Semana 12 – Sesión 02

Logro: Al finalizar la sesión el estudiante, realiza pronósticos de una variable en función del tiempo,
mediante la aplicación de conceptos de Series de Tiempo en la resolución de casos de su especialidad.

Laboratorio Semana Nº 12

La base de datos que se encuentra en el AV con el nombre MA461_202201_Semana 12_Sesión 02

BD.xls corresponde a los registros de la empresa Smart King Perú.

Regla de decisión usando SIG

Condición Decisión
SIG < α Rechazar H0
SIG ≥ α No rechazar H0

Situación 1:
El gerente de Smart King con el objetivo de promover la compra de los scooters en efectivo, desea
obtener el pronóstico del monto total de compra en noviembre del presente año. Para ello, cuenta
con los datos del monto total de compra (en soles) desde enero de 2018 a octubre de 2021.

Año
Mes
2018 2019 2020 2021
Enero 1025.10 932.70 1896.30 3258.90
Febrero 477.90 542.25 842.40 2432.70
Marzo 306.75 229.95 356.40 1609.20
Abril 111.60 167.85 367.65 1480.95
Mayo 171.75 376.50 599.40 1663.20
Junio 516.00 819.30 1289.70 2728.35
Julio 551.10 1273.80 2900.25 4511.70
Agosto 1170.60 2057.25 3682.35 5809.50
Setiembre 1482.15 2587.80 4455.45 6078.40
Octubre 1722.30 2780.40 4474.35 6161.75
Noviembre 1713.60 2653.50 4351.95  
Diciembre 1655.55 2216.55 3820.05  

Si el pronóstico del monto total de compra, para octubre de 2022, es menor a 30 mil soles el
gerente lanzará la campaña “10% de descuento por realizar la compra en efectivo”. Utilice un nivel
de significación del 1%.

Solución:
Objetivo específico:

INTERPRETACIÓN
Determinar ….

REPRESENTACIÓN
Variable Y (dependiente):
Variable X:
1
Herramienta Estadística: Método de Descomposición
Nivel de significación: 1%

CÁLCULO Y ANÁLISIS
1. Determinar los Promedio Móviles Centrados (PMC) según la longitud del período de tiempo.
2. Calcular la razón de los valores de la Serie (Y) entre el Promedio Móviles Centrado (Y / PMC).

Año Mes Monto total de compra PM PMC

Enero 1025.1    
Febrero 477.9    
Marzo 306.75    
Abril 111.6    
Mayo 171.75    
Junio 516    
2018
Julio 551.1
Agosto 1170.6
Setiembre 1482.15
Octubre 1722.3
Noviembre 1713.6
Diciembre 1655.55
Enero 932.7
Febrero 542.25
Marzo 229.95
Abril 167.85
Mayo 376.5
Junio 819.3
2019
Julio 1273.8
Agosto 2057.25
Setiembre 2587.8
Octubre 2780.4
Noviembre 2653.5
Diciembre 2216.55
Enero 1896.3
Febrero 842.4
Marzo 356.4
Abril 367.65
Mayo 599.4
Junio 1289.7
2020
Julio 2900.25
Agosto 3682.35
Setiembre 4455.45
Octubre 4474.35
Noviembre 4351.95
Diciembre 3820.05
Enero 3258.9
2021
Febrero 2432.7

2
 Marzo 1609.2
Abril 1480.95
Mayo 1663.2
Junio 2728.35
Julio 4511.7
Agosto 5809.5    
Setiembre 6078.4    
Octubre 6161.75    

3. Calcular el Índice de Estacionalidad no ajustado (IE).  IE = Promedio de “Y/PMC” de cada

periodo
4
4. Calcular la constante de ajuste (CA).  C.A. =
∑ IE
5. Calcular el Índice de Estacionalidad Ajustado (IEA).  IEA = C.A.*IE

Año Promedio
Mes IEA
2018 2019 2020 2021 (IE)
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Setiembre
Octubre
Noviembre
Diciembre

6. Calcular la Serie sin la Estacionalidad (serie desestacionalizada) Y sin estc. = Y / IEA

Monto total
Año Mes PM PMC Y/PMC IEA Ysin estc. T: Tiempo
de compra
Enero 1025.10       1
Febrero 477.90       2
Marzo 306.75       3
Abril 111.60       4
Mayo 171.75       5
2018
Junio 516.00       6
Julio 551.10 908.70000 904.85000 0.60905 7
Agosto 1170.60 901.00000 903.68125 1.29537 8
Setiembre 1482.15 906.36250 903.16250 1.64107 9
Octubre 1722.30 899.96250 902.30625 1.90878 10
3
 Noviembre 1713.60 904.65000 913.18125 1.87652 11
Diciembre 1655.55 921.71250 934.35000 1.77187 12
Enero 932.70 946.98750 977.10000 0.95456 13
Febrero 542.25 1007.21250 1044.15625 0.51932 14
Marzo 229.95 1081.10000 1127.16875 0.20401 15
Abril 167.85 1173.23750 1217.32500 0.13788 16
Mayo 376.50 1261.41250 1300.57500 0.28949 17
Junio 819.30 1339.73750 1363.11250 0.60105 18
2019
Julio 1273.80 1386.48750 1426.63750 0.89287 19
Agosto 2057.25 1466.78750 1479.29375 1.39070 20
Setiembre 2587.80 1491.80000 1497.06875 1.72858 21
Octubre 2780.40 1502.33750 1510.66250 1.84052 22
Noviembre 2653.50 1518.98750 1528.27500 1.73627 23
Diciembre 2216.55 1537.56250 1557.16250 1.42345 24
Enero 1896.30 1576.76250 1644.53125 1.15309 25
Febrero 842.40 1712.30000 1780.01250 0.47326 26
Marzo 356.40 1847.72500 1925.54375 0.18509 27
Abril 367.65 2003.36250 2073.94375 0.17727 28
Mayo 599.40 2144.52500 2215.29375 0.27057 29
Junio 1289.70 2286.06250 2352.87500 0.54814 30
2020
Julio 2900.25 2419.68750 2476.46250 1.17113 31
Agosto 3682.35 2533.23750 2599.50000 1.41656 32
Setiembre 4455.45 2665.76250 2717.96250 1.63926 33
Octubre 4474.35 2770.16250 2816.55000 1.58859 34
Noviembre 4351.95 2862.93750 2907.26250 1.49692 35
Diciembre 3820.05 2951.58750 3011.53125 1.26847 36
Enero 3258.90 3071.47500 3138.61875 1.03832 37
Febrero 2432.70 3205.76250 3294.39375 0.73844 38
Marzo 1609.20 3383.02500 3450.64792 0.46635 39
Abril 1480.95 3518.27083 3588.57917 0.41268 40
Mayo 1663.20 3658.88750     41
2021
Junio 2728.35       42
Julio 4511.70       43
Agosto 5809.50       44
Setiembre 6078.40       45
Octubre 6161.75       46

7. Análisis de Regresión Simple (Lineal o No Lineal) a las variables: Y desestacionalizada vs. Xtiempo

4
 ORDENAR LOS MODELOS:
Modelo R2 Ranking/Prioridad
Lineal
Cuadrático
Potencia
Exponencial

VALIDACIÓN DEL MEJOR MODELO:

Modelo …….
Prueba T
H0 : β_ = 0
H0 : β_ ≠ 0

Tcal = Sig = α = 0.01

Decisión:
Conclusión:

El mejor modelo válido para estimar Ysin estacionalidad es:

8. Estimar con el mejor Regresión Simple el pronóstico de Y desestacionalizada

9. Estimar el Y-Pronóstico Real, el pronóstico calculado en el paso 8 Y desestacionalizada se multiplica por
el IEA correspondiente.

Se requiere el pronóstico de octubre de 2022

Pronostico
Año Mes T: Tiempo ^ysin estac. IEA ( y^ = y^ sinestac. *IEA )
2022 Noviembre

El pronóstico del monto total de compra, para octubre de 2022, es ………

ARGUMENTACIÓN

5
LOS ESTUDIANTES FORMARÁN GRUPOS, DEBEN RESPONDER Y EXPONER LA SOLUCIÓN DEL
SIGUIENTE EJERCICIO

Situación 2:
El gerente de Smart King con el objetivo de aumentar las ventas de la marca de scooter Speedday,
desea obtener el pronóstico del monto total de compra de dicha marca de scooters para el mes de
Julio del presente año. Por ello, cuenta con los datos del número de scooter vendidos de la marca
Speedday, desde enero de 2019 a diciembre de 2021.

Mes 2019 2020 2021

Enero 48 69 85
Febrero 33 40 70
Marzo 16 28 21
Abril 10 18 22
Mayo 13 23 45
Junio 37 67 104
Julio 41 93 126
Agosto 53 101 194
Setiembre 54 128 241
Octubre 58 134 333
Noviembre 57 125 305
Diciembre 51 117 200

Si el pronóstico del número de scooters vendidos de la marca Speedday, para julio de 2022, es
menor a 300 unidades, el gerente lanzará la promoción “20% de descuento a partir del segundo
scooter de la marca Sppedday”. Utilice un nivel de significación del 5%

Solución:
Objetivo específico:

INTERPRETACIÓN
Determinar….

REPRESENTACIÓN
Variable Y (dependiente): Número de scooter vendidos
Variable X: Tiempo en meses
Herramienta Estadística: Método de Descomposición
Nivel de significación: 5%

CÁLCULO Y ANÁLISIS
1. Determinar los Promedio Móviles Centrados (PMC) según la longitud del período de tiempo.
2. Calcular la razón de los valores de la Serie (Y) entre el Promedio Móviles Centrado (Y / PMC).

Número de scooter
Año Mes PM PMC Y/PMC
vendidos
Enero 48      
2019 Febrero 33      
Marzo 16      
6
 Abril 10      
Mayo 13      
Junio 37      
Julio 41 39.25 40.13 1.02181
Agosto 53 41.00 41.29 1.28355
Setiembre 54 41.58 42.08 1.28317
Octubre 58 42.58 42.92 1.35146
Noviembre 57 43.25 43.67 1.30534
Diciembre 51 44.08 45.33 1.12500
Enero 69 46.58 48.75 1.41538
Febrero 40 50.92 52.92 0.75591
Marzo 28 54.92 58.00 0.48276
Abril 18 61.08 64.25 0.28016
Mayo 23 67.42 70.25 0.32740
Junio 67 73.08 75.83 0.88352
2020
Julio 93 78.58 79.25 1.17350
Agosto 101 79.92 81.17 1.24435
Setiembre 128 82.42 82.13 1.55860
Octubre 134 81.83 82.00 1.63415
Noviembre 125 82.17 83.08 1.50451
Diciembre 117 84.00 85.54 1.36775
Enero 85 87.08 88.46 0.96090
Febrero 70 89.83 93.71 0.74700
Marzo 21 97.58 102.29 0.20530
Abril 22 107.00 115.29 0.19082
Mayo 45 123.58 131.08 0.34329
Junio 104 138.58 142.04 0.73218
2021
Julio 126 145.50    
Agosto 194      
Setiembre 241      
Octubre 333      
Noviembre 305      
Diciembre 200      

3. Calcular el Índice de Estacionalidad no ajustado (IE).  IE = Promedio de “Y/PMC” de cada

periodo
4
4. Calcular la constante de ajuste (CA).  C.A. =
∑ IE
5. Calcular el Índice de Estacionalidad Ajustado (IEA).  IEA = C.A.*IE

Año Promedio
Mes IEA
2019 2020 2021 (IE)
Enero
Febrero
Marzo
7
 Abril
Mayo
Junio
Julio
Agosto
Setiembre
Octubre
Noviembre
Diciembre

6. Calcular la Serie sin la Estacionalidad (serie desestacionalizada) Y sin estc. = Y / IEA

Número de
Año Mes PM PMC Y/PMC IEA Ysin estc. T: Tiempo
scooter vendidos
Enero 48       1
Febrero 33       2
Marzo 16       3
Abril 10       4
Mayo 13       5
Junio 37       6
2019
Julio 41 39.25 40.13 1.02181 7
Agosto 53 41.00 41.29 1.28355 8
Setiembre 54 41.58 42.08 1.28317 9
Octubre 58 42.58 42.92 1.35146 10
Noviembre 57 43.25 43.67 1.30534 11
Diciembre 51 44.08 45.33 1.12500 12
Enero 69 46.58 48.75 1.41538 13
Febrero 40 50.92 52.92 0.75591 14
Marzo 28 54.92 58.00 0.48276 15
Abril 18 61.08 64.25 0.28016 16
Mayo 23 67.42 70.25 0.32740 17
Junio 67 73.08 75.83 0.88352 18
2020
Julio 93 78.58 79.25 1.17350 19
Agosto 101 79.92 81.17 1.24435 20
Setiembre 128 82.42 82.13 1.55860 21
Octubre 134 81.83 82.00 1.63415 22
Noviembre 125 82.17 83.08 1.50451 23
Diciembre 117 84.00 85.54 1.36775 24
Enero 85 87.08 88.46 0.96090 25
Febrero 70 89.83 93.71 0.74700 26
Marzo 21 97.58 102.29 0.20530 27
2021 Abril 22 107.00 115.29 0.19082 28
Mayo 45 123.58 131.08 0.34329 29
Junio 104 138.58 142.04 0.73218 30
Julio 126 145.50     31

8
 Agosto 194       32
Setiembre 241       33
Octubre 333       34
Noviembre 305       35
Diciembre 200       36

7. Análisis de Regresión Simple (Lineal o No Lineal) a las variables: Y desestacionalizada vs. Xtiempo

ORDENAR LOS MODELOS:

Modelo R2 Ranking/Prioridad
Lineal
Cuadrático
Potencia
Exponencial

VALIDACIÓN DEL MEJOR MODELO:

Modelo ……
Prueba T
H0 : β_ = 0
H0 : β_ ≠ 0

Tcal = Sig = α = 0.05

Decisión:
Conclusión:

El mejor modelo válido para estimar Ysin estacionalidad es:

8. Estimar con el mejor Regresión Simple el pronóstico de Y desestacionalizada

9. Estimar el Y-Pronóstico Real, el pronóstico calculado en el paso 8 Y desestacionalizada se multiplica por
el IEA correspondiente.

Se requiere el pronóstico del mes de julio de 2022

Pronostico
Año Mes T: Tiempo ^ysin estac. IEA ( y
^ = y^ sinestac. *IEA )
2022 Julio

El pronóstico del número de scooter vendidos, para julio de 2022, es …….

ARGUMENTACIÓN