“AÑO DE LA CONSOLIDACIÓN ECONÓMICA Y SOCIAL

DEL PERÚ”

UNIVERSIDAD NACIONAL DE PIURA

FACULTAD DE CIENCIAS CONTABLES Y

FINANCIERAS

DOCENTE : Prof. Fiestas cevallos

ALUMNA: Atarama Ramos, Zuley

CURSO : estadistica
CICLO : V

Piura-Perú

INTRODUCCION
1.-DESESTACIONALIZACION

DEFINICION:

Son fluctuaciones con periodos menores a un año (mensuales, trimestrales,

etc.), que se repiten regularmente año a año. Según E. Bee Dagum, ésta se
caracteriza por:

- Es posible medirlo y separarlo.

- Se repite c/año, pero puede evolucionar.
- Es causado principalmente por causas no -
económicas.

Causas de la estacionalidad:

Se pueden citar:
- El calendario
- El Clima
- La fijación de actividades
- Las expectativas de movimiento estacional.

Según el enfoque clásico de series de tiempo, la estacionalidad es uno de

los 4 componentes en los que ésta
puede descomponerse:
.
Serie de Tiempo
• Estacionalidad

• Tendencia

• Ciclo

• Irregularidad

RAZONES PARA DESESTACIONALIZAR SERIES DE TIEMPO

Una de las razones más importantes para llevar a cabo la desestacionalización

de series de tiempo económicas es que, al eliminar los movimientos
ocasionados
por fuerzas relacionadas al clima, el calendario o las expectativas, es posible
tener
una apreciación más clara sobre el comportamiento de la serie debido
exclusivamente
a razones de tipo económico, facilitando a su vez la comparación de los datos
de un
mes a otro.

al reconocerse que cada uno de los componentes de una serie es causado

por fenómenos distintos, la idea en el caso de series de tiempo económicas es
tratar
de eliminar al máximo la fluctuación que oscurece al componente cuyo
comportamiento
se debe casi exclusivamente a factores de tipo económico (tendencia-ciclo de
la
serie) por lo que no solo se debe tratar de cancelar el componente estacional,
sino de
ser posible también la parte generada por el componente irregular.
Otra razón para desestacionalizar las series de tiempo económicas, y en
general para
descomponerlas, es que facilita la identificación de patrones subyacentes en
ellas, por
ejemplo tendencias que experimentan quiebres en determinados periodos,
comportamientos
en los que predomina el componente irregular a lo lago del tiempo, etc., y, por
lo tanto, ayuda a proyectar las series en el corto plazo

2.-PRONOSTICOS O PREDICCIONES CON SUAVIZAMIENTO

EXPONENCIAL:

Suavizado Exponencial

Este modelo permite efectuar compensaciones para algunas tendencias o para

cierta temporada al calcular cuidadosamente los coeficientes Ct. Si se desea se
puede dar a los meses más recientes pesos mayores y amortiguar en parte los
efectos del ruido al dar pesos pequeños a las demandas más antiguas. El
coordinador o el administrador debe escoger los valores de los coeficientes, de
su elección dependerá el éxito o fracaso del modelo.

Los modelos de suavizado exponencial se encuentran disponibles en los

paquetes para computadora, estos modelos requieren relativamente poco
almacenamiento de datos y unas cuantas operaciones.

El suavizado exponencial se distingue por la manera tan especial de dar pesos

a cada una de las demandas anteriores al calcular el promedio. El modelo de
los pesos es de forma exponencial. La demanda de los periodos más recientes
recibe un peso mayor; los pesos de los periodos sucesivamente anteriores
decaen de una manera exponencial. En otras palabras, los pesos decrecen en
su magnitud a medida que se aplican datos anteriores, siendo el decremento
no lineal (exponencial).

a)Suavizado exponencial de primer orden

La ecuación para crear un pronóstico nuevo o actualizado utiliza dos fuentes de

información:

• La demanda real para el periodo más reciente y,

• El pronóstico más reciente.

A medida que termina cada periodo se realiza un nuevo pronóstico.

Ft = D t-1 + (1 - )F t-1

donde

0 " " 1.0 y t es el periodo

Después que termina el periodo t - 1 se conoce la demanda actual (D t-1). Al

inicio del periodo t - 1 se hizo un pronóstico (F t-1) de la demanda durante t - 1.
Por lo tanto, al final de t - 1 se tienen las informaciones necesarias para
calcular el pronóstico de la demanda para el próximo periodo.

Ejemplo [1]

El hospital general de Phoenix ha experimentado una demanda irregular y a

menudo creciente de material médico desechable en todo el hospital. La
demanda de tubos desechables durante los dos últimos meses ha sido de 300
unidades en septiembre y de 350 unidades en octubre. El antiguo
procedimiento de pronóstico consistió en utilizar la demanda promedio del año
anterior como pronóstico para cada uno de los meses de ese año. La demanda
mensual del año anterior fue de 200 unidades. Utilizando 200 unidades como el
pronóstico de la demanda de septiembre y un coeficiente de suavización de 0.7
para dar un mayor peso a la demanda más reciente, el pronóstico para el mes
de octubre debería haber sido (t = octubre)

F t = Dt-1 + (1 - ) F t-1

= .7(300) + (1 - .7)200

= 210 + 60

= 270
El pronóstico para el mes de noviembre sería (t = noviembre)

F t = Dt-1 + (1 - ) F t-1

= .7(350) + (1 - .7)270

= 245 + 81

= 326

En vez de la demanda mensual del año pasado de 200 unidades, es pronóstico

para el mes de noviembre es de 326 unidades. El método antiguo de
pronóstico, la heurística basada en un promedio simple, proporcionó un
pronóstico considerablemente diferente del que se obtuvo con el suavizado
exponencial.

Selección del coeficiente de suavización

Para empezar con el pronóstico es necesario tener un buen cálculo derivado de

algún otro método, lo que se denomina pronóstico inicial o de arranque así
como seleccionar un coeficiente de suavización . Un valor elevado de da un
gran peso a la demanda más reciente y un valor bajo de dará un peso menor a
la demanda mas reciente. U elevado coeficiente de suavización sería mas
adecuado para los nuevos productos o para casos en los que la demanda
subyacente está en proceso de cambio (ésta es dinámica, o bien inestable). Un
valor de de 0,7, 0.8 ó 0.9 puede resultar el más apropiado para estas
condiciones, aun cuando el uso del suavizado exponencial es cuestionable si
no se sabe que existen o no condiciones de inestabilidad. Si la demanda es
muy estable y se piensa que puede ser representativa del futuro, el
pronosticador podrá optar por un valor bajo de para disminuir cualquier ruido
que hubiera podido presentarse en forma súbita.

En condiciones de estabilidad, el coeficiente de suavización podría ser de 0.1,

0.2, ó 0.3. Cuando la demanda es ligeramente inestable, coeficientes de
suavización de 0.4, 0.5, ó 0.6 pueden proporcionar datos más precisos.

b)Doble suavizado exponencial

El doble suavizado exponencial tiende a suavizar el ruido en series de

demanda estables.

El modelo es directo; suaviza el pronóstico obtenido con un modelo de

suavizado exponencial de primer orden y el pronóstico obtenido mediante un
modelo de suavizado exponencial doble.

FD1 = F t + (1 - )FD t-1

donde

0 " " 1.0

Ft es el modelo suavizado exponencial de primer orden y debe ser calculado

antes de encontrar la FDt.

TÉCNICAS DE PREDICCIÓN

El objetivo de las técnicas de predicción no causal (TPNC) es obtener

estimaciones o pronósticos de valores futuros de una serie temporal a partir de
la información histórica contenida en la serie observada hasta el momento
actual. Estas técnicas no requieren la especificación de los factores que
determinan el comportamiento de la variable, sino que se basan únicamente en
la modelización del comportamiento sistemático de la serie. Se consideran tres
modelos posibles del comportamiento sistemático de una serie temporal:
modelo estacionario (sin tendencia), modelo con tendencia lineal y modelo con
estacionalidad. La técnica de predicción adecuada dependerá del modelo de
comportamiento de la serie.

Las hipótesis en que se basan las TPNC son, en primer lugar, la estabilidad de
la forma del comportamiento sistemático de la serie y, en segundo lugar, que el
valor de la variable observado en cualquier período t es el resultado del
comportamiento sistemático y de una perturbación aleatoria.

ALISADO EXPONENCIAL SIMPLE

Cuando la serie presenta un comportamiento estacionario, es decir, no tiene

tendencia y puede ser modelizada como Xt=a+ut (donde ut es un término de
perturbación aleatorio, con valor esperado cero y varianza constante para todo
t, e independiente de Xt para todo t) el método de predicción adecuado es el
alisado exponencial simple (AES). Este método estima para cada período T el
parámetro a como suma ponderada de todas las observaciones anteriores,
dando mayor importancia a las observaciones más recientes que a las más
antiguas. La expresión de cálculo es:
 es la estimación de a obtenida en el período T-1
y es la constante de alisado que toma valores entre 0 y 1.

Como se observa, el AES actualiza período a período las estimaciones de a

incorporando la nueva información.

La elección de la constante de alisado determina las características operativas

del AES, ya que la rapidez con que se adaptan las predicciones a los posibles
cambios experimentados por el valor de a depende de . Si es grande
(próximo a 1) el AES se adapta rápidamente a los cambios experimentados en
el valor de a y, en consecuencia, deberá escogerse un valor grande de
cuando a es poco estable. Por el contrario, si la serie es muy estable, el valor
de deberá ser pequeño para conseguir eliminar al máximo las fluctuaciones
aleatorias debidas al término de perturbación y conseguir un mejor alisado.

La predicción del valor de Xt para los períodos T+1,T+2,... realizada al finalizar

el período actual T es:

MÉTODO DE HOLT

Cuando la serie presenta tendencia lineal, creciente o decreciente, y puede ser

modelizada como xt = a + bt + ut (donde ut es un término de perturbación
aleatorio) un método de predicción adecuado es el propuesto por Holt. Este
método se basa en dos ecuaciones de alisado:

La primera de las ecuaciones proporciona una estimación del nivel de la serie

en el período T y la segunda permite obtener una estimación de la pendiente
de la recta de tendencia para el período T.

Las constantes de alisado y toman valores comprendidos entre 0 y 1.

Cuanto menores sean estas constantes más alisada será la serie de
predicciones.
La predicción para los períodos futuros T+1, ....T+k obtenida en el período T es:

La secuencia para aplicar el método de Holt es:

Analizar

Series Temporales

Suavizado exponencial

MÉTODO DE WINTERS

Una serie con tendencia lineal y patrón estacional multiplicativo puede

modelizarse como: Xt=(a+bt) ct+ut donde ct es el índice estacional
correspondiente al período t. Las estimaciones de aT, bT y cT vienen dadas
por:

donde S es la periodicidad de la serie.

Las constantes de alisado , y deben satisfacer únicamente la condición de

tomar valores comprendidos entre 0 y 1.

La predicción para los períodos futuros T+1, ..., T+k obtenida en el período T
es:

3.-INDICES ESTACIONALES EN EL PRONOSTICO_

Pronósticos según los Plazos

Los pronósticos a largo plazo sirven para tomar decisiones estratégicas

relacionadas con productos, procesos e instalaciones y por lo general abarcan
un año o más. Los pronósticos a mediano plazo por lo general abarcan varios
meses. También se necesitan pronósticos a corto plazo que ayuden en la toma
de decisiones que sólo abarcan pocas semanas.
Algunas razones para desarrollar pronósticos a distintos plazos, son:

1. La planeación de nuevas instalaciones: diseñar nuevas fábricas, realizar

nuevos diseños o poner en práctica un nuevo proceso de producción;
requieren de un pronóstico de la demanda de productos existentes y nuevos
a largo plazo.
2. Planeación de la producción: como la demanda de productos y servicios
varía de un mes a otro, se deben elevar o reducir las tasas de producción.
Para esto se necesitan los pronósticos a mediano plazo.
3. Programación de la fuerza de trabajo: como la demanda de los productos y
servicios varía de una semana a otra, se necesitan pronósticos a corto
plazo.

3.- Métodos de Pronóstico

Los pronósticos de ventas se convierten en insumos, tanto para la estrategia

empresarial como para los pronósticos de los recursos de la producción.

Los métodos o modelos de pronóstico pueden ser de naturaleza cualitativa o

cuantitativa.

3.1.- Métodos Cualitativos

Se basan en juicios respecto a los factores causales de la venta de productos y

servicios y, en opiniones sobre la posibilidad de que dichos factores sigan
presentes en el futuro. Involucran encuestas de opinión y estimaciones
intuitivas respecto a eventos futuros.

Entre los métodos cualitativos más usuales, se encuentran:

♦ El Consenso de comité ejecutivo y el Método de Delfos describen

procedimientos para generar un pronóstico de ventas. El Consenso de comité
ejecutivo utiliza información proveniente de todos los ámbitos de la
organización y el de Delfos se utiliza para lograr un consenso dentro de un
comité y consiste en que los ejecutivos responden anónimamente a una serie
de preguntas en sesiones sucesivas.
♦ La Encuesta a la fuerza de ventas y la Encuesta a clientes describen
métodos principalmente utilizados para productos y servicios existentes.
♦ La Analogía histórica y las Investigaciones de mercado son procedimientos
útiles para productos y servicios nuevos. La analogía histórica estima las
ventas futuras de un producto nuevo con el conocimiento de las ventas de un
producto similar y las investigaciones de mercado son las encuestas de
mercado que consisten en cuestionarios por correo y/o entrevistas telefónicas.

3.2.-Modelos Cuantitativos

Son modelos matemáticos que se basan en datos históricos, bajo el supuesto

de que son relevantes para el futuro. Estos modelos se pueden utilizar con
series de tiempo. Una serie de tiempo es un conjunto de valores observados,
medidos durante períodos sucesivos.
Una de las características más importantes que tienen los pronósticos es la
precisión.
Precisión del pronóstico: indica cuan cerca están los pronósticos de los datos
reales. Los pronósticos se realizan antes de conocer los datos reales, por lo
tanto, su precisión sólo puede determinarse después que haya transcurrido el
tiempo. Si los valores del pronóstico quedan muy cerca de los datos reales,
decimos que tienen una elevada precisión o que el error de pronóstico es bajo.
Para determinar la precisión de los modelos de pronósticos se suman las
distancias entre los pronósticos y los datos reales a través del tiempo. Si la
precisión del modelo es baja, o sea que la suma obtenida es alta, se modifica el
método o se escoge uno nuevo.

3.2.1.-Pronósticos a Largo Plazo

Considera la estimación de condiciones futuras en lapsos mayores de un año.

Son necesarios para dar apoyo a las decisiones estratégicas sobre planeación
de sistemas de producción a largo plazo.
Por ejemplo, el diseño de un producto nuevo, la determinación de la capacidad
de producción para un producto nuevo (cuántas nuevas fábricas se requieren y
dónde deben ubicarse), la planeación para el suministro a largo plazo de los
materiales.
Los datos históricos de ventas tienden a estar formados por varias
componentes: la tendencia, los ciclos, la estacionalidad y la fluctuación
aleatoria o ruido. La tendencia a largo plazo es una línea de pendiente
ascendente o descendente, un ciclo es un patrón de datos que puede abarcar
varios años antes de que se repita, la estacionalidad se repite después de un
período, generalmente un año y la fluctuación aleatoria que resulta de
variaciones aleatorias o de causas no explicadas.

3.2.1.1.-Algunos Modelos Cuantitativos de Pronósticos

1. Regresión lineal y correlación: se utiliza en pronósticos a largo plazo. Si el

conjunto de datos históricos se proyecta en sólo unos cuantos períodos en
el futuro, la regresión también puede utilizarse en pronósticos a corto plazo.
 El análisis de regresión lineal es un modelo de pronóstico que establece la
relación entre una variable dependiente y una o más variables
independientes. Si los datos históricos son las ventas, que forman una serie
de tiempo, la variable independiente es el período y la variable dependiente
son las ventas.

2. Estacionalidad en los pronósticos de series de tiempo: en general, los

patrones estacionales son fluctuaciones que ocurren dentro de un año y
tienden a repetirse anualmente. Estas estaciones pueden ser causadas por
el clima, las vacaciones, los días de pago, los eventos escolares o cualquier
otro fenómeno.
Los pasos a seguir para desarrollar pronósticos con el análisis de regresión
lineal cuando en los datos de la serie de tiempo hay estacionalidad, se
selecciona un conjunto representativo de datos históricos, se desarrolla un
índice de estacionalidad para cada estación (mes, trimestre, etc.), se usan
los índices de estacionalidad para desestacionalizar la serie (así se eliminan
los patrones estacionales). Luego, se realiza el análisis de regresión lineal
sobre los datos desestacionalizados. Se usa la ecuación de regresión para
calcular los pronósticos del futuro y se utilizan los índices de estacionalidad
para aplicar los patrones estacionales a los pronósticos.
En este trabajo ambos modelos son aplicados a un conjunto de datos reales.

3.2.2.- Pronósticos a corto plazo

Son estimaciones de situaciones futuras que abarcan períodos tan cortos de

tiempo que los ciclos, la estacionalidad y los patrones de tendencia surten muy
poco efecto. La fluctuación aleatoria es la característica principal que afecta a
estos pronósticos.

Los modelos de pronóstico a corto plazo se evalúan en función de: respuesta

de impulso, capacidad de amortiguación de ruido y precisión. Si los
pronósticos tienen pequeñas fluctuaciones de un período a otro, se dice
que tienen amortiguación de ruido.
Los pronósticos que responden rápidamente a los cambios en los datos
históricos se describen como de una respuesta de impulso elevada, por el
contrario, si reflejan poco los cambios, tienen una respuesta de impulso baja.
Es deseable que un pronóstico a corto plazo contenga una respuesta de
impulso elevada y una alta capacidad de amortiguación de ruido, pero esto no
es posible.
La precisión de un modelo de pronóstico se refiere a qué tan cerca siguen los
datos reales a los pronósticos. Hay tres medidas de precisión: El error estándar
del pronóstico, Error medio cuadrático y Desviación media absoluta (MAD).
3.2.2.1.-Algunos Modelos Cuantitativos de Pronósticos

♦ Método de los promedios móviles: es el modelo de las series de tiempo a

corto plazo que pronostica las ventas para el siguiente período. Para ello,
promedia los datos de unos cuántos períodos recientes y este promedio se
convierte en el pronóstico del período siguiente. Cuanto mayor sea la cantidad
de períodos promediados, mayor es la capacidad de amortiguación del ruido y
menor es la respuesta de impulso del pronóstico y viceversa.

♦ Método de los promedios móviles ponderados: el pronóstico para el

siguiente período es un promedio ponderado de las ventas pasadas. Se aplica
en situaciones que pudieran necesitar pesos o coeficientes de ponderación de
los datos históricos. Por ejemplo, si se cree que los datos más recientes son
más importantes para un pronóstico, se pueden aplicar coeficientes de
ponderación más elevados a estos datos y permite a los pronosticadores
especificar la importancia relativa de cada uno de los períodos pasados de
datos.

♦ Método de suavización exponencial y Suavización exponencial con

tendencia.
Se aplica el método de los promedios móviles para realizar pronósticos en
datos reales.

3.3.- Modelo Óptimo de Pronósticos

Para seleccionar un método de pronóstico se deben considerar varios factores:

costo, precisión, datos disponibles, lapso de tiempo, naturaleza de los
productos y servicios, respuesta de impulso y amortiguación del ruido.
Para monitorear y controlar un modelo de pronóstico es conveniente utilizar lo
que se conoce como señal de seguimiento.

Suma a lg ebraica de errores a lo l arg o de n períodos

Señal de seguimient o=
Desviación media absoluta a lo l arg o de n períodos

n
∑ ( Demanda real − Demanda pronost ) i
Señal de seg = i =1
n =
∑ ( Demanda real − Demanda pronost ) i
i =1
n
n
∑( Demanda real − Demanda pronostica da ) i
i =1
MAD

La señal de seguimiento mide el error del pronóstico acumulado a lo largo de n

períodos en función de la desviación media absoluta (MAD).
Si el modelo de pronóstico está desempeñándose bien, la señal de seguimiento
debería ser prácticamente cero, indicando que ha habido aproximadamente
tantos puntos reales por encima del pronóstico como por debajo