Académique Documents
Professionnel Documents
Culture Documents
1)
aplica
los
negocios,
los
pronsticos
son
a menudo considerados
Una ventaja de este mtodo radica en que casi siempre permite obtener
algunos resultados con bastante rapidez.
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)
3)
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)
()(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?
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)
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
guerras,las
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
18
20
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
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
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
Estadstico de prueba:
t cal= 0.72264
t tab = 1.99045
t cal <t tab
DECISIN: Se acepta la hiptesis nula, no existe autocorrelacin.
Limite 1:
Error cuadrtico medio (MSE) y Raiz cuadrada del error cuadrado medio
(RMSE)
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
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.
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
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
Limite 1:
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
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
3202
3161
3399
3471
3545
3851
4458
4850
5093
5318
5756
6013
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
r1
0.3756
3
b)
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
r3
0.11278
444
r4
0.13196
39
r5
0.11558
431
r6
0.35089
349
Todos los coeficientes son estacionarios y nulos, pues se concluye que hay
ausencia de autocorrelacin.
GRAFICO 3-20:
GRAFICO 3-21:
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
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
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)
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
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
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
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
ingresos
100
80
60
40
20
0
1
10
15
20
25
ndice
30
35
40
45
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
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
ingresos
100
80
60
40
20
0
1
10
15
20
25
30
35
40
45
ndice
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
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
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)
t+
p
T t )St s + p
(
Y^ t + p=
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
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
et2
0.03716262
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
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
pronostico
200
210
215
216
219
200
-
Et
-
6
7
8
220
225
226
yt
Pronostico
1
2
3
4
5
6
7
8
200
210
215
216
219
220
225
226
212
216
219
221.2
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
72
73
74
75
48
56
64
72
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
a) Grafique los datos de ventas como una serie de tiempo. Los datos son
estacionales?
Prob 16
450
400
350
300
250
200
Mes Ene
Ao 2000
May
Set
Ene
2001
May
Set
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
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
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.
Autocorrelacin
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1
Desfase