Está en la página 1de 43

UNIVERSIDAD NACIONAL JORGE BASADRE GROHMAN FACULTAD CIENCIAS

JURIDICAS EMPRESARIALES
ESCUELA ACADEMICO PROFESIONAL DE CIENCIAS CONTABLES
PRESENTADO POR : Richard Andrs Ancalla Mamani
Rudy Yujra copa
Luis Ramos Mamani
Cesar Vasquez
2012


PRONOSTICO
P
r
o
n
o
s
t
i
c
o

d
e

C
e
l
u
l
a
r
e
s

PERIODO MOVISTAR CLARO NEXTEL
ENERO 10000 8000 6500
FEBRERO 9500 8500 5200
MARZO 9000 7300 4000
ABRIL 11000 9700 5700
MAYO 9300 7200 5900
JUNIO 8000 6000 4500
JULIO 7000 5000 3000
AGOSTO 7500 5500 3500
SEPTIEMBRE 9200 7700 5800
OCTUBRE 10100 8300 6600
NOVIEMBRE 10500 8200 6700
DICIEMBRE 12000 10200 7900
DATOS DE NUESTRO PRONSTICO
PERIODO 2008
CONTRATO
ESTATAL
Acto jurdico tpico y
caracterizado
Producen razn en
voluntad de agentes
Encaminado a creacin
de obligaciones
AQUELLOS QUE
EN EL STATGR
CONTRATO
ESTATAL
Acto jurdico tpico y
caracterizado
Producen razn en
voluntad de agentes
Encaminado a creacin
de obligaciones
AQUELLOS QUE
CONTRATO
ESTATAL
Acto jurdico tpico y
caracterizado
Producen razn en
voluntad de agentes
Encaminado a creacin
de obligaciones
AQUELLOS QUE
Una vez completado estos pasos, son esenciales para nuestro
pronstico. Ahora nos ubicamos en el men contextual,
seleccionando la opcin Describir/Series de Tiempo/Mtodos
Descriptivos

CONTRATO
ESTATAL
Acto jurdico tpico y
caracterizado
Producen razn en
voluntad de agentes
Encaminado a creacin
de obligaciones
AQUELLOS QUE
En la ventana de mtodos descriptivos, seleccionamos la columna con
la que vamos a trabajar "CELULARES SAC y especificamos en el
intervalo de muestreo

CONTRATO
ESTATAL
Acto jurdico tpico y
caracterizado
Producen razn en
voluntad de agentes
Encaminado a creacin
de obligaciones
AQUELLOS QUE
Horizontal

CONTRATO
ESTATAL
Acto jurdico tpico y
caracterizado
Producen razn en
voluntad de agentes
Encaminado a creacin
de obligaciones
AQUELLOS QUE
CONTRATO
ESTATAL
Acto jurdico tpico y
caracterizado
Producen razn en
voluntad de agentes
Encaminado a creacin
de obligaciones
AQUELLOS QUE
ANALISIS
En la presente grfica, observamos la grfica de secuencia de Tiempo Horizontal, donde
muestra los datos en orden secuencial

Se observa que:
La serie presenta una tendencia con una ligera inclinacin hacia abajo
La serie presenta varianza constante
La serie no presenta factor estacional





Como la serie presenta tendencia, debemos eliminar la
tendencia, a travs de la DIFERENCIACIN



ANALISIS


VERTICAL


ANALISIS
Periodo Datos Ajustados
1/50 10000.0
2/50 9500.0
3/50 9000.0 0.0
4/50 11000.0 2500.0
5/50 9300.0 -3700.0
6/50 8000.0 400.0
7/50 7000.0 300.0
8/50 7500.0 1500.0
9/50 9200.0 1200.0
10/50 10100.0 -800.0
11/50 10500.0 -500.0
12/50 12000.0 1100.0
Periodo Datos Ajustados
1/51 8000.0 -5500.0
2/51 8500.0 4500.0
3/51 7300.0 -1700.0
4/51 9700.0 3600.0
5/51 7200.0 -4900.0
6/51 6000.0 1300.0
7/51 5000.0 200.0
8/51 5500.0 1500.0
9/51 7700.0 1700.0
10/51 8300.0 -1600.0
11/51 8200.0 -700.0
12/51 10200.0 2100.0
Periodo Datos Ajustado
1/52 6500.0 -5700.0
2/52 5200.0 2400.0
3/52 4000.0 100.0
4/52 5700.0 2900.0
5/52 5900.0 -1500.0
6/52 4500.0 -1600.0
7/52 3000.0 -100.0
8/52 3500.0 2000.0
9/52 5800.0 1800.0
10/52 6600.0 -1500.0
11/52 6700.0 -700.0
12/52 7900.0 1100.0
Tabla de datos de movistar tabla de datos de claro



TABLA DE DATOS PARA CELULARES SAC

Tabla de datos de nextel

Lmite en 95.0% Lmite en 95.0%
Retraso Autocorrelacin Error Estd. Inferior Superior
1 -0.537979 0.171499 -0.336132 0.336132
2 0.208703 0.215491 -0.422356 0.422356
3 -0.353284 0.221357 -0.433852 0.433852
4 0.1574 0.237361 -0.465221 0.465221
5 0.0509275 0.240412 -0.471199 0.471199
6 0.0194552 0.240729 -0.471821 0.471821
7 -0.10862 0.240775 -0.471911 0.471911
8 0.235532 0.242212 -0.474728 0.474728
9 -0.308967 0.248857 -0.487752 0.487752
10 0.243526 0.259895 -0.509385 0.509385
11 -0.424973 0.266522 -0.522374 0.522374
Auto correlaciones Estimadas para ajuste de CELULARES SAC


Esta tabla muestra las auto correlaciones estimadas entre los valores de
ajustado CELULARES SAC a diferentes retrasos. El coeficiente de auto
correlacin con retraso k mide la correlacin entre los valores de ajustado
CELULARES SAC al tiempo t y al tiempo t-k. Tambin se muestran lmites
de probabilidad del 95.0% alrededor de 0. Si los lmites de probabilidad a
un retraso particular no contienen el coeficiente estimado, hay una
correlacin estadsticamente significativa a ese retraso al nivel de confianza
del 95.0%. En este caso, uno de los 24 coeficientes de auto correlacin es
estadsticamente significativo al nivel de confianza del 95.0%, implicando
que la serie de tiempo puede no ser completamente aleatoria (ruido blanco).
Puede graficar los coeficientes de auto correlacin seleccionando Funcin
de Auto correlacin de la lista de Opciones Grficas.

AUTOCORRELACIONES ESTIMADAS PARA AJUSTE DE CELULARES SAC



AUTOCORRELACIONES PARCIALES ESTIMADAS PARA AJUSTE DE CELULARES SAC




Identificar el modelo adecuado para hacer pronsticos
Observar, identificar y proponer el modelo adecuado para realizar el pronstico; por lo
cual utilizaremos los grficos de auto correlacin simple y parcial observando el patrn
que siguen dichas correlaciones para as finalmente determinar la estructura que
contendr posteriormente nuestro pronstico a aplicar.

A. Grfico de Auto correlacin Estimadas Simple (FAS)

B. Grfico de Auto correlacin Parciales (FAP)

OBSERVACIN
Segn el estudio realizado, y la observacin pertinente de las grficas, podemos
deducir a travs de las caractersticas que muestran las anteriores grficas, lo
siguiente:
En la FAP, el decrecimiento de la altura de las barras (son los coeficientes de la
funcin) decaen con retardo hacia el cero (0) de forma exponencial o sinusoidal.
La FAS, muestra que algunas barras sobresalen de la banda de significatividad, la
posicin de sta ltima, nos indica el Orden del proceso

La lnea roja en ambas grficas me indica la el intervalo de confianza (95%) de mi
modelo, que nos permite determinar si los coeficientes son o no
significativamente distintos de cero (0). En la FAP, tenemos solo los dos (2)
primeros coeficientes distintos de cero
CONCLUSIN
El primer coeficiente de auto correlacin simple es distinto de cero
Muchos coeficientes de auto correlacin parcial no nulos que decrecen con el
retardo como mezcla de exponenciales
Ajustamos el modelo ARIMA(p,d,q) segn lo que hayamos deducido de todos los
apartados anteriores: el valor de d es el nmero de diferencias regulares que
hemos tenido que tomar, en este caso 2, para hacer la serie estacionaria, p es
el orden de la parte AR , para la empresa CELULARES SAC, es 0. Y q el de la parte
MA, de valor 1, por las barras q exceden mi franja de confianza, siendo distintas
de cero.
Por ello, el modelo a proponer es:



ARIMA (p,d,q) =ARIMA (0,2,1)


FASE III: EVALUACIN
PRIMERO
Vamos al Men principal / Pronsticos / Modelo Definido por el usuario:

Seleccionando la columna de nuestros Datos CELULARES SAC. Con las
caractersticas anteriores, es decir periodicidad mensual, en los intervalos de
muestreo:
SEGUNDO

TERCERO
Una vez en esa venta llenamos los clculos para proponer nuestro
modelo. Definimos el tipo de modelo que es Arima tambin los
parmetros y trminos con diferencia de orden 2 y luego hacemos clip
en aceptar

CUARTO
Llenar la ventana de TABLAS Y GRFICOS

QUINTO
Las tablas y grficos obtenidos. Nos ayudaran a verificar las condiciones que debe cumplir nuestro modelo
Parmetro Estimado Error Estd. t Valor-P
AR(1) -0.540081 0.149274 -3.61805 0.001010
Media 42.9889 233.244 0.184309 0.854934
Constante 66.2065
Modelo RMSE MAE MAPE ME MPE
(A) 2069.12 1651.21 24.7235 -5.62395 -0.149177
(B) 2195.19 1783.33 28.9028 0.0 -10.9341
(C) 2119.49 1641.62 24.8739 285.732 -4.85592
(D) 1934.53 1782.83 27.4227 -124.242 -7.28818
(E) 1593.38 1299.0 19.1476 -68.0719 -3.68573
Modelo RMSE RUNS RUNM AUTO MEDIA VAR
(A) 2069.12 OK OK * OK OK
(B) 2195.19 ** ** *** *** OK
(C) 2119.49 *** *** * ** OK
(D) 1934.53 OK * *** OK OK
(E) 1593.38 OK OK OK OK OK
RESUMEN DE MODELO ARIMA
PERIODO DE ESTIMACIN
Pronstico Histrico: s
Varianza estimada de ruido blanco = 4.28127E6 con 32 grados de libertad
Desviacin estndar estimada de ruido blanco = 2069.12
Nmero de iteraciones: 1
PERIODO DE ESTIMACIN
Clave:

Clave:
RMSE = Root Mean Squared Error (Raz del
Cuadrado Medio del Error)
RUNS = Prueba corridas excesivas arriba y abajo
RUNM = Prueba corridas excesivas arriba y abajo
de la mediana
AUTO = Prueba de Box-Pierce para
autocorrelacin excesiva
MEDIA = Prueba para diferencia en medias entre
la 1 mitad y la 2 mitad
VAR = Prueba para diferencia en varianza entre la
1 mitad y la 2 mitad
OK = no significativo (p >= 0.05)
* = marginalmente significativo (0.01 < p <= 0.05)
** = significativo (0.001 < p <= 0.01)
*** = altamente significativo (p <= 0.001)
GRAFICO DE PRONOSTICOS
PRIMER GRAFICO

SEGUNDO GRAFICO

TERCER GRAFICO
ANLISIS DEL GRAFICO:
En este cuadro podemos ver el resultado que nos
conduce el modelo que hemos seleccionado, y en el
logramos observar en el grafico que las barras estn
dentro de la franja de confianza.
Este resultado nos confirma que nuestro modelo podra
funcionar bien porque todas las barras se encuentran
dentro de la franja de confianza, y que no representan
mucha variacin. Por lo cual buscamos encontrar los
errores que tienden al cero a fin que las diferencias sean
los mayormente posible menores.
CONCLUSIN:
Realizado la Fase III, se concluye que el modelo
propuesto ARIMA ( 0,2,1), cumple con las condiciones
para ser un modelo adecuado, y poder predecir datos
futuros, es decir hacer los respectivos pronsticos de la
Exportaciones de la empresa CELULARES SAC


FASE IV: PRONOSTICO
En modelo seleccionamos el modelo elegido, es decir el modelo B
Indicamos el modelo que vamos a utilizar:
Ponemos en AR: El valor p hallado: 0
Ponemos en MA: El valor q hallado: 1
Ponemos en Orden No: El valor d hallado:2

COMPARANDO RESULTADOS DEL PRONSTICO CON EL PRONSTICO
AUTOMATICO
PRONOSTICO ARIMA (0,1,2)


ANLISIS
Al aplicar el modelo ARIMA (0,1,2), consideramos que este es el mejor pronstico para los datos
futuros puesto que estos datos estn estimados mensualmente.
En la grafica vemos que los puntos azules representan los datos originales de las utilidades la
empresa CELULARES SAC. y la lnea representa el modelo del programa.
As tambin nos muestra que los errores se distribuyen como un ruido blanco.

ANLISIS
En este cuadro podemos ver el resultado que nos conduce el modelo dado por el
programa, y en el logramos observar en el grafico que las barras estn dentro de la
franja de confianza.
Este resultado nos confirma que el modelo podra funcionar bien porque todas las
barras se encuentran dentro de la franja de confianza, y que no representan mucha
variacin. Por lo cual buscamos encontrar los errores que tienden al cero a fin que las
diferencias sean los mayormente posible menores.


PERIODOGRAMA RESIDUAL PARA AJUSTE

PERIODOGRAMA PARA RESIDUOS
Periodo Datos Pronstico Residuo
1/50 10000,0
2/50 9500,0 9959,37 -459,375
3/50 9000,0 9645,61 -645,606
4/50 11000,0 9389,22 1610,78
5/50 9300,0 10330,9 -1030,9
6/50 8000,0 9017,08 -1017,08
7/50 7000,0 8815,42 -1815,42
8/50 7500,0 8211,65 -711,646
9/50 9200,0 8489,85 710,15
10/50 10100,0 9012,06 1087,94
11/50 10500,0 9126,93 1373,07
12/50 12000,0 9225,28 2774,72
1/51 8000,0 9900,16 -1900,16
2/51 8500,0 7667,82 832,181
3/51 7300,0 8747,89 -1447,89
4/51 9700,0 7552,83 2147,17
5/51 7200,0 9096,47 -1896,47
6/51 6000,0 7128,53 -1128,53
7/51 5000,0 7233,69 -2233,69
8/51 5500,0 6468,91 -968,906
9/51 7700,0 6794,41 905,594
10/51 8300,0 7521,28 778,721
11/51 8200,0 7400,87 799,129
12/51 10200,0 7343,68 2856,32
1/52 6500,0 8299,21 -1799,21
2/52 5200,0 6082,84 -882,836
3/52 4000,0 6269,27 -2269,27
4/52 5700,0 5384,02 315,976
5/52 5900,0 6362,27 -462,27
6/52 4500,0 5872,49 -1372,49
7/52 3000,0 5256,47 -2256,47
8/52 3500,0 4582,45 -1082,45
9/52 5800,0 4861,11 938,889
10/52 6600,0 5652,02 947,98
11/52 6700,0 5601,71 1098,29
12/52 7900,0 5622,21 2277,79
TABLA DE PRONSTICOS PARA CELULARES SAC
Lmite en 95,0% Lmite en 95,0%
Periodo Pronstico Inferior Superior
1/53 6165,36 2980,2 9350,53
2/53 5084,24 1528,18 8640,3
3/53 4956,15 1391,42 8520,89
4/53 4828,07 1254,68 8401,45
5/53 4699,98 1117,96 8282,0
6/53 4571,89 981,259 8162,52
7/53 4443,8 844,579 8043,03
8/53 4315,71 707,921 7923,51
9/53 4187,63 571,282 7803,97
10/53 4059,54 434,664 7684,41
11/53 3931,45 298,066 7564,84
12/53 3803,36 161,487 7445,24
Esta tabla muestra los valores pronosticados para CELULARES SAC. Durante el
periodo en donde hay disponibles datos, tambin se muestran los valores predichos del
modelo ajustado y los residuos (dato-pronstico). Para los periodos de tiempo ms all
de la serie de tiempo, se muestran los lmites del 95.0% de prediccin para los
pronsticos. Estos lmites muestran en donde podra estar el valor verdadero del dato,
al tiempo futuro seleccionado, con 95.0% de confianza, asumiendo que el modelo
ajustado es apropiado para los datos. Pueden graficarse los pronsticos seleccionando
Grfica de Pronsticos de la lista de Opciones Grficas. Puede cambiar el nivel de
confianza mientras ve la grfica, pulsando el botn secundario del ratn y seleccionando
Opciones de Ventana. Para probar si el modelo ajusta los datos adecuadamente,
seleccione Comparaciones de Modelo de la lista de Opciones Tabulares.
CONCLUSIONES
El xito de un negocio a menudo depende de la habilidad para realizar
predicciones sobre el futuro. Estas predicciones se usan para tomar dos
amplios tipos de decisiones: las operativas en curso y las estratgicas a largo
plazo.
Mediante la aplicacin de este pronstico para las exportaciones realizadas
por CELULARES S.A.C., podemos afirmar que sus exportaciones sufren
continuas fluctuaciones, ello se debe a que durante diferentes pocas en el
ao, en las cuales se incrementa el inters de los clientes extranjeros, se
reduce el consumo de sus productos que luego vuelve a su normalidad
paulatinamente.
Existen diversos tipos de pronsticos segn el periodo de tiempo que
manejemos (a mediano y largo plazo) y de acuerdo a la manipulacin de los
datos que hayamos hecho, considerando que nuestro modelo de pronostico
esta desarrollado en meses correspondiente a tres aos, nos hemos basado
en un modelo ARIMA para el desarrollo del pronstico, puesto que cumpla
con las caractersticas y parmetros establecidos para dicho modelo.