UNIVERSIDAD NACIONAL

PEDRO RUIZ GALLO

Facultad de Ingeniería Civil, Arquitectura y

Sistemas

INGENIERÍA DE SISTEMAS

Docente:
GUZMÁN VALLE, MARÍA

Curso:
MÉTODOS DE PREDICCIÓN

Tema:
ELECCIÓN DE UN MÉTODO PARA EL PRONÓSTICO DE
LA CANTIDAD DE LINEAS PORTADAS DE LA EMPRESA
U OPERADORA ‘TELEFÓNICA DEL PERÚ’ (Movistar).

Integrantes:
- 020152045H - Aguilar Cubas, Edgar Alberto
- 020165531C - Baldera Cardozo, Jhordy Benjamín
- 020150496B - Cossio Díaz, Ricardo Manuel
- 020152070B - Ojeda Neyra, Edwin Ramón
- 020160478G - Tello Rodriguez, Ericka Fiorella

Lambayeque, junio de 2021

 2

ÍNDICE DE CONTENIDOS

PRONÓSTICO DE LA CANTIDAD DE LÍNEAS PORTADAS DE LA EMPRESA U

OPERADORA “TELEFÓNICA DEL PERÚ” (Movistar) .............................................. 4

1. INTRODUCCIÓN ...................................................................................................... 4
2. SITUACIÓN PROBLEMÁTICA............................................................................... 4
3. OBJETIVOS ............................................................................................................... 5
3.1. Objetivo General ................................................................................................. 5
3.2. Objetivos Específicos .......................................................................................... 5
4. MARCO TEÓRICO ................................................................................................... 5
5. DESCRIPCIÓN DEL PROCESO DE RECOLECCIÓN DE DATOS E
IDENTIFICACIÓN DEL TIPO DE FUENTE DE LA CUAL SE OBTUVO .................. 7
6. ANÁLISIS DE SERIE DE TIEMPO ......................................................................... 8
6.1. Gráfico de Serie de Tiempo del número de Líneas Portadas .............................. 9
6.2. Gráfica de Autocorrelación ............................................................................... 10
6.3. Gráfica de Serie de Tiempo de las Diferencias ................................................ 11
6.4. Gráfica de autocorrelación para las diferencias ................................................ 11
6.5. Comprobación de Datos Aleatorios .................................................................. 12
7. SELECCIÓN DE UNA TÉCNICA DE PRONÓSTICO ......................................... 14
7.1. Método de Suavizamiento Exponencial Doble ................................................. 14
7.2. Promedio móvil doble ....................................................................................... 15
7.3. Método de suavizamiento exponencial triple (Método de Winters) ................. 19
8. OBTENCIÓN Y EVALUACIÓN DEL PRONÓSTICO ......................................... 20
9. CONCLUSIONES Y RECOMENDACIONES ....................................................... 20
9.1. Conclusiones ..................................................................................................... 20
9.2. Recomendaciones .............................................................................................. 21
10. REFERENCIAS.................................................................................................... 21
 3

ÍNDICE DE TABLAS

Tabla 1 .................................................................................................................................. 7
Tabla 2. ............................................................................................................................... 12
Tabla 3 ................................................................................................................................ 15
Tabla 4 ................................................................................................................................ 20

ÍNDICE DE GRÁFICAS

Gráfica 1.Serie de Tiempo de N° Líneas Portadas mensualmente ................................. 9

Gráfica 2. Autocorrelación para N° Líneas Portadas .................................................... 10
Gráfica 3. Serie de Tiempo de las Diferencias ................................................................ 11
Gráfica 4. Autocorrelación para las Diferencias ............................................................ 11
Gráfica 5. Distribución Chi cuadrada con 18 gl ............................................................. 13
Gráfica 6.Suavización Exponencial Doble para N° Líneas Portadas ........................... 14
Gráfica 7. Autocorrelación para los Residuos ................................................................ 15
Gráfica 8. Autocorrelación para errores del promedio móvil doble. ........................... 18
Gráfica 9. Método Winters de Líneas Portadas.............................................................. 19
Gráfica 10. Autocorrelación para residuos del método de Winters.............................. 19
 4

PRONÓSTICO DE LA CANTIDAD DE LÍNEAS PORTADAS DE LA EMPRESA U

OPERADORA “TELEFÓNICA DEL PERÚ” (Movistar)

1. INTRODUCCIÓN

En los últimos años la empresa española de telefonía móvil Movistar ha ido en

decadencia en cuanto a pérdidas de clientes con las agresivas campañas de marketing
de la competencia y al pésimo servicio que brindan a la población. Siendo conocida
antes, en su entorno como la mayor de las empresas en el sector de la telefonía hoy
cada vez va en picada.

En el presente informe se abordará el posible problema de Movistar, el cual es

pronosticar cuántos usuarios hacen portabilidad a dicha empresa en los siguientes
meses o años.

Movistar está experimentando un problema (que se dará a conocer en el documento).

Sobre este tema, es necesario evaluar y encontrar el mejor método de pronóstico, es
decir, predecir el nivel de crecimiento, y para ello, el número de líneas de producción
a ser transportado. Esta información debe realizarse para mantener el equilibrio y
evitar una posible saturación de la línea por la gran cantidad de líneas que se pueden
alcanzar, o en caso contrario, se tomarán medidas para incrementar la portabilidad,
ya que esto traerá enormes pérdidas económicas.

Por lo tanto, es importante determinar correctamente el método de pronóstico

adecuado para el número de líneas de portabilidad en los próximos meses o años, por
lo que el propósito de este informe es determinar los conceptos y métodos al respecto.

2. SITUACIÓN PROBLEMÁTICA

La competencia por atraer usuarios y fidelizar a los actuales clientes generó un gran
movimiento de líneas entre empresas operadoras móviles. De esta forma, las
compañías que consiguieron más portaciones netas (es decir, la diferencia entre
líneas ganadas y perdidas) positivas mensuales fueron Claro y Entel. En paralelo, las
operadoras Bitel, Movistar y Flash obtuvieron un saldo negativo como resultado del
 5

mayor número de líneas móviles perdidas. A consecuencia del ejercicio de

portabilidad, dichas empresas registraron un resultado negativo. (OSIPTEL).

3. OBJETIVOS

3.1.Objetivo General

Determinar el método más adecuado para realizar el pronóstico para los siguientes
meses del año 2021, analizando la cantidad de líneas portadas mensuales que ha
tenido Movistar durante los últimos años.

3.2.Objetivos Específicos

▪ Definir y reconocer el patrón de serie de tiempo que sigue la cantidad de

líneas portadas mensuales.

▪ Encontrar y seleccionar el método adecuado que nos permita evaluar

dichos pronósticos.

▪ Pronosticar el número de líneas portadas para los próximos 4 o 6 meses

del año 2021.

4. MARCO TEÓRICO

En el diccionario de estadística de la Universidad de Oxford (Upton & Cook, 2002)

define una serie de tiempo, como una serie (secuencia) de mediciones
(observaciones) a lo largo del tiempo, usualmente en intervalos regulares, de una
variable aleatoria.

El valor que toman los datos de la serie de tiempo es impredecible de una a otra
observación, en el sentido de asumir un comportamiento estocástico; por tal motivo
el conjunto de resultados posibles del “experimento” corresponden al espacio de
eventos de una variable aleatoria (Rascón Chávez, Fundamentos de la teoría de
probabilidades. 7ª Reimpresión, 1986).
 6

Las características que suelen estar presentes en una serie de tiempo son cuatro:
tendencia, ciclos, estacionalidad y variación aleatoria (Spiegel, 1970).

La tendencia es la característica que define la tasa de crecimiento (positivo o

negativo) en el largo plazo; en general corresponde a la pendiente promedio entre los
datos. Cuando la tendencia no es una línea recta, entonces la pendiente de las
tangentes a la curva también es variable en el tiempo. Es muy común determinar la
tendencia mediante la técnica de los mínimos cuadrados, por medio de la cual se
calculan el valor de la pendiente y la ordenada al origen, que hacen mínima la suma
de las diferencias cuadráticas entre los valores observados y los valores calculados.

Los ciclos son variaciones de carácter oscilatorio alrededor de la tendencia, que se

presentan en periodos mayores a un año. La forma usual de determinar los ciclos es
a través de promedios móviles (Rascón Chávez, Estadística descriptiva. 4ª Edición,
1983) que consideran subgrupos de datos de un tamaño adecuado a la longitud de los
ciclos.

La estacionalidad son variaciones cíclicas que se presentan dentro de los periodos

anuales, usualmente asociados a temporadas mensuales o semanales. Cuando los
datos de la serie de tiempo corresponden a datos anuales, como en el presente estudio,
los ciclos estacionales no están presentes. Su tratamiento es similar al de los ciclos
de largo plazo, es decir, mediante promedios móviles.

La variación aleatoria se debe a otros factores no identificados, o que no es posible

modelar. Su magnitud depende de la importancia de estos factores y se reduce en la
medida que la serie de tiempo se apega a la tendencia, a los ciclos anuales y a los
ciclos estacionales.

Autocorrelación es la correlación que existe entre una variable retrasada uno o más
periodos consigo misma. Los patrones de datos que incluyen componentes como
tendencia y estacionalidad pueden estudiarse usando autocorrelaciones. Los patrones
se identifican examinando los coeficientes de autocorrelación de una variable en
diferentes retrasos de tiempo. (Hanke & Wichern, 2010)

Promedio móvil: Se detalla como una serie de promedios aritméticos y se usará

siempre y cuando no exista una tendencia definida en los datos a manejar, es decir,
que se conserven estables (PYME, 2017).
 7

Promedio móvil simple: Se usa para eliminar las alteraciones de las fluctuaciones
que se producen arbitrariamente y valorar el promedio de una serie de tiempo.
Calcula la demanda promedio para los n periodos recientes con la finalidad de
manejarla como pronóstico del periodo siguiente. Al conocer la demanda, el dato
más antiguo incluido en el promedio anterior se reemplaza por la demanda
actualizada y finalmente se calcula el promedio nuevamente (Sierra, 2013).

Promedio móvil doble: Se usa para pronosticar datos de series de tiempo que poseen
tendencia lineal. Este método calcula promedios móviles en conjunto y se deduce un
segundo conjunto como un promedio móvil del primer conjunto. (Hanke & Wichern,
2010).

La suavización exponencial es un procedimiento para revisar de forma continua un

pronóstico a la luz de la experiencia más reciente. La suavización exponencial revisa
continuamente un estimado a la luz de las experiencias más recientes. Este método
se basa en promediar (suavizar) valores pasados de una serie de manera
exponencialmente decreciente. (Hanke & Wichern, 2010).

La suavización exponencial lineal de Holt algunas veces se conoce como

suavización exponencial doble. La técnica de Holt suaviza directamente el nivel y la
pendiente usando diferentes constantes de suavización para cada uno. Estas
constantes de suavización proporcionan estimados del nivel y la pendiente que se
adaptan en el tiempo conforme se dispone de nuevas observaciones. (Hanke &
Wichern, 2010).

5. DESCRIPCIÓN DEL PROCESO DE RECOLECCIÓN DE DATOS E

IDENTIFICACIÓN DEL TIPO DE FUENTE DE LA CUAL SE OBTUVO

Hemos decidido seleccionar la empresa multinacional “Telefónica”, sobre todo la

sede filial en el Perú, la cual es Movistar (Telefónica del Perú SAA), y hemos
considerado los siguientes datos:

Tabla 1

Número de líneas portadas mensualmente

 8

Cantidad de Líneas Portadas

2015 2016 2017 2018 2019 2020 2021
Enero 8925 14994 47795 130152 256665 93060 104080
Febrero 7653 15652 45422 148502 245198 90362 84465
Marzo 9136 12274 46801 185106 243811 73242
Abril 10486 14025 40534 201050 277840 53242
Mayo 11688 20099 42232 202709 290409 42322
Junio 11227 22698 42320 193509 246049 47429
Julio 15981 24342 44761 196162 228010 58484
Agosto 18641 36579 57521 155386 213859 77401
Setiembre 17476 39793 73498 207887 186698 77527
Octubre 13547 42489 78093 225730 135712 98741
Noviembre 14736 46989 84072 266214 126887 103671
Diciembre 16323 42020 113750 242164 103047 98179
Fuente 1 OSIPTEL

Datos obtenidos en PUNKU (https://punku.osiptel.gob.pe/).El portal a la

información de las telecomunicaciones

PUNKU es una herramienta informática que permite obtener reportes estadísticos

de los indicadores del mercado de telecomunicaciones basado en la información
que las empresas operadoras reportan al OSIPTEL en el marco de la Norma de
Requerimiento de Información Periódica (NRIP).

NRIP fue aprobada mediante Resolución de Consejo Directivo Nº 096-2015-

CD/OSIPTEL y publicada en el Diario Oficial El Peruano el día 29 de agosto de
2015.

6. ANÁLISIS DE SERIE DE TIEMPO

Con el fin de analizar las observaciones de las variables de nuestra investigación (el
número de líneas telefónicas portátiles por mes en todo el Perú), realizamos un
gráfico de series de tiempo para visualizar el comportamiento de los datos y
determinar qué patrones de datos existen en la serie.
 9

6.1.Gráfico de Serie de Tiempo del número de Líneas Portadas

Para el análisis de las observaciones de nuestra variable de estudio (número de

líneas portadas mensualmente) elaboramos una Gráfica de Series de Tiempo,
para visualizar el comportamiento de los datos e identificar qué patrones de datos
existen en la serie.

Gráfica de series de tiempo de LÍNEAS PORTADAS

300000

250000
NEAS PORTADAS

200000

150000

100000
LÍ

50000

0
Ene-15 Jul-15 Feb-16 Sep-16 Abr-17 Nov-17 Jun-18 Ene-19 Ago-19 Mar-20 Oct-20
PERIODO

Gráfica 1.Serie de Tiempo de N° Líneas Portadas mensualmente

Según la gráfica 1, podemos observar un patrón de tendencia con un ligero

aumento los primeros meses de los años anteriores, también, con el pasar del
tiempo se observa crecimiento en meses y años posteriores, y después se logra
apreciar un patrón con tendencia en descenso, lo cual le preocupó a la empresa,
la cual hizo cambios, y luego logra recuperar clientes como se logra observar en
el último tramo de la gráfica.

Y para contrastar lo mencionado se hará un análisis de autocorrelación para cada

uno de los patrones encontrados.
 10

6.2.Gráfica de Autocorrelación

Función de autocorrelación para LÍNEAS PORTADAS

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

1.0

0.8

0.6

0.4
Autocorrelac n
ió

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-1.0

2 4 6 8 10 12 14 16 18
Desfase

Gráfica 2. Autocorrelación para N° Líneas Portadas

En la gráfica 2, podemos observar que los primeros 6 coeficientes de

autocorrelación son significativamente diferentes de cero, ya que se encuentran
fuera de los límites de significancia, pero luego de esto va cayendo gradualmente
hasta acercarse a ser no significativos a lo largo de todo el correlograma. También
podemos decir que estamos frente a un patrón de tendencia.
 11

6.3. Gráfica de Serie de Tiempo de las Diferencias

Gráfica de series de tiempo de DIFERENCIAS

50000

25000
DIFERENCIAS

-25000

-50000

Ene-15 Jul-15 Feb-16 Sep-16 Abr-17 Nov-17 Jun-18 Ene-19 Ago-19 Mar-20 Oct-20
PERIODO

Gráfica 3. Serie de Tiempo de las Diferencias

En la gráfica 3, nos muestra la serie temporal de las diferencias, donde se puede
apreciar que a diferencia de la serie original que se tenía un patrón tendencial, en
este caso podemos ver una serie estacionaria.

6.4.Gráfica de autocorrelación para las diferencias

Función de autocorrelación para DIFERENCIAS

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

1.0

0.8

0.6

0.4
Autocorrelac n
ió

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-1.0

2 4 6 8 10 12 14 16 18
Desfase
Gráfica 4. Autocorrelación para las Diferencias
 12

En la gráfica 4, se tiene el correlograma de las diferencias, en este caso se observa

que el segundo coeficiente de autocorrelación se encuentra fuera de los límites
de significancia, por lo tanto, se puede decir que estamos ante residuos que
presentan un comportamiento no aleatorio.

6.5.Comprobación de Datos Aleatorios

En este caso se realizará la comprobación de lo que teníamos supuesto con el

diagrama de autocorrelación de las diferencias, aquí podremos ver si los residuos
presentan un comportamiento aleatorio.
HIPÓTESIS
▪ Ho: eij son aleatorios
▪ H1: eij no son aleatorios

Tabla 2.

Autocorrelaciones

Desfase ACF T LBQ

1 0.220535 1.88 3.70
2 0.286715 2.34 10.04
3 0.081577 0.62 10.56
4 0.196208 1.48 13.61
5 -0.034659 -0.25 13.71
6 0.225360 1.65 17.86
7 0.147140 1.04 19.66
8 -0.063971 -0.45 20.00
9 -0.092933 -0.65 20.74
10 0.041245 0.29 20.89
11 -0.162478 -1.12 23.22
12 -0.153222 -1.04 25.33
13 -0.055692 -0.37 25.61
14 0.092085 0.62 26.40
15 -0.071240 -0.47 26.87
 13

16 0.061321 0.41 27.24

17 -0.080279 -0.53 27.87
18 -0.161539 -1.06 30.46

De la tabla 2, se tiene los valores de desfase, en este caso se tomará el último

valor de LBQ ya que nos permitirá contrarrestar con la distribución Chi cuadrada,
para poder determinar si es que las diferencias siguen un comportamiento
aleatorio.
Para ello se tomamos el valor 30.46 que es el último y lo comparamos con lo que
sale de la distribución Chi cuadrada con 18 gl.

Gráfica de distribución
Chi-cuadrada; df=18

0.07

0.06

0.05
Densidad

0.04

0.03

0.02

0.01
0.05
0.00
0 28.87
X

Gráfica 5. Distribución Chi cuadrada con 18 gl

En la gráfica 5, se puede apreciar que el valor del estadístico x2 es de 28.87; con

probabilidad de α=0.05, entonces comparamos con el dato obtenido
anteriormente en la tabla 2.
▪ Se observa que 30.46>28.87, el valor obtenido en la tabla 2 es mayor al
estadístico, entonces esta cae en zona de rechaza, por ende, se puede
afirmar que existe evidencia suficiente para rechazar la hipótesis nula y
aceptar la hipótesis alternativa, donde podemos decir que las diferencias
obtenidas tienen un comportamiento no aleatorio.
 14

7. SELECCIÓN DE UNA TÉCNICA DE PRONÓSTICO

Para seleccionar el método que nos permita pronosticar se ha tomado en cuenta 3

modelos, de las cuales se ha elegido tomando como referencia el patrón que
analizamos en el análisis de serie de tiempo, y con ello realizaremos su evaluación y
análisis para seleccionar el que mejor pueda pronosticar los datos que deseamos.

7.1.Método de Suavizamiento Exponencial Doble

Gráfica 6.Suavización Exponencial Doble para N° Líneas Portadas

En la gráfica 6 se puede apreciar que tiene un error porcentual absoluto medio
(MAPE) de 13%, lo cual es bajo, además se observa que hay un comportamiento
similar entre los valores reales con los valores ajustados, esto nos podría decir
que podría ser uno de los métodos más adecuados.
Ahora realizamos el análisis de residuos, para poder determinar si son o no
aleatorios, teniendo en cuenta que son aleatorios si las diferencias significativas
son diferentes de cero, o están por debajo del límite de probabilidad que nos da
el correlograma.
 15

Función de autocorrelación para RESID1

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

1.0

0.8

0.6

0.4
Autocorrelac n
ió

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-1.0

2 4 6 8 10 12 14 16 18
Desfase

Gráfica 7. Autocorrelación para los Residuos

En la gráfica 7, se tiene el correlograma de los residuos obtenidos en este método,
en este caso se observa que los coeficientes de autocorrelación se encuentran
dentro de los límites de significancia, por lo tanto, se puede decir que estamos
ante residuos que presentan un comportamiento aleatorio, por lo que se concluye
que el método realizado es correcto.

7.2. Promedio móvil doble

Tabla 3

Error
Líneas Ajuste Desviació
Periodos Mt M't at bt Error porcentu
portadas pronóstico n
al
Ene-15 8925
Feb-15 7653
Mar-15 9136
Abr-15 10486
May-15 11688
Jun-15 11227 9853
Jul-15 15981 11029
Ago-15 18641 12860
Sep-15 17476 14250
Oct-15 13547 14760
Nov-15 14736 15268 13003 17533 -6896
0.6516
Dic-15 16323 16117 14047 18187 -7600 10637 5686 10637
57171
 16

0.7060
Ene-16 14994 15953 14868 17038 -8487 10587 4407 10587
82433
0.5463
Feb-16 15652 15455 15301 15609 -9119 8551 7101 8551
19959
0.5287
Mar-16 12274 14588 15357 13819 -9522 6490 5784 6490
5998
0.3063
Abr-16 14025 14667 15341 13993 -9474 4297 9728 4297
81462
0.2248
May-16 20099 15561 15390 15732 -9166 4519 15580 4519
37057
0.2892
Jun-16 22698 16624 15475 17773 -8825 6566 16132 6566
76588
0.3675
Jul-16 24342 18182 15846 20518 -8573 8948 15394 8948
95103
0.3265
Ago-16 36579 21670 16882 26458 -8214 11945 24634 11945
53487
0.4584
Sep-16 39793 26256 18827 33685 -8325 18244 21549 18244
72596
0.5968
Oct-16 42489 31000 21549 40451 -9149 25360 17129 25360
60364
0.6661
Nov-16 46989 35482 24869 46095 -10676 31302 15687 31302
55909
0.8429
Dic-16 42020 38702 28549 48855 -13068 35419 6601 35419
08139
0.7487
Ene-17 47795 42611 32620 52602 -15576 35787 12008 35787
60331
0.8151
Feb-17 45422 44085 36356 51814 -18722 37026 8396 37026
55651
0.7070
Mar-17 46801 45253 39522 50984 -21421 33092 13709 33092
78909
0.7293
Abr-17 40534 44927 41843 48011 -23872 29563 10971 29563
38333
0.5715
May-17 42232 44134 43285 44983 -25631 24139 18093 24139
80792
0.4572
Jun-17 42320 44184 44199 44169 -26525 19352 22968 19352
77883
0.3941
Jul-17 44761 43678 44377 42979 -26906 17644 27117 17644
82436
0.2794
Ago-17 57521 45695 44645 46745 -26367 16073 41448 16073
28383
0.2772
Sep-17 73498 50144 45460 54828 -25402 20378 53120 20378
59245
0.3768
Oct-17 78093 56404 47373 65435 -24811 29426 48667 29426
0714
0.4832
Nov-17 84072 63378 50581 76175 -25230 40624 43448 40624
04872
0.4478
Dic-17 113750 75283 55764 94802 -25651 50945 62805 50945
68132
0.5313
Ene-18 130152 89514 63403 115625 -27597 69151 61001 69151
09546
0.5927
Feb-18 148502 104678 73234 136122 -31363 88028 60474 88028
73161
0.5659
Mar-18 185106 123279 85423 161135 -36111 104759 80347 104759
40596
0.6218
Abr-18 201050 143772 99984 187560 -42475 125024 76026 125024
5526
0.7157
May-18 202709 163545 116679 210411 -51261 145085 57624 145085
30431
 17

0.8224
Jun-18 193509 176838 133604 220072 -62869 159150 34359 159150
42367
0.8013
Jul-18 196162 187840 149992 225688 -74856 157203 38959 157203
93746
0.9706
Ago-18 155386 188987 164044 213930 -88449 150832 4554 150832
9234
0.6036
Sep-18 207887 192784 175628 209940 -98514 125481 82406 125481
01957
- 0.4936
Oct-18 225730 196897 184482 209312 111426 114304 111426
105723 25127
- 0.3891
Nov-18 266214 207481 191805 223157 103589 162625 103589
108813 1928
- 0.4721
Dic-18 242164 215591 198263 232919 114344 127820 114344
112027 75881
- 0.4710
Ene-19 256665 225674 204569 246779 120892 135773 120892
114299 10851
- 0.5402
Feb-19 245198 240643 213178 268108 132480 112718 132480
116921 98045
- 0.6200
Mar-19 243811 246630 222153 271107 151187 92624 151187
123501 99175
- 0.5312
Abr-19 277840 255315 231889 278741 147606 130234 147606
129763 62597
- 0.5129
May-19 290409 259348 240534 278162 148978 141431 148978
136795 93743
- 0.5745
Jun-19 246049 259995 247934 272056 141367 104682 141367
143936 48159
- 0.5619
Jul-19 228010 255220 252859 257581 128120 99890 128120
150771 0518
- 0.4994
Ago-19 213859 249996 254417 245575 106810 107049 106810
154419 41221
- 0.4882
Sep-19 186698 240478 253392 227564 91156 95542 91156
157201 53757
- 0.5184
Oct-19 135712 216790 246971 186609 70363 65349 70363
160255 72943
- 0.2076
Nov-19 126887 189536 235336 143736 26354 100533 26354
159522 96612
- 0.1531
Dic-19 103047 165702 219620 111784 -15786 118833 15786
153339 92233
- 0.4465
Ene-20 93060 143211 200952 85470 -41555 134615 41555
143668 39867
- 0.6440
Feb-20 90362 122628 179724 65532 -58198 148560 58198
130673 53916
- 0.8893
Mar-20 73242 103718 156931 50505 -65141 138383 65141
115444 94064
1.2196
Abr-20 53242 89973 135795 44151 -99806 -64939 118181 64939
94978
1.3150
May-20 42322 75879 116852 34906 -86500 -55655 97977 55655
37097
1.0878
Jun-20 47429 66610 100337 32883 -73693 -51594 99023 51594
15472
0.6977
Jul-20 58484 60847 86609 35085 -62270 -40810 99294 40810
97688
0.3512
Ago-20 77401 58687 75952 41422 -52477 -27185 104586 27185
22852
0.1425
Sep-20 77527 59401 68566 50236 -44806 -11055 88582 11055
95483
0.0549
Oct-20 98741 66984 64735 69233 -37941 5430 93311 5430
92354
 18

0.3018
Nov-20 103671 77209 64956 89462 -34072 31292 72379 31292
39473
0.5641
Dic-20 98179 85667 68133 103201 -33866 55390 42789 55390
73601
0.6661
Ene-21 104080 93267 73536 112998 -36229 69335 34745 69335
70254
0.9088
Feb-21 84465 94444 79495 109393 -41717 76769 7696 76769
85337

Este método es usado para casos en que la serie tiene un patrón de tendencia.
Como podemos observar en la tabla o gráfica, nos damos cuenta que el error
porcentual absoluto medio (MAPE) es de 0.56110871, lo cual es un valor alto,
por lo que necesitaríamos buscar otro método más adecuado

Gráfica 8. Autocorrelación para errores del promedio móvil doble.

Aparte que, al momento de observar los errores o residuos, observamos con
facilidad que los primeros coeficientes de autocorrelación son significativos, por
lo tanto, no son aleatorios como deben de ser para considerar el modelo.
 19

7.3. Método de suavizamiento exponencial triple (Método de Winters)

Gráfica 9. Método Winters de Líneas Portadas.

En la gráfica podemos observar que el ajuste de pronóstico es parecido al
comportamiento real, y que presenta un error porcentual de un 12 %, por lo que
por el momento podríamos aceptar que este es el mejor método hasta ahora, pero
para probar eso, debemos hacer la autocorrelación de los residuos.

Gráfica 10. Autocorrelación para residuos del método de Winters.

 20

Efectivamente, como podemos observar en la gráfica, nos damos cuenta que

absolutamente todos los coeficientes de autocorrelación están dentro del nivel de
significancia, por lo que se puede decir que son aleatorios, por lo tanto, el método
empleado es correcto.

8. OBTENCIÓN Y EVALUACIÓN DEL PRONÓSTICO

Después de realizar el análisis y evaluación de los métodos seleccionados, se toma la

decisión de usar el método de suavizamiento exponencial triple o método de Winters,
y con este método pronosticaremos la cantidad de líneas portadas mensuales que
llegará a tener la empresa Movistar en los 6 meses siguientes del año 2021.
Obteniendo los siguientes resultados.

Tabla 4

Pronósticos

Período Pronóstico Inferior Superior

75 87482.1 61587.4 113377
76 85855.1 49234.4 122476
77 84594.8 35010.2 134179
78 80080.0 16651.2 143509
79 82880.8 5196.7 160565
80 81279.2 -10880.8 173439

9. CONCLUSIONES Y RECOMENDACIONES

9.1.Conclusiones

❖ De todo el trabajo realizado por nosotros, podemos concluir que el mejor

método realizado fue el método de winters, ya que se obtuvo menos error
que en los otros dos métodos realizados.

❖ Observamos también que, según los pronósticos, las líneas portadas hacia
Movistar van en decaimiento, lo que quiere decir que los clientes
prefieren otras operadoras.
 21

9.2.Recomendaciones

❖ Recomendamos a la empresa Movistar a hacer un seguimiento al método

utilizado por nosotros, el cual fue el método de winters, ya que este
método fue el mejor en comparación con los otros y que se adapta mejor
a los datos encontrados.

❖ Recomendamos también a la empresa que mejore sus servicios o elabore

un adecuado plan de marketing o de gestión, ya que los clientes están
prefiriendo otras operadoras.

10. REFERENCIAS

Hanke, J., & Wichern, D. (2010). Pronósticos en los negocios. México D.F.:
PEARSON Prentice Hall. .

PYME. (2017). Revista PYME. Obtenido de revistapyme.com:

http://revistapyme.com/2017/05/18/pronostico-de-la-demanda/

Rascón Chávez, O. (1983). Estadística descriptiva. 4ª Edición. México: Universidad

Nacional Autónoma de México.

Rascón Chávez, O. (1986). Fundamentos de la teoría de probabilidades. 7ª

Reimpresión. México: Universidad Nacional Autónoma de México.

Sierra, A. (2013). Pronóstico de la demanda. Obtenido de Wikispaces:

http://pronosticos-de-
lademanda.wikispaces.com/file/view/pronosticodelademanda.pdf

Spiegel, M. (1970). Estadística. Serie Shaum. México: Mc Graw – Hill.

Upton, G., & Cook, I. (2002). A Dictionary of Statistics. Oxford: Oxfor.