UNIVERSIDAD NACIONAL DE SAN MARTÍN
DEPARTAMENTO ACADÉMICO DE SISTEMAS E INFORMÁTICA
Curso: Informática para Economistas Escuela Profesional: Economía
JOSE MANUEL GARCIA RUIZ
PRIMER EXAMEN PARCIAL
1.- Considerando las ventas de una empresa del 2010 hasta 2021
Años 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021
Inversión 450 620 510 590 700 680 800 900 950 1000 1050 1100
Realizar predicciones de ventas futuras para los años 2022 a 2023 utilizando modelos
de ajuste exponencial y lineal ( 𝑌 = 𝐴𝐵 𝑋 y 𝑌 = 𝑎 + 𝑏𝑋 ) ¿Qué predicciones serán
más fiables? . Presente los modelos analíticos y los pronósticos. 8 puntos.
Dependent Variable: LY
Method: Least Squares
Date: 10/27/21 Time: 20:34
Sample: 1 12
Included observations: 12
Variable Coefficient Std. Error t-Statistic Prob.
C -1204.423 100.9495 -11.93094 0.0000
LX 159.1672 13.26778 11.99652 0.0000
R-squared 0.935030 Mean dependent var 6.619792
Adjusted R-squared 0.928533 S.D. dependent var 0.294463
S.E. of regression 0.078720 Akaike info criterion -2.094831
Sum squared resid 0.061968 Schwarz criterion -2.014013
Log likelihood 14.56898 Hannan-Quinn criter. -2.124752
F-statistic 143.9165 Durbin-Watson stat 2.741732
Prob(F-statistic) 0.000000
Y= 0.000*X 159.167158734 MODELO DE POTENCIA
stimation Command:
=========================
LS LY C LX
Estimation Equation:
=========================
LY = C(1) + C(2)*LX
Substituted Coefficients:
=========================
LY = -1204.42281254 + 159.167158734*LX
2.- La entrada de turistas en una determinada región del Perú ha exp erimentado en
siete años las siguientes entradas de turistas por semestres en miles: 6 puntos
Trimestres Años
2013 2014 2015 2016 2017 2018 2019
I 2 3 3 4 4 5 6
II 6 9 11 14 16 19 20
III 3 3 4 4 5 5 6
IV 1 1 2 2 3 3 4
a) Elabore las gráficas de tendencia y estacionalidad, analizarlas.
TURISTAS
24
20
16
12
0
2013 2014 2015 2016 2017 2018 2019
La serie de entradas de turistas con frecuencia trimestral en el periodo 2013 – 2019
muestra leve tendencia positiva (ascendente), mucha variabilidad.
TURISTAS by Season
24
20
16
12
0
Q1 Q2 Q3 Q4
Means by Season
La serie de entradas de turistas con frecuencia trimestral en el periodo 2013 – 2019 ,
muestra estacionalidad en el segundo trimestre.
b) Desestacionalice la serie, analice e interprete los índices estacionales.
2013Q1 2.343128088799493
2013Q2 2.032934436068138
2013Q3 3.134061646092693
2013Q4 2.411435018329548
2014Q1 3.51469213319924
2014Q2 3.049401654102208
2014Q3 3.134061646092693
2014Q4 2.411435018329548
2015Q1 3.51469213319924
2015Q2 3.72704646612492
2015Q3 4.178748861456923
2015Q4 4.822870036659095
2016Q1 4.686256177598986
2016Q2 4.74351368415899
2016Q3 4.178748861456923
2016Q4 4.822870036659095
2017Q1 4.686256177598986
2017Q2 5.421158496181702
2017Q3 5.223436076821155
2017Q4 7.234305054988642
2018Q1 5.857820221998731
2018Q2 6.437625714215771
2018Q3 5.223436076821155
2018Q4 7.234305054988642
2019Q1 7.029384266398479
2019Q2 6.776448120227128
2019Q3 6.268123292185385
2019Q4 9.64574007331819
Date: 10/27/21 Time: 19:21
Sample: 2013Q1 2019Q4
Included observations: 28
Ratio to Moving Average
Original Series: TURISTAS
Adjusted Series: TURISTASA
Scaling Factors:
1 0.853560
2 2.951399
3 0.957224
4 0.414691
I trimestre: 0.85, significa que en este trimestre muestra un déficit, de 15%
respecto al promedio general de entradas de turistas.
II trimestre: 2.95, significa que en este trimestre muestra un superavit, de 195%
respecto al promedio general de entradas de turistas.
III trimestre: 0.96, significa que en este trimestre muestra un déficit, de 4%
respecto al promedio general de entradas de turistas.
IV trimestre: 0.41, significa que en este trimestre muestra un déficit, de 59%
respecto al promedio general de entradas de turistas.
c) Represente gráficamente y simultáneamente la serie original y la
desestacionalizada, interprete.
24
20
16
12
0
2013 2014 2015 2016 2017 2018 2019
TURISTAS TURISTASA
En el grafico se puede visualizar que la serie desestacionalizada, tie ne una tendencia
ascendente positiva, no existe variabilidad.
3.- Consideramos una serie temporal de ventas de una compañía que evoluciona en
el tiempo (en años) con los siguientes datos:
Años 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020
Ventas 35.2 46.1 28.3 39.4 26.8 36.7 41.2 34.6 25.4 37.4 40.5
Utilizar el método exponencial simple, alternativamente para α = 0.2, α = 0.5 y α = 0.9
para predecir próximo período 2021. Comparar las predicciones para los distintos
valores del parámetro α y tomar la predicción más conveniente. 6 puntos.
Date: 10/27/21 Time: 18:56
Sample: 2010 2020
Included observations: 11
Method: Single Exponential
Original Series: VENTAS
Forecast Series: VENTASSM02
Parameters: Alpha 0.2000
Sum of Squared Residuals 511.8799
Root Mean Squared Error 6.821623
End of Period Levels: Mean 35.70142
Alfa 0.2, nos está dando un cuadrado medio del error 6.8216, para el siguiente
pronostico 35.70142.
Date: 10/27/21 Time: 18:57
Sample: 2010 2020
Included observations: 11
Method: Single Exponential
Original Series: VENTAS
Forecast Series: VENTASSM05
Parameters: Alpha 0.5000
Sum of Squared Residuals 679.1722
Root Mean Squared Error 7.857667
End of Period Levels: Mean 37.29649
Alfa 0.5, nos está dando un cuadrado medio del error 7.8576, para el siguiente
pronostico 35.70142.
Date: 10/27/21 Time: 18:58
Sample: 2010 2020
Included observations: 11
Method: Single Exponential
Original Series: VENTAS
Forecast Series: VENTASSM09
Parameters: Alpha 0.9000
Sum of Squared Residuals 999.6351
Root Mean Squared Error 9.532886
End of Period Levels: Mean 40.07981
Alfa 0.9, nos está dando un cuadrado medio del error 9.532886 , para el siguiente
pronostico 40.07981
El mejor pronóstico es: 35.70142, por cuanto el suavizamiento con un alfa 0.2 produce un menor CME,
equivalente a 6.8216.
Tarapoto, 27 de Octubre de 2021.
Powered by TCPDF (www.tcpdf.org)
