Pontificia Universidad Católica de Valparaíso

Facultad de Ingeniería
Escuela de Ingeniería Industrial

Evaluación ST

por

Diego Quiroz M.

Métodos Cuantitativos
para la Toma de
Decisiones

Prof.: Pamela Wilson S.

Septiembre, 2019
Problema ST

Considere la siguiente información relacionada con las ventas mensuales en cierta empresa de la zona:

Año Mes Ventas (miles de unidades) Año Mes Ventas (miles de unidades) Año Mes Ventas (miles de unidades)
1 1 20 3 1 20 5 1 50
2 30 2 50 2 20
3 30 3 50 3 30
4 30 4 30 4 20
5 40 5 40 5 70
6 60 6 60 6 60
7 70 7 70 7 80
8 60 8 100 8 100
9 100 9 150 9 200
10 120 10 150 10 200
11 140 11 180 11 220
12 80 12 80 12 80
2 1 30 4 1 50
2 40 2 40
3 30 3
4 50 4 20
5 50 5 50
6 80 6 70
7 30 7 100
8 80 8 140
9 120 9 160
10 120 10 160
11 160 11 200
12 100 12 120

a) Realice una imputación de la observación faltante.

b) Realice un análisis descriptivo de la data. Comente
c) Desarrolle y justifique un método de pronóstico.
d) ¿Cuál es el pronóstico de los siguientes 6 meses?
e) ¿Cómo mejorar la exactitud del pronóstico?
 Imagen de plot con los datos en bruto, se aprecia que en el año 4 mes 3 hay una observación faltante.

a) Realice una imputación de la observación faltante.

El primer camino, previo a utilizar cualquier tipo de procedimiento referente a los datos faltantes, es el de examinar su naturaleza.
Para este modelo se empleará la moda de observaciones vecinas o estacionalmente vecinas (mes de marzo), resultando el valor 30.

Imagen de plot posterior a la imputación de la observación faltante. (se setea que comience desde el año 2000).
b) Realice un análisis descriptivo de la data. Comente

Mínimo 20
1st Qu. 40
Median 70
Mean 82
3rd Qu. 120
Maximo 220
Desviación Estándar 54,0495
Coef. Variación 0,6591

Se aprecia que el coeficiente de variación es menor al 70%, esto representa que la media aritmética es representativa del conjunto de
datos, en consecuencia el conjunto de datos es homogéneo.

El “cajón con bigotes” nos proporciona una visión general de la simetría de la distribución de los datos; la mediana no está en el
centro del rectángulo, por ende la distribución no es simétrica, también podemos concluir que no estamos en presencia de valores
atípicos outliers.
c) Desarrolle y justifique un método de pronóstico.
Debido al comportamiento de los datos históricos desde el año 1 hasta el año 5 resumidos en el primer gráfico, se evidencia una
tendencia lineal con pendiente positiva, lo cual nos permite utilizar el método de mínimos cuadrados para realizar el pronóstico del
año 6 en las ventas, para de esta forma tener un aproximado del comportamiento de las ventas para el año 6.

Pronostico año 6 metodo de minimos cuadrados

(regresión lineal)
160

140

120

100

80

60

40

20

-
0 2 4 6 8 10 12 14

d) ¿Cuál es el pronóstico de los siguientes 6 meses?

Se aprecia en la línea de predicción (roja) que sigue la curva decreciente y luego creciente para los primeros 6 meses, las líneas azules
corresponde a los intervalos superior e inferior.
Podemos ver en esta serie de tiempo que parece haber una variación estacional en el número de ventas por mes: hay una cúspide en
los meses de primavera (estacionalidad meteorológica) y una depresión en diciembre y meses de verano.
e) ¿Cómo mejorar la exactitud del pronóstico?

Para mejorar el pronóstico se puede utilizar herramientas de pronósticos en Excel o R, pero para ello es necesario la utilización de
otra variable de la empresa por ejemplo los costos vs las ventas y así realizar el pronóstico; también se puede mejorar la exactitud del
pronóstico con un mayor número de datos, por ejemplo consolidando las ventas semanales de la empresa en los cinco años estudiados
o aumentando el histórico de información a 6, 7 años o más, esto con el fin de generar una mayor exactitud estadística en el
pronóstico.