Capítulo 5

1. Explique el concepto de descomposición de una serie de tiempo.

Cada componente se identifica por separado Las proyecciones de cada uno de los
componentes se pueden usar luego de manera combinada para elaborar pronósticos de
valores futuros de la serie de tiempo. Los métodos de descomposición se usan para
pronósticos tanto de corto como de largo plazos. También se emplean para exhibir de
manera simple el crecimiento o la declinación subyacente de una serie, así como para
ajustar la serie al eliminar uno o más de los componentes.
2. Explique cuándo es más adecuada una descomposición multiplicativa que una
descomposición aditiva.
El modelo multiplicativo funciona mejor cuando la variabilidad de la serie aumenta con el
nivel, es decir los valores de la serie se dispersa conforme la tendencia aumenta
3. ¿Cuáles son algunos factores básicos que influyen en el ciclo de tendencia de la
mayoría de las variables?
Crecimiento de la población, inflación, ventas de producto en su etapa de crecimiento en
el ciclo de vida
4. ¿Qué clase de modelo de tendencia debería emplearse en cada uno de los
siguientes casos?
a) La variable aumenta a una tasa constante.
Es posible ajustar a una tendencia exponencial
b) La variable aumenta a una tasa constante hasta que alcanza la saturación y se nivela.
Tendencia no lineal
c) La variable aumenta en una cantidad constante.
Curvas de tendencia no lineal
5. ¿Cuáles son algunos factores básicos que influyen en el componente estacional de
la mayoría de las variables?
Periodos escolares, periodos vacacionales, productos de estación, estaciones de año
 6. Las estimaciones de crecimiento de ventas e ingresos de Valué Line para compañías
individuales se derivan de las correlaciones de ventas, ingresos y dividendos de los
componentes apropiados de Nacional Income Accounts, como inversiones en
bienes de capital. Jason Black, un analista de Value Line, está revisando la
tendencia de la variable de las inversiones en bienes de capital de 1977 a 1993. Los
datos se presentan en la tabla P-6.
Como primer paso debemos abrir el programa Minitab y este es la pantalla principal del
programa

Después de abrir procedemos a ingresar los datos y a continuación realizamos un análisis

descriptivo

a) Analisis descriptivo diagrama de caja y cumplimiento de supuestos y la serie es

estacionaria o no es estacionaria
Estadísticas
Error
estándar
de la
Variable N N* Media media Desv.Est. Mínimo Q1 Mediana Q3 Máximo
miles 17 0 433.5 29.9 123.4 214.0 340.0 437.0 561.0 623.0
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11.
En el análisis descriptivo

Los datos tienen una media de 433.5 y como máximo es de 623 y

como mínimo 214 y los datos son 17 en total.
 Diagrama de caja

Interpretacion: no existen datos atípicos en la serie

Análisis de los componentes de la serie

Como podemos ver en la gráfica podemos No está auto correlacionado por que no
decir que tiene tendencia creciente sobrepasa ningún rezago por lo tanto
podemos decir que es estacionario
a) Grafique los datos y determine el modelo de tendencia adecuado para los años de
1977 a 1993.

Como podemos ver la gráfica el modelo adecuado para estos datos es la tendencia lineal
con un Yt =218.5+ 23.89*t

b) Si el modelo adecuado es lineal, calcule el modelo de tendencia lineal para los años
de 1997 a 1993.

Aplicamos el modelo de tendencia lineal ya que era el mejor que se ajusta a nuestros datos
con un MAPE de 4,502
c) ¿Cuál es el incremento promedio anual en inversiones en bienes de capital desde
1977?

El incremento promedio anual está por arriba del promedio un 22%

d) Estime el valor de la tendencia para inversiones en bienes de capital en 1994.

el pronóstico para el año de 1994 de las inversiones es de 648.581

e) Compare su estimación de la tendencia con la de Value Line.

cuando se realiza la comparación podemos ver los datos reales con el pronóstico hay una
diferencia grande esto quiere decir que no fue un mejor modelo para predecir

f) ¿Qué factor(es) influye(n) en la tendencia de la inversión en bienes de capital?

El factor que influyen en la tendencia de la inversión en bienes de capital es la inflación

Los supuestos

Como se puede ver en la gráfica existe normalidad hay variable aleatoria porque están
dispersos y no se ve muy bien que tiene homocedastidad por que no siguen un patrón
 7. Una compañía estadounidense grande está considerando hacer recortes en su
publicidad en TV y, en vez de ello, entregar a sus clientes videos del negocio. Esta
acción se está revisando después de que el presidente de la compañía leyó
recientemente un artículo en el periódico que se refería a los videos para atraer
clientes como “el arma para lograr ventas “en la actualidad. Algo que al presidente
le gustaría investigar antes de emprender esta acción es la historia de la publicidad
en TV en Estados Unidos, especialmente en relación con el ciclo de tendencia. La
tabla P-7 indica el gasto total en dólares en publicidad televisiva en Estados Unidos
(en millones de dólares).

AÑO Y
1980 11,424
1981 12,811
1982 14,566
1983 16,542
1984 19,670
1985 20,770
1986 22,585
1987 23,904
1988 25,686
1989 26,891
1990 29,073
1991 28,189
1992 30,450
1993 31,698
1994 35,435
1995 37,828
1996 42,484
1997 44,580

Estadísticas
Variable N N* Media Desv.Est. Varianza CoefVar Suma Mínimo Q1 Mediana Q3
Y 18 0 26366 9704 94171989 36.81 474586 11424 18888 26289 32632
N para
Variable Máximo Rango Modo moda Asimetría Curtosis
Y 44580 33156 * 0 0.27 -0.60
Diagrama de caja

Interpretación:

Los datos tienen una media de 26,366 y una

mediana de 26, 289 no tiene moda y su
desviación de 97,04 y un máximo es de 44,558
y como mínimo 11,424 y los datos son 18 en
total. Como se puede observar en la gráfica de
diagrama de caja no existe datos atípicos

No está auto correlacionado por que no

sobrepasa ningún rezago por lo tanto
podemos decir que es estacionario

a) Grafique la serie de tiempo de los gastos en publicidad televisiva en Estados

Unidos.

En el siguiente grafico observamos que la

serie de tiempo es creciente

Los datos de los gastos en publicidad tienen una tendencia y creciente atreves del tiempo

b) Ajuste una tendencia lineal a los datos de publicidad y grafique la línea ajustada
sobre la gráfica de la serie de tiempo.

Ecuación de tendencia ajustada

Yt = 9310 + 1795.4×t
 Los datos que se ajusta mejor es a una tendencia lineal con una ecuación de
y=9310+1795.4×te y con un error de MAPE de 3

c) Pronostique los gastos en publicidad televisiva en dólares para 1998.

Pronósticos
Período Pronóstico Inferior Superior
19 40.0818 29992.7 50170.8

El pronóstico de gasto de publicidad en Estados Unidos para el año 1998 es de

40,818 eso quiere decir que se van a bajar para ese año respecto al año anterior

Se puede observar en la gráfica de los supuestos si cumple con los supuestos de la

normalidad y también con la homocedastidad como también independencia ya que los
datos están dispersos
 d) De acuerdo con los resultados del inciso ¿cree que podría haber un componente
cíclico en los gastos en publicidad televisiva en dólares? Explique.

Si ya que Esta componente refleja comportamientos recurrentes, aunque no tienen

por qué ser exactamente periódicos, con un periodo superior a un año. Muestran,
habitualmente, cómo se suceden las etapas de bonanza económica con las de crisis,
o al menos, desaceleración.

8. Suponga que los siguientes índices estacionales específicos para marzo están dados
como porcentajes y se obtuvieron por el método de la proporción del promedio
móvil:

102.2 105.9 114.3 122.4 109.8 98.9

¿Cuál es el índice estacional para marzo usando la mediana?
102.2+105.9+114.3
+122.4+109.8+98.9
=108.917
𝟔

El índice estacional usando la media seria a:108.917

9. El valor esperado de la tendencia para octubre es de $850.Suponiendo un índice
estacional para octubre de 1.12 (112%) y el modelo multiplicativo dado por la
ecuación 5.2, ¿cuál sería el pronóstico para octubre?

El valor esperado de la tendencia para octubre aplicando el modelo multiplicativo

con la siguiente ecuación
Y=1.12+5.2*t Y=1.12+5.2*850 = 957.2
El valor esperado de la tendencia para octubre seria a: 975.2
10. Los siguientes porcentajes específicos para los índices estacionales corresponden
al mes de diciembre:
75.4 86.8 96.9 72.6 80.0 85.4

Suponga un modelo de descomposición multiplicativa. Si la tendencia esperada para

diciembre es de $900 y se usa el ajuste estacional de la mediana, ¿cuál es el
pronóstico para diciembre?
 75.4+86.8+96.9+72.6+80.0+85.4
=82.85
6

xt = Tt +St + at
xt =900+82.85+1=983.85
El pronóstico para diciembre es: 983.85
11. Un gran centro vacacional cerca de Portland, Maine, ha llevado registro de sus
ventas mensuales durante varios años, pero nunca ha analizado estos datos. El
centro vacacional calcula los índices estacionales para sus ventas mensuales.
¿Cuáles de los siguientes enunciados acerca del índice son correctos?
a) La suma de los 12 números índices mensuales, expresados como porcentajes,
debería ser 1,200.

I=12/1200=0.01 es Incorrecta
b) Un índice de 85 para mayo indica que las ventas son 15% más bajas que las ventas
mensuales promedio.
Y=0.15+0.01*85 =1
Correcta
En la preparación de un reporte para June Bancock, gerente de Kula Department Store,
usted incluye las cifras de ventas del último año (en miles de dólares) presentadas en la
tabla P-12. Al verlas, el señor Bancock dice: “Este reporte confirma lo que le he estado
diciendo: el negocio cada vez va mejor”. ¿Es correcta esta afirmación? ¿Por qué?

Índice
estacional
Mes Ventas ajustado
Enero 125 51
Febrero 113 50
Marzo 189 87
Abril 201 93
Mayo 206 95
Junio 241 99
Julio 230 96
Agosto 245 89
Septiembre 271 103
Octubre 291 120
Noviembre 320 131
Diciembre 419 189
Como se puede observar en la gráfica podemos decir que el negocio va cada vez mejor y
es correcta la afirmación porque se va en forma creciente el negocio
12. Los niveles de ventas trimestrales (medidos en millones de dólares) de Goodyear
Tire se presentan en la tabla P-13. ¿Parece haber un efecto estacional significativo
en estos niveles de ventas? Analice esta serie de tiempo para obtener los cuatro
índices estacionales y determine la magnitud del componente estacional en las
ventas de Goodyear.
 En la grafica podemos observar que tiende a crecer positivamente

Interpretación

Los datos no tienen datos típicos ni faltantes como

su media es de 2.808 como mínimo es 2.063 y con
un máximo de 3.351 y no se encuentra datos
atípicos

Si está auto correlacionado porque si

sobrepasa rezago por lo tanto podemos decir
que es estacionario

ANALISIS DE LA SERIE
Como se puede apreciar en la gráfica existe tendencia creciente y también hay
estacionalidad y el factor aleatorio
a) Para pronosticar, ¿usaría el componente de la tendencia, el componente de la
estacionalidad o ambos?

Para pronosticar estos datos se recomienda utilizar ambos componentes ya que

los dos se ajustan

b) Elabore un pronóstico para el tercero y el cuarto trimestres de 1996.

Pronósticos
Período Pronóstico
47 3.250
48 3.452
 El pronóstico para el periodo tercero es de 3.250 y para el cuarto
trimestre de 1996 es de 3.452

c) Compare sus pronósticos con los de Value Line.

Pronósticos
Período Pronóstico
47 3.250
48 3.452

Los valores pronosticados con el valor real hay una diferencia de decimales ya que
el modelo que se escogió no era el más indicado
13. Las ventas mensuales de Cavanaugh Company, representadas en la figura 5.1
(abajo), se especifican en la tabla P-14.
La serie tiene tendencia y crecer positivamente

Estadísticas
Conteo
Variable total Media Desv.Est. Varianza CoefVar Suma Mínimo Q1 Mediana Q3
Ventas_2 77 298.4 198.4 39374.7 66.50 22977.0 36.0 146.5 257.0 398.0
N para
Variable Máximo Rango Modo moda Asimetría Curtosis
Ventas_2 895.0 859.0 169, 210, 223, 2 1.04 0.61
272

Interpretación

Los datos si tienen datos típicos su media es de

298.4 como mínimo es 36 y con un máximo de 895
su promedio de 257 y su moda de 2 su asimetría
de 1.04 y una curtosis de 0.61
 Interpretación

Si esta auto correlacionada es decir que si

es estacionaria ya que sobrepasa 3
rezagos de la línea de confianza

Observamos que no tiene tendencia y es estacionalidad y tiene factor aleatorio

a) Realice una descomposición multiplicativa de la serie de tiempo de las ventas de

Cavanaugh Company, suponiendo los componentes de tendencia, estacional e
irregular.

DESCOMPOSICIÓN MULTIPLICATIVA

Método
Tipo de modelo Modelo multiplicativo
Datos Ventas_2
 Longitud 77
Número de valores 0
faltantes

Ecuación de tendencia ajustada

Yt = 72.6 +
6.013×t

Índices estacionales
Período Índice
1 1.27806
2 0.90740
3 0.61574
4 0.48172
5 0.42562
6 0.46744
7 0.65326
8 0.86343
9 1.36478
10 1.78981
11 1.86506
12 1.28769

Medidas de exactitud
MAPE 14.21
MAD 32.63
MSD 1913.95

Interpretacion:
Observamos en el grafico que si se ajustan el modelo multiplicativo también decimos que,
si hay normalidad, homocedastidad y independencia.
b) Para pronosticar, ¿usaría el componente de tendencia, el componente estacional
o ambos?

Para el pronóstico usaría el componente estacional ya que se ajustan mejor los

datos. Muchas series económicas presentan oscilaciones regulares en el mismo mes
de cada año, y con unas pautas que se presentan, sin repetirse exactamente, todos
los años.
c) Obtenga pronósticos para el resto de 2006.
Para el resto del 2006 los pronósticos son:

Pronósticos
Período Pronóstico
78 253.17
79 357.74
80 478.03
81 763.80
82 1012.44
83 1066.21
84 743.89

14. Construya una tabla similar a la tabla P-14 con los logaritmos naturales de las
ventas mensuales. Por ejemplo, el valor para enero de 2000 es ln (154) = 5.037.
 Ventas Ventas Ventas Ventas Ventas Ventas Ventas
Año (ln)2000 (ln)2001 (ln)2002 (ln)2003 (ln)2004 (ln)2005 (ln)2006
Enero 5.037 5.298 5.407 5.846 6.250 6.418 6.443
Febrero 4.564 4.771 4.644 5.565 6.001 5.971 5.730
Marzo 4.290 4.500 4.673 5.412 5.704 5.609 5.781
Abril 3.892 4.369 4.443 4.949 5.347 5.775 5.513
Mayo 3.584 4.357 4.317 4.997 5.278 5.242 5.606
Junio 4.078 4.511 4.595 4.977 5.226 5.549
Julio 4.554 5.118 4.905 5.407 5.509 5.781
Agosto 5.130 5.130 5.352 5.606 5.838 6.001
Septiembre 5.347 5.666 5.814 6.098 6.140 6.518
Octubre 5.628 5.849 6.131 6.328 6.522 6.755
Noviembre 5.697 5.927 6.190 6.417 6.567 6.797
Diciembre 5.501 5.313 5.787 6.146 6.413 6.498

Estadísticas
Conteo Desv.Est Mínim
Variable total Media . Varianza CoefVar Suma o Q1 Mediana
Ventas 77 5.4662 0.7212 0.5202 13.19 420.899 3.5835 4.987 5.5491
(ln) 8 0
N para
Variable Q3 Máximo Rango Modo moda Asimetría Curtosis
Ventas 5.9863 6.7968 3.2133 5.12990, 5.34711, 2 -0.36 -0.39
(ln) 5.40717,
5.60580
 Interpretación

Los datos no tienen datos típicos su media es de

5.466 como mínimo es 3.58 y con un máximo de
6.7968 su promedio de 5.5491 y su moda de 2 su
asimetría de -0.36 y una curtosis de -0.39

Interpretación

Si esta auto correlacionada es decir que si es

estacionaria ya que sobrepasa 3 rezagos de la línea
de confianza

a) Haga una descomposición aditiva de ln(ventas), considerando el modelo.

Y=T+S+I
Método
Tipo de modelo Modelo aditivo
Datos Ventas (ln)
Longitud 77
Número de valores 0
faltantes

Índices estacionales
Período Índice
1 0.334619
2 0.018136
3 0.402487
4 0.636992
5 0.714009
6 0.570579
7 0.273000
 8 0.001204
9 0.469961
10 0.722911
11 0.746716
12 0.342200

Medidas de exactitud
MAPE 8.52519
MAD 0.44378
MSD 0.25754

c) Para pronosticar, ¿usaría el componente de la tendencia, el componente

estacional o ambos?

Para pronosticar se recomienda utilizar descomposiciones estacionales ya que

como observamos en la gráfica la línea de color verde esta descomposición de la
tendencia y observamos que es constante.
c)Elabore pronósticos para ln(ventas) para los meses restantes de 2006.
Los pronósticos de los meses restantes son:

Pronósticos
Período Pronóstico
78 4.91432
79 5.21189
80 5.48369
81 5.95485
82 6.20780
 83 6.23161
84 5.82709

d)Tome los antilogaritmos de los pronósticos calculados en el inciso para obtener

pronósticos de las ventas reales para el resto de 2006.
Para el resto del 2006 los pronósticos son:
Pronósticos
Período Pronóstico
78 253.17
79 357.74
80 478.03
81 763.80
82 1012.44
83 1066.21
84 743.89

Pronósticos
Período Pronóstico
78 4.91432
79 5.21189
80 5.48369
81 5.95485
82 6.20780
83 6.23161
84 5.82709
Observamos que los pronósticos sin algoritmos es el mejor ya que nos da
datos que si concuerda con los datos reales.
d) Compare los pronósticos del inciso con los del inciso del problema
Podemos decir que los pronósticos reales son más existentes ya que cuando se aplica
logaritmos son menores los resultados.
15. ¿Cuál conjunto de pronósticos prefiere usted? ¿Por qué? 16. La tabla P-16 indica las
ventas trimestrales (en millones de dólares) de Disney Company del primer
trimestre de 1980 al tercer trimestre de 1995.
 Estos datos muestran un patrón estacional. El patrón se repite cada 12 meses.

Estadísticas
Conteo Medi
Variable total a Desv.Est. Varianza CoefVar Suma Mínimo Q1 Mediana Q3
ventas_3 63 1134 871 758644 76.78 71464 204 363 775 1739
N para
Variable Máximo Rango Modo moda Asimetría Curtosis
ventas_3 3302 3098 * 0 0.83 -0.41
 Interpretación

Los datos no tienen datos típicos su media es de

1134 como mínimo es 204 y con un máximo de
3302 su promedio de 775 y su moda de 0 su
asimetría de 0.83 y una curtosis de -0.41

Interpretación

Si esta auto correlacionada es decir que si es

estacionaria ya que sobrepasa 4 rezagos de la línea
de confianza

a) Haga una descomposición multiplicativa de la serie de tiempo que integran las

ventas trimestrales de Disney.

Método
Tipo de modelo Modelo multiplicativo
Datos ventas_3
Longitud 63
Número de valores 0
faltantes
Ecuación de tendencia ajustada
Yt = -302.9 +
44.89×t
Medidas de exactitud
MAPE 37.0
MAD 224.2
MSD 79278.5
b) ¿Parece haber una tendencia significativa? Discuta la naturaleza del componente
estacional.

Si hay tendencia creciente el componente estacional ya que Muchas series económicas

presentan oscilaciones regulares en el mismo mes de cada año, y con unas pautas que se
presentan, sin repetirse exactamente, todos los años.
c) ¿Usaría usted ambos componentes el de tendencia y el estacional, para pronosticar?
Solo usaría la de la tendencia ya que observamos que si hay tendencia y no estacional
d) Pronostique las ventas para el cuarto trimestre de 1995 y los cuatro trimestres de
1996.
Los pronósticos para el cuarto trimestre 1995 y los otros cuatro trimestres de 1996 es:

Pronósticos
Período Pronóstico
64 2506.18
 65 2501.53
66 2719.25
67 2830.03
68 2681.28

16. La demanda mensual de gasolina (en miles de barriles/día) de la Yukong Oil

Company de Corea del Sur para el periodo que va de enero de 1986 a septiembre
de 1996 se indica en la tabla P-17.

Gráfica de series de tiempo de VENTAS

3500

3000

2500

2000
VENTAS

1500

1000

500

1 6 12 18 24 30 36 42 48 54 60
Índice

En este grafica observamos cambios estacionales multiplicativos, la magnitud de los

cambios estacionales se incrementa con el tiempo a medida que los valores de datos se
van incrementando.
Estadísticas
Conteo
Variable total Media Desv.Est. Varianza CoefVar Suma Mínimo Q1 Mediana
ventas4 129 84.21 53.58 2870.67 63.62 10863.67 0.04 34.65 74.10
N para
Variable Q3 Máximo Rango Modo moda Asimetría Curtosis
ventas4 124.75 216.10 216.06 68.1 3 0.47 -0.88

Interpretación

Los datos no tienen datos típicos su media es de

84.21 como mínimo es 0.04 y con un máximo de
21.10 su promedio de 74.10 y su moda de 3 su
asimetría de 0.47 y una curtosis de -0.88

Función de autocorrelación para VENTAS

(con límites de significancia de 5% para las autocorrelaciones)
1.0

0.8

0.6
Interpretación
0.4
Autocorrelación

0.2 Si esta auto correlacionada es decir que si es

0.0

-0.2 estacionaria ya que sobrepasa 7 rezagos de la línea

-0.4

-0.6
de confianza
-0.8

-1.0
1 5 10 15 20 25 30 35 40 45 50 55 60
Desfase

a) Grafique la serie de tiempo de la demanda de gasolina. ¿Piensa usted que sería

adecuada una descomposición aditiva o una multiplicativa para esta serie de
tiempo? Explique.
Se puede observar que mejor es la descomposición multiplicativa ya que se ajusta mejor
los datos a la serie que tenemos

b) Realice un análisis de descomposición de la demanda de gasolina.

Método
Tipo de modelo Modelo multiplicativo
Datos ventas4
Longitud 129
Número de valores 0
faltantes

Ecuación de tendencia ajustada

Yt = -6.37 +
1.3914×t

Índices estacionales
Período Índice
1 0.94408
2 0.94698
3 0.95790
4 0.99406
5 1.00071
6 1.01123
7 1.02689
8 1.07703
9 1.04103
 10 0.98261
11 0.99809
12 1.01939

Medidas de exactitud
MAPE 1807.64
MAD 8.43
MSD 122.48

c) Interprete los índices estacionales.

Índices estacionales
Período Índice
1 0.94408
2 0.94698
3 0.95790
4 0.99406
5 1.00071
6 1.01123
7 1.02689
8 1.07703
9 1.04103
10 0.98261
11 0.99809
12 1.01939
Observamos que la descomposición multiplicativa es la mejor porque se ajustan mejor a
la serie.
d) Pronostique la demanda de gasolina para los últimos tres meses de 1996.
 Los últimos tres meses de 1996 es de:

Pronósticos
Período Pronóstico
130 171.485
131 175.575
132 180.740

17. La tabla P-18 contiene datos que representan las ventas mensuales (en miles de
millones de dólares) de todas las tiendas minoristas en Estados Unidos. Con base
en los datos de 1994, ejecute un análisis de descomposición de esta serie. Haga
comentarios acerca de los tres componentes de la serie. Pronostique las ventas al
menudeo para 1995 y compare sus resultados con los valores reales que aparecen
en la tabla.

Gráfica de series de tiempo de gasolina

200

150
gasolina

100

50

0
1 13 26 39 52 65 78 91 104 117
Índice

La serie tiene es estacional ya que va creciendo positivamente

Estadísticas
Conteo
Variable total Media Desv.Est. Varianza CoefVar Suma Mínimo Q1 Mediana
P18 84 157.70 22.54 508.14 14.29 13247.10 113.60 142.50 154.35
N para
Variable Q3 Máximo Rango Modo moda Asimetría Curtosis
P18 174.55 233.30 119.70 130.9, 145, 154.6, 2 0.65 0.78
164.6

Interpretación

Los datos si tienen datos típicos su media es de

157.70 como mínimo es 113.60 y con un máximo de
233.30 su promedio de 154.35 y su moda de 2 su
asimetría de 0.65 y una curtosis de 0.78

Interpretación

Si esta auto correlacionada es decir que si es

estacionaria ya que sobrepasa 5 rezagos de la línea
de confianza
Observamos que no tiene tendencia, pero si es estacional y tiene variable aleatoria
Descomposición multiplicativa con tendencia y estacional

Método
Tipo de modelo Modelo multiplicativo
Datos P18
Longitud 84
Número de valores 0
faltantes

Ecuación de tendencia ajustada

Yt = 128.814 +
0.6767×t

Índices estacionales
Período Índice
1 0.88020
2 0.85927
3 0.99140
4 0.98614

5 1.03112
6 1.02073
7 1.00741
8 1.03463
9 0.97311
10 0.99059
11 1.01547
12 1.20993

Medidas de exactitud
MAPE 1.9842
MAD 3.1934
MSD 16.5349

Pronósticos
Período Pronóstico
85 164.010
86 160.690
87 186.071
88 185.751
89 194.920
90 193.648
91 191.802
92 197.684
93 186.590
94 190.611
95 196.085
96 234.453
La descomposición multiplicativa se ajusta mejor los datos y por ende decimos que es la
mejor y si hay normalidad homocedastidad e independencia.

Pronostico de 1995 de las ventas de los minoristas son:

Pronósticos
Período Pronóstico
85 164.010
86 160.690
87 186.071
88 185.751
89 194.920
90 193.648
91 191.802
92 197.684
93 186.590
94 190.611
95 196.085
96 234.453

18. Los índices estacionales ajustados que aparecen en la tabla P-19 reflejan el
volumen cambiante de los negocios del Mount Spokane Resort Hotel, el cual ofrece
servicios a familias en el verano y a esquiadores entusiastas durante los meses de
invierno. No se esperan variaciones cíclicas bruscas durante 2007.

Estadísticas
Conteo
Variable total Media Desv.Est. Varianza CoefVar Suma Mínimo Q1 Mediana Q3
índice 12 100.0 39.4 1550.9 39.38 1200.0 33.0 65.5 98.5 134.0
 N para
Variable Máximo Rango Modo moda Asimetría Curtosis
índice 153.0 120.0 * 0 -0.29 -0.90

Interpretación

Los datos no tienen datos típicos su media es de

100 como mínimo es 33 y con un máximo de 153 su
promedio de 98.5 y su moda de 0 su asimetría de -
0.29 y una curtosis de -0.90

Interpretación

No esta auto correlacionada es decir que no es

estacionaria ya que no sobrepasa ningún rezago de
la línea de confianza

a) Si 600 turistas se alojaran en el hotel en enero de 2007, ¿cuál sería una

estimación razonable para febrero?

Ajustamos la serie a un modelo multiplicativo y nos da la siguiente ecuación. Para

poder pronosticar los turistas que alojaran en febrero del 2017 será de
Y= 113.0-1.77*600 = 949
 b) La ecuación de la tendencia mensual es 𝑻 = 𝟏𝟒𝟎 + 𝟓𝒕 donde t = 0 representa el
15 de enero de 2001. ¿Cuál es el pronóstico para el mes de 2007?
T = 140 + 5t T = 140 + 5(7) = 175
Observamos que el pronóstico del mes de septiembre es de 175
c) ¿Cuál es el número promedio de nuevos turistas por mes?
Y= 113.0-1.77*12= 91.76 =92 personas
El numero promedio de turistas por mes es de =92
19. Analice el desempeño del índice compuesto de los indicadores con
comportamiento adelantado como un barómetro de la actividad empresarial en
años recientes.
Este indicador proporciona señales adelantadas acerca de la posible evolución de la
economía. Es decir, basándose en una serie de variables, el CLI trata de adelantar qué va
a pasar en esa economía en los próximos 6-9 meses. Si el CLI aumenta, significa que la
economía va a mantener un crecimiento sostenido en los próximos tiempos. Si alcanza un
techo, quiere decir que la economía va a estar por debajo de su potencial. Y si cae, la
economía podría entrar en recesión.
Actualmente, tanto el índice español como el general de la OCDE están a la baja, y se ha
situado por debajo de 100 puntos, el valor de referencia, en un claro signo de
desaceleración.

20. ¿Cuál es la posición actual del ciclo de negocios? ¿Se está expandiendo o
contrayendo? ¿Cuándo se presentará el siguiente punto de inflexión?
En si la hipótesis del ciclo de negocios hace hincapié en el sentido del cambió de la
economía. Para qué los políticos resulten reelegidos, la tasa de desempleo debe estar
disminuyendo y la tasa de inflación no debe estar empeorando.
21. ¿Cuál es el propósito de la deflación de una serie de tiempo que se mide en dólares?
Si disponemos de una serie estadística de datos sobre la valoración de alguna
magnitud económica (consumo , producción,
etc. ), lo habitual es que la valoración monetaria de estos datos se realice a precios
corrientes de cada período. En la medida en que los precios sufren alteraciones de
unos períodos a otros, la serie así representada no permite hacer comparaciones. La
solución de este problema es expresar la serie en términos de precios constantes de
un determinado período (año base).
 22. La tabla P-25 contiene el número (en miles) de varones de 16 años de edad en
adelante que fueron empleados en Estados Unidos para los meses de enero de 1993
a octubre de 2003.

Use Minitab para hacer una descomposición multiplicativa de estos datos y genere los
pronósticos para los siguientes 12 meses.

Estadísticas
Conte
Variabl o Medi Desv.Est Varianz CoefVa Mínim Median
e total a . a r Suma o Q1 a Q3
p25 130 7011 2975 885123 4.24 911550 63344 6742 70738 7269
9 2 3 2 7
Variabl Máxim Rang N para Asimetrí
e o o Modo moda a Curtosis
p25 74579 1123 * 0 -0.37 -1.01
5

Interpretación

Los datos no tienen datos típicos su media es de

70119 como mínimo es 63344 y con un máximo de
74579 su promedio de 70738 y su moda de 0 su
asimetría de -0.37 y una curtosis de -1.01
 Interpretación

Si esta auto correlacionada es decir que si es

estacionaria ya que sobrepasa 11 rezago de la línea
de confianza

Observamos que existe tendencia creciente tambien podemos decir que hay estacionalidad
y variable aleatoria

Modelo Multiplicativo

Método
Tipo de modelo Modelo multiplicativo
Datos p25
Longitud 130
Número de valores 0
faltantes
Ecuación de tendencia ajustada
Yt = 65355 +
72.67×t
Índices estacionales
Período Índice
1 0.98118
2 0.98484
3 0.98973
4 0.99534
5 1.00191
6 1.01375
7 1.01906
8 1.01372
 9 1.00207
10 1.00439
11 0.99889
12 0.99513
Medidas de exactitud
MAPE 1
MAD 597
MSD 551164

Observamos que el modelo multiplicativo se ajusta a los datos también podemos decir que
hay normalidad y homocedastidad y independencia.
¿Los pronósticos parecen razonables?
Los pronósticos para los siguientes 12 meses son:

Pronósticos de modelo multiplicativo

Período Pronóstico
131 74791.4
132 74581.7
133 73607.8
134 73954.0
135 74393.4
136 74887.2
137 75454.0
138 76419.5
139 76894.1
140 76564.4
141 75757.2
142 76005.6
Pronósticos de suaviza miento exponencial
Período Pronóstico Inferior Superior
131 74059.5 72954.6 75164.3
 132 74059.5 72954.6 75164.3
133 74059.5 72954.6 75164.3
134 74059.5 72954.6 75164.3
135 74059.5 72954.6 75164.3
136 74059.5 72954.6 75164.3
137 74059.5 72954.6 75164.3
138 74059.5 72954.6 75164.3
139 74059.5 72954.6 75164.3
140 74059.5 72954.6 75164.3
141 74059.5 72954.6 75164.3
142 74059.5 72954.6 75164.3

Si ya que no está contante en cambio el modelo de suaviza miento exponencial son

contantes
Modelo suaviza miento exponencial

Medidas de exactitud
MAPE 1
MAD 451
MSD 292767

¿Parece adecuada una descomposición multiplicativa para este caso? Explique.

Si el mejor ya que los pronósticos no están constantes en cambio los pronósticos del otro
modelo están contantes y el modelo multiplicativo se ajustan mejor los datos.
23. Remítase al problema 25. La descomposición multiplicativa en Minitab supone de
forma predeterminada una tendencia lineal. Grafique los datos de los varones
empleados de la tabla P-25 y examine los años de 1993 a 2000 y de 2001 a 2003. ¿Se
trata de una tendencia lineal adecuada? Si no es así, ¿puede usted sugerir una curva
de tendencia que podría ser adecuada? Ajuste su curva de tendencia sugerida y
guarde los residuos. Calculé la función de auto correlación de los residuos. ¿Las auto
correlaciones residuales sugieren un componente estacional? Explique.
Modelo multiplicativo Modelo cuadrático

Observamos que los modelos multiplicativos se ajustan mejor los datos como observamos
arriba observamos que hay normalidad homocedastidad e independencia.

24. La tabla P-27 indica las ventas trimestrales (en millones de dólares) de las tiendas
Wal-Mart de 1990 a 2004.Use Minitab para hacer una descomposición multiplicativa
de la serie de tiempo de las ventas de Wal-Mart de los años 1990 a 2003 y genere
pronósticos de los cuatro trimestres de 2004.
a) Estadísticas
Variabl Conteo Medi Desv.Est CoefVa Mínim Median
e total a . Varianza r Suma o Q1 a
p27 56 32070 18431 33969140 57.47 179592 6768 1690 27968
8 4 1
Máxim N para
Variable Q3 o Rango Modo moda Asimetría Curtosis
p27 4807 75190 68422 * 0 0.54 -0.83
1

INTERPRETACION DE DESCRIPCION ESTADISTICA

Los datos son en total de 56 con un mínimo de 67.68 y

con un máximo de 75.190 con una media de 32.070 y
en diagrama de cajas se puede ver que no existen datos
atípicos

b) INTERPRETACION DE LOS COMPONENTES DE LA SERIE

Autocorrelación Autocorrelación parcial

Como se puede observar que los datos Que no están auto correlacionados y eso
están auto correlacionados y eso quiere decir que los tienen estacionalidad
quiere decir que los datos tienen
tendencia
 c) ANALISIS DE LOS COMPONENTES DE LA SERIE

Se puede observar claramente

que tiene una tendencia
creciente y un factor aleatorio
y no se puede observar
claramente que tiene
estacionalidad

Modelo Multiplicativo
Método

Tipo de modelo Modelo multiplicativo

Datos p27
Longitud 56
Número de valores 0
faltantes
Ecuación de tendencia ajustada
Yt = 1165 +
1081.4×t
Índices estacionales
Período Índice
1 0.92253
2 0.98493
3 0.95995
4 1.13259
 d) ¿Es adecuada una descomposición multiplicativa para los datos de Wal-Mart?
Explique. ¿Existe un fuerte componente estacional? ¿Le sorprende?

No es muy adecuado la descomposición multiplicativa que los valores pronosticados no se

ajustan bien a la línea de datos originales también los errores están muy alto pero el que se
ajusta bien es el modelo exponencial simple con un error de MAPE de 11

e) Compare los pronósticos trimestrales de 2004 con las ventas reales. ¿Los
resultados refuerzan la selección de una descomposición multiplicativa?

Se puede observar que los datos reales con los datos pronosticados con la
descomposición multiplicativa que los pronosticados están por encima de los datos
reales

25. Remítase al problema 27. La descomposición multiplicativa en Minitab supone de

manera predeterminada una tendencia lineal. Ajuste y grafique una línea de
tendencia lineal para las ventas de Wal-Mart. ¿Es adecuada la tendencia lineal para
estos datos? Si no es así, ¿podría sugerir una curva de tendencia que resulte
adecuada? Ajuste su curva de tendencia sugerida y guarde los residuos. Calculé las
auto correlaciones de los residuos. ¿Las auto correlaciones residuales sugieren un
componente estacional? Explique.
a) Estadísticas, gráfica de la serie y diagrama de caja
Gráfica de series de tiempo de Ventas_1
90

80

70

60

Ventas_1
50

40

30

20

10

0
1 6 12 18 24 30 36 42 48 54 60
Índice

En este grafico obsérvanos la magnitud de los cambios estacionales se incrementa

con el tiempo a medida que los valores de datos se van incrementando.

INTERPRETACION DE
DESCRIPCION ESTADISTICA

Los datos son en total de 56 con

un mínimo de 6.77 y con un
máximo de 82.82 con una media
de 34.73 y en diagrama de cajas se
puede ver que no existen datos
atípicos

b) INTERPRETACION DE LOS COMPONENTES DE LA SERIE

Autocorrelación Autocorrelacion parcial

 Función de autocorrelación para Ventas_1
(con límites de significancia de 5% para las autocorrelaciones) Función de autocorrelación parcial de Ventas_1
(con límites de significación de 5% para las autocorrelaciones parciales)
1.0
1.0
0.8
0.8
0.6
0.6

Autocorrelación parcial
0.4
Autocorrelación

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

1 5 10 15 20 25 30 35 40 45 50 55 1 5 10 15 20 25 30 35 40 45 50 55
Desfase Desfase

Como se puede observar que los datos están auto correlacionados y eso quiere decir que los
datos tienen tendencia

a) ¿Existe un fuerte componente estacional?

Se puede observar claramente que tiene una

tendencia creciente y un factor aleatorio y no se
puede observar claramente que tiene
estacionalidad
 b) Use Minitab para hacer una descomposición multiplicativa de la serie de tiempo
de las ventas de Wal-Mart de los años 1990 a 2003 y genere pronósticos de los
cuatro trimestres de 2004. ¿Es adecuada una descomposición multiplicativa para
los datos de Wal-Mart? Explique.

Si es adecuado la descomposición multiplicativo además los pronósticos para el

periodo 1 es de 69.90, periodos dos de 74.37, periodo tres es de 75,16 y para el
cuarto periodo es de 90.58
c) ¿Es adecuada la tendencia lineal para estos datos? Si no es así, ¿podría sugerir una
curva de tendencia que resulte adecuada? Ajuste su curva de tendencia sugerida
y guarde los residuos. Calcule las auto correlaciones de los residuos. ¿Las auto
correlaciones residuales sugieren un componente estacional? Explique

Ecuación de tendencia ajustada

Yt = 1165 + 1081.4×t
No es muy adecuado la descomposición multiplicativa que los valores pronosticados no se
ajustan bien a la línea de datos originales también los errores están muy alto pero el que se
ajusta bien es el modelo exponencial simple con un error de MAPE de 11

Los supuestos de normalidad si se

cumplen y también con la de
homocedastidad ya que siguen un patrón
y también hay variable aleatoria ya que
los datos están dispersos

Como se puede observar en la Autocorrelación parcial y con el grafico de los supuestos se puede
decir que si cumplen con el componente estacional

Residuos
 Función de autocorrelación para RESID1
(con límites de significancia de 5% para las autocorrelaciones)

1.0

0.8

0.6

0.4
Autocorrelación

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-1.0

1 5 10 15 20 25 30 35 40 45 50 55
Desfase

La suavización no ofrece un ajuste razonable de estos datos ya puede decir que la serie esta
auto correlacionada y tiene solo 1 rezago fuera de lineal del intervalo.