Facultad de Ingeniería en Ciencias Aplicadas

Carrera de Ingeniería Industrial

TEMA: Ejercicio de Pronóstico

ESTUDIANTES: Yessenia Gómez

FECHA DE ENTREGA: 15 de Diciembre del 2017
DOCENTE: MSc. Erik Orozco
ASIGNATURA: Ingeniería de la Producción

2017-2018
EJERCICIO PARA EL LABORATORIO

La serie de tiempo que se muestra en la tabla refiere No. Ventas de Mr. Tux
1 1358.42
a las ventas mensuales en dólares de cierta empresa
2 1533.81
pequeña de Atuntaqui de los últimos tres años.
3 1655.92
A esta serie de tiempo aplicarle el procedimiento de 4 1299.91
5 1548.05
pronóstico estudiado en clase.
6 1494.29
7 1608.83
8 1573.80
9 1485.20
10 1611.40
11 1674.56
12 1574.83
13 1700.40
14 1573.54
15 1634.73
16 1578.78
17 1407.46
18 1495.09
19 1259.91
20 1579.66
21 1581.30
22 1539.15
23 1388.56
24 1700.34
25 1463.81
26 1631.19
27 1485.02
28 1432.59
29 1355.59
30 1414.19
31 1493.08
32 1472.35
33 1501.56
34 1417.28
35 1516.76
36 1627.75
PROCESO DE PRONÓSTICO:

[Hanke & Wichern; 2010]

Recolección
de datos.

Revisión de
patrones de
datos.

Selección del
método de
pronóstico.

Pronósticos
de periodos
anteriores.

Nuevo examen No Si
de patrones de ¿Precisión Pronóstico de periodos
datos. aceptable? futuros y uso de los
resultados en el proceso
de toma decisiones.

De vez en cuado,
verificación de la
precisión de los
pronósticos.

Si
¿Precisión
aceptable?

No

Revisión de los patrones

de datos con datos
históricos actualizados.
SOLUCIÓN
Paso 1: Recolección de datos

Al momento de la recolección de los datos debemos tener en cuenta muchos

factores como:

 Fidedignos y precisos; es decir que los datos provienen de fuentes confiables

y que son exactos.
 Relevantes; son representativos para alcanzar los objetivos planteados.
 Consistentes; significa que si la cantidad de datos aumenta, la estimación se
acerca en mayor medida al valor real.
 Oportunos; que sean útiles y en el momento apropiado. No en exceso de
datos del paso que lleguen a ser irrelevantes o deficiencia de datos que valide
la efectividad del análisis de datos.

Si los datos dados cumplen con todos los factores anteriormente mencionados
deducimos que son de buena calidad.

Paso 2: Revisión de los patrones en los datos

 Análisis visual del patrón de datos

Los datos oscilan alrededor de un nivel constante por lo que muestra
ausencia de tendencia. Además, se sugiere la existencia de un patrón
horizontal.
 Se observa también un componente cíclico, ya que existen aumentos y
caídas que no tienen periodos fijos.

 Análisis de auto correlación

Autocorrelaciones
Serie: Ventas
Retardo Autocorrelació Error estándara Estadístico de Box-Ljung
n
Valor gl Sig.b

1 ,006 ,160 ,001 1 ,970

2 ,177 ,158 1,256 2 ,534
3 ,044 ,155 1,337 3 ,720
4 ,041 ,153 1,408 4 ,843
5 -,008 ,151 1,410 5 ,923
6 -,105 ,148 1,909 6 ,928
7 -,255 ,146 4,968 7 ,664
8 -,056 ,143 5,123 8 ,744
9 -,105 ,140 5,681 9 ,771
10 ,063 ,138 5,892 10 ,824
11 ,112 ,135 6,582 11 ,832
12 -,071 ,132 6,872 12 ,866
13 ,128 ,130 7,852 13 ,853
14 -,102 ,127 8,500 14 ,862
15 ,099 ,124 9,141 15 ,870
16 -,141 ,121 10,501 16 ,839
a. El proceso subyacente asumido es independencia (ruido blanco).
b. Se basa en la aproximación de chi-cuadrado asintótica.
  Gráfico de autocorrelaciones

En la gráfica se observa que los datos están de un lado a otro por lo q se deduce
que están de forma aleatoria, además son cercanos a cero lo que significa que no
están relacionados entre sí, entonces podemos decir que no existe tendencia.

Primera diferenciación: Al aplicarla se tiene la siguiente gráfica:

Como se puede observar existe un dato que sobrepasa los límites, lo que nos da
una relación de 1:15 > 1:20 que puede resultar representativa, para comprobar esto
realizamos la siguiente prueba de hipótesis:

𝐻0: 𝜌 = 0
𝐻1: 𝜌 ≠ 0
Estadístico
𝑟1 − 𝜌 𝑟1 −0,564
𝑡= = = = −0.402
𝑆𝐸(𝑟1) 𝑆𝐸(𝑟1) 0,162
Para un nivel de significancia de 5%
t (-0.402) >-2,2 o t (-0.402)<2,2 no se rechaza Ho, lo que significa que la
autocorrelacion en el retraso uno no es significativo.

Segunda diferenciación: En esta gráfica se observa que más datos exceden los
límites, a diferencia de la anterior que solo había un dato que excedía los límites.

Si nos fijamos los coeficientes de autocorrelación aumentan de a cuerdo al incremento de

las diferencias de los coeficientes de autocorrelación.
A continuación las diferencias 3, 4 y 5.
Paso 3: Selección del método de pronósticos

Debido a que el patrón de datos es estacionario es recomendable escoger los

siguientes métodos:
 Promedio simple
 Promedio móviles
 Promedio exponencial
Paso 4: Pronóstico de períodos anteriores

Se usará el MAD por que los excesos y las faltas son muy importantes.

MAD MAPE MSE

123,828 8,24% 22805,16

Promedio simple
N:1 123,828 8,24% 22805,16
Promedio
móvil N:2 99,566 6,651% 15132,79

N:3 97,624 6,559% 13548,8

4 93,431 6,228% 11993,21

5 89,347 5,962% 12076,48

6 91,327 6,096% 12814,65

99,4 6,58% 14817,51

Atenuación
exponencial
alfa:0,19

Paso 5: Pronósticos Futuros

Como podemos observar en la tabla, el pronóstico para el siguiente mes es de

1507,14 dólares.

Paso 6: Control de la precisión de los pronósticos

Analisis de los pronósticos mediante el MAD

 error MAD 3,75xMAD

15,068 15,068 56,505

6
102,434 58,751 220,31625
7
52,4 56,634 212,3775
8
19,776 47,42 177,825
9
69,366 51,809 194,28375
10
119,856 63,15 236,8125
11
15,928 56,404 211,515
12
116,442 63,909 239,65875
13
35,738 60,779 227,92125
14
7,784 55,479 208,04625
15
52,832 55,239 207,14625
16
204,996 67,718 253,9425
17
83,892 68,962 258,6075
18
278,01 83,894 314,6025
19
104,466 85,266 319,7475
20
117,12 87,257 327,21375
21
74,466 86,504 324,39
22
102,462 87,391 327,71625
23
230,624 94,929 355,98375
24
93,992 94,883 355,81125
25
96,558 94,962 356,1075
26
59,59 93,355 350,08125
27
101,194 93,695 351,35625
28
187 97,583 365,93625
29
59,45 96,058 360,2175
30
 29,364 93,493 350,59875
31
36,256 91,373 342,64875
32
68 90,538 339,5175
33
30,074 88,453 331,69875
34
57,068 87,407 327,77625
35
147,544 89,347 335,05125
36

Se cumple la condicion para todo el pasado por lo que no existe necesidad de

evaluar ningún dato en la serie de tiempo.

Analisis mediante la señal de rastreo

Cum Cum abs Track

Demand(y) Forecast Error error error Cum Abs MAD Signal
1 1358,42
2 1533,81
3 1655,92
4 1299,91
5 1548,05
6 1494,29 1479,222 15,068 15,068 15,068 15,068 15,068 1
7 1608,83 1506,396 102,434 117,502 102,434 117,502 58,751 2
8 1573,8 1521,4 52,4 169,902 52,4 169,902 56,634 3
9 1485,2 1504,976 -19,776 150,126 19,776 189,678 47,42 3,166
10 1611,4 1542,034 69,366 219,492 69,366 259,044 51,809 4,237
11 1674,56 1554,704 119,856 339,348 119,856 378,9 63,15 5,374
12 1574,83 1590,758 -15,928 323,42 15,928 394,828 56,404 5,734
13 1700,4 1583,958 116,442 439,862 116,442 511,27 63,909 6,883
14 1573,54 1609,278 -35,738 404,124 35,738 547,008 60,779 6,649
15 1634,73 1626,946 7,784 411,908 7,784 554,792 55,479 7,425
16 1578,78 1631,612 -52,832 359,076 52,832 607,624 55,239 6,5
17 1407,46 1612,456 -204,996 154,08 204,996 812,62 67,718 2,275
18 1495,09 1578,982 -83,892 70,188 83,892 896,512 68,962 1,018
19 1259,91 1537,92 -278,01 -207,822 278,01 1174,522 83,894 -2,477
20 1579,66 1475,194 104,466 -103,356 104,466 1278,988 85,266 -1,212
21 1581,3 1464,18 117,12 13,764 117,12 1396,108 87,257 0,158
22 1539,15 1464,684 74,466 88,23 74,466 1470,574 86,504 1,02
23 1388,56 1491,022 -102,462 -14,232 102,462 1573,036 87,391 -0,163
24 1700,34 1469,716 230,624 216,392 230,624 1803,66 94,929 2,28
25 1463,81 1557,802 -93,992 122,4 93,992 1897,652 94,883 1,29
26 1631,19 1534,632 96,558 218,958 96,558 1994,21 94,962 2,306
27 1485,02 1544,61 -59,59 159,368 59,59 2053,8 93,355 1,707
28 1432,59 1533,784 -101,194 58,174 101,194 2154,994 93,695 0,621
29 1355,59 1542,59 -187 -128,826 187 2341,994 97,583 -1,32
30 1414,19 1473,64 -59,45 -188,276 59,45 2401,444 96,058 -1,96
31 1493,08 1463,716 29,364 -158,912 29,364 2430,808 93,493 -1,7
32 1472,35 1436,094 36,256 -122,656 36,256 2467,063 91,373 -1,342
33 1501,56 1433,56 68 -54,656 68 2535,063 90,538 -0,604
34 1417,28 1447,354 -30,074 -84,73 30,074 2565,137 88,453 -0,958
35 1516,76 1459,692 57,068 -27,662 57,068 2622,206 87,407 -0,316
36 1627,75 1480,206 147,544 119,882 147,544 2769,75 89,347 1,342
El modelo se adapta a las características que muestra la serie de datos debido a
que indica límites de 6 y -6.

Representación de los errores

Análisis de errores de pronostico

IC=0±1,64*113,619 =±186,33
En la gráfica podemos observar que los datos están a un lado y a otro, es decir, no
existe tendencia en los errores.

Interpretación de autocorrelograma de los errores (k1)

Ya que los datos son aleatorios, se aplicara una prueba no paramétrica

Conclusión: Los errores son aleatorios.

𝐻0: 𝜌𝑘1, 𝑘: 1 = 0 ;no son significativos

𝐻1: 𝜌𝑘1, 𝑘: 1 ≠ 0; Si son significativos
Estadístico
Nivel de significancia 5%
𝑠𝑖𝑔 = 0,003
0,003<0,05
Entonces si son significativos.
No. Ventas de Mr. Tux No. Ventas de Mr. Tux
1 1358.42 19 1259.91
2 1533.81 20 1579.66
3 1655.92 21 1581.30
4 1299.91 22 1539.15
5 1548.05 23 1388.56
6 1494.29 24 1700.34
7 1608.83 25 1463.81
8 1573.80 26 1631.19
9 1485.20 27 1485.02
10 1611.40 28 1432.59
11 1674.56 29 1355.59
12 1574.83 30 1414.19
13 1700.40 31 1493.08
14 1573.54 32 1472.35
15 1634.73 33 1501.56
16 1578.78 34 1417.28
17 1407.46 35 1516.76
18 1495.09 36 1627.75