Ingeniería Civil Industrial Escuela de Ingeniería

Estadística Aplicada 2 2° Semestre 2016

Problema Series de tiempo

La hoja “ProduccionCu” del archivo “Ayudantia_SeriesDeTiempo.xlsx” contiene la Producción de
cobre (miles de TM) producidas mensualmente en Chile desde diciembre 2004 hasta Mayo 2013.

a) Analice el gráfico de la serie de tiempo, justifique en detalle por qué existe un efecto
estacional, su periodo y cuál es el mes de mayor y menor producción. (3%)
Análogo a la pauta de la 3 prueba:

El Efecto estación es muy evidente entre Diciembre y Mayo, cuando la producción de un

mes a otro baja sucede todos los años y viceversa. El resto de los meses se observa
igualmente aunque no es del todo claro.
El periodo es 12, el mes de mayor producción es siempre Diciembre y el de menor es
siembre febrero.

OBS: El efecto de diciembre probablemente se deba a la existencia de bonos de producción

anuales/semestrales. El efecto de baja producción de Febrero se debe a que posee 28 días y
por ende posee 10% menos de días de producción.

A partir de ahora solo debe utilizar la serie desde diciembre 2004

hasta diciembre 2012
b) Calcule las medidas de dispersión de: SES ARIMA óptimo, SED ARIMA óptimo, SET
multiplicativo 0.2-0.2-0.001 y método de descomposición multiplicativo sin tendencia ¿Qué
modelo preferiría para generar pronósticos? (3%)

0.5% c/modelo medidas de dispersión

1% Mejor modelo
Medidas de exactitud
SES SED SET Descomposición
MAPE 6.07 7.88 3.698 3.264
MAD 26.92 34.94 16.501 14.452
MSD 1256.96 1898.82 402.242 359.013
Ingeniería Civil Industrial Escuela de Ingeniería
Estadística Aplicada 2 2° Semestre 2016

El mejor modelo es el que posea las menores medidas, este es el de descomposición.

Estos indicadores sirven para comparar la efectividad de diferentes modelos

utilizados. Siempre se busca el valor menor en los indicadores MAPE, MAD y MSD
ya que representa un mejor ajuste del modelo.

MAPE: Porcentaje promedio absoluto de error, mide la exactitud de los valores

estimados de la serie de tiempo. La exactitud se expresa como un porcentaje con
yt igual al valor observado, ŷt es el valor estimado y n el número de
observaciones.

MAD: Desviación media absoluta, mide la exactitud de los valores estimados de la

serie de tiempo. Expresa la exactitud en las mismas unidades de los datos.

MSD: Desviación cuadrática media, es más sensible a errores anormales de

pronóstico que el MAD.

MA(n): Calculo el pronóstico siguiente, este requiere los registros de datos históricos.
Calcula solo un pronóstico promediando la demanda que se obtuvo en una cantidad n del
tiempo anterior.
SES: Es una medida de dispersión más sofisticado que el de promedios móviles,
requiere un alfa que esta entre 0 y 1, no requiere datos históricos y se basa en los datos
recientes

SES ARIMA optimo: Minitab calcula el valor suavizado inicial por retroproyección, es
decir calcula un alfa optimo para el modelo
.
SED doble ARIMA OPTIMO: Se basa en un modelo que tiene tendencia y se calcula
un valor de suavizado tanto para el alfa como para el beta (suavización para la tendencia)

SET Arima optimo: Se basa en un modelo que tiene tendencia y estacionalidad se calcula
un valor de suavizado tanto para el alfa como para el beta y gama (suavización para la
tendencia)
Ingeniería Civil Industrial Escuela de Ingeniería
Estadística Aplicada 2 2° Semestre 2016

c) Genere pronósticos para enero-mayo, utilizando todos los métodos de c. (2%)

0.5% c/u

Pronósticos
Período SES SED SET Descomposición
98 450,6 511,4 445,1 434,8
99 450,6 512,6 400,3 387,1
100 450,6 513,7 465,9 445,1
101 450,6 514,9 453,0 440,9
102 450,6 516,0 474,0 458,8

d) Compare los pronósticos con los verdaderos valores de enero-Mayo 2013, ¿qué modelo
entrega la mejor predicción? (5%)

Deben analizar el MAD u otra medida de dispersión solo para los meses enero –Mayo
2013.

Error absoluto
Período SES SED SET Descomposición
98 24 37 29 40
99 28 90 22 35
100 30 33 15 36
101 8 72 10 2
102 19 46 4 11
MAD 22 56 16 25

Así lo mejor hubiera sido escoger SET para predecir durante estos meses.

OBS: Esto corresponde a lo que se conoce como forecasting out of simple: con una parte de
la muestra estimo los parámetros de varios modelos, y luego con la otra analizo cuál de
estos modelos hizo la mejor predicción (no tiene nada que ver con c).