Serie De Un Tiempo

3.4 Método de Suavización exponencial

Este método contiene un mecanismo de autocorrección que ajusta los pronósticos en dirección opuesta a los errores pasados. Es un caso particular de promedios móviles ponderados de los valores actuales y anteriores en el cual las ponderaciones disminuyen exponencialmente. Se emplea tanto para suavizar como para realizar pronósticos. Se emplea la siguiente fórmula:

Cuando exista menos dispersión en los datos reales respecto a los datos pronosticados entonces será más confiable el método empleado. Para saber cuan preciso es el método empleado en la realización del pronóstico se utiliza la siguiente fórmula del cuadrado medio del error (CME) como indicador de precisión del pronóstico:

Siendo n el número de errores

 EJEMPLO:

Los cálculos realizados en Excel por concepto de ventas.se muestran en la siguiente figura:

La gráfica de las ventas y los pronósticos con el método de suavización exponencial elaborada en Excel se muestra en la siguiente figura:

3.5 Tendencia no lineal

En estadística, la regresión no lineal o tendencia no lineal es un problema de inferencia para un modelo tipo: y

fx = ( ,θ ) + ε5 , basado en datos multidimensionales x , y , donde f es alguna función no lineal respecto a algunos parámetros desconocidos θ . Como mínimo, se pretende obtener los valores de los parámetros asociados con la mejor curva de ajuste (habitualmente, con el método de los mínimos cuadrados). Con el fin de determinar si el modelo es adecuado, puede ser necesario utilizar conceptos de inferencia estadística tales como intervalos de confianza para los parámetros así como pruebas de bondad de ajuste.

3.6 Variación estacional

El componente de la serie de tiempo que representa la variabilidad en los datos debida a influencias de las estaciones, se llama componente estacional. Esta variación corresponde a los movimientos de la serie que recurren año tras año en los mismos meses (o en los mismos trimestres) del año poco más o menos con la misma intensidad.

De este modo, las ventas de automóviles, ropa, consumo de juguetes, entre otros, pueden ser ejemplos de ello. Es evidente entonces, que estos comportamientos solamente pueden ser apreciados cuando se trata de datos mensuales o trimestrales, ya que en datos anuales o semestrales queda ocultos.

Si observas esta gráfica sobre la Producción de Autos en México de forma semestre y su relación con las ventas se puede observar que en los meses de Julio de los primeros 5 se observa como el punto más bajo en cuanto a producción que va aumentado hasta tener su máximo en los periodos Decembrinos.

Este análisis es muy importante ya que permite, por ejemplo, programar los suministros de materias primas para cubrir la demanda estacional variable.

Por ejemplo, una empresa refresquera debe estimar sus niveles de inventario para las diferentes épocas del año, tales como envases o ingredientes de su fórmula, esto le permitirá calcular sus necesidades de espacio, y otras decisiones importantes, entre las cuales también estaría la contratación de personal eventual.

Bueno, puesto que entonces cada mes es diferente uno del otro, este análisis trata de identificar un número índice estacional asociada a cada mes (o trimestre del año) o, en otras palabras, un conjunto de índices mensuales que consiste en 12 índices que son representativos de los datos para un período de 12 meses o, cuatro índices si se trata de trimestres.

Cada uno de estos índices es un porcentaje, con un promedio anual del 100%, es decir, el índice mensual indica el nivel de ventas o de producción, según se trate, en relación con el promedio

...