 Fórmula de suavizamiento exponencial

Análisis de regresión múltiple

Una extensión natural del modelo de regresión lineal simple consiste en considerar
más de una variable explicativa. Los modelo de regresión múltiple estudian la
relación entre una variable de interés y una (variable respuesta o dependiente) y
un conjunto de variables explicativas o regresoras X1, X2, . . . , Xp . En el modelo
de regresión lineal múltiple se supone que la función de regresión que relaciona la
variable dependiente con las variables independientes es lineal.
DESARROLLO
Estadística descriptiva
Se agrupo en una tabla en Excel los datos acumulados de los años 2015,
2016,2017,2018, respecto a sus pedidos, ventas y ganancias.

AÑO PEDIDOS VENTAS GANANCIAS

2015 6399.00 3840654.00 368134.80
2016 8242.00 4594339.00 491489.50
2017 11376.00 6083433.00 612963.28
2018 12338.00 7049593.00 729328.06
Tabla 2 Tabla de pedidos, ventas y ganancias de la empresa

Se realizo un análisis de los cuatro años para poder conocer de forma general los
datos y su comportamiento, para esto se utilizó Excel, la herramienta datos>
análisis de datos >estadística descriptiva.
Análisis de ventas por los 4 años
Estadística descriptiva
Media 5392004.75 El promedio por los cuatro años de ventas obtenidas fue de $5,392,004.75
Mediana 5338886 Las ventas por los cuatros años se mantuvieron entre $5,338,886.00
Rango 3208939 La diferencia entre el monto de ventas del año más alto del más bajo es de $3,208,939.00
Mínimo 3840654 El monto de ventas más bajas reportadas es de $3,840,654.00 del año 2015
Máximo 7049593 El monto de ventas más altas es de $7,049,593.00 del año 2018
Suma 21568019 La sumatoria de los montos de ventas de los cuatro años es de $21,568,019.00
Cuenta 4 4 años evaluados

Análisis de ganancias por los 4 años

Estadística descriptiva
Media 550478.91 El promedio por los cuatro años de ganancias obtenidas fue de $550,478.91
Mediana 552226.39 Las ganancias por los cuatros años se mantuvieron entre $552,226.39
Rango 361193.26 La diferencia entre el monto de ganancias del año más alto del más bajo es de $361,193.26
Mínimo 368134.80 El monto de ganancias más bajas reportadas es de $368,134.80 del año 2015
Máximo 729328.06 El monto de ganancias más altas es de $729,328.06 del año 2018
Suma 2201915.64 La sumatoria de los montos de ganancias de los cuatro años es de $2,201,915.64
Cuenta 4 4 años evaluados

Análisis de pédidos por los 4 años

Estadística descriptiva
Media 9588.75 El promedio por los cuatro años de pédidos fue de 9588.75
Mediana 9809.00 Los pédidos por los cuatros años se mantuvieron entre 9809
Rango 5939.00 La diferencia entre el menor pédido del más alto es de 5939
Mínimo 6399.00 El monto de pédidos más bajos reportadas es de 6399 del año 2015
Máximo 12338.00 El monto de pédidos más alto es de 12338 del año 2018
Suma 38355.00 La sumatoria de pédidos por los cuatros años es de 38355
Cuenta 4.00 4 años evaluados

Tabla 3 Análisis de la estadística descriptiva

Prueba de normalidad
La prueba de normalidad se realizo en Minitab. Elija Estadísticas > Estadísticas
básicas > Prueba de normalidad.

La prueba los arrojo los siguientes gráficos:

Año 2015
Normal
99
Mean 320721
StDev 166801
95
N 12
90 AD 0.548
P-Value 0.123
80
70
Percent

60
50
40
30
20

10
5

1
.0 0.
0
0.
0
0.
0
0.
0
0.
0
0.
0
0.
0
0.
0
0.
0
0 00 $ 00 00 00 00 00 00 00 00
0, 0, 0, 0, 0, 0, 0, 0, 0,
10 10 2 0 30 40 5 0 60 70 80
-$ $ $ $ $ $ $ $ $

2015

Ilustración 3 Prueba de normalidad del año 2015

Año 2016
Normal
99
Mean 382862
StDev 184989
95 N 12
AD 0.339
90
P-Value 0.435
80
70
Percent

60
50
40
30
20

10
5

1
$ 0.0 $ 200,000.0 $ 400,000.0 $ 600,000.0 $ 800,000.0
2016

Ilustración 4 Prueba de normalidad del año 2016

 Año 2017
Normal
99
Mean 506953
StDev 185102
95 N 12
90 AD 0.658
P-Value 0.064
80
70

Percent
60
50
40
30
20

10
5

2017

Ilustración 5 Prueba de normalidad del año 2017

Año 2018
Normal
99
Mean 587466
StDev 298777
95
N 12
90 AD 0.424
80 P-Value 0.265
70
Percent

60
50
40
30
20

10
5

2018

Ilustración 6 Prueba de normalidad del año 2018

Pronósticos

Los pronósticos se realizaron en Minitab ofrece varios métodos de pronóstico y

suavización simples, métodos de análisis de correlaciones y técnicas del modelo
ARIMA para analizar los datos de series de tiempo.

Gráfica de series de tiempo

Para graficar los datos en orden cronológico con fin de determinar si hay una
tendencia o un patrón estacional, cree una gráfica de series de tiempo. En Minitab,
elija Estadísticas > Series de tiempo > Gráfica de serie de tiempo.
 Serie de Tiempo para las Ventas Mensuales (2015,2016,2017,2018)
$ 1,200,000.0 Variable
2015
2016
$ 1,000,000.0 2017
2018

$ 800,000.0

Data
$ 600,000.0

$ 400,000.0

$ 200,000.0

$ 0.0
1 2 3 4 5 6 7 8 9 10 11 12
Index

Ilustración 7 Serie de tiempo

Análisis de tendencia
Para ajustar las líneas de tendencia usando un modelo de tendencia lineal,
cuadrático, de crecimiento o de curva S, realice un análisis de tendencia. En
Minitab, elija Estadísticas > Series de tiempo > Análisis de tendencia.

Trend Analysis Plot for 2018

Linear Trend Model
Yt = 98650 + 75203×t
3000000
Variable
Actual
Fits
2500000
Forecasts

Accuracy Measures
2000000 MAPE 2.04886E+01
MAD 1.04498E+05
MSD 1.44350E+10
2018

1500000

1000000

500000

0
4 8 12 16 20 24 28 32 36
Index

Ilustración 8 Gráfica de análisis de tendencia

Promedio móvil
Para suavizar la serie usando un método que promedie las observaciones
recientes y excluya las observaciones más antiguas, utilice un método de
promedio móvil. No use esta opción cuando la serie exhiba una tendencia.
En Minitab, elija Estadísticas > Series de tiempo > Promedio móvil.
 Moving Average Plot for 2018
Variable
1400000
Actual
Fits
1200000 Forecasts
95.0% PI

1000000 Moving Average

Length 3

800000 Accuracy Measures

2018
MAPE 2.63147E+01
MAD 1.90654E+05
600000 MSD 5.04642E+10

400000

200000

0
2 4 6 8 10 12 14 16 18 20 22 24
Index

Ilustración 9 Promedio móvil

Análisis de regresión múltiple

El análisis de regresión múltiple se realizó por medio de Excel por medio de
Datos>Análisis de datos>Regresión, para poder aplicar esto se debe de
determinar nuestras variables dependiente X e independiente Y.
MES PÉDIDOS (X1) DESCUENTOS (X2) VENTAS (X3) GANANCIAS (Y)
ENERO 1302 677.188 894150 109926.8704
FEBRERO 1051 528.256 610711 81975.0892
MARZO 2149 1224.227 1108256 116862.4016
ABRIL 2629 1571.093 1352444 109986.8924
MAYO 2669 1320.23 1558502 164982.742
JUNIO 4341 2547.155 2251995 192207.1772
JULIO 2389 1168.874 1346627 171385.2912
AGOSTO 2406 1249.229 1432118 163659.3192
SEPTIEMBRE 4612 2589.867 2569994 262807.2204
OCTUBRE 4844 2998.602 2845663 268057.3752
NOVIEMBRE 5044 3079.825 2712593 274335.2512
DICIEMBRE 4839 3265.443 2846368 282646.92

Ilustración 10 Acumulados de los distintos años

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95.0% Superior 95.0%
GANANCIA Intercepción 12566.6704 15411.20749 0.815424125 0.438430451 -22971.63782 48104.97857 -22971.63782 48104.97857
PÉDIDOS Variable X 1 -22.5664631 29.45818599 -0.76605067 0.465645934 -90.4971618 45.3642356 -90.4971618 45.3642356
DESCUENTOS Variable X 2 -44.6582845 34.06194016 -1.311090452 0.22620704 -123.2052594 33.88869034 -123.2052594 33.88869034
VENTAS Variable X 3 0.18133653 0.045009713 4.028831015 0.003794224 0.077543944 0.285129114 0.077543944 0.285129114

Ilustración 11 Resultados
Ecuación de ajuste líneal
y=12566.6704-22.5664-44.6582+0.1813

Ilustración 12 Ecuación de ajuste lineal

CONCLUSIONES
 Podemos concluir que los datos se ajustan a una distribución normal ya que el
valor de p-value es mayor al nivel de significancia utilizado de 0.05, por lo cual
los datos se trabajaran como una muestra normal.
 Se obtuvieron los pronósticos de ventas para los siguientes dos años de venta,
obteniendo así mediante los métodos de análisis de tendencia y promedios
móviles los siguientes datos mostrados en la parte superior, como tal los
pronósticos nos muestran que las ventas se aumentaran.
 Se determina que:
o Sí aumenta la venta aumenta la ganancia.
o Sí aumenta los descuentos disminuyen las ganancias.
o Sí aumentan los pedidos y aumenta el descuento, disminuyen las
ganancias.
 Se define que se necesita disminuir en descuentos y aumentar los pedidos.