LICENCIATURA EN

INGENIERÍA INDUSTRIAL

ESTADISTICA INFERENCIAL II
U2, TEMA 2

T2A1 Portafolio de evidencias

Portafolio de evidencias de los ejercicios de clases

P R E S E N T A
Rosa Itzel Paredes Naranjo

ASESOR INTERNO:
Antonio Palomares Díaz

URUAPAN, MICH. 21-Abril-2021

EJERCICIO 1
Un analista de mercadotecnia desea evaluar tendencias en las ventas de raquetas de
tenis. El analista recoge datos de las ventas de los cinco años previos para predecir las
ventas del producto en los próximos 3 meses.
-Para esto se descargan los datos y se colocan en minitab

- Posterior a tener los datos en minitab se hace una gráfica de serie de tiempos de
raquetas.
Para esta se utiliza una gráfica de serie de tiempos simple como también se toma
tiempo/escala.

Posterior nos arroja la gráfica de series de tiempo de Raquetas

En esta grafica se puede ver como varea
el mes y que se puede percibir el mes de
enero con altas y que no siempre es así,
pero si la mayor parte del año se denoto
que enero siempre estuvo más alto en
cuanto a los otros meses.

- Después elaboramos utilizando el método de series de tiempo, hicimos una

descomposición de series de tiempo para raquetas.
 -
-

Nos arrojan datos su MAPE, MAD Y SU MDS, en su MAD, vemos que tiene un 13.824
por lo tanto aun no es un mejor modelo a presentar.

Pronósticos
Período Pronóstico
ene 506.583
feb 492.520
mar 504.497

Elaboramos una descomposición de series de tiempo pero ahora en tipo de modelo

aditivo.

Observamos que el MAD, se incrementaba cada vez más por lo tanto no era un
modelo deseado.
Así que hicimos un análisis de tendencias para raquetas para ver su
comportamiento.
Medidas de exactitud
MAPE 2.474
MAD 9.462
MSD 135.701

Se puede ver como el MAD, es de 9.462 ya es mucho mejor el modelo.

Y sus pronósticos

Pronósticos
Período Pronóstico
ene 528.984
feb 535.249
mar 541.608
EJERCICIO 2
Un analista de marketing desea predecir las ventas de un driver de golf. El analista recoge
datos de las ventas anteriores para predecir las ventas del producto en los próximos 3
meses.
- Como primer paso descargamos el archivo donde venían los datos y los colocamos
en minitab.
- Como 2do paso se hace una gráfica de series de tiempos de ventas, lo cual será
simple para ver su reacción.

Se calcula la serie de tiempos y se toman tiempos en este caso es en mes. Lo cual nos arroja
la gráfica de series de tiempos de ventas

En la gráfica de series de tiempo nos damos cuenta como se denota que en julio hay una
alta venta que en los demás meses y que este mes siempre se mantiene alto
- Tercer paso hacemos una descomposición de series de tiempo de ventas, para ver
cuál es su reacción y comportamiento. También se toma tiempo/ escala de un mes
y se denotan los resultados siguientes y su comportamiento.
Se obtienen estas gráficas y modelos

Método
Tipo de modelo Modelo aditivo
Datos Ventas
Longitud 48
Número de valores faltantes 0

Medidas de exactitud
MAPE 7.265
MAD 16.621
MSD 518.119

Pronósticos
Período Pronóstico
ene 233.672
feb 246.367
mar 255.312

Lo cual se denota en estos modelos y la gráfica que su MAD, es de 16.621 lo cual debemos
ver otro método de series de tiempo para ver cuál mejor se ajusta al modelo.
- El siguiente paso es hacer prácticamente lo mismo pero ahora con un tipo de modelo aditivo ya que el
paso anterior fue multiplicativo y debido a esto debe haber un mejor cambio.

Una vez observando esta grafica vemos que

tiene un comportamiento muy diferente que
se puede leer pero es más tedioso y su MAD
aumento por lo tanto este modelo es mucho
menos eficaz que el anterior.

Medidas de exactitud
MAPE 13.95
MAD 30.23
MSD 1373.64

Método
Tipo de modelo Modelo aditivo
Datos Ventas
Longitud 48
Número de valores faltantes 0
Ahora en el 4to paso aremos el método de winters para ventas y ver su
comportamiento

Después de esto se hace el método de winters con ventas, como

también se toman tiempo, en mes. Para ver cuál es si reacción.

Lo que nos arroja minitab son tablas:

Método
Tipo de modelo Método aditivo
Datos Ventas
Longitud 48

Como se ve en la tabla de modelo de

exactitud, se puede visualizar como el MAD,
es de 18.503, lo cual tampoco se ajusta a
nuestro modelo de serie de tiempos, y que
Medidas de exactitud el mejor modelo es el de descomposición de
MAPE 7.906 series de tiempos para ventas en modelo
MAD 18.503 multiplicativo.
MSD 608.670
EJERCICIO 3
Un vendedor de pasta de dientes recopila datos con respecto a las ventas y el número de
anuncios comerciales que se transmitieron durante las últimas 60 semanas. El comerciante
crea un modelo de series de tiempo para la predicción de las ventas.
- Se colocan los datos en minitab
- Se hace una gráfica de series de tiempo de
ventas, en modelo simple.
- Esta es la gráfica que se denota y como se
puede ver esta alto confusa, se ve que en el mes
de enero sus ventas fueron bajas y que en el mes
más alto de ventas fue diciembre y que ese fue su
comportamiento durante ese año.

- Como paso 2 se hace promedio móvil de ventas esto es otro método de series de
tiempo

El promedio móvil es un método en el

que suavice su serie utilizando un
método que promedie las observaciones
recientes y excluya las observaciones
más antiguas y provea pronósticos a
corto plazo.

- Posterior nos arroja unas tabas y

una gráfica que es con lo que se
determina el modelo que se está
estudiando.
Método
Datos Ventas
Longitud 101
Número de valores faltantes 0

Medidas de exactitud
MAPE 8.8780
MAD 2.9242
MSD 13.8308

Como podemos ver este modelo de promedios móviles fue capaz de hacer que
nuestro modelo sea eficiente ya que tiene un MAD de 2.9242 lo cual este modelo
nos ajusta bien, vemos también que en ventas hubo altas y bajas y que su ajuste fue
un poco diferente a lo actual.

EJERCICIO 4
En este ejercicio trata de la empresa A y empresa B, lo cual veremos cómo se comporta con
los diferentes tipos y métodos de series de tiempo.
- Lo primero que se ara es tomar los datos y colocarlos en minitab

- Como paso 2do es hacer una gráfica de series de tiempo de empresa A y empresa
B con el método simple de la gráfica lo cual nos arroja esta grafica
 Se puede ver como la
empresa A y la empresa
B sus datos y en el mes
son muy diferentes se ve
que la empresa B es un
poco más alto, y que se
ven altas y bajas.
- Se hace un
análisis de tendencia
para empresa A

Medidas de exactitud
MAPE 1.77009
MAD 0.71942
MSD 0.79500

-
Método
Tipo de modelo Modelo de tendencia lineal
Datos Empresa A
Longitud 24
Número de valores faltantes 0

- Este modelo ajusta bien en la empresa A con una longitud de 24, lo cual es un buen
modelo para presentar
- Posterior se hace una descomposición de series de tiempo en la empresa A en tipo
de modelo lineal
Medidas de exactitud
MAPE 4.76409
MAD 1.93896
MSD 6.29518
Se puede percibir como cada vez se ajusta más al modelo de aplicación de series de
tiempo.
- Posterior sacamos un promedio móvil de la empresa A
 Medidas de exactitud
MAPE 2.76080
MAD 1.15750
MSD 1.97293

Lo cual se obtuvo estas medidas de

exactitud

Método
Datos Empresa A
Longitud 24
Pasar sacar los datos que están al lado izquierdo:
utilizamos la suavización exponencial simple para
empresa A, y estos fueron sus resultados

Constante de suavización

α 0.618081

Medidas de exactitud
MAPE 2.59868
MAD 1.06819
MSD 1.54863

- Hicimos el promedio móvil, como también el modelo de winters, para ver sus
reacciones todo relacionado con la empresa A.
Medidas de exactitud
MAPE 1.30866
MAD 0.53716
MSD 0.61065

Pronósticos
Período Pronóstico Inferior Superior
ene 44.1178 42.8018 45.4338
feb 45.7370 44.4004 47.0736
mar 46.0196 44.6600 47.3792
abr 46.0462 44.6613 47.4310

Al momento de
hacer los
ajustes se ve
que es muy
poca la
diferencia de
ajuste de
acuerdo con lo
actual y que el
pronóstico está
más arriba

- Posterior se hizo un análisis de tendencia, se ven cambios también

Medidas de exactitud
MAPE 1.77009
MAD 0.71942
MSD 0.79500
Pronósticos
Período Pronóstico
25 45.3241
26 45.6524
27 45.9806
28 46.3089

Dentro de esta
grafica se observa
fácilmente todos
sus
comportamientos

El uso de minitab
nos sirve para
poder ver como se
está actuando un
modelo dentro de
una empresa ver
si puede hacerse
un ajuste y quede
mejor.