Lilian Banegas

Estadística
Series de tiempo
 Series de tiempo
Herramienta matemática para la toma de
decisiones efectivas y la planificación con base a
predicciones a largo plazo.

Tendencia Secular

Componente Variación cíclica

s
Variación estacional

Variación irregular
 Tendencia Secular
“Tendencia secular. Dirección Las tendencias de largo plazo de las ventas, el
uniforme de una serie de tiempo de empleo, los precios accionarios, y de otras
largo plazo” (Lind |Marchal | series de negocios y económicas siguen varios
Wathen, 2012, p.605). patrones.
Población mundial
(millones)
9,000

8,000

7,000

6,000 Algunas tendencias se mueven hacia

5,000

4,000
arriba en forma uniforme, otras declinan
3,000 y otras más permanecen iguales con el
2,000

1,000
paso del tiempo.
-
1950 1960 1970 1980 1990 2000 2010 2020 2030

https://www.worldometers.info/es/poblacion-mundial/
 Variación Cíclica
“Aumento o reducción de una serie Un ciclo de negocios habitual consiste en
de tiempo durante período mayores un periodo de prosperidad, seguido por
a un año.” (Lind |Marchal |Wathen, periodos de recesión, depresión y luego
2012, p.607). recuperación.
to

Recesión
en
mi

Hay fluctuaciones considerables que se

eci

desarrollan durante más de un año,

Cr

Recuperación
arriba y abajo de la tendencia secular.
Depresión
 Variación Estacional
“Patrones de cambio en una serie
de tiempo en un año. Esto Muchas series de ventas, de
patrones tienden a repetirse cada producción y de otro tipo fluctúan
año.” (Lind |Marchal |Wathen, con las temporadas.
2012, p.607).

La unidad de tiempo se reporta por

trimestre o por mes; aunque, se
gestiona con varios años.
 Variación Irregular
“Muchos analistas prefieren Las fluctuaciones episódicas son
subdividir la variación irregular en impredecibles, pero es posible identificarlas:
variaciones episódicas y como el impacto inicial de una huelga
residuales.” (Lind |Marchal | importante o de una guerra en la economía;
pero, no se pueden predecir.
Wathen, 2012, p.608).

Después de eliminar las fluctuaciones

episódicas, la variación restante se
denomina variación residual.
 Series de tiempo
Herramienta matemática para la toma de
decisiones efectivas y la planificación con base a
predicciones a largo plazo.

Tendencia Secular

Componente Variación cíclica

s
Variación estacional

Variación irregular
 Ejemplo . . . Tendencia secular
Home Depot se fundó en 1978, y es el
segundo minorista más grande de
Estados Unidos (Wal-Mart es el más
grande).
En la siguiente gráfica se muestra el
número de empleados de Home Depot
Inc. desde 1993 hasta el 2011

Puede observar que este número

aumento con rapidez en los últimos 12
años. En 1993 había poco más de 50,000
empleados y para el 2005 el número
aumentó a más de 340,000.
 Ejemplo . . . Variación Cíclica
VENTAS
AÑO
En una empresa que (miles cajas)
2000 43
distribuye confites, las 2001 50
ventas del producto 2002 53
Chocolate Max que se 2003 37
2004 42
realizaron entre 2000 y 2005 49
2020 está trazadas 2006 56
sobre el pronóstico 2007 58
2008 45
(venta secular) que se 2009 48
esperaba cubrir. 2010 55
2011 65
2012 63
2013 58
En los últimos 20 años,
2014 57
las ventas anuales 2015 65
fueron las siguientes: 2016 73
2017 78
2018 73
2019 66
2020 70
 Ejemplo . . . Variación Estacional
El hotel LAGO DE YOJOA EXPRESS está
revisando la afluencia de clientes en los
últimos años en base a las temporadas:
AÑO TEMPORADA RESERVACIONES
2017 Reducida 100
Semana Santa 500
Intermedia 200
Morazánica 400
2018 Reducida 200
Semana Santa 600
Intermedia 300
Morazánica 500
2019 Reducida 320
Semana Santa 840
Intermedia 450
Morazánica 900
Fuente: Hipotética
 Ejemplo . . . Variación Irregular
En Honduras ha ocurrido una serie de
desastres que han sido resumidas en
un archivo que explica el nombre del
fenómeno y el año en que ocurrió el
evento. Desde 1980 hasta el 2018 y que
de alguna manera afectaron al
departamento de Cortés.

A continuación, un resumen de algunos

desastres naturales en Honduras y que
afectaron al departamento de Cortés.

https://es.wikipedia.org/wiki/Categor%C3%ADa:Desastres_naturales_en_Honduras
 Herramientas para pronósticos
t o Pronóstico: Predicción de la evolución de Cada una de ellas cuenta
ep un proceso o de un hecho futuro a partir con sus propias
nc
Co de criterios lógicos o científicos. características y en
algunos casos se
Promedio combinan.
móvil

Tendencia
Herramientas
lineal

Variación
estacional
 Lilian Banegas

Promedio móvil

Estadística
Pulsar F5 para formato de clase
 Promedio Móvil
Un promedio móvil es útil para
suavizar una serie de tiempo y
apreciar su tendencia.
¿Cómo se calcula?
1. Definir el número de ciclos por
pronóstico.
2. Calcular el primer promedio y colocar
el resultado en el punto mediano que
se tenga (+ alto si es intermedio).
3. Del segundo pronóstico en adelante,
colocar en forma continuada los
pronósticos hasta completar el cálculo
disponible.
Sólo suaviza las fluctuaciones de los datos.
Esto se logra al “desplazar” los valores
medios aritméticos en la serie de tiempo
En las empresas que trabajan por
pedidos licitados o previamente
convenidos, permite que se preparen
con antelación para optimizar la
operación del negocio sin sacrificar
los recursos.
Promedio Móvil .
Cálculo para ciclos impares No. Mes Frecuencia
Promedio
móvil
Calcular los pronósticos utilizando los primeros
6 meses del año en ciclos de 3 meses. 1 Enero Dato1
• Ubicar el 1° ciclo de 3 meses 2 Febrero Dato2 𝑃𝑟𝑜𝑛ó 𝑠𝑡𝑖𝑐𝑜1
• Calcular el promedio para el 1° pronóstico 3 Marzo Dato3 𝑃𝑟𝑜𝑛ó 𝑠𝑡𝑖𝑐𝑜2
• Ubicar la posición mediana en 1-2-3
• Pronóstico para el mes de febrero
4 Abril Dato4 𝑃𝑟𝑜𝑛ó 𝑠𝑡𝑖𝑐𝑜3
• Ubicar el 2° ciclo 5 Mayo Dato5 𝑃𝑟𝑜𝑛ó 𝑠𝑡𝑖𝑐𝑜 4
• Calcular el promedio para el 2° pronóstico
• Ubicar la posición mediana en 2-3-4
6 Junio Dato6
• Pronóstico para el mes de marzo
• Ubicar el 3° ciclo • Se generan pronósticos para febrero, marzo,
• Calcular el promedio para el 3° pronóstico y abril y mayo. Los meses de enero y junio se
ubicar la posición mediana en 3-4-5 quedan en blanco porque hace falta un mes a
• Ubicar el 4° ciclo y calcular pronóstico cada uno.
del 4-5-6
 Ejemplo . . .
La empresa Tikal se dedica a la confección ENTREGAS Promedio móvil
de ropa y estableció un convenio por 3 No. MES (miles de cajas) 2022
años con la empresa Calderini para 1 Enero 3
entregar 50 mil cajas de 100 docenas de 2 Febrero 5 4.0
camisas modelo Verán al año. 3 Marzo 4 4.7
Tomando como base las entregas del año 4 Abril 5 4.0
2021, se hará la proyección del año 2022, 5 Mayo 3 3.3
utilizando el promedio móvil de 3 meses. 6 Junio 2 3.3
El informe recibido es el siguiente: 7 Julio 5 5.0
8 Agosto 8 5.3
Análisis
9 Septiembre 3 5.3
Ciclos: 3 𝑚𝑒𝑠𝑒𝑠 10 Octubre 5 3.7
1°
3°
11pronóstico
2°
4°
5°
6°
7°
9°
8° meses y 9 pronósticos 11 Noviembre 3
~
𝑋 =𝑝𝑜𝑠 ( )
3+1
𝑛+1
2
Promedio Móvil .
Cálculo para ciclos pares No. Mes Frecuencia
Promedio
móvil
Calcular los pronósticos utilizando los primeros
7 meses del año en ciclos de 4 meses. 1 Enero Dato1
• Ubicar el 1° ciclo de 4 meses
• Ubicar posición mediana para el 1° pronóstico 2 Febrero Dato2
• Pronóstico para el mes 2.5 y se redondea a 3; 3 Marzo Dato3 𝑃𝑟𝑜𝑛ó 𝑠𝑡𝑖𝑐𝑜1
por tanto, es el de marzo 4 Abril Dato4
• Ubicar el 2° ciclo de 4 meses
𝑃𝑟𝑜𝑛ó 𝑠𝑡𝑖𝑐𝑜2
• Ubicar posición mediana para el 2° pronóstico 5 Mayo Dato5 𝑃𝑟𝑜𝑛ó 𝑠𝑡𝑖𝑐𝑜3
• Pronóstico para el mes 3.5 y se redondea a 4; 6 Junio Dato6 𝑃𝑟𝑜𝑛ó 𝑠𝑡𝑖𝑐𝑜 4
por tanto, es el de abril
• Ubicar el 3° ciclo de 4 meses 7 Julio Dato7
• Ubicar posición mediana para el 3° pronóstico • Pronóstico para el mes 5.5 y se redondea a 6;
• Pronóstico para el mes 4.5 y se redondea a 5;
por tanto, es el de junio
por tanto, es el de mayo
• Ubicar el 4° ciclo de 4 meses • Se generan pronósticos para marzo, abril, mayo
• Ubicar posición mediana para el 4° pronóstico y junio.
 Ejemplo . . .
EL PORVENIR distribuye equipo pesado a Envíos Argentina Promedio móvil
Argentina, con el cual ya se tienen varios AÑO (miles de unidades) Brasil
años de relación comercial. 2009 2
Se está negociando con Brasil para proveer el 2010 3
mismo producto y utilizando el promedio de 2011 4
lo enviado a Argentina y en ciclos de 6 años, 2012 5 4.17
se desea tener un pronóstico de la 2013 6 4.50
distribución que se podría realizar en Brasil.
2014 5 4.50
La información es:
2015 4 4.67
Análisis 2016 3 4.83
Ciclos: 6𝑎 ñ 𝑜𝑠 2017 5 5.00
~
𝑋 =𝑝𝑜𝑠
2( )
6+1
𝑛+1
2018 6 5.17
12 años y 7 pronósticos 2019 7
6°
4° pronóstico
5°
7°
3°
2°
1°
2020 6
 Lilian Banegas
Promedio móvil

Tendencia lineal

Estadística
Pulsar F5 para formato de clase
 Tendencia Lineal
“La tendencia de largo plazo de muchos
negocios, como ventas, exportaciones y Regresión lineal
producción, con frecuencia se aproxima ^ =𝑎 +𝑏𝑋
𝑌
a una recta.” (Lind |Marchal |Wathen,
2012, p.615). ^ =𝑎 +𝑏𝑡
𝑌
Año F Mes F
2016 1 Enero 1
2017 Febrero 𝑠𝑌
𝑌 −𝑏𝑡
2 2
2018 3 Marzo 3 𝑟∗
𝑠𝑡
Trimestre F
Enero-Marzo 1 12
Abril-Junio 2 34 La variable t es una secuencia numérica
Julio-Septiembre 3 56 que inicia en 1 y por cada dato se
Octubre-Diciembre 4 78 incrementa una unidad de tiempo.
 Tendencia Lineal
“La tendencia de largo plazo de muchos Regresión lineal
negocios, como ventas, exportaciones y ^ =𝑎 +𝑏𝑋
𝑌
producción, con frecuencia se aproxima a una
recta.” (Lind |Marchal |Wathen, 2012, p.615).
Año F F Mes F F
^ =𝑎 +𝑏𝑡
𝑌
2018 112 12 Enero 12
1 12
2019 234 34 Febrero 34 34
2 𝑠𝑌
20120
2020 356
Trimestre
56

F
Marzo

F
56
3 56
𝑌 −𝑏𝑡 𝑟∗
𝑠𝑡
Enero-Marzo 12 1 12
Abril-Junio 34 2 34 La variable t es una secuencia numérica
Julio-Septiembre 56 3 56 que inicia en 1 y por cada dato se
Octubre-Diciembre 78 4 78
incrementa una unidad de tiempo.
 Tendencia Lineal
Si la serie de tiempo se calcula con la Procedimiento de la
información de 5 años. El primer
pronóstico, se calcula con el año 6. ecuación de regresión lineal

Variable t Frecuencia Pronóstico 1. Calcular la media aritmética de t y Y.

Ordinal 1 1 d1   2. Calcular variaciones cuadradas.
Ordinal 2 2 d2   3. Calcular coeficiente de correlación.
𝑛 𝑎𝑙
Ordinal 3 3 d3   𝑝𝑐𝑖𝑜 4. Calcular la pendiente de la ecuación.
Ordinal 4 4 𝑂 5. Calcular el intercepto de la ecuación.
d4  
Ordinal 5 5 d5   6. Determinar la ecuación de regresión lineal
 𝑂𝑟𝑑𝑖𝑛𝑎𝑙 6 6      𝑝𝑒𝑟 í 𝑜𝑑𝑜6 7. Calcular los pronósticos de los datos
 𝑂𝑟𝑑𝑖𝑛𝑎𝑙 7 7      𝑝𝑒𝑟 í 𝑜𝑑𝑜7 observados (opcional).
 𝑂𝑟𝑑𝑖𝑛𝑎𝑙 8 8      𝑝𝑒𝑟 í 𝑜𝑑𝑜8 8. Calcular pronósticos de datos futuros.
 Ejemplo . . . ilustración

EL CÓNDOR S.A. adquiere la Planteamiento del desarrollo

materia prima desde Taiwan y se
hacen pedidos cada 2 meses, t 𝑏𝑡
Año Mes Importe Pronóstico +
empezando en el mes de febrero. 𝑎
2021 Febrero  1 45   ^𝑌 =
En base a los pedidos realizados en   Abril  2 60  
el año 2021, se pronosticará los Junio  3 50 𝑡
    9
pedidos para agosto, octubre y + 8.
  Agosto  4 80   5
diciembre del 2022 3
  Octubre  5 70   ^𝑌 =
Año Mes Valor
  Diciembre  6 95  
2021 Febrero 45
2022 Febrero  7    
  Abril 60
  Abril  8    
  Junio 50
  Junio   9    
  Agosto 80
  Agosto   10     124
  Octubre 70
  Octubre   11     133
  Diciembre 95
  Diciembre   12     142
 Ejemplo . . .
Según Honduras en Cifras, los Análisis y desarrollo
proveedores de acceso a internet se Diagrama de dispersión Variable independiente: AÑOS =
han incrementado los últimos años. AÑO 𝑡 PROVEEDORES
2013 1 40
Con la tendencia lineal, calcular la
2014 2 39
cantidad de proveedores de
2015 3 51
internet que se puede esperar que
operen en el País en el 2022. 2016 4 70
2017 5 90
AÑO PROVEEDORES 2018 6 99
2013 40
𝑡=¿ 3.5 𝑌 =¿ 64.8
2014 39
2015 51 ^ =𝑎 +𝑏𝑡
𝑌
2016 70
𝑎=𝑌 −𝑏 𝑡 ∑ (𝑡 −𝑡 )(𝑌 − 𝑌 )
2017 90
𝑠𝑌 𝑟=
2018 99 𝑏=𝑟 ∗
𝑠𝑡
(𝑛− 1) 𝑠 𝑡 𝑠𝑌
 Ejemplo . . .
Pronóstico para 2021 y 2022 ∑∑(𝑡
(𝑡−𝑡
−𝑡)(𝑌
)(𝑌−−𝑌𝑌))
PROVEEDORES (𝑡 −𝑡 ) 𝑟𝑟=
=
AÑO Y
(𝑡 −𝑡) (𝑌 − 𝑌 ) (𝑌 − 𝑌 ) (𝑡 −𝑡)2
(𝑌 − 𝑌 )2 (𝑛−1)
(𝑛− 1)𝑠𝑠𝑡𝑡𝑠𝑠𝑌𝑌
2013 1 40 −2.5 −24.8 62.1 6.25 616.69 233.5
2014 2 39 −1.5 −25.8 38.8 2.25 667.36 𝑟 =
(6 −1)(1.9)(25.7)
2015 3 51 −0.5 −13.8 6.9 0.25 191.36
2016 4 70 26.69
𝑟 =0.97
0.5 5.2 2.6 0.25
2017 5 90 1.5 25.2 37.8 2.25 633.36

√ ∑(𝑋−𝑋)
2018 6 99 2.5 34.2 85.4 2
6.25 1,167.36
𝑡=¿ 3.5 𝑌 =¿ 64.8 233.5 17.50 3,302.83 𝑠=
𝑛−1

√ √
^ =𝑎+𝑏𝑡
𝑌 17.50 3302.83
𝑎=𝑌 −𝑏𝑡 ¿ 64.8 −13 (3.5)¿ 19.3 𝑎=19.3 ^ 𝑠𝑡 = 𝑠𝑌 =
𝑠𝑌 25.7 𝑌 =19.3+13 𝑡 6−1 6−1
𝑏=𝑟 ∗ ¿ 0.97 ∗ ¿ 13 𝑏=13
𝑠𝑡 1.9 𝑠 𝑡 =1.9 𝑠 𝑌 =25.7
𝑛=6 pronósticos
 Ejemplo . . .
Pronóstico para 2022 ^ =19.3+13 𝑡
𝑌
AÑO t PROVEEDORES Pronósticos ^ =19.3+13 (10)
𝑌
2013 1 40  32.3
2014 2 39  45.3
2015 3 51  58.3
2016 4 70  71.3 El pronóstico indica que para el para el 2022 se
2017 5 90  84.3 pueden esperar unos 149 proveedores.
2018 6 99  97.3
 
2019 7     
110.3 ¿Cómo fue el comportamiento del 2013 al 2021?
 
2020 8     
123.3
 
2021 9     
136.3
2022
  10    149.3
 

¿Qué pasó en la vida real?

 Ejemplo . . .
Pronóstico para 2022 ¿Qué pasó en la vida real?
AÑO t PROVEEDORES Pronósticos Honduras en Cifras 2019-2021
2013 1 40  32.3 AÑO PROVEEDORES
2014 2 39  45.3
2019 118
2015 3 51  58.3
2020 131
2016 4 70  71.3
2021 152
2017 5 90  84.3
2018 6 99  97.3
 
2019 7     
110.3
 
2020 8     
123.3 La información del 2022 será
  publicada por el Banco
2021 9     
136.3
2022
  10   
Central de Honduras en
149.3
 
Julio del 2023
^ =19.3+13 (10)
𝑌
 Lilian Banegas

Variación estacional

Estadística
Pulsar F5 para formato de clase
 Variación Estacional
Existen productos en el mercado que Cada empresa debe tener claro cuáles son las
temporadas, meses, estaciones o épocas en
no siempre tienen la misma posibilidad
las cuales tienen los registros más altos y los
de ser vendidos con fluidez más bajos.

Determinación del índice estacional

TRIMESTRE
AÑO
I II III IV 4 Es posible determinar el índice estacional de
2015 un negocio a partir de los movimientos del
TEMPORADAS pasado y se espera que los comportamientos
AÑO
Enero- Mayo- Septiembre- del consumidor se muevan en la misma
2015
Abril Agosto Diciembre
3 dirección.
Variación Estacional Boceto de solución .
Año Temporada Temporada Temporada Año Temporada Datos promedio promedio Índice
1 2 3 móvil centrado específico
 Año 1       Año 1 Temporada 1        
 Año 2         Temporada 2        
 Año 3         Temporada 3        
Año 2 Temporada 1        
  Temporada 2        
Año Temporada Temporada Temporada   Temporada 3        
1 2 3 Año 3 Temporada 1        
Año 1     í 𝑓𝑖𝑐𝑜     Temporada 2        
𝑝 𝑒 𝑐
Año 2   𝑒 𝑒 𝑠     Temporada 3        
𝑖𝑐
Año 3   Í 𝑛𝑑     𝑇𝑜𝑡𝑎𝑙 𝑑𝑒𝑡𝑒𝑚𝑝𝑜𝑟𝑎𝑑𝑎𝑠
𝐹𝑎𝑐𝑡𝑜𝑟 𝑑𝑒 𝑐𝑜𝑟𝑟𝑒𝑐𝑐𝑖 ó 𝑛=
𝑋       𝑆𝑢𝑚𝑎 𝑑𝑒𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜𝑠
  Factor de corrección
    Desestacionalizar los datos históricos
 ÍNDICES ESTACIONALES
    𝐷𝑎𝑡𝑜 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑜
¿
Í 𝑛𝑑𝑖𝑐𝑒 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙
 Ejemplo . . .
El Hotel Miratodo va a determinar los Promedio Promedio Índice
índices estacionales de su empresa y ha Año Temporada Ventas móvil centrado específico
considerado utilizar las ventas por cada   2016   𝑆𝑒𝑚𝑎𝑛𝑎 𝑆𝑎𝑛𝑡𝑎   210.1      
temporada (en miles de lempiras) desde     𝑆𝑒𝑚𝑎𝑛𝑎 𝑀𝑜𝑟𝑎𝑧 á 𝑛𝑖𝑐𝑎   176.1   158.7   162.1   1.086
el año 2016 al 2019.     𝑅𝑒𝑠𝑡𝑜 𝑑𝑒𝑙 𝑎ñ 𝑜   90.0   165.5   165.9   0.542
  2017   𝑆𝑒𝑚𝑎𝑛𝑎 𝑆𝑎𝑛𝑡𝑎   230.5   166.3   163.8   1.407
Año Semana Semana Resto del
    𝑆𝑒𝑚𝑎𝑛𝑎 𝑀𝑜𝑟𝑎𝑧 á 𝑛𝑖𝑐𝑎   178.3   161.3   163.7   1.089
Santa Morazánica año
    𝑅𝑒𝑠𝑡𝑜 𝑑𝑒𝑙 𝑎ñ 𝑜   75.0   166.1   169.0   0.444
2016 210.1 176.1 90.0
  2018   𝑆𝑒𝑚𝑎𝑛𝑎 𝑆𝑎𝑛𝑡𝑎   245.0   171.9   172.9   1.417
2017 230.5 178.3 75.0     𝑆𝑒𝑚𝑎𝑛𝑎 𝑀𝑜𝑟𝑎𝑧 á 𝑛𝑖𝑐𝑎   195.6   174.0   174.8   1.119
2018 245.0 195.6 81.3     𝑅𝑒𝑠𝑡𝑜 𝑑𝑒𝑙 𝑎ñ 𝑜   81.3   175.7   176.3   0.461
2019 250.2 199.1 93.1   2019   𝑆𝑒𝑚𝑎𝑛𝑎 𝑆𝑎𝑛𝑡𝑎   250.2   176.9   178.8   1.399
    𝑆𝑒𝑚𝑎𝑛𝑎 𝑀𝑜𝑟𝑎𝑧 á𝑛𝑖𝑐𝑎   199.1   180.8    
Análisis y Desarrollo     𝑅𝑒𝑠𝑡𝑜 𝑑𝑒𝑙 𝑎ñ 𝑜   93.1      
Temporadas
𝑛=3
 Ejemplo . . .
Promedio Promedio Índice Semana Semana Resto
Año Temporada Ventas móvil centrado específico AÑO Santa Morazánica del año
2016 Semana Santa 210.1       2016      
1.086 0.542
  Semana Morazánica 176.1 158.7 162.1 1.086
2017  
1.407  
1.089  
0.444
Resto del año 90.0 165.5 165.9 0.542               
2017 Semana Santa 230.5 166.3 163.8 1.407 2018  
1.417  
1.119  
0.461
  Semana Morazánica 178.3 161.3 163.7 1.089 2019  
1.399    
  Resto del año 75.0 166.1 169.0 0.444 1.408
        1.098
     0.483
   
2018 Semana Santa 245.0 171.9 172.9 1.417 1.413 1.102 0.484
  Semana Morazánica 195.6 174.0 174.8 1.119
  Resto del año 81.3 175.7 176.3 0.461 3
2019 Semana Santa 250.2 176.9 178.8 1.399 ¿ 1.408+1.098+0.483
  Semana Morazánica 199.1 180.8    
  Resto del año 93.1       ¿ 1.004
Temporadas Í 𝐧𝐝𝐢𝐜𝐞𝐬 𝐞𝐬𝐭𝐚𝐜𝐢𝐨𝐧𝐚𝐥𝐞𝐬
𝑛=3 𝑆𝑒𝑚𝑎𝑛𝑎 𝑆𝑎𝑛𝑡𝑎 : 1.413
𝑆𝑒𝑚𝑎𝑛𝑎 𝑀𝑜𝑟𝑎𝑧 á𝑛𝑖𝑐𝑎 : 1.102
Índices estacionales 𝑅𝑒𝑠𝑡𝑜 𝑑𝑒𝑙 𝑎ñ 𝑜 : 0.484
 Ejemplo . . .
Semana Semana Resto Ventas
Ventas Índices desestaciona-
AÑO Santa Morazánica del año Año Temporada L.000 estacionales lizadas
2016   1.086 0.542
2016 Semana Santa 210.1   1.413   148.7
2017 1.407 1.089 0.444   Semana Morazánica 176.1   1.102   159.8
2018 1.417 1.119 0.461   Resto del año 90.0   0.484   185.8
2019 1.399     2017 Semana Santa 230.5   1.413   163.1
  1.408 1.098 0.483   Semana Morazánica 178.3   1.102   161.7
Índice   Resto del año 75.0   0.484   154.8
estacional 1.413 1.102 0.484
2018 Semana Santa 245.0   1.413   173.4
  Semana Morazánica 195.6   1.102   177.4
Í 𝐧𝐝𝐢𝐜𝐞𝐬 𝐞𝐬𝐭𝐚𝐜𝐢𝐨𝐧𝐚𝐥𝐞𝐬   Resto del año 81.3   0.484   167.8
𝑆𝑒𝑚𝑎𝑛𝑎 𝑆𝑎𝑛𝑡𝑎 : 1.413 2019 Semana Santa 250.2   1.413   177.0
𝑆𝑒𝑚𝑎𝑛𝑎 𝑀𝑜𝑟𝑎𝑧 á 𝑛𝑖𝑐𝑎 : 1.102   Semana Morazánica 199.1   1.102   180.6
𝑅𝑒𝑠𝑡𝑜 𝑑𝑒𝑙 𝑎ñ 𝑜 : 0.484   Resto del año 93.1   0.484   192.2

Datos desestacionalizados
 Ejemplo . . .
Í 𝐧𝐝𝐢𝐜𝐞𝐬 𝐞𝐬𝐭𝐚𝐜𝐢𝐨𝐧𝐚𝐥𝐞𝐬 Pronóstico del próximo año
𝑆𝑒𝑚𝑎𝑛𝑎 𝑆𝑎𝑛𝑡𝑎 : 1.413 𝑋=600
𝑆𝑒𝑚𝑎𝑛𝑎 𝑀𝑜𝑟𝑎𝑧 á 𝑛𝑖𝑐𝑎 : 1.102
Regla de 3 simple
𝑅𝑒𝑠𝑡𝑜 𝑑𝑒𝑙 𝑎ñ 𝑜 : 0.484
𝑋 ∗ í 𝑛𝑑𝑖𝑐𝑒
𝑝𝑟𝑜𝑛 ó 𝑠𝑡𝑖𝑐𝑜=¿
Temporadas 𝑡𝑒𝑚𝑝𝑜𝑟𝑎𝑑𝑎𝑠
𝑛=3
𝑆𝑒𝑚𝑎𝑛𝑎 𝑆𝑎𝑛𝑡𝑎=¿ 600 3∗1.413 ¿ 282.6
Si la tendencia indica que para el
próximo año las ventas pueden llegar a 𝑆𝑒𝑚𝑎𝑛𝑎 𝑀𝑜𝑟𝑎𝑧 á 𝑛𝑖𝑐𝑎=¿ 600 ∗1.102 ¿ 220.4
3
600 mil lempiras.
𝑅𝑒𝑠𝑡𝑜 𝑑𝑒𝑙 𝑎 ñ 𝑜=¿ 600 ∗ 0.484 ¿ 96.8
3
¿Cuál sería el pronóstico para cada
temporada?
• Semana Santa : 282,600
• Semana Morazánica : 220,400
Pronósticos • Resto del año : 96,800
• Año : 599,800
Síntesis
Series de tiempo
Promedio móvil
Tendencia lineal
Variación estacional
 26-oct

SÍNTESIS Ejercicio 1
La planta de producción de una fábrica de DÍA EMPLEADOS Promedio móvil
circuitos electrónicos hizo una revisión del 1 45
número de empleados que se presentaron a 2 54
laborar los primeros días de Marzo. 3 63 50.3
Se va a evaluar la estimación de lo que 4 39 49.5
podría suceder el próximo mes en estas 5 42 43.8
mismas fechas utilizando la técnica del 6 31 40.0
promedio móvil. 7 48 43.8
Realizar el cálculo en base a ciclos de 4 días. 8 54 49.3
9 64 50.5
Análisis 10 36 48.8
Ciclos: 4 𝑑í 𝑎𝑠 →1 ° 𝑐𝑖𝑐𝑙𝑜𝑒𝑛 𝑑 í 𝑎3 11 41 48.3
→ ú 𝑙𝑡𝑖𝑚𝑜𝑐𝑖𝑐𝑙𝑜 𝑒𝑛 𝑑í 𝑎11 12 52
SÍNTESIS Ejercicio 2
La empresa de construcción Monte 𝑌
Feliz desea pronosticar las casas AÑO VIVIENDAS AÑO
𝑡 VIVIENDAS
residenciales que construirá para el 2010 81 2010 1 81
período 2022-2024. 2011 86 2011 2 86
Calcular la tendencia lineal a través 2012 88 2012 3 88
de los últimos 10 años para definir 2013 89 2013 4 89
el pronóstico, según la tabla 2014 87 2014 5 87
mostrada a continuación 2015 91 2015 6 91
Análisis 2016 94 2016 7 94

Pronóstico: 2022 −2024 2017 91 2017 8 91

Ecuación: ^ =𝑎 +𝑏𝑡
𝑌
2018 95 2018 9 95

Tamaño: 𝑛=10 2019 99 2019 10 99

5.5 90
Calcular: 𝑡,𝑌
 SÍNTESIS Ejercicio 2
𝑛=10
Y (𝑡 −𝑡 ) ^ =𝑎+𝑏𝑡
𝑌
AÑO VIVIENDAS
𝑠𝑌 5.1
𝑏=𝑟 ∗ ¿ 0.94 ∗ ¿ 1.6
2010 1 81 − 4.5 −9 40.5 20.25 81 𝑠𝑡 3.0
2011 2 86 −3.5 −4 14.0 12.25 16
𝑟=
∑ ( 𝑡 −𝑡 ) ( 𝑌 − 𝑌 )
2012 3 88 −2.5 −2 5.0 6.25 4 ( 𝑛 −1 ) 𝑠 𝑡 𝑠𝑌
2013 4 89 −1.5 −1 1.5 2.25 1 120.5
𝑟 =¿ ¿ 𝟎 .𝟗𝟒
2014 5 87 −0.5 −3 1.5 0.25 9 (10 −1) (3.0) (5.1)

√
2015 6 91 0.5 1 0.5 0.25 1 ∑( 𝑋 − 𝑋 )
2

2016 7 94 𝑠=
1.5 4 6.0 2.25 16 𝑛−1
. 6
√ 1
2017 8 91 2.5 1 2.5 6.25 1 82.50
2018 9 95 3.5 5 17.5 12.25 25 𝑠 𝑡 =¿
10− 1
¿ 3.0
𝑏 =

√
2019 10 99 4.5 9 40.5 20.25 81
𝑠 𝑌 =¿
235
5.5 90 120.5 82.50 235 ¿ 5.1
10− 1
 SÍNTESIS Ejercicio 2
𝑏=𝟏 .𝟔
Y
AÑO VIVIENDAS 𝑎=𝑌 −𝑏 𝑡 ¿ 90−1.6∗5.5 ¿𝟖𝟏.𝟐
2010 1 81 -4.5 -9 40.5 20.5 81
2011 2 86 -3.5 -4 14.0 12.5 16 ^ =𝑎+𝑏𝑡
𝑌 ^ =81.2+1.6 𝑡
𝑌
2012 3 88 -2.5 -2 5.0 6.25 4
Pronóstico
2013 4 89 -1.5 -1 1.5 2.25 1
2014 5 87 -0.5 -3 1.5 0.25 9 Y Pronós-
AÑO VIVIENDAS ticos
2015 6 91 0.5 1 0.5 0.25 1
2016 7 94 1.5 4 6.0 2.25 16
2020 11
2017 8 91 2.5 1 2.5 6.25 1
2021 12
2018 9 95 3.5 5 17.5 12.5 25 2022 13 102
2023 14 104
2019 10 99 4.5 9 40.5 20.5 81
2024 15 105
5.5 90 129.5 82.5 235
 SÍNTESIS Ejercicio 3
Margarita Esteves administra una VENTAS Prom Prom Estac.
distribuidora de productos electrónicos y AÑO TEMPORADA Móvil Centrado Espec.
000 cjs

va a determinar los índices estacionales, 2018 𝐸𝑛𝑒𝑟𝑜− 𝑀𝑎𝑟𝑧𝑜 3

para dar seguimiento a la rotación de 𝐴𝑏𝑟𝑖𝑙− 𝐽𝑢𝑛𝑖𝑜 2
inventarios.
𝐽𝑢𝑙𝑖𝑜 −𝑆𝑒𝑝𝑡𝑖𝑒𝑚𝑏𝑟𝑒 1 2.5 2.7 0.370
Se recolectó la información de las ventas
de los últimos 3 años en base a miles de 𝑂𝑐𝑡𝑢𝑏𝑟𝑒−𝐷𝑖𝑐𝑖𝑒𝑚𝑏𝑟𝑒 4 2.8 3.1 1.290
cajas. 2019 𝐸𝑛𝑒𝑟𝑜− 𝑀𝑎𝑟𝑧𝑜 4 3.3 3.4 1.176
Enero – Abril – Julio – Octubre – 𝐴𝑏𝑟𝑖𝑙− 𝐽𝑢𝑛𝑖𝑜 4 3.5 3.8 1.053
AÑO Marzo Junio Septiembre Diciembre
𝐽𝑢𝑙𝑖𝑜 −𝑆𝑒𝑝𝑡𝑖𝑒𝑚𝑏𝑟𝑒 2 4.0 4.0 0.500
2018 3 2 1 4
𝑂𝑐𝑡𝑢𝑏𝑟𝑒−𝐷𝑖𝑐𝑖𝑒𝑚𝑏𝑟𝑒 6 4.0 4.2 1.429
2019 4 4 2 6
2020 𝐸𝑛𝑒𝑟𝑜− 𝑀𝑎𝑟𝑧𝑜 4 4.3 4.4 0.909
2020 4 5 3 9
𝐴𝑏𝑟𝑖𝑙− 𝐽𝑢𝑛𝑖𝑜 5 4.5 4.9 1.020
Análisis 𝐽𝑢𝑙𝑖𝑜 −𝑆𝑒𝑝𝑡𝑖𝑒𝑚𝑏𝑟𝑒 3 5.3
Temporadas por año: 4 𝑂𝑐𝑡𝑢𝑏𝑟𝑒−𝐷𝑖𝑐𝑖𝑒𝑚𝑏𝑟𝑒 9
 SÍNTESIS Ejercicio 3
Prom Prom Estacional Enero – Abril – Julio – Octubre –
AÑO TEMPORADA VENTAS móvil centr. específico AÑO Marzo Junio Septiembre Diciembre
2017 Enero-Marzo 3 2017 0.370 1.290
Abril-Junio 2 2018 1.176 1.053 0.500 1.429
Julio-Septiembre 1 2.5 2.7 0.370 2019 0.909 1.020
Octubre-Diciembre 4 2.8 3.1 1.290 1.043 1.037 0.435 1.360
2018 Enero-Marzo 4 3.3 3.4 1.176
1.077 1.070 0.449 1.404
Abril-Junio 4 3.5 3.8 1.053
4
Julio-Septiembre 2 4.0 4.0 0.500 ¿
1.043+1.037+0.435+1.360
Octubre-Diciembre 6 4.0 4.2 1.429
2019 Enero-Marzo 4 4.3 4.4 0.909
¿ 1.0322
ÍNDICES ESTACIONALES
Abril-Junio 5 4.5 4.9 1.020
𝐸𝑛𝑒𝑟𝑜− 𝑀𝑎𝑟𝑧𝑜 1.077
Julio-Septiembre 3 5.3 𝐴𝑏𝑟𝑖𝑙− 𝐽𝑢𝑛𝑖𝑜 1.070
Octubre-Diciembre 9 𝐽𝑢𝑙𝑖𝑜 −𝑆𝑒𝑝𝑡𝑖𝑒𝑚𝑏𝑟𝑒 0.449
𝑂𝑐𝑡𝑢𝑏𝑟𝑒−𝐷𝑖𝑐𝑖𝑒𝑚𝑏𝑟𝑒 1.404
 SÍNTESIS Ejercicio 4
Generar informe de los datos ÍNDICES DES-
des-estacionalizados de la AÑO TEMPORADA VENTAS ESTACIONALES ESTACIONALIZADOS

información del 2017 al 2019 y 2017 Enero-Marzo 3 1.077 2.8

las cantidades que se deben Abril-Junio 2 1.070 1.9
pronosticar para la compra de Julio-Septiembre 1 0.449
25 mil cajas en el próximo año,
2.2
Octubre-Diciembre 4 1.404 2.8
para la información del 2017 al
2019.
2018 Enero-Marzo 4 1.077 3.7
Abril-Junio 4 1.070 3.7
Los índices estacionales Julio-Septiembre 2 0.449 4.5
calculados son los siguientes: Octubre-Diciembre 6 1.404 4.3
𝐸𝑛𝑒𝑟𝑜− 𝑀𝑎𝑟𝑧𝑜 1.077 2019 Enero-Marzo 4 1.077 3.7
𝐴𝑏𝑟𝑖𝑙− 𝐽𝑢𝑛𝑖𝑜 1.070 Abril-Junio 5 1.070 4.7
𝐽𝑢𝑙𝑖𝑜 −𝑆𝑒𝑝𝑡𝑖𝑒𝑚𝑏𝑟𝑒0.449 Julio-Septiembre 3 0.449 6.7
𝑂𝑐𝑡𝑢𝑏𝑟𝑒−𝐷𝑖𝑐𝑖𝑒𝑚𝑏𝑟𝑒1.404 Octubre-Diciembre 9 1.404 6.4
 SÍNTESIS Ejercicio 4
Generar informe de los datos
des-estacionalizados de la Total de compras en el año: 25 𝑚𝑖𝑙 𝑐𝑎𝑗𝑎𝑠
información del 2017 al 2019 y
las cantidades que se deben TEMPORADA
ÍNDICES
Pronóstico
pronosticar para la compra de ESTACIONALES
25 mil cajas en el próximo año, Enero-Marzo 1.077 6.7
para la información del 2017 al Abril-Junio 1.070 6.7
2019. Julio-Septiembre 0.449 2.8
Los índices estacionales
Octubre-Diciembre 1.404 8.8
Total anual (miles) 25 25.0
calculados son los siguientes:

𝐸𝑛𝑒𝑟𝑜− 𝑀𝑎𝑟𝑧𝑜 1.077 ( ) (

Í 𝑛𝑑𝑖𝑐𝑒 ∗ 𝑇𝑜𝑡𝑎𝑙
𝐴𝑏𝑟𝑖𝑙− 𝐽𝑢𝑛𝑖𝑜 1.070
Fórmula: 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙 𝑎𝑛𝑢𝑎𝑙
/¿ ) (
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒
𝑡𝑒𝑚𝑝𝑜𝑟𝑎𝑑𝑎𝑠 )
𝐽𝑢𝑙𝑖𝑜 −𝑆𝑒𝑝𝑡𝑖𝑒𝑚𝑏𝑟𝑒0.449
𝑂𝑐𝑡𝑢𝑏𝑟𝑒−𝐷𝑖𝑐𝑖𝑒𝑚𝑏𝑟𝑒1.404
 Series de Tiempo
Estadística
No paramétrica
𝐵𝑖𝑏𝑙𝑖𝑜𝑔𝑟𝑎𝑓 í 𝑎
Lind, D.A., Marchal, W.G., Wathen, S.A. (15). (2012). Estadística Aplicada a los Negocios y la Economía. México: McGrawHill

David M. Levine, Timothy C. Krehbiel, Mark L. Berenson. 2006. Estadística para Administración. (4° edición). Naucalpan de
Juárez, México.: Pearson Prentice Hall