2016

Introduccin a Series de Tiempo

Una serie tiempo es una secuencia de observaciones, medidos en determinados

momentos del tiempo, ordenados cronolgicamente y, espaciados entre s de
manera uniforme, as los datos usualmente son dependientes entre s. El principal
objetivo de una serie de tiempo Xt , donde t= 1,2,n es su anlisis para hacer
pronstico.
Algunos ejemplos donde se puede utilizar series temporales
Economa y Marketing
Proyecciones del empleo y desempleo.
Evolucin del ndice de precios de la leche.
Beneficios netos mensuales de cierta entidad bancaria.
ndices del precio del petrleo.
Demografa
Nmero de habitantes por ao.
Tasa de mortalidad infantil por ao.
Componentes de una serie temporal
El anlisis clsico de las series temporales se basa en la suposicin de que los
valores que toma la variable de observacin es la consecuencia de tres
componentes, cuya actuacin conjunta da como resultado los valores medidos,
estos componentes son:
a.- Componente tendencia.- Se puede definir como un cambio a largo plazo que
se produce en la relacin al nivel medio, o el cambio a largo plazo de la media. La
tendencia se identifica con un movimiento suave de la serie a largo plazo.
b.- Componente estacional.- Muchas series temporales presentan cierta
periodicidad o dicho de otro modo, variacin de cierto perodo (semestral,
mensual, etc.). Por ejemplo las Ventas al Detalle en Puerto Rico aumentan por los
meses de noviembre y diciembre por las festividades navideas. Estos efectos son
fciles de entender y se pueden medir explcitamente o incluso se pueden eliminar
de la serie de datos, a este proceso se le llama desestacionalizacin de la serie.
c.- Componente aleatoria.- Esta componente no responde a ningn patrn de
comportamiento, sino que es el resultado de factores fortuitos o aleatorios que
inciden de forma aislada en una serie de tiempo.
CAPITULO 3

1)

Explique las diferencias entre las tcnicas de pronsticos cualitativas

y cuantitativas.

Los pronsticos realizan una estimacin de lo que posiblemente pueda pasar en el

futuro. Es aplicable en muchos casos, incluso la prediccin del tiempo,
las tendencias de los negocios, as como en el rendimiento de las ventas. Cuando
se

aplica

los

negocios,

los

pronsticos

son

a menudo considerados

indispensables, que sirven para dar forma crtica a la gestin, el crecimiento, el

progreso y el xito a largo plazo.
Pronsticos cuantitativos
Los pronsticos cuantitativos se refieren sobre todo a los nmeros o cifras tales
como los pronsticos de ventas, pronsticos presupuestarios, pronsticos de cifras
o econometra. Generalmente est basado en la historia de las cifras de la
empresa y tiene en cuenta la historia de la industria tambin. En los pronsticos
cuantitativos, las dos tcnicas ms bsicas son la tcnica de series de tiempo en
el que se mira hacia el futuro sobre la base de lo que sucedi en el pasado y la
tcnica relacional que opera en la idea de que el futuro depende de una serie de
factores que pueden afectarla en el presente.
En los siguientes puntos se listan las caractersticas clave de los datos que
provienen de pronsticos cualitativos:

Por lo general el pronstico se basa en un juicio personal o en alguna

informacin cualitativa externa.

El pronstico tiende a ser subjetivo; toda vez que suele desarrollarse a

partir de la experiencia de las personas involucradas, con frecuencia estar
sesgado con base en la posicin potencialmente optimista o pesimista de
dichas personas.

Una ventaja de este mtodo radica en que casi siempre permite obtener
algunos resultados con bastante rapidez.

En ciertos casos, la proyeccin cualitativa es especialmente importante, ya

que puede constituir el nico mtodo disponible.

Estos mtodos suelen utilizarse para productos individuales o familias de

productos, y rara vez para mercados completos

Pronsticos cualitativos
Basados ms en la opinin de expertos y el juicio, los pronsticos cualitativos
generalmente no se basan en la historia. Se puedes utilizar para determinar las
fortalezas de la empresa, las debilidades, las oportunidades y las amenazas, as
como para predecir el rendimiento. Una tcnica cualitativa comn es la tcnica
Delphi, en el que las tendencias y los efectos de las decisiones se predicen. Esta
tcnica en particular no necesariamente requiere de muy alta especializacin. En
la tcnica Delphi, los resultados se obtienen principalmente a travs de encuestas
enviadas por correo, donde a los participantes se les paga por su participacin.
Estos resultados se analizaron sobre la base del promedio de la opinin del grupo.
2)

Qu es una serie de tiempo?

Por serie de tiempo nos referimos a datos estadsticos que se recopilan,

observan o registran en intervalos de tiempo regulares (diario, semanal,
semestral, anual, entre otros).
Las observaciones de una variable Y que serecaban en el transcurso del
tiempo se conocen como datos de una serie de tiempo o simple-mente una
serie de tiempo.
Estas observaciones se registran a menudo en intervalos fijos de tiempo. Por
ejemplo, Y podra representar ventas, y la serie de tiempo asociada podra ser
una secuencia de cifras de ventas anuales. Otros ejemplos de series de tiempo
incluyen ingresostrimestrales,niveles de inventario mensuales y tasas de tipo
de cambio semanales.En general,las series de tiempo no se comportan como
muestras aleatorias y requieren de mtodos especiales para su anlisis.Las
observaciones de una serie de tiempo generalmente estn relacionadas unas
con otras (auto correlacionadas).Esta dependencia genera patrones de
variabilidad que pueden utilizarse para pronosticar valores futuros y ayudar en
la administracin de lasoperaciones de los negocios.

3)

Describa cada uno de los componentes de una serie de tiempo.

Cuatro componentes de las series de tiempo.stos son el componente de la

tendencia, el componente cclico,el componente estacional y el componente
irregular o aleatorio.
.3.1) Tendencia
La tendencia es el componente que representa el crecimiento (o la
declinacin)subyacente en una serie de tiempo.La tendencia se produce,por
ejemplo,como resultado dela inflacin,de cambios demogrficos persistentes o
de cambios tecnolgicos e incrementos en la productividad.El componente de
la tendencia se denota como T.
3.2) Componente cclico.
Es una serie de fluctuaciones en forma de onda o ciclos de ms de unao de
duracin. Las condiciones cambiantes de la economa generalmente producen
ciclos.
La letra C representa el componente cclico.En la prctica,los ciclos son
difciles de identificar,de manera que con frecuencia seles considera como
parte de la tendencia.En este caso,el crecimiento (o la declinacin)general
subyacente del componente se llama tendencia-ciclo y se denota como T.
Usamos la notacin de la tendencia porque con frecuencia es difcil separar el
componente cclico de la tendencia.
3.3) Componente estacional.
Los componentes estacionales se encuentran comnmente endatos
trimestrales, mensuales o semanales.La variacin estacional se refiere a un
patrn decambio ms o menos estable que aparece anualmente y se repite un
ao tras otro.Lospatrones estacionales ocurren por la influencia del tiempo
climatolgico o por acontecimientos relacionados con el calendario,como las
vacaciones escolares y los das feriados nacionales. S representa al
componente estacional
3.4) Componente irregular.
El componente irregular consiste en fluctuaciones impredecibles
oaleatorias.Estas fluctuaciones son el resultado de incontables hechos que de
forma individual tal vez no sean particularmente importantes,pero cuyos
efectos combinados suelen ser considerables. I representa al componente
irregular.

4) Qu es la auto-correlacin?
Cuando se mide una variable a lo largo del tiempo, las observaciones en
diferentes periodos a menudo estn relacionadas o correlacionadas. Esta
correlacin se mide usando el coeficiente de auto-correlacin.
Auto-correlacin es la correlacin que existe entre una variable retrasada uno o
msperiodos consigo misma.
Los patrones de datos que incluyen componentes como tendencia y
estacionalidad puedenestudiarse usando auto-correlaciones.Los patrones se
identifican examinando los coeficientesde auto-correlacin de una variable en
diferentes retrasos de tiempo.
5)

Qu mide un coeficiente de auto-correlacin?

La frmula para calcular k el coeficiente de auto-correlacin (rk) entre las

observaciones Yt y Yt-k ,que se encuentran a k periodos de distancia.
Y tY^
n

()(Y tk Y )

t =k+1
n

k=0,1,2..

(Y t Y )

t =1

rk=
Donde:
rk= coeficiente de autocorrelacin para un retraso de k periodos
Y = Media de los valores de la serie
Yt= observacin en el periodo t
Yt-k= observacin k periodos anteriores o durante un periodo t k
Los coeficientes de autocorrelacin para diferentes retrasos detiempo de una
variable pueden usarse para contestar las siguientes preguntas acerca de
unaserie de tiempo:
1. Los datos son aleatorios?
2. Los datos muestran una tendencia (son no estacionarios)?
3.Los datos son estacionarios?

4.Los datos son estacionales?

6)

Explique cmo se usan los correlogramas para analizar las autocorrelaciones de varios retrasos de una serie de tiempo.

UnCorrelograma o funcin de auto-correlacin es una grfica de las autocorrelacionespara varios retrasos de una serie de tiempo.
Si una serie es aleatoria, las auto-correlaciones entre Yt y Yt-k para cualquier
retraso de tiempo k son cercanas a cero.Los valores sucesivos de una serie de
tiempo no estn relaciona-dos entre s.
Si una serie muestra una tendencia,las observaciones sucesivas estn
altamente correlacionadas y es tpico que los coeficientes de correlacin sean
significativamente diferentes de cero,para los primeros retrasos de tiempo,y de
forma gradual tienden a cero conforme se incrementael nmero de retrasos.El
coeficiente de auto-correlacin para un retraso de tiempo 1 a menudoser muy
grande (cercano a 1).Tambin el coeficiente de auto-correlacin para el retraso
detiempo 2 ser grande.Sin embargo,no ser tan grande como para el retraso
de tiempo 1.Si una serie tiene un patrn estacional,se presentar un
coeficiente de auto-correlacin significativo en el retraso de tiempo estacional o
en los mltiplos del retraso estacional.El retrasoestacional se considera de 4
para datos trimestrales y 12 para datos mensuales.

7)

Indique si cada uno de los siguientes enunciados describe una serie

estacionaria o una serie no estacionaria.

a) Una serie que muestra una tendencia

- Serie no estacionaria
b) Una serie cuya media y varianza permanecen constantes en el tiempo
- Serie estacionaria
c) Una serie cuyo valor de la media cambia con el tiempo
- Serie no estacionaria

d) Una serie que no tiene crecimiento ni decrecimiento

- Serie estacionaria
8) En seguida se presentan descripciones de varios tipos de series:
aleatoria, estacionaria, de tendencia y estacional. Identifique el tipo
de serie que describe cada inciso.
a) La serie tiene propiedades estadsticas bsicas,como media y varianza, que
permanecen constantes en el tiempo
- Serie estacionaria
b) Los valores sucesivos de una serie de tiempo no estn relacionados entre
s.
- Serie estacional
c) Existe una relacin significativa entre cada valor sucesivo de una serie.
- Serie de tendencia
d) Un coeficiente de autocorrelacin significativo aparece en el retraso de
tiempo4 para datos trimestrales
- Serie estacional
e) La serie no tiene crecimiento ni decrecimiento
- Serie estacionaria
f) En general,los coeficientes de autocorrelacin son significativamente
diferentes de cero,para varios de los primeros retrasos de tiempo y luego
disminuyengradualmente hacia cero,conforme se incrementa el nmero de
retrasos.
- Serie de tendencia
9)

Liste algunas de las tcnicas de pronsticos que deban considerarse

cuando se est pronosticando una serie estacionaria. D ejemplos de
situaciones en que dichas tcnicas seran aplicables

Se defini antes una serie estacionaria como aquella cuyo valor medio no
cambia con el paso deltiempo.Tales situaciones surgen cuando los patrones de
demanda que influyen en las series sonrelativamente estables.Es importante
reconocer que los datos estacionarios no necesariamentevaran de manera
aleatoria alrededor de un nivel medio.Las series estacionarias pueden
estarauto-correlacionadas;sin embargo,la naturaleza de la asociacin es tal
que los datos no se alejande la media para cualquier periodo ampliado.En su
forma ms simple,el pronstico de una serieestacionaria implica el uso de la
historia disponible de la serie para estimar su valor medio,el cualse convierte
as en el pronstico de futuros periodos.

Las tcnicas ms avanzadas implican actualizar la historia disponible de la

serie para estimar su valor medio,lo que a su vez se convierte enel pronstico
de periodos futuros.Los pronsticos pueden actualizarse conforme se dispone
denueva informacin.La actualizacin es til cuando las estimaciones iniciales
no son confiables,ocuando se cuestiona la estabilidad del promedio.En este
ltimo caso,la actualizacin brindaalgn grado de sensibilidad a los cambios
potenciales en la estructura subyacente de la serie.Las tcnicas de pronsticos
estacionarias se usan en las siguientes circunstancias:
Los factores que generan una serie se han estabilizado,y el ambiente en el
cual existe la serie permanece relativamente sin cambios.
Algunos ejemplos son el nmero de interrupciones semanales de una lnea de
ensamble que tiene una tasa de produccin uniforme,las unidades vendidas de
un producto o servicio en la etapa de maduracin de su ciclo devida y el
nmero de ventas resultantes de un nivel de esfuerzo constante.
Se necesita un modelo muy simple debido a la falta de datos para la
explicacin o implementacin. Un ejemplo se presenta cuando un negocio u
organizacin es nuevo,y haymuy poca informacin histrica disponible.
La estabilidad puede obtenerse haciendo correcciones sencillas de factores
tales como crecimiento demogrfico o la inflacin. Algunos ejemplos son el
cambio del ingreso por elingreso per cpita,y el cambio de ventas en dlares
por cantidades constantes en dlares.
La serie puede convertirse en una serie estable. Algunos ejemplos son la
transformacinde una serie mediante el uso de logaritmos,races cuadradas o
diferencias.
La serie es un grupo de errores de pronstico de una tcnica de elaboracin
del pronstico que se considera adecuada.

10) Liste algunas de las tcnicas de pronsticos que deban considerarse

cuando se est pronosticando una serie de tendencia. Mencione
ejemplos de situaciones en que dichas tcnicas seran aplicables.
En palabras sencillas, en una serie de tiempo una tendenciaes un crecimiento
o decrecimientopersistente de larga duracin.Para una serie de tiempo con
tendencia,el nivel de la serie no esconstante.Es comn que las series de
tiempo de economa muestren una tendencia.Las tcnicas de pronstico para
datos con tendencia se usan en las siguientes circunstancias:

Un incremento en la productividad y nueva tecnologa traen consigo cambios

en el estilo de vida.
Algunos ejemplos son las demandas de componentes electrnicos,las
cualesaumentaron con la llegada de las computadoras,y el uso del ferrocarril,
el cual disminuy con la aparicin del avin.
Un incremento de la poblacin causa aumentos en la demanda de bienes y
servicios. Ejemplos de esto son los ingresos por ventas de bienes de
consumo,demanda de con-sumo de energa y uso de materias primas.
El poder de compra de la moneda afecta las variables econmicas debido a la
inflacin. Son ejemplos los salarios,los costos de produccin y los precios.
Incremento de aceptacin en el mercado. Un ejemplo es el periodo de
crecimiento en elciclo de vida de un producto nuevo

11) Liste algunas de las tcnicas de pronsticos que deban considerarse

cuando se est pronosticando una serie estacional. Mencione
ejemplos de situaciones en que dichas tcnicas seran aplicables
Con anterioridad se defini una serie estacional como una serie de tiempo con
un patrn decambio que se repite a s mismo ao tras ao.Una forma de
desarrollar pronsticos estacionales es estimar ndices estacionales de la
historia de la serie.Por ejemplo,en datos mensuales,hay un ndice para
enero,un ndice para febrero,y as sucesivamente.Estos ndices se
utilizandespus para incluir la estacionalidad en los pronsticos o para eliminar
tales efectos de los valoresobservados.El proceso que sigue se conoce como
un ajuste de la estacionalidad de los datosy se analiza junto con los mtodos
de descomposicin de la serie de tiempo.
Las tcnicas para la elaboracin de pronsticos con datos estacionales se
usan en lassiguientes circunstancias:
El clima influye en la variable de inters. Ejemplos son el consumo elctrico,
las actividades de verano e invierno (por ejemplo,deportes como el esqu),el
vestido y buenastemporadas en la agricultura.
El calendario anual influye en la variable de inters. Son ejemplos las ventas
al menudeo influidas por las vacaciones,fines de semana de tres das y
calendarios acadmicos.

12) Liste algunas de las tcnicas de pronsticos que deban considerarse

cuando se est pronosticando una serie cclica. Mencione ejemplos
de situaciones en que dichas tcnicas seran aplicables
El efecto cclico se defini antes como la fluctuacin con forma de onda
alrededor de una tendencia.Los patrones cclicos son difciles de modelar
porque sus patrones generalmente soninestables.Las fluctuaciones
ondulatorias hacia arriba y hacia abajo de la tendencia rara vez serepiten en
intervalos de tiempo fijos,en tanto que la magnitud de las variaciones
tambintiende a cambiar. Los mtodos de descomposicin pueden ampliarse
para analizarlos datos cclicos.Sin embargo,debido al comportamiento irregular
de los ciclos,el anlisis delcomponente cclico de una serie,si existe,a menudo
requiere de la obtencin de indicadoresde coincidencia o indicadores
econmicos importantes.
Las tcnicas para la elaboracin de pronsticos con datos cclicos se usan en
las siguientescircunstancias:
El ciclo de negocios influye en la variable de inters. Son ejemplos los factores
econmicos,de mercado y competitivos.
Ocurren cambios en el gusto popular. Son ejemplos la moda,la msica y la
comida.
Suceden cambios en la poblacin. Son ejemplos
hambrunas,las epidemiasy los desastres naturales.

las

guerras,las

Ocurren cambios en el ciclo de vida del producto. Son ejemplos el

lanzamiento, el crecimiento,la maduracin,la saturacin del mercado,y su
declive.

13) En la tabla P-13,se presenta el nmero de matrimonios en Estados

Unidos.Calcule las primeras diferencias para tales datos.Grafique los
datos originales ylos datos de diferencia como una serie de tiempo.
Hay tendencia en cualquiera deestas series? Explique su respuesta.
Solucin:
matrimo diferenci
Aos
nio
a
1985
2413
1986
2407
-6
1987
2403
-4
1988
2396
-7
1989
2403
7
1990
2443
40
1991
2371
-72
1992
2362
-9
1993
2334
-28
1994
2362
28
1995
2336
-26
1996
2344
8
1997
2384
40
1998
2244
-140
1999
2358
114
2000
2329
-29
2001
2345
16
2002
2254
-91
2003
2245
-9
2004
2279
34

GRAFICO DE LOS DATOS ORIGINALES:

Grfica de anlisis de tendencia de matrimonio

Modelo de tendencia lineal
Yt = 2433.9 - 7.93t
2450

Variable
Actual
Ajustes

matrimonio

2400

Medidas de exactitud
MAPE
1.06
MAD
24.63
MSD
1057.79

2350

2300

2250
2

10

12

14

16

ndice

GRAFICO DE LOS DATOS DE DIFERENCIA:

18

20

Grfica de anlisis de tendencia de diferencia

Modelo de tendencia lineal
Yt = -5.3 - 0.16t
Variable
Actual
Ajustes

100

Medidas de exactitud
MAPE
90.34
MAD
36.50
MSD
2798.64

diferencia

50

-50

-100

-150
2

10

12

14

16

18

20

ndice

Hay tendencia en cualquiera de estas series?

Existe tendencia en el primer grafico ya q es una serie no estacionaria y con

lo q respecta al segundo grafico se utiliz el mtodo llamado diferencia para
eliminar la tendencia de una serie no estacionaria.
Observe la tendencia de los datos presentados en la grfica A .Ahora
observe el patrn estacionario de los datos diferenciados en la grfica B .La
diferencia de los datos elimina la tendencia.

14) Calcule un intervalo de confianza de 95% para el coeficiente de autocorrelacinpara el retraso de tiempo 1 para una serie que contiene 80
elementos
- Serie con datos aleatorios
Tiempo

Yt
1
2
3
4
5
6
7

Yt-1
456
192
311
190
611
341
215

456
192
311
190
611
341

8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50

969
539
518
377
851
819
734
865
868
561
666
837
953
394
682
333
517
260
605
324
776
603
811
731
341
656
354
333
517
583
383
858
189
156
973
509
148
104
111
1000
947
713
826

215
969
539
518
377
851
819
734
865
868
561
666
837
953
394
682
333
517
260
605
324
776
603
811
731
341
656
354
333
517
583
383
858
189
156
973
509
148
104
111
1000
947
713

51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80

826
512
402
148
648
902
695
891
177
621
805
198
845
944
820
337
623
949
105
661
723
855
206
747
587
331
328
569
589
193

Coeficiente de auto-correlacin para el retraso 1

r1
0.08079

512
402
148
648
902
695
891
177
621
805
198
845
944
820
337
623
949
105
661
723
855
206
747
587
331
328
569
589
193
203

SE(r1)
se(r1)
0.111803
4

Hiptesis para el retraso 1 :

H 0=1 =0
H 1=1 0

Estadstico de prueba:

t cal= 0.72264
t tab = 1.99045
t cal <t tab
DECISIN: Se acepta la hiptesis nula, no existe autocorrelacin.

Lmite de confianza de 95%

Limite 1:

0+1.99045 0.11180= 0.22253

: 01.99045 0.11180= 0.22253

15) Qu medida de precisin del pronstico debera usarse en cada una
de las siguientes situaciones?
a) El analista necesita determinar si el mtodo de elaboracin del pronstico
tiene un sesgo
- Error porcentual medio (MPE).
b) El analista cree que el tamao o la magnitud de la variable del pronstico
esimportante en la evaluacin de la exactitud de ste.
-

Desviacin media absoluta (MAD) y Error porcentual absoluto medio

(MAPE)

c) El analista necesita sancionar errores grandes del pronstico

-

Error cuadrtico medio (MSE) y Raiz cuadrada del error cuadrado medio
(RMSE)

16) Cul de los siguientes enunciados es verdadero en relacin con las

medidas deprecisin usadas para evaluar pronsticos?
a) ElMAPEtoma en consideracin la magnitud de los valores que se
pronostican. (V)

b) ElMSEy laRMSEsancionan errores grandes. (V)

c) ElMPEse usa para determinar si,sistemticamente, un modelo est
prediciendo muy alto o muy bajo. (V)
d) La ventaja del mtodo de laMADes que relaciona el tamao del error
con laobservacin real. (F)

17) A AllieWhite,la jefa de la oficina de prstamos del DominionBank,le

gustara analizar el portafolios de prstamos del banco para los aos
2001 a 2006.Los datos se presentan en la tabla P-17

a) Calcule las auto-correlaciones para los retrasos de tiempo 1 y 2.Haga

unaprueba para determinar si estos coeficientes de auto-correlacin son
significativamente diferentes de cero,para el nivel de significancia de .05
b) Use un programa de computadora para graficar los datos y calcule las autocorrelaciones para los primeros seis retrasos de tiempo.Esta serie de
tiempo esestacionaria?

TABLA P-17
por
tiempo Prstamos
Yt
Yt1trimestre
Yt2($ millones) del Dominion Bank, 2001
mar-01 a 20062313
mar-31
jun-30
sep-30
dic-31
jun-01 calendari
2495
2313
sep-01 o
2609
2495
2313
2001
2313
2495
2609
2792
dic-01
2792
2609
2495
2002
2860
3099
3202
3161
mar-02
2860
2792
2609
jun-02
sep-02
dic-02
mar-03
jun-03
sep-03

3099
2003
3202
2004
3161
3399
2005
3471
2006
3545

2860
3399
3099
4458
3202
3161
5756
3399
6369
3471

2792
3471
2860
4850
3099
3202
6013
3161
6568
3399

dic-03
mar-04
jun-04
sep-04
dic-04
mar-05
jun-05
sep-05
dic-05
mar-06
jun-06
sep-06
dic-06

3851
4458
4850
5093
5318
5756
6013
6158
6289
6369
6568
6646
6861

3545
3851
4458
4850
5093
5318
5756
6013
6158
6289
6369
6568
6646

3471
3545
SOLUCION:
3851
4458
a)
4850
5093
5318
5756
6013
6158
6289
6369
6568

3545

3851

5093

5318

6158

6289

6646

6861

 Coeficiente de auto correlacin para el retraso 1 y 2

r1
r2
0.8952 0.78839
6248
748

En esta serie de tiempo hay una autocorrelacinpositiva para el retraso 1 y 2. Esto significa que el portafolio de
prstamos del banco estn correlacionadas de algn modo unas con otras.
Generalmente,conforme aumenta el nmero de retrasos (k), disminuyen
las magnitudes de los coeficientes de auto-correlacin.

prueba para determinar si estos coeficientes de auto-correlacin son

significativamente diferentes de cero.

Error estndar de la auto-correlacin:

se(r1)
se(r2)
0.2041 0.32932
2415
948

Hiptesis para el retraso 1 :

H 0=1 =0
H 1=1 0

Estadstico de prueba:

t cal= 4.38587
t tab = 2.0686
t cal >t tab
DECISIN: Se rechaza la hiptesis nula, existe correlacin.
Se concluye que la auto-correlacin del retraso 1 es significativamente
diferente de 0

Hiptesis para el retraso 2:

H 0=2 =0
H 1=2 0

Estadstico de prueba:

t cal= 2.3939
t tab = 2.0686
t cal >t tab
DECISIN: Se rechaza la hiptesis nula, existe correlacin.
Se concluye que la auto-correlacin del retraso 2 es
significativamente diferente de 0

Una forma alternativa para verificar la auto-correlacin significativa

es construir,digamos,lmites de confianza de 95% centrados en
cero.Estos lmites para los retrasos de tiempo 1 y2 son como sigue:

Limite 1:

0+2.0686 0.204124= 0.42226

: 02.0686 0.204124= 0.42226

Limite 2:

0+2.0686 0.329329= 0.681269

: 02.0686 0.329329= 0.681269

Autocorrelation Function for Yt
(with 5% significance limits for the autocorrelations)
1.0
0.8

Autocorrelation

0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1

2
Lag

b)
Tiempo Yt
mar-01
jun-01
sep-01
dic-01
mar-02
jun-02
sep-02
dic-02
mar-03
jun-03
sep-03
dic-03

Yt1
2313
2495
2609
2792
2860
3099
3202
3161
3399
3471
3545
3851

Yt2
2313
2495
2609
2792
2860
3099
3202
3161
3399
3471
3545

Yt3

2313
2495
2609
2792
2860
3099
3202
3161
3399
3471

Yt4

2313
2495
2609
2792
2860
3099
3202
3161
3399

Yt5

2313
2495
2609
2792
2860
3099
3202
3161

Yt6

2313
2495
2609
2792
2860
3099
3202

2313
2495
2609
2792
2860
3099

mar-04
jun-04
sep-04
dic-04
mar-05
jun-05
sep-05
dic-05
mar-06
jun-06
sep-06
dic-06

4458
4850
5093
5318
5756
6013
6158
6289
6369
6568
6646
6861

r1
0.8952
6248

3851
4458
4850
5093
5318
5756
6013
6158
6289
6369
6568
6646

3545
3851
4458
4850
5093
5318
5756
6013
6158
6289
6369
6568

3471
3545
3851
4458
4850
5093
5318
5756
6013
6158
6289
6369

3399
3471
3545
3851
4458
4850
5093
5318
5756
6013
6158
6289

3161
3399
3471
3545
3851
4458
4850
5093
5318
5756
6013
6158

Calculo de las auto-correlaciones para los 6 primeros retrasos

r2
0.78839
748

r3
0.67331
136

r4
0.55815
739

r5
0.433082
685

r6
0.30941
932

GRAFICO:
Autocorrelation Function for Yt
(with 5% significance limits for the autocorrelations)

1.0
0.8

Autocorrelation

0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1

4
Lag

Esta serie de tiempo es estacionaria?

3202
3161
3399
3471
3545
3851
4458
4850
5093
5318
5756
6013

Esta serie es no estacionaria ya que contiene una tendencia.

Ya que loscoeficientes de auto-correlacin de una serie estacionaria
decrecen hacia cero bastante rpidamente,por lo comn despus del
segundo o tercer retraso de tiempo.

18) Para el problema anterior.Calcule las primeras diferencias de los

datos de prsta-mos trimestrales del Dominion Bank.

a) Calcule el coeficiente de auto-correlacin para el retraso de tiempo 1,

usando los datos diferenciados.
b) Use un programa de cmputo para graficar los datos diferenciados y
para calcular sus auto-correlaciones de los primeros seis retrasos de
tiempo.Esta serie esestacionaria?

SOLUCION:
a)
tiempo

Yt
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

diferenci
a

Yt1
2313
2495
2609
2792
2860
3099
3202
3161
3399
3471
3545
3851
4458
4850
5093
5318

2313
2495
2609
2792
2860
3099
3202
3161
3399
3471
3545
3851
4458
4850
5093

182
114
183
68
239
103
-41
238
72
74
306
607
392
243
225

17
18
19
20
21
23
24

5756
6013
6158
6289
6369
6646
6861

5318
5756
6013
6158
6289
6568
6646

438
257
145
131
80
78
215

Coeficiente de auto-correlacin para el retraso 1:

r1
0.3756
3

b)

Grfica de anlisis de tendencia de diferencia

Modelo de tendencia lineal
Yt = 160.3 + 2.88t
Variable
Actual
Ajustes

600

diferencia

500

Medidas de exactitud
MAPE
85.2
MAD
102.9
MSD
18828.8

400
300
200
100
0
2

10

12

14

ndice

16

18

20

22

24


r1
0.37563
019

Calculo de los coeficientes de auto-correlacin para los primeros

seis retrasos
r2
0.069898
71

r3
0.11278
444

r4
0.13196
39

r5
0.11558
431

r6
0.35089
349

Esta serie es estacionaria?

Esta serie es estacionaria ya que no contiene una tendencia.

Ya que loscoeficientes de auto-correlacin de una serie estacionaria
decrecen hacia cero bastante rpidamente,por lo comn despus del
segundo o tercer retraso de tiempo.

19) Analice los coeficientes de auto-correlacin para las series

presentadas en las figuras 3-18 a 3-21.Describa brevemente cada
serie.
GRAFICO 3-18:

Se observa que los coeficientes de autocorrelacin para los primeros cuatro

retrasos de tiempo son significativamente diferente de cero.
GRAFICO 3-19:

Todos los coeficientes son estacionarios y nulos, pues se concluye que hay
ausencia de autocorrelacin.

GRAFICO 3-20:

Se busca el punto a partir del cual las auto-correlaciones parciales comienzan

a no ser significativas respecto a la hiptesis nula( autocorrelacion cero).

GRAFICO 3-21:

Se observa que solo la autocorrelacion de retraso 1 es significativo. Pues su

funcin de autocorrelacin decrece rpidamente.

20) A un analista le gustara determinar si existe un patrn de ganancias

por accin para la Price Company, la cual opera un negocio de
autoservicio de venta al mayo-reo/menudeo en varios estados con el
nombre de Price Club. Los datos se presentan en la tabla P20.Describa cualquiera de los patrones que existan en estos datos.
TRIMESTR
E

1986

1987

1988

1989

1990

1991
1992

1993

AOS
40
29
24
32
47
34
30
39
63
43
38
49
76
51
42
61
86
51
47
63
94
56
50
65
95
42
57
60
93
38
37
57

a) Encuentre el pronstico de las ganancias trimestrales por accin de

Price Clubpara cada trimestre,usando el enfoque sencillo (p.ej.,el

pronstico del primertrimestre de 1987 es el valor del cuarto trimestre

de 1986,es decir,.32).
INDICE ESTACIONAL
PeriodIndice
1
1.45618
2
0.79471
3
0.72819
4
1.02472
5
1.41961
6
0.82580
7
0.73848
8
0.94490
9
1.43526
10
0.89169
11
0.76726
12
0.97321

pronostico
Period
33
34
55.282
36

pronostico
100.475
63.335
35

71.118
37
107.902
38
59.701
39
55.449
40
79.078

41
111.005
42
65.418
43
59.257
44
76.787

b) Evale el pronstico sencillo usando laMAD

c)
d)
e)
f)

Evale el pronstico sencillo usando elMSEy la RMSE

Evale el pronstico sencillo usando elMAPE
Evale el pronstico sencillo usando elMPE.
Escriba un reporte que resuma sus hallazgos

21) La tabla p-21 contiene las ventas semanales de un artculo

alimenticio para 52 semanas consecutivas.
a) Grafique los datos de ventas como una serie de tiempo.
b) Cree que esta serie sea estacionaria o no estacionaria?
c) Usando Minitab o un programa similar,calcule las auto-correlaciones de la
seriede ventas para los 10 primeros retrasos de tiempo.El comportamiento
de lasauto-correlaciones es consistente con su respuesta al incisob)?
Explique por qu
SOLUCION:
Ventas semanales de un artculo alimenticio
2649.9
3504.3
1425.4
1367.9
1759.5
2273
3318.9

2898.7
2445.9
1946.2
2176.8
1039.4
3596.6
3342.6

2897.8
1833.9
1809.9
2725
2404.8
2615.8
2131.9

3054.3
2185.4
2339.9
3723.7
2047.8
2253.3
3003.2

3888.1
3367.4
1717.9
2016
4072.6
1779.4

3963.6
1374.1
2420.3
862.2
4600.5
3917.9

3258.9
497.5
1396.5
1234.6
2370.1
3329.3

3199.6
1699
1612.1
1166.5
3542.3
1864.4

Solucin:
a)
a)

Grfica de series de tiempo de ventas

5000

4600.5

4000

ventas

3504.3

3723.7

3596.6
3342.6

3318.9

3888.1

4072.6
3963.6

3917.9

3367.4

3329.3
3199.6

3258.9

3054.3
3003.2
2897.8
2725.0
2649.9
2615.8
2445.9
2420.3
2404.8
2339.9
2273.0
2176.8
2185.4 2253.3
2131.9
2047.8
2016.0
1946.2
1833.9
1809.9
2000
1759.5
1717.91779.4

3542.3

2898.7

3000

1425.4
1367.9

2370.1
1864.4
1699.0
1612.1
1396.5
1234.6

1374.1
1039.4

1166.5

862.2

1000

497.5

0
1

10

15

20

25

30

35

40

45

50

ndice

b) Cree que esta serie sea estacionaria o no estacionaria?

Esta serie es estacionaria ya q no existe una tendencia correspondiente con
lo q respecta a las ventas semanales de un artculo alimenticio.
c) calculo de las auto-correlaciones de la seriede ventas para los 10 primeros
retrasos de tiempo
r1
0.0089
8

r2
0.089
77

r3
0.493
99

r4
0.0092
7

r5
0.057
30

r6
0.350
09

r7
0.152
25

r8
0.005
99

r9
0.350
67

r10
0.023
85

segn el clculo de las auto-correlaciones es consistente con mi

respuesta del inciso "B" ya que es una serie estacionaria debido a
que no tiene tendencia ni creciente ni decreciente

22) Esta pregunta se refiere al problema 21

a) Ajuste el modelo aleatorio dado por la ecuacin 3.4 a los datos de la tabla
P21, estimandoC con la media muestralde modo que.Calcule los
residuosusando et=Yt-Yt
Ventas

yt-1

2649.9
3504.3
1425.4

2649.9
3504.3

1367.9

1425.4

1759.5
2273
3318.9
2898.7
2445.9
1946.2
2176.8
1039.4

1367.9
1759.5
2273
3318.9
2898.7
2445.9
1946.2
2176.8

3596.6
3342.6
2897.8
1833.9
1809.9
2725
2404.8
2615.8
2131.9
3054.3
2185.4
2339.9
3723.7
2047.8

1039.4
3596.6
3342.6
2897.8
1833.9
1809.9
2725
2404.8
2615.8
2131.9
3054.3
2185.4
2339.9
3723.7

residuo
s
1044.25
1034.65
1092.15
-700.55
-187.05
858.85
438.65
-14.15
-513.85
-283.25
1420.65
1136.55
882.55
437.75
-626.15
-650.15
264.95
-55.25
155.75
-328.15
594.25
-274.65
-120.15
1263.65
-412.25

Total
Media

2253.3
3003.2
3888.1
3367.4
1717.9
2016
4072.6
1779.4
3963.6
1374.1

2047.8
2253.3
3003.2
3888.1
3367.4
1717.9
2016
4072.6
1779.4
3963.6

2420.3
862.2

1374.1
2420.3

4600.5
3917.9
3258.9
497.5

862.2
4600.5
3917.9
3258.9

1396.5

497.5

1234.6

1396.5

2370.1
3329.3
3199.6
1699
1612.1
1166.5

1234.6
2370.1
3329.3
3199.6
1699
1612.1

3542.3
1864.4
127922
.6
2460.0
5

1166.5
3542.3

-206.75
543.15
1428.05
907.35
-742.15
-444.05
1612.55
-680.65
1503.55
1085.95
-39.75
1597.85
2140.45
1457.85
798.85
1962.55
1063.55
1225.45
-89.95
869.25
739.55
-761.05
-847.95
1293.55
1082.25
-595.65

b) Usando Minitab o un programa similar,calcule las auto-correlaciones de

losresiduos de la parteC para los primeros 10 retrasos de tiempo.El
modeloaleatorio es adecuado para los datos de ventas? Explique su
respuesta

23) La
tabla
P-23
presenta
los
ingresos
trimestrales
de
SouthwestAirlines, antes departidas extraordinarias (millones de $)
para los aos de 1988 a 1999.
Ingresos trimestrales de SouthwestAirlines (millones de $)
Ao

tri 1
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999

0.17
19.64
5.09
-8.21
13.48
24.93
41.85
11.83
33
50.87
70.01
95.85

tri 2
tri 3
tri 4
15.13
26.59
16.07
19.24
24.57
8.11
23.53
23.04
-4.58
10.57
15.72
8.84
23.48
26.89
27.17
42.15
48.83
38.37
58.52
58.62
20.34
59.72
67.72
43.36
85.32
60.86
28.16
93.83
92.51
80.55
133.39
129.64
100.38
157.76
126.98
93.8

a) Grafique los datos de ingresos como una serie de tiempo y describa

cualquierpatrn existente.

Grfica de series de tiempo de ingresos

160
140
120

ingresos

100
80
60
40
20
0
1

10

15

20

25

ndice

30

35

40

45

El patrn existente es de tendencia ya que podemos observar en el

grfico de la serie de tiempo q los datos crecen significativamente
con lo q respecta a los Ingresos trimestrales de SouthwestAirlines
(millones de $)

b) La serie es estacionaria o no estacionaria? Explique su respuesta

La serie es no estacionaria porque existe una tendencia creciente con lo q
respecta a los ingresos trimestrales de SouthwestAirlines (millones de $)
c) Usando Minitab o un programa similar,calcule las auto-correlaciones de la
serie de ingresos para los primeros 10 retrasos de tiempo.El
comportamientode las auto-correlaciones es congruente con su eleccin
realizada en el incisob)?Explique su respuesta.
r1
r2
0.79 0.615
975
78

r3
0.649
87

r4
0.702
62

r5
0.521
33

r6
0.360
83

r7
0.381
69

r8
0.423
29

r9
0.265
45

r10
0.132
38

Segn el comportamiento del clculo de las auto-correlaciones para los

primeros 10 retrasos es congruente mi eleccin en inciso b) ya que la serie
muestra una tendencia,hay una relacin significativa entre los valores
sucesivos dela serie de tiempo.Los coeficientes de auto-correlacin son
usualmente grandes para variosde los primeros retrasos de tiempo y
luego,conforme se incrementa el nmero de retrasos,caengradualmente
hacia cero

24) Esta pregunta se refiere al problema 23.

a) Use Minitab o Excel para calcular las diferenciascuartas de los datos de
ingresos en la tabla P-23.Las diferencias cuartas se calculan diferenciando
las observaciones separadas por cuatro periodos.Con datos trimestrales,
este procedimiento algunas veces es til en la creacin de una serie
estacionaria,a partir deuna serie no estacionaria (vase el captulo 9).Por lo
tanto,los datos diferencia-dos cuartos sern Y5Y1=19.64 .17=19.47, Y6Y219.24 15.13=4.11,,y as sucesivamente.

Ao

1988

1989

1990

1991

1992

1993

1994

1995

1996

1997

trimes
tre
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I

ingre
sos
0.17
15.13
26.59
16.07
19.64
19.24
24.57
8.11
5.09
23.53
23.04
-4.58
-8.21
10.57
15.72
8.84
13.48
23.48
26.89
27.17
24.93
42.15
48.83
38.37
41.85
58.52
58.62
20.34
11.83
59.72
67.72
43.36
33
85.32
60.86
28.16
50.87
93.83
92.51
80.55
70.01

diferencia
4ta

19.47
4.11
-2.02
-7.96
-14.55
4.29
-1.53
-12.69
-13.3
-12.96
-7.32
13.42
21.69
12.91
11.17
18.33
11.45
18.67
21.94
11.2
16.92
16.37
9.79
-18.03
-30.02
1.2
9.1
23.02
21.17
25.6
-6.86
-15.2
17.87
8.51
31.65
52.39
19.14

1998 II

133.3
9
129.6
4
100.3
8
95.85
157.7
6
126.9
8
93.8

III
IV
I
1999 II
III
IV

39.56
37.13
19.83
25.84
24.37
-2.66
-6.58

b) Grafique las series de tiempo de las diferencias cuartas.Estas series de

tiempoparecen ser estacionarias o no estacionarias? Explique su respuesta.

Grfica de series de tiempo de ingresos

160
140
120

ingresos

100
80
60
40
20
0
1

10

15

20

25

30

35

40

45

ndice

Estas series de tiempo es no estacionaria ya que existe una tendencia

creciente con lo q respecta a los ingresos

25) Este problema se remite al problema 23.

a) Considere un mtodo de pronsticos sencillo,donde los ingresos del

primertrimestre se usen para pronosticar los ingresos del primer trimestre
delsiguiente ao,los ingresos del segundo trimestre se usen para
pronosticar losingresos del segundo trimestre del siguiente ao,etctera.Por
ejemplo,unpronstico de los ingresos del primer trimestre de 1998 lo
proporcionan losingresos del primer trimestre de 1997:50.87 (vase la tabla
P-23).Use estemtodo sencillo para calcular los pronsticos de los ingresos
trimestrales paralos aos 1998 a 1999.
b) Usando los pronsticos del incisoa),calculeMAD,RMSEyMAPE.
c) Dados los resultados en el incisob) y la naturaleza de los patrones en la
serie deingresos,cree usted que sea viable el mtodo del pronstico
sencillo?Pensara en otro mtodo sencillo que fuera mejor?
Ingresos trimestrales de SouthwestAirlines (millones de $)
ao

tri 1
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999

tri 2
0.17
19.64
5.09
-8.21
13.48
24.93
41.85
11.83
33
50.87
70.01
95.85

15.13
19.24
23.53
10.57
23.48
42.15
58.52
59.72
85.32
93.83
133.39
157.76

tri 3
26.59
24.57
23.04
15.72
26.89
48.83
58.62
67.72
60.86
92.51
129.64
126.98

tri 4
16.07
8.11
-4.58
8.84
27.17
38.37
20.34
43.36
28.16
80.55
100.38
93.8

CAPITULO 4
1) Qu tcnica de pronsticos revisa continuamente el estimado a la luz de
las experiencias ms recientes?
La suavizacin exponencial revisa continuamente un estimado a la luz de las
experiencias ms recientes. Este mtodo se basa en promediar (suavizar) valores
pasados de una serie de manera exponencialmente decreciente. La observacin
ms reciente recibe el peso ms grande, (donde 0< <1) );la siguiente
observacin ms reciente recibe menos peso,

(1 ) ; la observacin de dos

periodos en el pasado recibe incluso menos peso,

;y as sucesivamente.

En una representacin de suavizacin exponencial,el nuevo pronstico (para el

tiempo t + 1) puede considerarse como la suma ponderada de la nueva
observacin (en el tiempo t) yel antiguo pronstico (para el tiempo t).Se asigna el
peso, (donde 0< <1) al nuevo valor observado, y el peso ( 1 ) al ltimo
pronstico.As
Nuevo pronostico
[ (nueva observacion) ] + [ ( 1 ) (ultimo pronostico) ]
Ms formalmente, la ecuacin de suavizacin exponencial, es
Y^ t +1= Y t +(1 )Y^ t

2) Cul tcnica de pronsticos usa el valor del periodo actual como base del
pronstico para el siguiente periodo?
A menudo los negocios nuevos enfrentan el problema de tratar de elaborar un
pronstico congrupos muy reducidos de datos.Esta situacin genera un problema
real,puesto que muchastcnicas para la elaboracin de un pronstico requieren
grandes cantidades de datos.Los pro-nsticos informales son una posible
solucin,puesto que se basan solamente en la informacinms reciente que est
disponible.Los pronsticos informales suponen que los periodos recientes son los
mejores para predecir el futuro.El modelo ms sencillo es:
Y^ t +1=Y t
^
Donde Y t +1

es el pronstico realizado en el momento t (el origen del pronstico)

para el tiempot + 1.El pronstico informal de cada periodo es la observacin

inmediata anterior.Se da el100% del peso al valor actual de la serie.El pronstico
informal se conoce algunas veces comopronstico sin cambio.En el pronstico
meteorolgico de corto plazo a menudo se aplica el pro-nstico sin cambio.Se
supone que el clima de maana se parecer mucho al clima de hoy.Puesto que el
pronstico
informal
(ecuacin
4.1)
descarta
cualquier
otra
observacin,esteesquema detecta cambios muy rpidamente.El problema con
este enfoque es que las fluctua-ciones aleatorias se producen con la misma
fidelidad que los cambios en los datos fundamentales
3) Cul tcnica de pronsticos concede el mismo peso a cada observacin?
Un promedio mvil de orden k,MA(k),se calcula mediante:
Y +Y ++ Y tk +1
Y^ t +1= t t 1
k

El promedio mvil para el periodo de tiempo tes la media aritmtica de

laskobservacionesms recientes.En un promedio mvil,se asignan pesos iguales a
cada observacin.Conformeest disponible,cada nuevo punto de datos se incluye
en el promedio y el punto de datos msantiguo se descarta.El porcentaje de
respuesta a los cambios en el patrn subyacente de datosdepende del nmero de
periodos,kincluidos en el promedio mvil.

4) Cul(es) tcnica(s) de pronsticos debe(n) utilizarse si los datos muestran

unatendencia?
Las tcnicas que deberan considerarse en el pronstico de series con tendencia
incluyenmodelos de promedios mviles,de suavizamiento exponencial lineal de
Holt, de regresin simple,de curvas de crecimiento,los modelos exponenciales y
los modelos auto regresivos integrados de promedio mvil (ARIMA)(mtodos de
Box-Jenkins)

La tcnica de suavizacinexponencial lineal de Holt,la cual se dise para manejar

datos con una tendencia biendefinida,enfrenta este problema y se presenta a
continuacin
Suavizacin exponencial ajustada a la tendencia: Mtodo de Holt
En la suavizacin exponencial simple,se supone que el nivel de las series de
tiempo vara ocasionalmente, y se requiere un estimado del nivel actual.En
algunas situaciones, los datos observados tienen una tendencia clara y contienen
informacin que permite anticipar movimientosfuturos ascendentes.Cuando ste
es el caso,se necesita una funcin de tendencia lineal del pro-nstico.Puesto que
las series de negocios y econmicas rara vez exhiben una tendencia
linealfija,consideramos la posibilidad de modelar tendencias lineales locales en
evolucin con eltiempo.Holt (2004) desarroll un mtodo de suavizacin
exponencial,conocida como la
Suavizacin exponencial lineal de Holt
Cuando se anticipa una tendencia en una serie de tiempo,se requiere un estimado
de lapendiente actual,as como del nivel actual.La tcnica de Holt suaviza
directamente el nivel yla pendiente usando diferentes constantes de suavizacin
para cada uno.Estas constantes desuavizacin proporcionan estimados del nivel y
la pendiente que se adaptan en el tiempo con-forme se dispone de nuevas
observaciones.Una de las ventajas de la tcnica de Holt es queofrece un alto
grado de flexibilidad en la seleccin de coeficientes con los cuales se controla
elnivel y la tendencia.Las tres ecuaciones usadas en el mtodo de Holt son:
La serie suavizada exponencialmente o nivel actual estimado
t1
Lt 1 +T
Lt= Y t +(1 )
.El estimado de la tendencia

T t = ( LtLt 1 ) +(1)T t 1
El pronstico para los P periodos del futuro
^
Y t + p=Lt + p T t
5) Cul(es) tcnica(s) de pronsticos debe(n) utilizarse si los datos son
estacionales?
Las tcnicas que deberan considerarse cuando se elaboren pronsticos con
series estacionales incluyen modelos de descomposicin clsica,CensusX12,suavizamiento exponencial deWinter,regresin mltiple y ARIMA(mtodos de
Box-Jenkins)

Suavizacin exponencial ajustada a la tendencia y a la variacin estacional:

Mtodo de Winters

El mtodo de suavizacin exponencial lineal y estacional de tres parmetros de

Winters,una extensin del mtodo de Holt,podra representar mejor los datos y
reducir el error de pronstico.En el mtodo de Winters,seemplea una ecuacin
adicional para estimar la estacionalidad.En la versin multiplicativa delmtodo de
Winters,la estimacin de la estacionalidad est dada por un ndice estacional y
secalcula mediante la ecuacin 4.20.Esta ltima indica que para calcular el
componente estacional actual, St,el producto de Y y un estimado del ndice
estacional dado por Yt/Ltse suma(1-y) veces al componente estacional previo
S t s .Este procedimiento es equivalente a suavizarlos valores previos y actuales
deYt/Lt.Yt se divide entre el nivel actual estimadoLt para crearun ndice (razn)
que pueda usarse de forma multiplicativa para ajustar un pronstico quetome en
cuenta los picos y valles estacionales.
Las cuatro ecuaciones usadas en la suavizacin (multiplicativa) de Winters
son:
Series suavizadas exponencialmente o nivel estimado:
Y
Lt= t +(1 )(Lt 1 +T t1 )
S ts
Estimacin de la tendencia
T t = ( LtLt 1 ) +(1)T t 1
Estimado de estacionalidad
Y
S t = t +(1) S t s
Lt
Pronostico de p periodos futuros

t+
p
T t )St s + p
(
Y^ t + p=

6) La Apex Mutual Fund invierte principalmente en acciones de tecnologa.El

preciodel fondo al final de cada mes para los 12 meses de 2006 se
presenta en la tabla P-6.
TABLA P-6
Mes
enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
septiembre
Octubre
Noviembre
Diciembre

precio del fondo

comn
19.39
18.96
18.2
17.89
18.43
19.98
19.51
20.63
19.78
21.25
21.18
22.14

a) Obtenga el pronstico del fondo comn por cada mes usando un modelo
informal (vase la ecuacin 4.1).El valor para diciembre de 2005 fue de
19.00.
Mes
dic-05
ene-06
feb-06
mar-06
abr-06
may-06
jun-06

precio del fondo

comun
19
19.39
18.96
18.2
17.89
18.43
19.98

pronostico

19
19.39
18.96
18.2
17.89
18.43

jul-06
ago-06
sep-06
oct-06
nov-06
dic-06
TABLA P6
MES
DICIEMB
RE
ENERO
FEBRER
O
MARZO
ABRIL
MAYO
JUNIO
JULIO
AGOSTO
SEPTIEM
BRE
OCTUBR
E
NOVIEM
BRE
DICIEMB
RE

19.51
20.63
19.78
21.25
21.18
22.14

19.98
19.51
20.63
19.78
21.25
21.18

PRECIO FONDO
PROM
et
COMUN
MOV
19
0

|et|
0

|et|/Yt

et/Yt

19.39
18.96

19
19.39

0.39
-0.43

0.39
0.43

0.1521
0.1849

0.0201
0.0227

0.0201
-0.0227

18.2
17.89
18.43
19.98
19.51
20.63
19.78

18.96
18.2
17.89
18.43
19.98
19.51
20.63

-0.76
-0.31
0.54
1.55
-0.47
1.12
-0.85

0.76
0.31
0.54
1.55
0.47
1.12
0.85

0.5776
0.0961
0.2916
2.4025
0.2209
1.2544
0.7225

0.0418
0.0173
0.0293
0.0776
0.0241
0.0543
0.0430

-0.0418
-0.0173
0.0293
0.0776
-0.0241
0.0543
-0.0430

21.25

19.78

1.47

1.47

2.1609

0.0692

0.0692

21.18

21.25

-0.07

0.07

0.0049

0.0033

-0.0033

22.14

21.18

0.96

0.96

0.9216

0.0434

0.0434

3.14

8.92

8.99

0.4460

0.1417

TOTAL

b) Evale este mtodo de pronstico usando la MAD.

MAD= 0.74333333
c) Evale este mtodo de pronstico usando el MSE.
MSE= 0.74916667
d) Evale este mtodo de pronstico usando el MAPE.
MAPE=

et2

0.03716262

e) Evale este mtodo de pronstico usando el MPE.

MPE= 0.0118
f) Utilizando un modelo informal,pronostique el precio del fondo comn
paraenero del 2007
Mes
dic-05
ene-06
feb-06
mar-06
abr-06
may-06
jun-06
jul-06
ago-06
sep-06
oct-06
nov-06
dic-06
ene-07

precio del fondo

comn
19
19.39
18.96
18.2
17.89
18.43
19.98
19.51
20.63
19.78
21.25
21.18
22.14

pronostico

19
19.39
18.96
18.2
17.89
18.43
19.98
19.51
20.63
19.78
21.25
21.18
22.14

g) Redacte un escrito resumiendo sus hallazgos

MAD indica que cada pronostico se desvi en promedio un 0,743 acciones de
tecnologa. El MSE de 0,749 y el MAPE de 3,71 % se compararan con los MSE y
MAPE de cualquier otro mtodo que se utilizara para pronosticar estos datos. Por
ltimo, el MPE de 1,18 % indica que la tcnica no tiene sesgo; ya que es cercano a
cero, la tcnica ni sobreestima ni subestima consistentemente el precio del fondo al
final de cada mes.

7) Refirase al problema 6.Use un promedio mvil de tres meses para

pronosticar elprecio del fondo comn para enero de 2007.Es mejor este
pronstico que el pronstico realizado usando el modelo informal? Explique
precio del fondo
comun

Mes
dic-05
ene-06
feb-06

pronostico
movil
19
19.39
18.96

mar-06
abr-06
may-06
jun-06
jul-06
ago-06
sep-06
oct-06
nov-06
dic-06
ene-07

18.2
17.89
18.43
19.98
19.51
20.63
19.78
21.25
21.18
22.14

comparando
modelo informal
promedio mvil

22.14
21.52

diferencia entre
modelos

19.117
18.850
18.350
18.173
18.767
19.307
20.040
19.973
20.553
20.737
21.523

0.62

Es mejor que el mtodo informal, dado que el mtodo de promedios mviles

se usa con frecuencia con datos trimestrales o mensuales para ayudar a
suavizar los componentes dentro de una serie de tiempo. Asigna pesos
iguales a cada observacin.

8) A partir de la serieYt en la tabla P-8,responda lo siguiente:

period
Yt
o
1
2
3
4
5

pronostico
200
210
215
216
219

200
-

Et
-

6
7
8

220
225
226

a) Cul es el pronstico para el periodo 9 usando un promedio mvil de

cincomeses?
periodo

yt

Pronostico

1
2
3
4
5
6
7
8

200
210
215
216
219
220
225
226

212
216
219

221.2

b) Si se usa la suavizacin exponencial simple con una constante de

suavizacin de.4,cul es el pronstico para el periodo 4?
perio
do
1
2
3
4
5
6
7
8

Yt

valor
suavizado
4
200
200
204
208.4
211.44
214.464
216.6784
220.00704

200
210
215
216
219
220
225
226

c) En el incisob),cul es el error de pronstico para el periodo 3?

periodo

Yt
1
2
3
4

200
210
215
216

valor
suavizado 4 error
200
200
204
208.4

0
10
11
7.6

5
6
7
8

219
220
225
226

211.44
214.464
216.6784
220.00704

7.56
5.536
8.3216
5.99296

9) El rendimiento de un bono de obligacin general de la ciudad de Davenport

fluctuaron el mercado.Las cotizaciones mensuales para 2006 se indican en
la tabla P-9
Mes
enero
febrero
marzo
abril
mayo
junio
julio
agosto
septiemb
re
octubre
noviembr
e
diciembr
e

rendimiento
9.29
9.99
10.16
10.25
10.61
11.07
11.52
11.09
10.8
10.5
10.86
9.97

a) Usando un promedio mvil de tres meses, obtenga el pronstico del

rendimiento mensual de los bonos de obligacin a partir de abril.
Mes
enero
febrero
marzo
abril
mayo
junio
julio
agosto
septiem
bre
octubre
noviem
bre
diciemb

rendimiento
9.29
9.99
10.16
10.25
10.61
11.07
11.52
11.09
10.8

promedio movil

9.813333333
10.13333333
10.34
10.64333333
11.06666667
11.22666667

10.5
10.86

11.13666667
10.79666667

9.97

10.72

re

b) Usando un promedio mvil de cinco meses, obtenga el pronstico del

rendimiento mensual de los bonos de obligacin a partir de junio.
Mes

rendimiento

enero
febrero
marzo
abril
mayo
junio
julio
agosto
septiemb
re
octubre
noviembr
e
diciembr
e

promedio
movil

9.29
9.99
10.16
10.25
10.61
11.07
11.52
11.09
10.8

10.06
10.416
10.722
10.908

10.5
10.86

11.018
10.996

9.97

10.954

resp b)

et

|e t|

e 2t

- Y
^t
10.06

1.01

1.01

1.0201

10.416

1.104

1.104

10.722

0.368

0.368

10.908

-0.108

0.108

11.018

-0.518

0.518

1.21881
6
0.13542
4
0.01166
4
0.26832
4

10.996

-0.136

0.136

0.01849
6

|e t|/Y t

e t /Y t

0.09123
758
0.09583
333
0.03318
305
0.01

0.09123
758
0.09583
333
0.03318
305
-0.01

0.04933
333

0.04933
333
0.01252

0.01252
302

10.954

-0.984

0.984

0.96825
6

0.09869
609

0.736

4.228

3.64108

0.39080
64

302
0.09869
609
0.04970
152

c) Evale estos mtodos de pronsticos usando la MAD.

MAD= 0.604
d) Evale estos mtodos de pronsticos usando el MSE.
MSE= 0.5202
e) Evale estos mtodos de pronsticos usando el MAPE.
MAPE= 0.0558
f) Evale estos mtodos de pronsticos usando el MPE.
MPE= 0.0071
g) Empleando la mejor tcnica,pronostique el rendimiento para enero del
2007.
Mes
ene-06
feb-06
mar-06
abr-06
may-06
jun-06
jul-06
ago-06
sep-06
oct-06
nov-06
dic-06

Rendimiento

Y t 9.29
9.99
10.16
10.25
10.61
11.07
11.52
11.09
10.8
10.5
10.86
9.97
ene-07

Y^ t

9.81333333
10.1333333
10.34
10.6433333
11.0666667
11.2266667
11.1366667
10.7966667
10.72
10.4433333

El pronstico del rendimiento para enero del 2007, segn la tecnica de

promedio mvil de tres meses es: 10.44
h) Redacte un escrito resumiendo sus hallazgos
Promedio mvil de cinco meses: MAD indica que cada pronstico se
desvi en un promedio de 0.604 el rendimiento de un bono de obligacin
de la ciudad de Davenport. El MSE de 0.520 y el MAPE de 5.58 % se
compararan con los MSE y MAPE de cualquier otro mtodo que se

utilizara para pronosticar estos datos. Por ltimo, el MPE de 0.71 %

indica que la tcnica no tiene sesgo; ya que es cercano a cero, la
tcnica ni sobreestima ni subestima consistentemente las cotizaciones
mensuales para el 2006.

10)Esta pregunta se refiere al problema 9.Use suavizacin exponencial con

una constante de suavizacin de .2 y un valor inicial de 9.29 para
pronosticar el rendimientode enero de 2007.Es mejor este pronstico que
el pronstico realizado usando elmejor modelo de promedio mvil?
Explique.
Mes
ene-06
feb-06
mar-06
abr-06
may-06
jun-06
jul-06
ago-06
sep-06
oct-06
nov-06
dic-06

Rendimiento

Y t 9.29

9.99
10.16
10.25
10.61
11.07
11.52
11.09
10.8
10.5
10.86
9.97
ene-07

Y^9.29
t

9.29
9.43
9.58
9.71
9.89
10.13
10.41
10.54
10.59
10.57
10.63
10.50

Es mejor el mtodo de suavizacin exponencial, dado que proporciona un

promedio mvil con un peso exponencial de todos los valores observados
con anterioridad. Es apropiado para los datos que no tienen tendencia
predecible hacia arriba o hacia abajo. Su objetivo es estimar el valor real.

11) La Hughes SupplyCompany utiliza un mtodo de administracin del

inventariopara determinar las demandas mensuales de varios productos.Se
tienen registrados los valores de la demanda de los ltimos 12 meses de
cada producto y estndisponibles para futuros pronsticos.Los valores de la
demanda de los 12 meses de2006 de una pieza elctrica se presentan en
la tabla P-11

Mes
Enero
febrero
marzo
Abril
Mayo
Junio
Julio
agosto
septiembre
octubre
noviembre
diciembre

Deman
da
205
251
304
284
352
300
241
284
312
289
385
256

Use una suavizacin exponencial con una constante de suavizacin de .5 y

un valorinicial de 205 para pronosticar la demanda para enero de 2007.
Mes
ene-06
feb-06
mar-06
abr-06
may-06
jun-06
jul-06
ago-06
sep-06
oct-06
nov-06
dic-06
ene-07

Demanda
205
251
304
284
352
300
241
284
312
289
385
256

suavizacin
exponencial
205
205
228
266
275
313.500
306.750
273.875
278.938
295.469
292.234
338.617
297.309

12)El General American Investors Company, una compaa de administracin

de inversiones,invierte principalmente en acciones de mediana y alta
calidad.JimCampbell est estudiando el valor de sus activos por accin
para esta compaa yle gustara pronosticar esta variable para los
trimestres restantes de 1996.Losdatos se presentan en la tabla P-12.
13)Southdown,Inc.,el tercer productor de cemento ms grande de Estados
Unidos,est impulsando un programa de quema de residuos de
combustible.El costo paraSouthdown totalizar cerca de los $37

millones.Por esta razn,es extremadamenteimportante para la compaa

tener un pronstico exacto de los ingresos para elprimer trimestre de
2000.Los datos se presentan en la tabla P-13.
Ingresos de Southdown, 1986 a 1999
Ao

I
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999

77.4
77.5
74.7
129.1
127.2
103
107.3
106.1
111.8
119.1
127.4
151.4
224.9
244.9

Trimestre
II
88.8
89.1
185.2
158.4
149.8
136.8
136.1
144.4
149.8
158
178.2
187.2
317.7
333.4

III

IV
92.1
92.4
162.4
160.6
151.7
141.3
138.6
156.1
158.5
170.4
189.3
199.2
341.4
370

79.8
80.1
178.1
138.7
132.9
123.5
123.7
138.2
141.8
151.8
169.5
181.4
300.7
326.7

a) Use suavizacin exponencial con una constante de suavizacin de .4 y

un valor inicial de 77.4 para pronosticar los ingresos trimestrales del
primer trimestre de 2000.
Ao

trimestre

1986

1987

1988

1989

I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III

ingreso
s
77.4
88.8
92.1
79.8
77.5
89.1
92.4
80.1
74.7
185.2
162.4
178.1
129.1
158.4
160.6

Suavizacin
exponencial
77.4
77.4
81.96
86.016
83.5296
81.11776
84.310656
87.5463936
84.56783616
80.6207017
122.452421
138.4314526
154.2988716
144.2193229
149.8915938

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I

138.7
127.2
149.8
151.7
132.9
103
136.8
141.3
123.5
107.3
136.1
138.6
123.7
106.1
144.4
156.1
138.2
111.8
149.8
158.5
141.8
119.1
158
170.4
151.8
127.4
178.2
189.3
169.5
151.4
187.2
199.2
181.4
224.9
317.7
341.4
300.7
244.9
333.4
370
326.7

154.1749563
147.9849738
139.6709843
143.7225906
146.9135543
141.3081326
125.9848796
130.3109277
134.7065566
130.223934
121.0543604
127.0726162
131.6835697
128.4901418
119.5340851
129.4804511
140.1282706
139.3569624
128.3341774
136.9205065
145.5523039
144.0513823
134.0708294
143.6424976
154.3454986
153.3272991
142.9563795
157.0538277
169.9522966
169.771378
162.4228268
172.3336961
183.0802176
182.4081306
199.4048784
246.722927
284.5937562
291.0362537
272.5817522
296.9090513
326.1454308
326.3672585

b) Use ahora una constante de suavizacin de .6 y un valor inicial de 77.4

parapronosticar los ingresos trimestrales del primer trimestre de 2000
Ao

trimestre

1986

1987

1988

1989

1990

1991

1992

1993

1994

1995

I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II

ingreso
s
77.4
88.8
92.1
79.8
77.5
89.1
92.4
80.1
74.7
185.2
162.4
178.1
129.1
158.4
160.6
138.7
127.2
149.8
151.7
132.9
103
136.8
141.3
123.5
107.3
136.1
138.6
123.7
106.1
144.4
156.1
138.2
111.8
149.8
158.5
141.8
119.1
158

Suavizacion
exponencial
77.4
77.4
84.24
88.956
83.4624
79.88496
85.413984
89.6055936
83.90223744
78.38089498
142.472358
154.4289432
168.6315773
144.9126309
153.0050524
157.5620209
146.2448084
134.8179234
143.8071693
148.5428677
139.1571471
117.4628588
129.0651435
136.4060574
128.662423
115.8449692
127.9979877
134.3591951
127.963678
114.8454712
132.5781885
146.6912754
141.5965102
123.7186041
139.3674416
150.8469767
145.4187907
129.6275163

1996

1997

1998

1999

2000

III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV
I

170.4
151.8
127.4
178.2
189.3
169.5
151.4
187.2
199.2
181.4
224.9
317.7
341.4
300.7
244.9
333.4
370
326.7

146.6510065
160.9004026
155.440161
138.6160644
162.3664258
178.5265703
173.1106281
160.0842512
176.3537005
190.0614802
184.8645921
208.8858368
274.1743347
314.5097339
306.2238936
269.4295574
307.811823
345.1247292
334.0698917

c) Qu constante de suavizacin ofrece el mejor pronstico?

Es mejor el mtodo de promedios mviles, dado que se usa con
frecuencia con datos trimestrales o mensuales para ayudar a suavizar
los componentes dentro de una serie de tiempo. Asigna pesos iguales a
cada observacin.

d) Revise el incisoc).Examine las auto-correlaciones residuales.Est

usted satisfecho conFuncin
la suavizacin
simple para este
de autocorrelacinexponencial
para RESID1
(con lmites de significancia de 5% para las autocorrelaciones)
ejemplo? Explique.
1.0
0.8

Autocorrelacin

0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1

Desfase

10

11

12

13

Las autocorrelaciones de los errores no son tan alentadoras, puesto que

encontramos una ligera tendencia en el error en ciertos trimestres en los
cuales son ms altos. Eso nos quiere decir que existe alguna componente
de la serie de tiempo que no est siendo modelada por el mtodo de
suavizacin exponencial.

14)La TritonEnergyCorporation explora para extraer petrleo y gas.El

presidentede la compaa,Gail Freeman,quiere que el analista de la
compaa pronostiquelas ventas por accin de la compaa para el ao
2000.ste ser un pronsticoimportante,puesto que los planes de
reestructuracin de Triton han encontradoinconvenientes.Los datos se
presentan en la tabla P-14.
Determine cul es el mejor mtodo para la elaboracin del pronstico y
pronostique las ventas por accin para el ao 2000.

Promedios Mviles, longitud igual a 2

Grfica de promedio mvil de Prob 14

Variable
Actual
Ajustes
Pronsticos
IP de 95.0%

12
10

Promedio mvil
Longitud 3

Prob 14

Medidas de exactitud
MAPE 59.8170
MAD
2.2586
MSD
8.3916

6
4
2
0
3

12

15

18

21

24

27

ndice

Pronsticos
Perodo Pronstico
27

5.07333

Suavizacin exponencial
77.4
Mtodo exponencial simple
Variable
Actual
Ajustes
Pronsticos
IP de 95.0%

12

10

Constante de suavizacin
0.6

Prob 14

Medidas de exactitud
MAPE 49.1251
MAD
1.8046
MSD
5.6463

0
3

12

15

ndice

Pronsticos
Perodo Pronstico

18

21

24

27

27

5.76419

15) La Consolidated Edison Company vende energa elctrica (82% de sus

ingresos), gas (13%) y vapor (5%) en la ciudad de Nueva York y el condado
de Westchester. A Bart Thomas, el encargado de elaborar pronsticos en la
empresa, se le asigna la tarea de pronosticar los ingresos trimestrales de la
compaa por el resto de 2002 y todo 2003.l recopila los datos que se
presentan en la tabla P-15.
Promedios mviles
Grfica de promedio mvil de Prob 15
3000

Variable
Actual
Ajustes
Pronsticos
IP de 95.0%

2500

Prob 15

Promedio mvil
Longitud 4
Medidas de exactitud
MAPE
10.2
MAD
178.0
MSD
51836.7

2000

1500

1000
1

16

24

32

40

ndice

Pronsticos

Perodo Pronstico Inferior Superior

71

2158.75 1712.51 2604.99

72

2158.75 1712.51 2604.99

73

2158.75 1712.51 2604.99

74

2158.75 1712.51 2604.99

75

2158.75 1712.51 2604.99

48

56

64

72

2158.75 1712.51 2604.99

Suavizacin Exponencial Simple:

77.4
Mtodo exponencial simple
3000

Variable
Actual
Ajustes
Pronsticos
IP de 95.0%

2500

Constante de suavizacin
0.6

Prob 15

76

Medidas de exactitud
MAPE
13.4
MAD
227.4
MSD
74265.3

2000

1500

1000
1

16

24

32

40

48

56

64

72

ndice

Pronsticos
Perodo
71
72
73
74
75
76

Pronstico Inferior
1993.55 1436.31
1993.55 1436.31
1993.55 1436.31
1993.55 1436.31
1993.55 1436.31
1993.55 1436.31

Superior
2550.78
2550.78
2550.78
2550.78
2550.78
2550.78

En los promedios mviles de tamao igual a 4 (porque trabajamos con

series trimestrales), en el MAPE, MAD y MSD es menor en los promedios
mviles con respecto a la suavizacin exponencial simple. Aunque la
suavizacin exponencial simple el nivel estimado es menor, pues estara
subestimando los ingresos trimestrales.

16) Un fabricante que se especializa en refacciones no tiene sistema de

pronsticos y fabrica sus productos con base en las ltimas ventas
mensuales. Estn disponibles los datos de 24 meses de ventas y se
presentan en la tabla P-16.

a) Grafique los datos de ventas como una serie de tiempo. Los datos son
estacionales?

Grfica de series de tiempo de Prob 16

550
500

Prob 16

450
400
350
300
250
200
Mes Ene
Ao 2000

May

Set

Ene
2001

May

Set

b) Use un modelo informal para generar pronsticos de ventas mensuales (por

ejemplo, el pronstico de febrero de 2005 est dado por el valor de enero
de2005,y as sucesivamente).Calcule el MAPE

Yt
430
420
236
452
477
420
398
501
514
532
512
410

Yt
estimad
o
442
449
458
472
463
431
400
487
503
503
548
432

Et
12
29
222
20
-14
11
2
-14
-11
-29
36
22
MAPE

MAPE(t)
0.027
0.065
0.485
0.042
0.030
0.026
0.005
0.029
0.022
0.058
0.066
0.051
0.075

c) Use suavizacin exponencial simple con una constante de suavizacin de .5

y un valor inicial suavizado de 430 para producir pronsticos de ventas
mensuales. Calcule el MAPE

430
Mtodo exponencial simple
3000

Variable
Actual
Ajustes
Constante de suavizacin
0.5

Prob 15

2500

Medidas de exactitud
MAPE
12.6
MAD
214.3
MSD
67956.5

2000

1500

1000
1

14

21

28

35

42

49

56

63

70

ndice

d) Piensa que alguno de los modelos de los incisos b) y c) probablemente

generar pronsticos de ventas exactos para las ventas mensuales futuras?
Explique.
Los mtodos exponencial simple y el mtodo sencillo no tienen una
buena estimacin sin embargo estos no consideran la parte estacional
de la serie.

e) Use Minitab y el mtodo de suavizacin multiplicativa de Winters con

constantes de suavizacin = = = .5 para generar el pronstico de enero
de 2007.Guarde los residuos.

Grfica del mtodo Winters de Prob 16

Mtodo multiplicativo
700

Variable
Actual
Ajustes

Prob 16

600

Constantes de suavizacin
(nivel)
0.5
(tendencia) 0.5
(estacional) 0.5

500

Medidas de exactitud
MAPE
9.90
MAD
41.47
MSD
4106.86

400

300

200
2

10

12

14

16

18

20

22

24

ndice

f) Remtase al inciso e). Compare el MAPE del mtodo de Winters que sali de
la computadora con el MAPE de los incisos b) y c).Cul de los tres mtodos
para pronosticar prefiere y por qu?.
El mape nos indica que es mejor este mtodo
g) Revise el inciso e). Calcule la autocorrelacin de los residuos (para seis
retrasos de tiempo) con el procedimiento multiplicativo de Winters. Las
autocorrelaciones residuales sugieren que el procedimiento de Winters
funciona bien para estos datos? Explique.

Funcin de autocorrelacin para RESID3

(con lmites de significancia de 5% para las autocorrelaciones)
1.0
0.8

Autocorrelacin

0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1

Desfase

El grfico nos indica un buen modelamiento