Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
138 CAPÍTULO 5 Series de tiempo Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González CAPÍTULO 5 Series de tiempo 5.1. Modelo clásico de series de tiempo 5.2. Análisis de fluctuaciones 5.3. Análisis de tendencia 5.4. Análisis de variaciones cíclicas 5.5. Medición de variaciones estacionales e irregulares 5.6. Aplicación de ajustes estacionales 5.7. Pronósticos basados en factores de tendencia y estacionales. Series de tiempo 139 Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González Series de tiempo oda institución, ya sea la familia, la empresa o el gobierno, tienen que hacer planes para el futuro si ha de sobrevivir y progresar. Hoy en día diversas instituciones requieren conocer el comportamiento futuro de ciertos fenómenos con el fin de planificar, prever o prevenir. Debido a que las condiciones económicas y comerciales varían en el tiempo, los líderes de los negocios deben encontrar formas de mantenerse al día respecto a los efectos que esos cambios tendrán en sus operaciones. Una técnica que pueden usar los líderes de negocios como ayuda en la planeación de las necesidades operativas en lo futuro es el pronóstico. Aunque se han desarrollado numerosos métodos para pronosticar, todos tienen un objetivo común, predecir los eventos futuros de manera que las proyecciones se puedan incorporar en el proceso de toma de decisiones. Suponga que necesitamos hacer pronósticos trimestrales para el volumen de ventas de determinado producto durante el próximo año. Los programas de producción, las compras de materias primas, las políticas de inventarios y las cuotas de venta serán afectados, todos, por esos pronósticos. Entonces, los malos pronósticos darán como resultado una mala planeación y, en consecuencia, aumentarán los costos de la empresa. ¿Cómo se hace para elaborar los pronósticos trimestrales del volumen de ventas? Desde luego que se deben considerar los datos reales de ventas del producto en periodos pasados. Con tales datos históricos podemos identificar el nivel general de ventas y cualquier tendencia, como aumento o disminución en el volumen a través del tiempo. Por ejemplo, un examen más detallado de los datos puede revelar un comportamiento estacional, como el de los picos que se presentan en el tercer trimestre de cada año y los mínimos durante el primer trimestre. Al repasar los datos históricos se puede, con frecuencia, adquirir una mejor comprensión de la tendencia de las ventas en el pasado para poder pronosticar las ventas del producto en el futuro de una mejor manera. Las ventas históricas forman una serie de tiempo que es un conjunto de observaciones de una variable medida en puntos o periodos sucesivos en el tiempo. En esencia, existen dos enfoques de pronósticos: cualitativo y cuantitativo. Los métodos de pronóstico cualitativos son importantes en especial cuando no se dispone de datos históricos, como sería el caso de un departamento de finanzas que desea pronosticar los ingresos de una compañía nueva. Los métodos de pronóstico cualitativos se consideran altamente subjetivos o basados en la opinión. Incluyen el método de elaboración de escenarios, la opinión de expertos y la técnica Delphi. Método Delphi. El método délfico, desarrollado en principio por un grupo de investigación de la Rand Corporation. Trata de determinar pronósticos mediante ¨consenso de grupo¨. En forma normal, a los miembros de un equipo de expertos, todos ellos separados físicamente y desconocidos entre sí, se les pide contestar una serie de cuestionarios. Se tabulan las respuestas del primer cuestionario y éstas se usan para preparar un segundo cuestionario que contiene la información y las opiniones de todo el grupo. A continuación se pide a cada encuestado reconsiderar y, posiblemente, corregir sus respuestas anteriores a la vista de la información obtenida con el grupo. T 140 CAPÍTULO 5 Series de tiempo Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González Este proceso continua hasta que el coordinador siente que ha alcanzado cierto nivel de consenso. El objetivo del método délfico no es llegar al resultado de una sola respuesta, sino producir un conjunto compacto de opiniones dentro del cual esté la mayoría de los expertos. Opinión de expertos. Con frecuencia, los pronósticos se basan en el juicio de un solo experto, o representan el consenso de un grupo de expertos. Por ejemplo, cada año se reúne un grupo de expertos en Merrill Lynch con el fin de pronosticar el nivel del promedio industrial Dow Jones y la tasa prima para el siguiente año. Al hacerlo, los expertos se basan, de manera individual en información que cree que influye en el mercado accionario y las tasas de interés, a continuación combinan sus conclusiones en forma de un pronóstico. No se usa modelo formal alguno, y es improbable que dos expertos cualesquiera visualicen de la misma forma la misma observación. La opinión de expertos es un método de pronóstico que se recomienda normalmente cuando es probable que las condiciones en el pasado no rijan en el futuro. Aunque no se usa modelo cuantitativo formal, el juicio experto ha producido buenos pronósticos en muchos casos. Elaboración de escenarios. Este método consiste en desarrollar un escenario conceptual del futuro, basado en un conjunto bien definido de supuestos. Los distintos conjuntos de supuestos producen diferentes escenarios. La tarea de quien toma decisiones es decidir lo probable que es cada escenario y, a continuación, tomar las decisiones pertinentes. Por otro lado, los métodos de pronóstico cuantitativo utilizan los datos históricos. La meta es estudiar lo que ocurrió en el pasado para entender mejor la estructura fundamental de los datos y proporcionar los medios necesarios para predecir los sucesos futuros. Los métodos de pronóstico cuantitativos se dividen en dos tipos: series de tiempo y causales. Los métodos de pronóstico de series de tiempo implican la proyección de los valores futuros de una variable basada por completo en las observaciones pasadas y presentes de esa variable. Series de tiempo. Una serie de tiempo es un conjunto de valores numéricos obtenidos en periodos iguales en el tiempo Los métodos de pronóstico causales comprenden la determinación de factores relacionados con la variable que se predice, e incluyen análisis con variables retrasadas, modelado econométrico, análisis de indicador líder, índice de difusión y otros medidores económicos más allá del alcance de este libro. La figura 5.1 representa una perspectiva de los métodos de pronóstico. Series de tiempo 141 Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González Figura 5.1 Clasificación de los métodos de pronósticos 5.1. Modelo clásico de series de tiempo La suposición fundamental del análisis de series de tiempo es que los factores que han influido en los patrones de actividad en el pasado y el presente tendrán más o menos la misma influencia en lo futuro. Entonces la meta principal del análisis de series de tiempo es: identificar y aislar estos factores de influencia con el fin de realizar predicciones (pronosticar), así como fines administrativos de planeación y control.Para conseguir estas metas, se han desarrollado muchos modelos matemáticos que exploran las fluctuaciones entre los factores que componen una serie de tiempo. Tal vez el más esencial sea el modelo multiplicativo clásico para datos registrados cada año, trimestre o mes. En principio, el modelo multiplicativo clásico se usará para pronosticar. Otras aplicaciones incluyen un análisis detallado de los componentes particulares mediante la descomposición de las series de tiempo. Por ejemplo, con frecuencia los economistas estudian una serie de tiempo anual, trimestral o mensual para filtrar el componente cíclico y evaluar su movimiento respecto a la actividad económica general. No obstante, las aplicaciones de la descomposición de una serie de tiempo están fuera de los objetivos de este libro. Para exponer el modelo multiplicativo clásico de series de tiempo, en la figura 5.2 se presentan los ingresos brutos reales de Eastman Kodak Company de 1975 a 1998. Si se intenta observar las características de esta serie de tiempo, es evidente que los ingresos reales muestran una propensión a aumentar en este periodo de 24 años. Esta inclinación global a largo plazo o impresión de un movimiento hacia arriba o hacia abajo se conoce como tendencia Método de pronostico Cuantitativos Causales Serie temporal Suavizamiento Proyección de tendencia Proyección de tendencia ajustada por influencia estacional Cualitativos 142 CAPÍTULO 5 Series de tiempo Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González Figura 5.2 Gráfica de ingresos netos reales (en miles de millones de dólares) de Eastman Kodak Company (1975-1998) Sin embargo, la tendencia no es el único factor componente que influye en estos datos en particular o en otra serie de tiempo anual. Otros dos factores, el componente cíclico y el componente irregular, están presentes en los datos. El componente cíclico describe la oscilación o movimiento hacia arriba o hacia abajo en una serie de tiempo. Los movimientos cíclicos varían en longitud, en general, duran de 2 a 10 años; difieren en intensidad o amplitud, y a menudo se relacionan con los ciclos de los negocios. En algunos años los valores serán más altos que los pronosticados por una sencilla recta de tendencia lineal (es decir, se encuentran en o cerca de un pico) de un ciclo); en otros años los valores serán menores que el pronóstico de una recta de tendencia (esto es, están en o cerca del fondo o depresión de un ciclo). Cualquier dato observado que no siga la tendencia curva modificada por el componente cíclico es un indicio del componente aleatorio o irregular. Cuando los datos se registran por mes o trimestre, se considera un componente adicional llamado factor estacional junto con los componentes de tendencia, cíclico e irregular. Los tres o cuatro componentes que influyen en una serie de tiempo económica o de negocios se resumen en la tabla 5.1. El modelo multiplicativo clásico de series de tiempo establece que todo valor observado en una serie de tiempo es el producto de estos factores de influencia; es decir, cuando los datos se obtienen cada año, una observación registrada en el año se puede expresar por la ecuación (5.1) Modelo multiplicativo clásico de series de tiempo para datos anuales (5.1) donde, en el año i = valor del componente de tendencia = valor del componente cíclico = valor del componente irregular Modelo clásico 143 Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González Cuando los datos se obtienen por trimestre o por mes, una observación registrada en el periodo puede estar dada por la ecuación (5.2) Tabla 5.1 Factores que influyen en datos de series de tiempo. Componentes Clasificación del componente Definición Razón de la influencia Duración Tendencias Estacional Cíclico Irregular Sistemático Sistemático Sistemático No sistemático Patrón de movimiento global o persistente, a largo plazo hacia arriba o hacia abajo. Fluctuación más o menos regular que ocurre en cada periodo de 12 meses cada año. Oscilación o movimiento repetitivo arriba o abajo en cuatro 4 etapas; pico(prosperidad), contracción (recesión), fondo (depresión) y expansión (recuperación) Fluctuación errática o residual en una serie que está presente después de tomar en cuenta los efectos sistemáticos (de tendencia, estacional y cíclica) Cambios en tecnología, población, riqueza, Valores. Condiciones de clima, costumbres sociales y religiosas. Interacción de numerosas combinaciones de factores que influyen en la economía Variaciones aleatorias en los datos o debidas a eventos no previstos como huelgas, huracanes, inundaciones, asesinatos políticos, tec. Varios años Dentro de 12 meses (o datos menstruales o trimestrales). De 2 a 10 años con diferente intensidad en el ciclo completo Corta duración y sin repetición. 5.2. Análisis de fluctuaciones El primer paso en un análisis de series de tiempo, consiste en graficar los datos y observar sus tendencias en el tiempo. Primero debe determinarse si parece haber un movimiento hacia arriba o hacia abajo a largo plazo en la serie (una tendencia) o si la serie parece oscilar alrededor de una recta horizontal en el tiempo. En este caso (es decir, no hay tendencia positiva o negativa a largo plazo), puede emplearse el método de promedios móviles o el de suavización exponencial para “emparejar” la serie y Modelo multiplicativo clásico de series de tiempo para datos con Componente estacional (5.2) donde = valores respectivos del componente de tendencia, cíclico e irregular en el periodo = valor del componente estacional en el periodo 144 CAPÍTULO 5 Series de tiempo Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González proporcionar un panorama global a largo plazo. Por otro lado, si de hecho existe una tendencia, se pueden aplicar varios métodos de pronóstico de series de tiempo al manejar datos anuales, y otro método para los datos de series de tiempo mensual o trimestral. El patrón o comportamiento de los datos en una serie de tiempo tiene diversos componentes. El supuesto usual es que se combinan cuatro componentes separados: la tendencia, el cíclico, el estacional y el irregular para definir valores específicos de la serie de tiempo. Examinaremos cada uno de estos componentes. El gráfico de la serie permitirá: a) Detectar Outlier: se refiere a puntos de la serie que se escapan de lo normal. Un outliers es una observación de la serie que corresponde a un comportamiento anormal del fenómeno (sin incidencias futuras) o a un error de medición. Se debe determinar desde fuera si un punto dado es outlier o no. Si se concluye que lo es, se debe omitir o reemplazar por otro valor antes de analizar la serie. Por ejemplo, en un estudio de la producción diaria en una fábrica se presentó la siguiente situación ver figura 5.3: Figura 5.3 Producción diaria Los dos puntos enmarcados en una flecha parecen corresponder a un comportamiento anormal de la serie.Al investigar estos dos puntos se vio que correspondían a dos días de paro, lo que naturalmente afectó la producción en esos días. El problema fue solucionado eliminando las observaciones e interpolando. b) Permite detectar tendencia: la tendencia representa el comportamiento predominante de la serie. Esta puede ser definida vagamente como el cambio de la media a lo largo de un periodo. c) Variación estacional: la variación estacional representa un movimiento periódico de la serie de tiempo. La duración de la unidad del periodo es generalmente menor que un Análisis de fluctuaciones 145 Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González año. Puede ser un trimestre, un mes o un día, etc. Matemáticamente, podemos decir que la serie representa variación estacional si existe un número s tal que x(t) = x(t + ks). Las principales fuerzas que causan una variación estacional son las condiciones del tiempo, como por ejemplo: 1) en invierno las ventas de helado 2) en verano la venta de lana 3) exportación de fruta en marzo. Todos estos fenómenos presentan un comportamiento estacional (anual, semanal, etc.) d) Variaciones irregulares (componente aleatoria): los movimientos irregulares (al azar) representan todos los tipos de movimientos de una serie de tiempo que no sea tendencia, variaciones estacionales y fluctuaciones cíclicas. Un modelo clásico para una serie de tiempo, supone que una serie x(1), ..., x(n) puede ser expresada como suma o producto de tres componentes: tendencia, estacionalidad y un término de error aleatorio. Existen tres modelos de series de tiempos, que generalmente se aceptan como buenas aproximaciones a las verdaderas relaciones, entre los componentes de los datos observados. Estos son: 1. Aditivo: X(t) = T(t) + E(t) + A(t) 2. Multiplicativo: X(t) = T(t) · E(t) · A(t) 3. Mixto: X(t) = T(t) · E(t) + A(t) donde: X(t) serie observada en instante t T(t) componente de tendencia E(t) componente estacional A(t) componente aleatoria (accidental) Una suposición usual es que A(t) sea una componente aleatoria o ruido blanco con media cero y varianza constante. Un modelo aditivo (1), es adecuado, por ejemplo, cuando E(t) no depende de otras componentes, como T(t), sí por el contrario la estacionalidad varía con la tendencia, el modelo más adecuado es un modelo multiplicativo (2). Es claro que el modelo 2 puede ser transformado en aditivo, tomando logaritmos. El problema que se presenta, es modelar adecuadamente las componentes de la serie. 146 CAPÍTULO 5 Series de tiempo Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González 5.3. Análisis de tendencia En el análisis de serie de tiempo, las mediciones pueden efectuarse cada hora, día, semana, mes o año o en cualquier otro intervalo regular periódico. Aunque los datos de serie de tiempo presentan, por lo general, fluctuaciones aleatorias, esta serie puede mostrar también desplazamientos o movimientos graduales hacia valores relativamente mayores o menores a lo largo de un lapso importante de tiempo. El desplazamiento gradual de la serie de tiempo se llama tendencia de esa serie; este desplazamiento o tendencia es, por lo común, el resultado de factores a largo plazo, como cambios en la población, características demográficas de la misma, la tecnología y/o las preferencias del consumidor. Por ejemplo, un fabricante de bicicletas podría detectar cierta variabilidad, de año a año, en la cantidad de bicicletas vendidas. Sin embargo, al revisar las ventas durante los últimos 10 años, puede encontrar que hay un aumento gradual en el volumen anual de ventas. Suponga que sus ventas fueron: Año 1 2 3 4 5 6 7 8 9 10 Ventas (miles) 21,6 22,9 25,5 21,9 23,9 27,5 31,5 29,7 28,6 31,4 Este crecimiento anual de las ventas a través del tiempo muestra una tendencia creciente de la serie de tiempo. La figura 5.4 presenta una recta que puede ser una buena aproximación a la tendencia de las ventas de bicicletas. Aunque esa tendencia parece ser lineal y aumentar con el tiempo a veces, en una serie de tiempo, la tendencia se puede describir mejor mediante otros patrones. Figura 5.4 Tendencia lineal de las ventas de bicicletas Si al graficar nuestros datos observamos de manera clara la tendencia lineal a largo plazo (no importando si es positiva o negativa), entonces estaremos en la posición de pronosticar con un buen nivel de confianza, con alguno de los métodos que se indicaran más adelante. La figura 5.5 muestra otros patrones posibles de tendencia. La sección A representa una tendencia no lineal; en este caso, la serie de tiempo crece poco al principio; luego tiene un crecimiento rápido y, finalmente, se nivela. 0 5 10 15 20 25 30 35 0 2 4 6 8 10 12 V e n ta (m ile s) Año Análisis de tendencia 147 Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González Esa tendencia podría ser una buena aproximación de las ventas de un producto, desde su introducción, pasando por un periodo de crecimiento y llegando a una etapa de saturación del mercado. La tendencia lineal decreciente en la sección B se aplica a una serie de tiempo que tenga una disminución continua a través del tiempo. La recta horizontal de la sección C representa una serie de tiempo que no tiene aumento o disminución consistentes a través del tiempo y que, en consecuencia, no tiene tendencia. Figura 5.5 Ejemplos de algunos posibles patrones de tendencia en series de tiempo A B C 5.4. Análisis de variaciones cíclicas Aunque una serie de tiempo puede presentar una tendencia a través de periodos grandes, sus valores no caerán con exactitud sobre la línea de tendencia. De hecho, con frecuencia estas series temporales presentan secuencias alternas de puntos abajo y arriba de la línea de tendencia. Toda secuencia recurrente de puntos arriba y debajo de la línea de tendencia, que dura más de un año, se puede atribuir a un componente cíclico de la serie. La figura 5.6 es la gráfica de una serie de tiempo con un componente cíclico obvio. Las observaciones se hicieron con intervalos de un año. Figura 5.6 Componente de tendencia y cíclico de una serie de tiempo con datos anuales Los ciclos aparecen como series de Observaciones sobre y debajo V de la línea de tendencia o l u m e n Línea de tendencia Tiempo Muchas series se tiempo presentan comportamiento cíclico con tramos regulares de observaciones abajo y arriba de la línea de tendencia. En general, este comportamiento de la serie se debe a movimientos cíclicos de la economía a través de varios años. Por ejemplo, los periodos de inflación moderada seguidos de periodos de 148 CAPÍTULO 5 Series de tiempo Instituto Tecnológico de EnsenadaBiol. Raúl Jiménez González inflación rápida pueden determinar series de tiempo que se alternan abajo y arriba de una línea de tendencia ascendente en general (como la serie de tiempo de los costos de vivienda). Diversas series de tiempo de principios de la década de los ochenta presentaron este comportamiento 5.5. Medición de variaciones estacionales e irregulares Mientras que la tendencia y los componentes cíclicos de una serie de tiempo se identifican analizando los movimientos de datos históricos a través de varios años, hay muchas series de tiempo que muestran un patrón regular dentro de un periodo de un año. Por ejemplo, un fabricante de albercas inflables espera poca actividad de ventas durante los meses de otoño e invierno, y ventas máximas en los de primavera y verano. Los fabricantes de equipo para la nieve y de ropa de abrigo esperan un comportamiento anual opuesto al del fabricante de albercas. No es de sorprender que el componente de la serie de tiempo que representa la variabilidad en los datos, debida a influencias de las estaciones, se llama componente estacional. Aunque uno suele imaginarse que un movimiento estacional de una serie de tiempo sucede dentro de un año, también se puede usar para representar cualquier patrón regularmente repetitivo cuya duración sea menor de un año. Por ejemplo, los datos diarios de intensidad de tráfico muestran un comportamiento “estacional” dentro del mismo día, así se tiene que el flujo máximo se presenta durante las horas de aglomeración, el moderado durante el resto del día y al caer la noche, y el mínimo a partir de la medianoche hasta temprano por la mañana. El componente irregular de la serie de tiempo es el factor residual, “mil usos”, que explica las desviaciones de la serie de tiempo real respecto a los factores determinados por los efectos de la tendencia y los componentes cíclicos y estacionales. Se debe a factores a corto plazo, imprevisibles y no recurrentes que afecta a la serie de tiempo. Como este componente explica la variabilidad aleatoria de la serie, es impredecible; de esta manera, no se puede esperar predecir su impacto sobre la serie de tiempo 5.6. Aplicación de ajustes estacionales Una aplicación frecuente de índices estacionales es la de ajustar datos de serie de tiempo observados para eliminar la influencia del componente estacional en ellos; se llaman datos con ajuste estacional. Los ajustes estacionales son particularmente pertinentes cuando se desea comparar datos de diferentes meses para determinar si ha tenido lugar un incremento (o decremento) en relación con las expectativas estacionales. Los valores de serie de tiempo mensuales (o trimestrales) observados se ajustan respecto de la influencia estacional dividiendo cada valor entre el índice mensual (o trimestral) de ese mes. El resultado se multiplica luego por 100 para mantener la posición decimal de los datos originales. La serie que resultante se llama ventas desestacionalizadas o ventas ajustadas estacionalmente. Suavización 149 Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González La razón para desestacionalizar las series de ventas es similar las fluctuaciones estaciónales a fin de estudiar la tendencia y el ciclo. Para ilustrar el procedimiento, los totales trimestrales de ventas de la empresa Tabla 5.2 Ajuste para datos trimestrales Año Trimestre Ventas Índice estacional Ventas desestacionalizadas 1996 Invierno Primavera Verano Otoño 6,7 4,6 10,0 12,7 0,765 0,575 1,141 1,519 8,76 8,00 8,76 8,36 1997 Invierno Primavera Verano Otoño 6,5 4,6 9,8 13,6 0,765 0,575 1,141 1,519 8,50 8,00 8,59 8,95 1998 Invierno Primavera Verano Otoño 6,9 5,0 10,4 14.1 0,765 0,575 1,141 1,519 9,02 8,70 9,11 9,28 1999 Invierno Primavera Verano Otoño 7,0 5,5 10,8 15,0 0,765 0,575 1,141 1,519 9,15 9,57 9,46 9,88 2000 Invierno Primavera Verano Otoño 7,1 5,7 11,1 14,5 0,765 0,575 1,141 1,519 9,28 9,92 9,72 9,55 2001 Invierno Primavera Verano Otoño 8,0 6,2 11,4 14,9 0,765 0,575 1,141 1,519 10,46 10,79 9,99 9,81 A fin de eliminar el efecto de la variación estacional, la cantidad estacional, la cantidad de ventas para cada trimestre (que contiene efectos de tendencia, cíclicos, irregulares y estaciónales) se divide entre el índice estacional de ese trimestre; esto es, TSCI/S. Por ejemplo, las ventas reales para el primer trimestre de 1996 fueron 6.7 millones de dólares, el índice estacional par el trimestre de invierno es 76.5 el índice 76.5 indica que las ventas en el primer trimestre normalmente se encuentran 23.5% abajo del promedio de un trimestre normal. Dividiendo las ventas reales $6.7 millones entre 76.5 y multiplicando el resultado por 100 se encuentra el valor de las ventas desestacionalizadas del primer trimestre de 1996. El valor es $8758170 que se obtuvo de ($6700000/76.5)100. Este proceso se repite con los demás trimestres en la columna 3 de la tabla 5.2 y los resultados se dan en millones de dólares. Puesto que la componente estacionalizadas contiene solo las componentes de tendencia (T), ciclo © e irregular (I). Al revisar las ventas desestacionalizadas. Es claro que la eliminación del factor estacional permite considerar la tendencia general a largo plazo de las ventas. También se podrá determinar la ecuación de regresión de los datos de tendencia y usarla para pronosticar ventas futuras. 150 CAPÍTULO 5 Series de tiempo Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González 5.7. Pronósticos basados en factores de tendencia y estacionales. Como lo indicamos anteriormente el primer pasó en un análisis de series de tiempo, consiste en graficar los datos y observar sus tendencias en el tiempo. Primero debe determinarse si parece haber un movimiento hacia arriba o hacia abajo a largo plazo en la serie (una tendencia) o si la serie parece oscilar alrededor de una recta horizontal en el tiempo. En este caso (es decir, no hay tendencia positiva o negativa a largo plazo), se recomienda antes de aplicar alguno de los métodos de pronostico ¨suavizar¨ nuestros datos a fin de que la tendencia se observe de manera clara. Los métodos que pueden emplearse para suavizar nuestros datos usualmente son: a) El método de promedios móviles b) El método de suavización exponencial El objetivo de ambos métodos es el de “emparejar” la serie y proporcionar un panorama global a largo plazo. Por otro lado, si de hecho existe una tendencia, se pueden aplicar varios métodos de pronóstico de series de tiempo al manejar datos anuales, y otro método para los datos de series de tiempo mensual o trimestral, los cuales se verán posteriormente. Suavización de una serie de tiempo anual La tabla 5.3 presenta las ventas mundiales de una fábrica (en millones de unidades) de automóviles, camiones y autobuses hechos por General Motors Corporation (GM). Para un periodo de 24 años, de 1975 a 1998, y la figura 5.7 es una gráfica de serie de tiempo de estos datos. Al examinar este tipo de datos anuales, la impresión visual de las tendencias globales a largo plazo o movimientos de tendencia en la serie quedan veladas por la cantidad de variación de un año a otro. Entonces se vuelve difícil juzgar si en esta serie en realidad existe un efecto de tendencia positivo o negativo a largo plazo. Tabla 5.3 Ventas de fábrica (en millones de unidades) Para la General Motors Corporation (1975-1998)Año Ventas de fábrica Año Ventas de fábrica Año Ventas de fábrica 1975 6.6 1983 7.8 1991 7.4 1976 8.6 1984 8.3 1992 7.7 1977 9.1 1985 9.3 1993 7.8 1978 9.5 1986 8.6 1994 8.4 1979 9.0 1987 7.8 1995 8.3 1980 7.1 1988 8.1 1996 8.4 1981 6.8 1989 7.9 1997 8.8 1982 6.2 1990 7.5 1998 8.1 En situaciones como éstas, se pueden usar el método de promedios móviles o la suavización exponencial para suavizar o emparejar la serie de tiempo y proporcionar un panorama global del patrón de movimiento de los datos en el tiempo. Suavización 151 Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González Figura 5.7 Gráfica de las ventas de fábrica (en millones de unidades) Para la General Motors Corporation (1975-1998) Promedios móviles El método de promedios móviles para suavizar una serie de tiempo es muy subjetivo y dependiente de L, la longitud del periodo seleccionado para calcular los promedios. Para eliminar las fluctuaciones cíclicas, el periodo elegido debe ser un valor entero que corresponda a (o sea múltiplo de) la longitud promedio estimada de un ciclo en una serie. Los promedios móviles para un promedio determinado de longitud L consiste en una serie de promedios aritméticos en el tiempo tales que cada uno se calcula a partir de una secuencia de L valores observados. Estos promedios móviles se representan por el símbolo PM (L) A manera de ejemplo, suponga que se desea calcular promedios móviles de 5 años de una serie que contiene n = 11 años. Como L = 5, los promedios móviles de 5 años consisten en una serie de medidas obtenidas en el tiempo al promediar secuencias consecutivas de cinco valores observados. El primer promedio móvil de 5 años se calcula con la suma de los valores para los primeros 5 años en la serie, dividida entre 5. PM (5) = 5 54321 YYYYY El segundo promedio móvil de 5 años se calcula con la suma de los valores de los años 2 a 6 en la serie, dividida entre 5 PM (5) = 5 65432 YYYYY Este proceso continúa hasta calcular el último promedio móvil de 5 años con la suma de los valores de los últimos 5 años en la serie (años del 7 al 11), dividida entre 5. PM (5) = 5 1110987 YYYYY Cuando se trata de una serie de tiempo anual, L, la longitud del periodo elegido para construir los promedios móviles, debe ser un número de años impar. Al seguir esta regla se observa que no se pueden obtener promedios móviles para los primeros (L – Ventas de fabrica para General Motors 0 2 4 6 8 10 1970 1980 1990 2000 Año U n id ad es (m ill o n es ) 152 CAPÍTULO 5 Series de tiempo Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González 1)/2 años o los últimos (L -1)/2 años en la serie. Entonces, para un promedio móvil de 5 años, no es posible hacer cálculos para los primeros 2 años o los últimos 2 años de la serie. Al graficar los promedios móviles, cada valor calculado se coloca en el año a la mitad de la secuencia de años usada para calcularlos. Si n = 11 y L = 5, el primer promedio móvil se centra en el tercer año, el segundo promedio móvil se centra en el cuarto año y el último en el noveno año. Esto se ilustra en el siguiente ejemplo: Suponga que los siguientes datos representan los ingresos totales (en millones de dólares constantes de 1995) de una agencia donde se rentan automóviles, en un intervalo de 11 años de 1987 a 1997: 4.0 5.0 7.0 6.0 8.0 9.0 5.0 2.0 3.5 5.5 6.5 Calcule los promedios móviles de 5 años para esta serie de tiempo anual. Solución El primer promedio móvil de 5 años es PM (5) = 0.6 5 0.30 5 0.80.60.70.50.4 Es decir, para calcular un promedio móvil de 5 años, primero se obtiene la suma de los cinco años y se divide entre 5. Después el promedio se centra en el valor medio, el tercer año de esta serie de tiempo. Los siguientes valores quedan de la siguiente manera: PM (5) = 0.7 5 0.35 5 0.90.80.60.70.5 PM (5) = 0.7 5 0.35 5 0.50.90.80.60.7 PM (5) = 0.6 5 0.30 5 0.20.50.90.80.6 PM (5) = 5.5 5 5.27 5 5.30.20.50.90.8 PM (5) = 0.5 5 0.25 5 5.55.30.20.50.9 PM (5) = 5.4 5 5.22 5 5.65.55.30.20.5 Estos promedios móviles se centran en sus respectivos valores medios, el quinto, sexto y séptimo años de la serie de tiempo. Se observa que al obtener promedios móviles de 5 años, no se pueden calcular los valores para los primeros dos y los últimos dos valores de la serie de tiempo. Suavización 153 Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González En la práctica, al obtener promedios móviles se debe usar un programa de computadora como Microsoft Excel o Minitab para evitar los cálculos tediosos. La tabla 5.4 y 5.5 presenta las ventas anuales de la fábrica (General Motors) que ampara el periodo de 24 años de 1975 a 1998 junto con los cálculos para los promedios móviles de 3 y 7 años. La gráfica de las dos series construidas se presenta en la figura 5.8 y 5.9 con los datos originales. Se observa en la tabla 5.4 que al obtener los promedios móviles de 3 años, no se pueden calcular valores para el primero o el último valor en la serie de tiempo. Tabla 5.4 promedios móviles de 3 y 7 años obtenida con Microsoft Excel Figura 5.8 Gráfica de promedios móviles de 3 y 7 año Año Ventas PM 3 años PM 7 años 1975 6,6 #N/A #N/A 1976 8,6 8,1 #N/A 1977 9,1 9,06666667 #N/A 1978 9,5 9,2 8,1 1979 9 8,53333333 8,04285714 1980 7,1 7,63333333 7,92857143 1981 6,8 6,7 7,81428571 1982 6,2 6,93333333 7,78571429 1983 7,8 7,43333333 7,72857143 1984 8,3 8,46666667 7,82857143 1985 9,3 8,73333333 8,01428571 1986 8,6 8,56666667 8,25714286 1987 7,8 8,16666667 8,21428571 1988 8,1 7,93333333 8,08571429 1989 7,9 7,83333333 7,85714286 1990 7,5 7,6 7,74285714 1991 7,4 7,53333333 7,82857143 1992 7,7 7,63333333 7,85714286 1993 7,8 7,96666667 7,92857143 1994 8,4 8,16666667 8,11428571 1995 8,3 8,36666667 8,21428571 1996 8,4 8,5 #N/A 1997 8,8 8,43333333 #N/A 1998 8,1 #N/A #N/A 0 2 4 6 8 10 19 75 19 78 19 81 19 84 19 87 19 90 19 93 19 96 VENTAS PM 3 años PM 7 años 154 CAPÍTULO 5 Series de tiempo Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González Tabla 5.5 promedios móviles de 3 y 7 años obtenida con Minitab Tiempo Ventas MA 3 años MA 7 años 1975 6,6 * * 1976 8,6 8,10000 * 1977 9,1 9,06667 * 1978 9,59,20000 8,10000 1979 9,0 8,53333 8,04286 1980 7,1 7,63333 7,92857 1981 6,8 6,70000 7,81429 1982 6,2 6,93333 7,78571 1983 7,8 7,43333 7,72857 1984 8,3 8,46667 7,82857 1985 9,3 8,73333 8,01429 1986 8,6 8,56667 8,25714 1987 7,8 8,16667 8,21429 1988 8,1 7,93333 8,08571 1989 7,9 7,83333 7,85714 1990 7,5 7,60000 7,74286 1991 7,4 7,53333 7,82857 1992 7,7 7,63333 7,85714 1993 7,8 7,96667 7,92857 1994 8,4 8,16667 8,11429 1995 8,3 8,36667 8,21429 1996 8,4 8,50000 * 1997 8,8 8,43333 * 1998 8,1 * * Figura 5.9 Gráfica de promedios móviles de 3 y 7 años en Minitab 200019951990198519801975 9,5 9,0 8,5 8,0 7,5 7,0 6,5 6,0 Año D at os Y Ventas PM 3 Años PM 7 Años Variable Gráfica de dispersión de Ventas; PM 3 Años; PM 7 Años vs. Año Suavización exponencial La suavización exponencial es otra técnica que se usa para alisar una serie de tiempo y proporcionar una visualización global de los movimientos a largo plazo de los datos. Además, se puede usar el método de suavización exponencial para obtener pronósticos a corto plazo (un periodo futuro) para series de tiempo. El método de suavización exponencial obtiene su nombre del hecho de que proporciona un promedio móvil con ponderación exponencial a través de la serie de tiempo. En toda la serie, cada cálculo de suavización o pronóstico depende de todos los valores observados anteriores. Ésta es otra ventaja respecto al método de pronósticos móviles, que no toma en cuenta todos los valores observados de esta manera. Con la Suavización 155 Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González suavización exponencial, los pesos asignados a los valores observados decrecen en el tiempo, de manera que al hacer un cálculo, el valor observado más reciente recibe el peso más alto, el valor observado anterior tiene el siguiente peso más alto, y así sucesivamente, por lo que el valor observado inicial tiene la menor ponderación. Aunque la magnitud de los cálculos involucrados puede parecer enorme, la suavización exponencial al igual que los métodos de promedios móviles está disponible entre los procedimientos de Microsoft Excel y Minitab. Si se centra la atención en los aspectos de suavización de la técnica (más que en el aspecto del pronóstico), las fórmulas desarrolladas para suavizar exponencialmente una serie en un periodo dado i se basa en sólo tres términos: el valor observado actual en la serie de tiempo , valor con suavización exponencial calculado anterior 1iE y un peso subjetivo asignado o coeficiente de suavización W. Así, para alisar una serie en cualquier periodo , se tiene la siguiente expresión. Obtención de un valor que tiene suavización exponencial en el periodo donde EI = valor de la serie suavizada exponencialmente que se calcula en el periodo EI – 1 = valor de la serie suavizada exponencialmente que se calcula en el periodo – 1 Yi = valor observado de la serie de tiempo en el periodo W = peso subjetivo asignado o coeficiente de suavización (donde 0 < W < 1) E1 = Y1 La elección del coeficiente de suavización o peso que se asigna a la serie de tiempo es crítica porque afectará en forma directa los resultados. Es desafortunado que esta selección sea subjetiva. Si se desea sólo suavizar una serie con la eliminación de la variación cíclica y la irregular, debe elegirse un valor pequeño para W (cercano a 0). Por otro lado, si la meta es pronosticar, debe elegirse un valor grande para W (más cercano a 1). En el primer caso, se podrán observar las tendencias globales a largo plazo de la serie; en el último caso, es posible predecir direcciones futuras a corto plazo de manera más adecuada. Los cálculos de la suavización exponencial se ilustra para un coeficiente de suavización de W = 0.25. Como punto de partida, se utiliza el valor observado inicial (tabla 5.3), Y1975 = 6.6 como el primer valor de suavización (E1975 = 6.6) Después, con el valor observado de la serie de tiempo para el año 1976 (Y1976 = 8.6), se suaviza la serie para el año de 1976 con el cálculo 1)1( iii EWYWE E1976 = WY1976 + (1 – W)E1975 = (0.25)(8.6) + (0.75)(6.6) = 7.10 millones E1977 = WY1977 + (1 – W)E1976 = (0.25)(9.1) + (0.75)(7.1) = 7.6 E1978 = WY1978 + (1 – W)E1977 = (0.25)(9.5) + (0.75)(7.6) = 8.08 156 CAPÍTULO 5 Series de tiempo Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González Este proceso continúa hasta obtener los valores de la suavización exponencial para los 24 años en la serie de las ventas anuales de la fábrica (General Motors), como se muestra en la tabla 5.6 y 5.7, y las figuras 5.10 y 5.11 Tabla 5.6 Serie suavizada exponencialmente de las ventas de GM obtenida con Microsoft Excel Año Ventas SE (W=0.25) SE (W=0.50) 1975 6,6 6,6 6,6 1976 8,6 7,1 7,6 1977 9,1 7,6 8,35 1978 9,5 8,075 8,925 1979 9 8,30625 8,9625 1980 7,1 8,0046875 8,03125 1981 6,8 7,70351563 7,415625 1982 6,2 7,32763672 6,8078125 1983 7,8 7,44572754 7,30390625 1984 8,3 7,65929565 7,80195313 1985 9,3 8,06947174 8,55097656 1986 8,6 8,20210381 8,57548828 1987 7,8 8,10157785 8,18774414 1988 8,1 8,10118339 8,14387207 1989 7,9 8,05088754 8,02193604 1990 7,5 7,91316566 7,76096802 1991 7,4 7,78487424 7,58048401 1992 7,7 7,76365568 7,640242 1993 7,8 7,77274176 7,720121 1994 8,4 7,92955632 8,0600605 1995 8,3 8,02216724 8,18003025 1996 8,4 8,11662543 8,29001513 1997 8,8 8,28746907 8,54500756 1998 8,1 Figura 5.10 Gráfica de una serie suavizada exponencialmente (W = 0.50 y W = 0.25) para las ventas de GM Suavización 157 Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González Tabla 5.7 Serie suavizada exponencialmente de las ventas de GM obtenida con Minitab Año Ventas Suavizar 0,25 Suavizar 0,50 1975 6,6 6,60000 6,60000 1976 8,6 7,10000 7,60000 1977 9,1 7,60000 8,35000 1978 9,5 8,07500 8,92500 1979 9,0 8,30625 8,96250 1980 7,1 8,00469 8,03125 1981 6,8 7,70352 7,41563 1982 6,2 7,32764 6,80781 1983 7,8 7,44573 7,30391 1984 8,3 7,65930 7,80195 1985 9,3 8,06947 8,55098 1986 8,6 8,20210 8,57549 1987 7,8 8,10158 8,18774 1988 8,1 8,10118 8,14387 1989 7,9 8,05089 8,02194 1990 7,5 7,91317 7,76097 1991 7,4 7,78487 7,58048 1992 7,7 7,76366 7,64024 1993 7,8 7,77274 7,72012 1994 8,4 7,92956 8,06006 1995 8,3 8,02217 8,18003 1996 8,4 8,11663 8,29002 19978,8 8,28747 8,54501 1998 8,1 8,24060 8,32250 Figura 5.11 Gráfica de una serie suavizada exponencialmente (W = 0.50 y W = 0.25) para las ventas de GM en Minitab 200019951990198519801975 9,5 9,0 8,5 8,0 7,5 7,0 6,5 6,0 Año Da to s Y Ventas Suavizar 0,25 Suavizar 0,50 Variable Gráfica de dispersión de Ventas; Suavizar 0,25; Suavizar 0,50 vs. Año Proyección de tendencias Para pronosticar una serie de tiempo que tiene una tendencia lineal a largo plazo. El tipo de serie de tiempo para el cual se aplica el método de proyección de tendencias presenta un aumento o disminución consistentes a través del tiempo; y no es estable como para aplicar los métodos de suavizamiento analizados en la sección anterior. 158 CAPÍTULO 5 Series de tiempo Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González Veamos la serie de tiempo de ventas de bicicletas de determinado fabricante durante los últimos 10 años, que se muestran en la tabla 5.8 y en la figura 5.12. Observe que en el primer año se vendieron 21 600 bicicletas, en el segundo, 22 900, y así sucesivamente. En el décimo año, el más reciente, se vendieron 31 400 bicicletas. Aunque la figura 5.12 muestra algo de movimiento hacia arriba y hacia abajo durante los 10 años, parece que la serie de tiempo tiene una tendencia general de aumento o crecimiento Tabla 5.8 Serie de tiempo de venta de bicicletas Año (t) Ventas (miles) 1 2 3 4 5 6 7 8 9 10 21,6 22,9 25,5 21,9 23,9 27,5 31,5 29,7 28,6 31,4 Figura 5.12 Serie de tiempo de venta de bicicletas En este caso no se trata de que el componente de tendencia de una serie de tiempo siga cada aumento y disminución; más bien ese componente debe reflejar el desplazamiento gradual, que para este caso es el crecimiento, de los valores de la serie de tiempo. 10987654321 32 30 28 26 24 22 Año v e n ta s Gráfica de series de tiempo de ventas Proyección de tendencias 159 Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González Después de examinar los datos de la serie de tiempo en la tabla 5.8 y en la gráfica de la figura 5.12 concordamos que con una tendencia líneas, como la que muestra la figura 5.13, se obtiene una descripción razonable del movimiento en la serie a largo plazo. Vamos a emplear los datos de ventas de bicicletas para ilustrar los cálculos del análisis de regresión, a fin de identificar una tendencia lineal. Recuerde que en la descripción de la regresión lineal simple, describimos cómo se aplica el método de mínimos cuadrados para determinar la mejor relación lineal entre dos variables; tal metodología es la que usaremos para definir la línea de tendencia para la serie de tiempo de ventas de bicicletas. En forma específica, aplicaremos el análisis de regresión para estimar la relación entre el tiempo y el volumen de ventas. Figura 5.13 Tendencias de las ventas de bicicletas, representada por una función lineal 10987654321 32 30 28 26 24 22 20 Año v e n ta s MAPE 5,06814 MAD 1,32000 MSD 3,07000 Medidas de exactitud Actual Ajustes Variable Gráfica de análisis de tendencia de ventas Modelo de tendencia lineal Yt = 20,40 + 1,10*t La ecuación de regresión que describe una relación lineal entre una variable independiente, , y una variable dependiente, , es Para enfatizar que el tiempo es la variable independiente en los pronósticos, usaremos en la ecuación en lugar de ; además, usaremos en lugar de . Así para una tendencia lineal, el volumen estimado de ventas, expresado en función del tiempo, se puede escribir como sigue: donde = valor de la tendencia de la serie de tiempo en el periodo = ordenada al origen e la línea de tendencia = pendiente de la línea de tendencia = tiempo En esta ecuación igualaremos = 1 para el tiempo en que se obtiene el primer dato de la serie de tiempo, = 2 para el tiempo del segundo dato y así sucesivamente. 160 CAPÍTULO 5 Series de tiempo Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González Observe que, para la serie de tiempo de ventas de bicicletas, = 1 correspondiente al valor más antiguo de esa serie y = 10 al más reciente. Las fórmulas para calcular los coeficientes estimados de regresión, y , en la ecuación que se muestra a continuación. donde = valor de la serie de tiempo en el periodo = número de periodos = valor promedio de la serie de tiempo, = valor promedio de Con las ecuaciones anteriores y los datos de las ventas de bicicletas de la tabla 5.8 podemos calcular como sigue: t 1 2 3 4 5 6 7 8 9 10 21,6 22,9 25,5 21,9 23,9 27,5 31,5 29,7 28,6 31,4 21,6 45,8 76,5 87,6 119,5 165,0 220,5 237,6 257,4 314,0 1 4 9 16 25 36 49 64 81 100 55 264,5 1545,5 385 = = Por consiguiente, Proyección de tendencias 161 Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González Es la ecuación del componente de tendencia lineal para la serie de tiempo de ventas de bicicletas. La pendiente 1,1 indica que, durante los últimos 10 años, la empresa ha tenido un crecimiento promedio de ventas igual a 1100 unidades anuales, aproximadamente. Si suponemos que la tendencia en los 10 años pasados es un buen indicador del futuro, aplicamos la ecuación para proyectar el componente de tendencia de la serie de tiempo. Por ejemplo, al sustituir = 11 en esa ecuación, se obtiene la proyección de tenencia para el año próximo, Así sólo con el componente de tendencia pronosticaríamos ventas de 32 500 bicicletas para el próximo año. Utilice Microsoft Excel o Minitab para resolver los siguientes problemas Ejercicios 1.- En la compañía Pérez, los porcentajes mensuales de los embarques recibidos durante los últimos 12 meses fueron 80, 82, 84, 83, 83, 84, 85, 84, 82, 83, 84 y 83 a) Compare el pronóstico con promedios móviles de tres meses con uno de suavizamiento exponencial con ¿Con cuál se obtienen mejores pronósticos? 2.- La siguiente serie de tiempo representa las ventas de un producto durante los últimos 12 meses. Mes 1 2 3 4 5 6 7 8 9 10 11 12 Ventas 10535 120 105 90 120 145 140 100 80 100 110 a) Use con para calcular los valores de suavizamiento exponencial de la serie de tiempo b) Use una constante de suavizamiento igual a 0,5 para calcular los valores de suavizamiento exponencial. ¿Cuál de las constantes 0,3 o 0,5, parece producir los mejores pronósticos Resumen de Excel donde observamos los coeficientes Estadísticas de la regresión Coeficiente de correlación múltiple 0,874526167 Coeficiente de determinación R^2 0,764796016 R^2 ajustado 0,735395518 Error típico 1,958953802 Observaciones 10 ANÁLISIS DE VARIANZA Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F Regresión 1 99,825 99,825 26,01302930,000929509 Residuos 8 30,7 3,8375 Total 9 130,525 Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Intercepción 20,4 1,338220211 15,24412786 3,3999E-07 17,31405866 Año 1,1 0,215673715 5,100296983 0,00092951 0,602655521 162 CAPÍTULO 5 Series de tiempo Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González 3.- Los datos que siguen representan el número anual de empleados (en miles) de una compañía petrolera para los años 1978 a 1997. Número de empleados (en miles) Año Número Año Número Año Número 1978 1.45 1985 2.04 1992 1.65 1979 1.55 1986 2.06 1993 1.73 1980 1.61 1987 1.80 1994 1.88 1981 1.60 1988 1.73 1995 2.00 1982 1.74 1989 1.77 1996 2.08 1983 1.92 1990 1.90 1997 1.88 1984 1.95 1991 1.82 a) Grafique los datos en un diagrama b) Ajuste un promedio móvil de 3 años a los datos y grafique los resultados en el diagrama c) Utilice un coeficiente de suavización W = 0.50, aplique la suavización exponencial a la serie y grafique los resultados en el diagrama 4.- Los siguientes datos representan las ventas anuales (en millones de dólares) de una compañía que procesa alimentos para los años 1972 a 1997 Ventas anuales (millones de dólares) Año Ventas Año Ventas Año Ventas 1972 41.6 1981 53.2 1990 36.4 1973 48.0 1982 53.3 1991 38.4 1974 51.7 1983 51.6 1992 42.6 1975 55.9 1984 49.0 1993 34.8 1976 51.8 1985 38.6 1994 28.4 1977 57.0 1986 37.3 1995 23.9 1978 64.4 1987 43.8 1996 27.8 1979 60.8 1988 41.7 1997 42.1 1980 56.3 1989 38.3 a) Grafique los datos en un diagrama b) Ajuste un promedio móvil de 7 años a los datos y grafique los resultados en el diagrama c) Utilice un coeficiente de suavización W = 0.25, aplique la suavización exponencial a la serie y grafique los resultados en el diagrama Ejercicios 163 Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González 5.- Los datos de inscripciones, en miles, en una universidad estatal durante los últimos seis años son los siguientes: Año 1 2 3 4 5 6 Inscripción 20,5 20,2 19,5 19,0 19,1 18,8 Deduzca una ecuación del componente de tendencia lineal en esta serie de tiempo. Haga comentarios acerca de lo que sucede con la inscripción en esta institución. 6.- Al final de la década de los noventa, muchas empresas trataron de reducir su tamaño para disminuir sus costos. Uno de los resultados de esas medidas de recorte de costos fue una disminución en el porcentaje de empleos gerenciales en la industria privada. Los siguientes datos corresponden al porcentaje de mujeres gerentes, de 1990 1 1995 Año 1990 1991 1992 1993 1994 1995 Porcentaje 7,45 7,53 7,52 7,65 7,62 7,73 a) Deduzca una ecuación de tendencia lineal para esta serie de tiempo. b) Use la ecuación de la tendencia para estimar el porcentaje de mujeres gerentes para 1996 y 1997 7.- ACT Networks. Inc., desarrolla, fabrica y vende productos para acceso a redes de banda ancha. Los siguientes datos son las ventas anuales de 1992 a 1997 Año 1992 1993 1994 1995 1996 1997 Ventas (millones) 5,4 6,2 12,7 20,6 28,4 44,9 a) Deduzca una ecuación de tendencia lineal para esta serie de tiempo b) ¿Cuál es el aumento promedio de ventas anuales en esta empresa c) Use la ecuación de tendencia para pronosticar las ventas en 1998 Caso a resolver 1 Pronóstico de ventas de alimentos y bebidas El restaurante Vintage está en la isla Captiva, lugar de descanso cerca de Fort Myers, Florida. El restaurante, cuya dueña y operadora es Karen Payne, acaba de completar su tercer año de funcionamiento. Karen, durante ese lapso, ha tratado de ganarse una reputación como establecimiento de alta calidad que se especializa en mariscos. Sus esfuerzos han tenido éxito y su restaurante ha llegado a ser uno de los mejores y de mayor crecimiento en la isla. Karen ve que, para planear el crecimiento futuro del restaurante, necesita desarrollar un sistema que le permita pronosticar las ventas de alimentos y bebidas cada mes, hasta con un año de anticipación. Cuenta con los siguientes datos sobre las ventas totales de alimentos y bebidas (en miles de dólares) durante los tres años de funcionamiento. 164 CAPÍTULO 5 Series de tiempo Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González Mes Primer año Segundo año Tercer año Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre 242 235 232 178 184 140 145 152 110 130 152 206 263 238 247 193 193 149 157 161 122 130 167 230 282 255 265 205 210 160 166 174 126 148 173 235 Analice los datos de ventas del restaurant. Prepare un informe a Karen que contenga lo que encontró, sus pronósticos y recomendaciones. Dicho informe debe incluir: a) Una gráfica de la serie de tiempo b) Un análisis de influencias estacionales sobre los datos. Indique los índices estacionales para cada mes y haga comentarios acerca de los meses con ventas altas y bajas. ¿Tiene sentido intuitivo esos índices estacionales? Describa por qué. c) Un pronóstico de ventas desde enero hasta diciembre del cuarto año. d) Recomendaciones sobre cuándo se debe actualizar el sistema que ha preparado, para tomar en cuenta nuevos datos de ventas e) Todos los cálculos detallados de su análisis aparecen en el apéndice de su informe. Suponga que las ventas en enero del cuarto año fueron de 295 000 dólares. ¿Cuál fue su error de pronóstico? Si es grande, Karen se quedará confundida por la diferencia entre su pronóstico y el valor real de las ventas. ¿Qué puede hacer para resolver la incertidumbre en el procedimiento de pronóstico? Caso a resolver 2 Pronóstico de ventas perdidas La tienda de departamentos Carlson sufrió graves daños cuando pasó un huracán el 31 de agosto de 2000. Estuvo cerrada durante cuatro meses (de septiembre a diciembre de 2000), y ahora tiene una dificultad con su aseguradora acerca de la cantidad de ventas perdidas, mientras estuvo cerrada. Se deben resolver dos asuntos clave: 1) la cantidad de ventas de Carlson si no la hubiera dañado el huracán, y 2) si Carlson tiene derecho a una compensación por ventas adicionales a causa de mayor actividad después de la tormenta. A su condado llegaronmás de 8000 millones de dólares en fondos federales para desastres y seguros, lo cual ocasionó un aumento en las ventas de las tiendas de departamento y de muchos otros negocios. La siguiente tabla muestra los datos del departamento de comercio de Estados Unidos sobre las ventas totales durante los 48 meses anteriores a la tormenta, en todas las tiendas de departamentos en el condado, y también las ventas totales durante los cuatro meses en que Carlson estuvo cerrada. Los administradores de Carlson le pidieron Ejercicios 165 Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González analizar estos datos y preparar estimados de las ventas perdidas en sus almacenes durante los meses de septiembre a diciembre de 2000. También le pidieron determinar si es posible alegar exceso de ventas relacionado con el huracán, durante el mismo periodo. Si se puede presentar ese argumento. Carlson tiene derecho a compensaciones por exceso sobre las ventas ordinarias. Mes 1996 1997 1998 1999 2000 Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre 1,71 1,90 2,74 4,20 1,45 1,80 2,03 1,99 2,32 2,20 1,13 2,43 1,90 2,13 2,56 4,16 2,31 1,89 2,02 2,23 2,39 2,14 2,27 2,21 1,89 2,29 2,83 4,04 2,31 1,99 2,42 2,45 2,57 2,42 2,40 2,50 2,09 2,54 2,97 4,35 2,56 2,28 2,69 2,48 2,73 2,37 2,31 2,23 Prepare un informe a los gerentes de Carlson que resuma lo que encontró, sus pronósticos y recomendaciones. Éste debe incluir: a) Un estimado de ventas si no hubiera habido huracán. b) Un estimado de ventas en tiendas de departamentos de todo el condado, si no hubiera habido huracán c) Un estimado de ventas perdidas de Carlson, de septiembre a diciembre de 200 166 Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González Apéndice Tablas 167 Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González Distribución T de Student Grados de libertad 0,25 0,2 0,15 0,1 0,05 0,025 0,01 0,005 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 1,000 1,376 1,963 3,078 6,314 12,706 31,821 63,656 0,816 1,061 1,386 1,886 2,920 4,303 6,965 9,925 0,765 0,978 1,250 1,638 2,353 3,182 4,541 5,841 0,741 0,941 1,190 1,533 2,132 2,776 3,747 4,604 0,727 0,920 1,156 1,476 2,015 2,571 3,365 4,032 0,718 0,906 1,134 1,440 1,943 2,447 3,143 3,707 0,711 0,896 1,119 1,415 1,895 2,365 2,998 3,499 0,706 0,889 1,108 1,397 1,860 2,306 2,896 3,355 0,703 0,883 1,100 1,383 1,833 2,262 2,821 3,250 0,700 0,879 1,093 1,372 1,812 2,228 2,764 3,169 0,697 0,876 1,088 1,363 1,796 2,201 2,718 3,106 0,695 0,873 1,083 1,356 1,782 2,179 2,681 3,055 0,694 0,870 1,079 1,350 1,771 2,160 2,650 3,012 0,692 0,868 1,076 1,345 1,761 2,145 2,624 2,977 0,691 0,866 1,074 1,341 1,753 2,131 2,602 2,947 0,690 0,865 1,071 1,337 1,746 2,120 2,583 2,921 0,689 0,863 1,069 1,333 1,740 2,110 2,567 2,898 0,688 0,862 1,067 1,330 1,734 2,101 2,552 2,878 0,688 0,861 1,066 1,328 1,729 2,093 2,539 2,861 0,687 0,860 1,064 1,325 1,725 2,086 2,528 2,845 0,686 0,859 1,063 1,323 1,721 2,080 2,518 2,831 0,686 0,858 1,061 1,321 1,717 2,074 2,508 2,819 0,685 0,858 1,060 1,319 1,714 2,069 2,500 2,807 0,685 0,857 1,059 1,318 1,711 2,064 2,492 2,797 0,684 0,856 1,058 1,316 1,708 2,060 2,485 2,787 0,684 0,856 1,058 1,315 1,706 2,056 2,479 2,779 0,684 0,855 1,057 1,314 1,703 2,052 2,473 2,771 0,683 0,855 1,056 1,313 1,701 2,048 2,467 2,763 0,683 0,854 1,055 1,311 1,699 2,045 2,462 2,756 0,683 0,854 1,055 1,310 1,697 2,042 2,457 2,750 168 Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González Distribución normal estándar 0 Z Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517 0.1915 0.1850 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2518 0.2549 0.2580 0.2612 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 3.3980 0.3997 0.4015 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.43060.4319 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964 0.4956 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986 0.4986 0.4986 0.4987 0.4987 0.4988 0.4988 0.4988 0.4989 0.4989 0.4990 0.4990 0.4990 0.4991 0.4991 0.4991 0.4991 0.4992 0.4992 0.4992 0.4992 0.4993 0.4993 0.4993 0.4993 0.4994 0.4994 0.4994 0.4994 0.4994 0.4995 0.4995 0.4995 0.4995 0.4995 0.4995 0.4996 0.4996 0.4996 0.4996 0.4996 0.4996 0.4996 0.4996 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 169 Instituto Tecnológico de Ensenada Biol. Raúl Jiménez González Distribución normal para una cola Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0 0.5000 0.5039 0.5079 0.5119 0.5159 0.5199 0.5239 0.5279 0.5318 0.5358 0.5398 0.5437 0.5477 0.5517 0.5556 0.5596 0.5635 0.5674 0.5714 0.5753 0.5792 0.5831 0.5870 0.5909 0.5948 0.5987 0.6025 0.6064 0.6102 0.6140 0.6179 0.6217 0.6255 0.6293 0.6330 0.6368 0.6405 0.6443 0.6480 0.6517 0.6554 0.6590 0.6627 0.6664 0.6700 0.6736 0.6772 0.6808 0.6843 0.6879 0.6914 0.6949 0.6984 0.7019 0.7054 0.7088 0.7122 0.7156 0.7190 0.7224 0.7257 0.7290 0.7323 0.7356 0.7389 0.7421 0.7453 0.7485 0.7517 0.7549 0.7580 0.7611 0.7642 0.7673 0.7703 0.7733 0.7763 0.7793 0.7823 0.7852 0.7881 0.7910 0.7938 0.7967 0.7995 0.8023 0.8051 0.8078 0.8105 0.8132 0.8159 0.8185 0.8212 0.8238 0.8263 0.8289 0.8314 0.8339 0.8364 0.8389 0.8413 0.8437 0.8461 0.8484 0.8508 0.8531 0.8554 0.8576 0.8599 0.8621 0.8643 0.8665 0.8686 0.8707 0.8728 0.8749 0.8769 0.8790 0.8810 0.8829 0.8849 0.8868 0.8887 0.8906 0.8925 0.8943 0.8961 0.8979 0.8997 0.9014 0.9032 0.9049 0.9065 0.9082 0.9098 0.9114 0.9130 0.9146 0.9162 0.9177 0.9192 0.9207 0.9221 0.9236 0.9250 0.9264 0.9278 0.9292 0.9305 0.9318 0.9331 0.9344 0.9357 0.9369 0.9382 0.9394 0.9406 0.9417 0.9429 0.9440 0.9452 0.9463 0.9473 0.9484 0.9494 0.9505 0.9515 0.9525 0.9535 0.9544 0.9554 0.9563 0.9572 0.9581 0.9590 0.9599 0.9607 0.9616 0.9624 0.9632 0.9640 0.9648 0.9656 0.9663 0.9671 0.9678 0.9685 0.9692 0.9699 0.9706 0.9712 0.9719 0.9725 0.9731 0.9738 0.9744 0.9750 0.9755 0.9761 0.9767 0.9772 0.9777 0.9783 0.9788 0.9793 0.9798 0.9803 0.9807 0.9812 0.9816 0.9821 0.9825 0.9829 0.9834 0.9838 0.9842 0.9846 0.9849 0.9853 0.9857 0.9860 0.9864 0.9867 0.9871 0.9874 0.9877 0.9880 0.9883 0.9886 0.9889 0.9892 0.9895 0.9898 0.9900 0.9903 0.9906 0.9908 0.9911 0.9913 0.9915 0.9918 0.9920 0.9922 0.9924 0.9926 0.9928 0.9930 0.9932 0.9934 0.9936 0.9937 0.9939 0.9941 0.9942 0.9944 0.9946 0.9947 0.9949 0.9950 0.9952 0.9953 0.9954 0.9956 0.9957 0.9958 0.9959 0.9960 0.9962 0.9963 0.9964 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9971 0.9972 0.9973 0.9974 0.9975 0.9975 0.9976 0.9977 0.9978 0.9978 0.9979 0.9980 0.9980 0.9981 0.9981 0.9982 0.9983 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986 0.9986 0.9987 0.9987 0.9988 0.9988 0.9988 0.9989 0.9989 0.9990
Compartir