Las Series de tiempo con el MINITAB

Objetivos:
- Realizar el análisis de una serie de tiempo en un caso específico.
- Simular el comportamiento futuro de la serie de tiempo a través de diferentes
métodos que ofrece el MINITAB.
- Tomar decisiones con los estadígrafos MAPE, MAD, MSD, calculados por el
software.
Ejemplo
En el Grupo Logístico de la Empresa de telecomunicaciones CALLService se
está llevando a cabo un estudio con vistas a mejorar la gestión de sus
inventarios y optimizar las compras. Para ello se decide analizar el consumo por
trimestre del Tóner para Láser Jet 1100_1200_1300 en los últimos cinco años
para estimar el comportamiento de los próximos períodos y tomar decisiones al
respecto utilizando el pronóstico de series cronológicas.
Los datos son:

Año Trimestre yt
2008 1 8
2 10
3 12
4 5
2009 1 10
2 12
3 14
4 6
2010 1 11
2 13
3 16
4 7
2011 1 13
2 15
 3 19
4 8
2012 1 14
2 17
3 22
4 9

Utilizar el MINITAB para tomar decisiones sobre la serie cronológica que se

estudia y pronosticar su comportamiento futuro.

Respuesta:
1- Se introducen los datos y se modela la tendencia de la serie
 2- Se modela la tendencia de la serie

La ecuación de la Tendencia es yt=8,19+0,368*t, nótese que el modelo de serie

hasta aquí solo tiene presencia de la componente tendencia.
 3- Se define luego la presencia o no de la componente estacional (Et), para
esto se analiza el correlograma de la serie.

Correlograma de la serie
Algunas propiedades importantes sobre el correlograma de la serie
• ry(0) = 1 para cualquier serie.
• Si ry(T) es un valor positivo notable, hay una correlación positiva fuerte
entre yt y yt-T.
• Si ry(T) es un valor negativo notable, significa que hay una correlación
negativa fuerte entre yt y yt-T.

Análisis del gráfico

• Si el correlograma de la serie va de valores positivos a negativos, la
Tendencia es la componente más relevante y no es constante.
• Si todos los ry(T) = 0 o cercanos a cero, solo hay presencia de
componente irregular (esto ocurre cuando todos los valores de
autocorrelación de la serie están dentro de los límites que establece la
línea roja del gráfico).
• Si se observa un máximo relativo en el retardo T = p, la Estacionalidad,
es la componente predominante. POR LO TANTO, LA
ESTACIONALIDAD SE RECONOCE EN EL CORRELOGRAMA POR LA
PRESENCIA DE UN MÁXIMO RELATIVO PRONUCIADO. EL
RETARDO EN EL CUAL SE PRODUCE EL PRIMER MÁXIMO
RELATIVO PRONUNCIADO DE UN CORRELOGRAMA INDICA EL
VALOR DEL PERÍODO “p”.

En el ejercicio se observa un máximo pronunciado (por encima de la línea

roja) en el retardo 4, es el primer máximo que se observa (y único) por lo
que la serie es estacional con período 4.

Tenga en cuenta además que:

 • En T = 1 nunca hay un máximo relativo, pues el máximo absoluto está en
T = 0.
• Las autocorrelaciones negativas no indican estacionalidad.

El modelo de la serie es: Yt=(8,19+0,368*t)*Et+It

4- Se modela la estacionalidad (solo si se detecta en el paso anterior la

presencia de estacionalidad, de lo contrario se va al paso uno y se realiza
el pronóstico de la serie teniendo en cuenta la tendencia de la serie) y se
realiza el pronóstico.
Aquí realizamos el pronóstico con origen 12 y pronosticamos 10 instantes de
tiempo a partir de t=12, o sea desde t=13 hasta t=22. El pronóstico es adecuado
(línea azul).
El pronóstico para el instante de tiempo 13 es 12,8379.

Se realiza un buen pronóstico, el pronóstico está errado solo en un 2,19%

según el estadígrafo MAPE. El MAD y EL MSD son valores pequeños, pero
no podemos tomar decisiones con ellos hasta tanto no actualicemos la
función de pronóstico a través del alisamiento exponencial y comparemos
estos estadígrafos para decidir con cual método se minimizan los errores
de pronóstico.

5- Se realiza el pronóstico con alisamiento exponencial simple

Mal pronóstico, el pronóstico está errado en un 35% según el estadígrafo
MAPE. El MAD y EL MSD son mayores que en el pronóstico anterior sin
suavizar la serie.
Usando el método Winter mejora el pronóstico con respecto al alisamiento,
veamos:
Mejoran los indicadores con respecto al alisamiento exponencial pero no
con respecto al pronóstico inicial.

Cambiando las constantes de alisamiento a 0,6 como en la CP se obtiene:

Nótese que mejora el pronóstico, con respecto al anterior con constantes
igual a 0,2 pero se debe encontrar la mejor combinación de las constantes
de alisamiento para obtener los mejores resultados de los indicadores
(MAPE, MAD, MSD)

Recomendaciones:

Utilice los estadísticos MAPE, MAD y MSD para comparar los ajustes de
diferentes métodos de pronóstico y suavización. Para las tres medidas, valores
más pequeños por lo general indican un modelo de ajuste más adecuado.

Los tres números son más bajos para el modelo de tendencia lineal en
comparación con el método de suavización exponencial individual. Por tanto, el
modelo de tendencia lineal parece proporcionar el mejor ajuste.

Error porcentual absoluto medio (MAPE, Mean absolute percentage error)

Expresa la exactitud como un porcentaje del error. Como este número es un

porcentaje, puede ser más fácil de entender que los otros estadísticos. Por
ejemplo, si el MAPE es 5, en promedio, el pronóstico está errado en un 5%.

Desviación absoluta media (MAD, Mean absolute deviation)

Expresa exactitud en las mismas unidades que los datos, lo cual ayuda a
conceptualizar la cantidad de error. Los valores atípicos tienen menos efecto en
MAD que en MSD.

Desviación cuadrática media (MSD, Mean squared deviation)

Una medida utilizada comúnmente de la exactitud de los valores ajustados de

las series de tiempo. Los valores atípicos tienen mayor efecto en MSD que en
MAD.