Documente Academic
Documente Profesional
Documente Cultură
Integrantes:
Facultad de Ingeniería
Ingeniería Industrial
Santa Marta
2019 - 1
Taller II
Seminario I (Estadística 4)
a) Grafique los de ventas como una serie de tiempo. ¿Los datos son
estacionales?
540
520
500
480
460
Venta 2005
440
Venta 2006
420
400
380
R// Los datos se logran estacionar para el mes 7, donde ocurre un incremento de
las ventas en ese mes, así mismo, para el mes 12, los datos son estacionales,
puesto que ocurre un descenso simultaneo en ambos años de las ventas realizadas
en ese mes.
MAPE = 8%
|et| |et|/Yt
10 0,02
16 0,04
16 0,04
25 0,05
57 0,14
22 0,06
103 0,21
13 0,03
18 0,03
20 0,04
102 0,25
32 0,07
7 0,02
9 0,02
14 0,03
9 0,02
32 0,07
31 0,08
87 0,18
16 0,03
0 0,00
45 0,08
116 0,27
Total 1,76
|et|/Yt
|et|
0,00
0,00
0,02
10,00
0,03
11,00
0,05
21,50
0,07
35,75
0,09
39,13
0,10
41,56
0,16
82,22
0,11
54,11
0,08
45,05
0,00
2,53
0,25
100,74
0,04
18,37
0,00
2,18
0,02
7,91
0,04
17,95
0,00
0,02
0,07
32,01
0,12
47,01
0,13
63,50
0,09
47,75
0,05
23,9
0,10
56,9
0,20
87,5
1,85
total
8%
MAPE
Tiempo
Año Trimestre Activos
1985 1 16,98
2 18,47
3 17,63
4 20,65
1986 1 21,95
2 23,85
3 20,44
4 19,29
1987 1 22,75
2 23,94
3 24,84
4 16,7
1988 1 18,04
2 19,19
3 18,97
4 17,03
1989 1 18,23
2 19,8
3 22,89
4 21,41
1990 1 21,56
2 25,05
3 20,33
4 20,6
1991 1 25,33
2 26,06
3 28,89
4 30,6
1992 1 27,44
2 26,69
3 28,71
4 28,56
1993 1 25,87
2 24,96
3 77,61
4 24,75
1994 1 23,32
2 22,61
3 24,08
4 22,31
1995 1 22,67
2 23,52
3 25,41
4 23,94
1996 1 25,68
2
3
4
Método Informal
Suavización Exponencial
|et| |et|/Yt
0,00 0,00
1,49 0,08
0,50 0,03
3,47 0,17
4,42 0,20
5,88 0,25
1,88 0,09
0,54 0,03
3,95 0,17
4,75 0,20
5,17 0,21
3,49 0,21
1,80 0,10
0,47 0,02
0,64 0,03
2,52 0,15
1,07 0,06
0,61 0,03
3,64 0,16
1,80 0,08
1,77 0,08
5,08 0,20
0,15 0,01
0,14 0,01
4,85 0,19
5,10 0,20
7,42 0,26
8,39 0,27
4,39 0,16
3,20 0,12
4,90 0,17
4,26 0,15
1,14 0,04
0,12 0,00
52,76 0,68
5,38 0,22
6,27 0,27
6,35 0,28
4,25 0,18
5,59 0,25
4,67 0,21
3,36 0,14
1,13 0,04
2,49 0,10
0,50 0,02
26,13
23,52
21,16
Total 6,53
MAPE 14%
Promedio Móvil
|et| |et|/Yt
16,98
18,47
17,63
20,65
21,95
4,71 0,20
0,07 0,00
1,61 0,08
1,51 0,07
2,28 0,10
2,79 0,11
5,55 0,33
3,46 0,19
2,06 0,11
1,57 0,08
2,52 0,15
0,24 0,01
1,51 0,08
4,25 0,19
2,03 0,09
1,69 0,08
4,27 0,17
1,81 0,09
1,65 0,08
3,54 0,14
3,49 0,13
5,42 0,19
6,36 0,21
1,14 0,04
0,97 0,04
0,77 0,03
0,09 0,00
2,53 0,10
2,49 0,10
50,65 0,65
12,39 0,50
13,03 0,56
12,69 0,56
10,57 0,44
12,16 0,55
0,74 0,03
0,52 0,02
2,37 0,09
0,34 0,01
2,11 0,08
24,24
19,71
15,01
Total 6,69
MAPE 16%
Pronósticos
Período Pronóstico Inferior Superior
57 326,367 267,453 385,282
58 326,367 267,453 385,282
59 326,367 267,453 385,282
Datos Trimestre
Longitud 56
Pronósticos
Período Pronóstico Inferior Superior
57 334,070 273,763 394,377
58 334,070 273,763 394,377
59 334,070 273,763 394,377
La constante de suavización que ofrece el mejor pronóstico es la de 0,6, lo que quiere decir
que entre más grande sea la constante menor será el error de pronóstico.
Para analizar una serie estacionaria la técnica más adecuada comprenden la actualización
de la estimación, métodos de promedio simple, promedios móviles. Ejemplos
10. Liste alguna de las técnicas de pronósticos que deban considerarse cuando se
está pronosticando una serie de TENDENCIA. Mencione ejemplo de situaciones
en que dichas técnicas seria aplicables.
R// El pronóstico de una serie de tendencia consiste en un crecimiento o decrecimiento
constante de larga duración. Además el nivel de la serie no es constante.
Para analizar una serie de tendencia las técnicas se pueden aplicar técnicas como método
exponencial, regresión lineal, entre otros. Ejemplos
11. Liste alguna de las técnicas de pronósticos que deban considerarse cuando se
está pronosticando una serie de ESTACIONAL. Mencione ejemplo de situaciones
en que dichas técnicas seria aplicables.
R// El des de una técnica de pronóstico estacional comprende la selección de un método
multiplicativo o uno de adicción y tener en cuenta la historia de la serie.
Para analizar una serie estacional se pueden aplicar técnicas como: la descomposición
clásica, regresión múltiple de series de tiempo, métodos de Box-Jenkins, entre otros.
Ejemplos
12. Liste algunas técnicas de pronóstico que deban considerarse cuando se está
pronosticando una serie cíclica. Mencione ejemplos en que dichas técnicas serian
aplicables.
R/ Es un poco complejo establecer un modelo para pronosticar una serie cíclica ya que
estas no son estables. Ya que por las continuas fluctuaciones hacia arriba y hacia abajo
alrededor de la tendencia rara vez que se repiten en intervalos fijos de tiempo.
Para analizar una serie cíclica se pueden aplicar técnicas como: la descomposición
clásica, la regresión múltiple, los indicadores económicos, entre otros. Ejemplos:
a) Calcule las autocorrelaciones para los retrasos de tiempo 1 y 2. Haga una prueba
para determinar si estos coeficientes de autocorrelación son significativamente
diferentes de cero, para el nivel de significancia de 0,05
14. Calcule un intervalo de confianza de 95% para el coeficiente de autocorrelacion
para el retraso de tiempo 1 para una serie que contiene 80 elementos.
15. ¿Qué medida del pronóstico debería usarse en cada una de las siguientes
situaciones?
c) El analista necesita sancionar errores grandes del pronóstico: La medida que debe
utilizar es la Auto correlación y el MAPE.