Tema: Método de descomposición

Bibliografía:
• Anderson David, Sweeney Dennis y Willians Thomas (2010). Estadística para la administración y
economía. 10ma Edición. Cengage Learning Ediores, México D.F. capítulo 18. Página 780
• Render Barry y Slair Ralph. (2016). Métodos cuantitativos para los negocios. 12va Edición. Pearson
Prentice Hall. Capítulo 5.3 Pag 151

Conceptos básicos (después de revisar la infografía)

1. Mencione y describa los componentes de una serie no estacionaria.

I. Estacionalidad: Patrón que se repite cada cierto tiempo (en un periodo corto de tiempo)

Longitud estacional:
Si la serie de tiempo tiene periodicidad anual
Por ejemplo: Ventas anuales de un producto (2015-2019), tiene 5 registros
No podríamos visualizar un patrón que se repite y tampoco se puede visualizar un ciclo porque son
muy pocos años (se requiere 15 a 20 años)

Si la serie de tiempo es mensual “y se analizan tres años”

Por ejemplo: Ventas mensuales de abrigos.
Longitud estacional en este caso es 12, porque cada 12 meses (cada año) se repite un patrón.
En donde en los meses de junio, julio, agosto se incrementan las ventas de abrigos, esto ocurre
todos los años.

Si la serie de tiempo es de días en “y se analizan 20 semanas de lunes a domingo”

Por ejemplo: Venta diaria de los platos de cebiches.
Longitud estacional en este caso es 7, porque cada 7 días (cada semana) se repite un patrón.
En donde en los viernes, sábado y domingo (fines de semana) se incrementan las ventas de los
platos de cebiche, esto ocurre todos los años.

Si la serie de tiempo es de horas “y se analiza 5 días”

Por ejemplo: Venta por hora en una cafetería atiende las 24 horas
Longitud estacional en este caso es 24, porque cada 24 horas (cada día) se repite un patrón.
En donde en el horario de la mañana, se incrementan las ventas de la cafetería, esto ocurre todos
los días.

II. Ciclo: Patrón que se repite cada cierto tiempo (en un periodo largo de tiempo)

III. Tendencia: Observar si los datos de la serie crecen (aumentan) o decrecen (disminuye)

IV. Irregular o aleatorio: Es el componente que no puedo medir, porque son aleatorias son irregulares.
Ejemplos: Veda, huelgas, Pandemia, o cualquier situación que implique un cambio estructural.

- El objetivo es obtener pronósticos de series no estacionarias para la toma de decisiones.

- Serie no estacionaria tiene tendencia y estacionalidad.
- Componentes determinísticos (son los que se pueden estimar) son la tendencia, la estacionalidad y
el ciclo.
- Componentes no determinístico o aleatorio (son los que NO se pueden estimar) es el componente
irregular de la serie.
2. Si por lo general las ventas de una empresa son más altas en los meses de verano que en los meses de
invierno. Esta variación se denomina Componente:

a. Tendencia b. Estacional c. Aleatorio d. Cíclico

3. Un índice estacional puede ser menor que uno, igual a uno o mayor que uno. Explique qué significaría
cada uno de estos valores.

Si el valor es mayor a 1, en ese periodo se variable de estudio es mayor que el promedio anual

Si el valor es menor a 1, en ese periodo se variable de estudio es menor que el promedio anual

Si el valor es igual a 1, en ese periodo se variable de estudio es igual que el promedio anual

4. ¿Qué diferencia encuentra Ud. en Y e Y sin estacionalidad?

Y = T x E → Modelo multiplicativo

Y: es la serie original

Y
Ysin estacionalidad = E → Solo queda la Tendencia, la cual se estima mediante la regresión simple

Modelo multiplicativo

El modelo multiplicativo permite descomponer una serie de tiempo no estacionaria como el producto de
cuatro componentes:
Y=TxExCxI
Donde:
Y: Valor real de la variable de interés.
T: Tendencia. Componente que representa el crecimiento o disminución en la serie sobre un periodo a largo
plazo.
E: Estacionalidad. Es un patrón de cambio que se repite de manera regular en periodos de corto plazo.
C: Ciclo/Cíclico. Es la fluctuación en forma de onda alrededor de la tendencia, muestran variaciones a periodos
de mediano plazo.
I: Componente irregular. Son variaciones aleatorias que ocurren en una serie por acontecimientos
inesperados.

Hay series de tiempo no estacionarios que solo contienen el componente de tendencia o solo el componente
estacional o ambos componentes, el de tendencia y estacional a la vez. En este último caso, el modelo
multiplicativo a considerar es:
Ŷ t =T̂ t x Ê t
Donde:
Ŷ t : Pronóstico de la variable de interés en el periodo t
T̂ t : Componente estimado de tendencia sin estacionalidad para el periodo t
Ê t : Componente estimado de estacionalidad para el periodo t
Procedimiento para realizar pronóstico en serie de tiempo no estacionaria

Paso 1: Estimar y analizar el componente estacional (Ê ).

Calcular los índices estacionales ajustados (Ê t = IEA)

Paso 2: Desestacionalizar la serie de tiempo.

Y Y
Serie sin el componente estacional (Ysin estacionalidad = Ê
= IEA
)

Paso 3: Estimar el mejor modelo para la tendencia (T̂ t ).

A partir de la serie sin estacionalidad (Ŷ sin estacionalidad ), utilizando regresión simple.

Paso 4: Calcular los pronósticos (Ŷ t ).

Con el mejor modelo de regresión (Ŷ t = T̂ t x Ê t )
Casos de aplicación
Caso: Rapid Pinturas S.A.

La fábrica Rapid Pinturas S.A. se dedica a la producción de pinturas desde hace 5 años. Con la finalidad de
mejorar la producción, el gerente de la fábrica decidirá crear una nueva planta de producción solo si, el
número operaciones a realizar en el primer trimestre del 2021, es mayor a 200 operaciones.

Para ello cuenta con datos desde el cuarto trimestre del 2016 hasta el cuarto trimestre del 2020. Analice la
serie histórica del número de operaciones y prepare un informe que ayude a tomar la decisión al gerente. Use
un nivel de significación del 5%.

1. ¿Cuál es la problemática que se deberá resolver? Marque con una “X” la opción correcta.
a. ¿Cuánto es el número de operaciones cuando la empresa tiene 5 años de funcionamiento?
b. ¿La fábrica Rapid Pinturas S.A. solicitará crear una nueva planta de producción?
c. ¿Existe relación lineal entre el número de operaciones y producción de pinturas?

2. Defina la variable dependiente (Y) e independiente (X) del problema

Y: Número de operaciones

X: Tiempo (trimestres)

3. A partir del caso se obtuvo la siguiente gráfica de la serie, ¿qué conclusiones podría mencionar?

Del gráfico de serie se observa que, existe una tendencia creciente y un comportamiento de patrón que se
repite cuya longitud estacional es de 4 (asumiendo que el patrón se repite cada año). Por lo tanto, la serie es
no estacionaria.

Método de pronóstico: Método de descomposició

 Paso 1: Estimar y analizar el componente estacional (Ê ).
Calcular los índices estacionales ajustados (Ê t = IEA)

4. Analice los índices estacionales ajustados obtenidos con MINITAB.

Método Índices estacionales

Tipo de modelo Modelo multiplicativo Período Índice

Datos Y 1 0.98464
Longitud 17 2 0.98291
Número de valores 0 3 1.03050
faltantes 4 1.00194

Interpretación de los índices estacionales ajustados.

Índice estacional
Trimestre Interpretación
ajustado (IEA)

En el I trimestre, el número de operaciones está por debajo en un

I 0.98464
1.536% con respecto al promedio del número de operaciones del año.
En el II trimestre, el número de operaciones está por debajo en un
II 0.98291
1.709% con respecto al promedio del número de operaciones del año.
En el III trimestre, el número de operaciones está por encima en un
III 1.03050
3.05 % con respecto al promedio del número de operaciones del año.
En el IV trimestre, el número de operaciones está por encima en un
IV 1.00194
0.194% con respecto al promedio del número de operaciones del año.

Paso 2: Desestacionalizar la serie de tiempo.

Y Y
Serie sin el componente estacional (Ysin estacionalidad = Ê
= IEA
)

5. Dividir cada valor de la serie (Y), entre su respectivo índice estacional ajustado (IEA), es decir:
Y
Ysin estacionalidad =
IEA

Tiempo Número de operaciones Y sin estacionalidad

Año Trimestre
(t) (Y t) En Minitab: DAjE1
81
1 2016 IV 81 = 80.84316426
1.00194
2 I 96 97.49756256
3 III 100 101.7387146
2017
4 III 120 116.4483261
5 IV 121 120.7657145
. . . . .
. . . . .
. . . . .
 Paso 3: Estimar el mejor modelo para la tendencia (T̂ t ).
A partir de la serie sin estacionalidad (Ŷ sin estacionalidad ), utilizando regresión simple.

6. Se estima el mejor modelo de la tendencia usando regresión simple. Asuma que se cumplen los supuestos
de todos los modelos de regresión.

- Variable dependiente o respuesta: Y sin estacionalidad (DAjE1)

- Variable independiente: T (Tiempo)

Análisis de regresión: DAjE1 vs. T Análisis de regresión: DAjE1 vs. T, T^2

Coeficientes Coeficientes
EE del EE del
Término Coef coef. Valor T Valor p FIV Término Coef coef. Valor T Valor p FIV
Constante 88.04 2.53 34.73 0.000 Constante 80.62 3.43 23.51 0.000
T 5.537 0.247 22.38 0.000 1.00 T 7.879 0.877 8.98 0.000 18.05
T^2 -0.1301 0.0473 -2.75 0.016 18.05
Resumen del modelo
R-cuad. R-cuad. Resumen del modelo
S R-cuad. (ajustado) (pred)
R-cuad. R-cuad.
4.99695 97.09% 96.90% 95.85%
S R-cuad. (ajustado) (pred)
4.16892 98.11% 97.84% 96.74%
Análisis de Varianza

Fuente GL SC Ajust. MC Ajust. Valor F Valor p Análisis de Varianza

Regresión 1 12508.3 12508.3 500.94 0.000
T 1 12508.3 12508.3 500.94 0.000 Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Error 15 374.5 25.0 Regresión 2 12639.5 6319.75 363.62 0.000
Total 16 12882.8 T 1 1403.0 1402.96 80.72 0.000
T^2 1 131.2 131.22 7.55 0.016
Error 14 243.3 17.38
Total 16 12882.8

Análisis de regresión: LN(DAjE1) vs. T Análisis de regresión: LN(DAjE1) vs. LN(T)

Coeficientes Coeficientes
EE del EE del
Término Coef coef. Valor T Valor p FIV Término Coef coef. Valor T Valor p FIV
Constante 4.5236 0.0314 144.00 0.000 Constante 4.3600 0.0211 206.85 0.000
T 0.04231 0.00307 13.80 0.000 1.00 Ln(T) 0.27621 0.00996 27.74 0.000 1.00

Resumen del modelo Resumen del modelo

R-cuad. R-cuad. R-cuad. R-cuad.
S R-cuad. (ajustado) (pred) S R-cuad. (ajustado) (pred)
0.0619237 92.70% 92.21% 89.31% 0.0316968 98.09% 97.96% 97.32%

Análisis de Varianza Análisis de Varianza

Fuente GL SC Ajust. MC Ajust. Valor F Valor p Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Regresión 1 0.73052 0.730516 190.51 0.000 Regresión 1 0.77296 0.772964 769.36 0.000
T 1 0.73052 0.730516 190.51 0.000 Ln(T) 1 0.77296 0.772964 769.36 0.000
Error 15 0.05752 0.003835 Error 15 0.01507 0.001005
Total 16 0.78803 Total 16 0.78803
Ranking de los modelos propuestos en función del coeficiente de determinación.

Modelo R2 Ranking
Lineal 97.09% 3
Cuadrático 98.11% 1
Exponencial 92.70% 4
Potencia 98.09% 2

Se selecciona el modelo con el mayor coeficiente de determinación, el cual corresponde al modelo cuadrático
y se realiza su validación. Si no se valida se continua con el siguiente, en este caso el modelo potencia.

Validación del modelo cuadrático

Prueba global Prueba individual
H0: β1 = β2 = 0 H0: β2 = 0
H1: Al menos un βi ≠ 0 H1: β2 ≠ 0

F cal = 363.62 p – valor = 0.000 T cal = -2.75 p – valor = 0.016

Decisión: Como el p – valor < α, se rechaza H0.
Conclusión: Al 5% de nivel de significación, la
evidencia muestral es suficiente para afirmar que
al menos un coeficiente de regresión es
significativo.
Decisión: Como el p – valor < α, se rechaza H0.
Conclusión: Al 5% de nivel de significación, la
evidencia muestral es suficiente para afirmar que
al menos un coeficiente del término cuadrático es
significativo. Por lo tanto, el modelo cuadrático
es válido.

El mejor modelo estimado para la tendencia es: Ŷ sin estacionalidad = 80.62 + 7.879T - 0.1301T2

Paso 4: Calcular los pronósticos (Ŷ t ).

Con el mejor modelo de regresión (Ŷ t = T̂ t x Ê t )

7. Calcular el pronóstico para el I trimestre de 2021

Año Trimestre t Ŷ sin estacionalidad Índice estacionalidad ajustado (IEA) Pronóstico (Ŷ t )
2021 I 18 180.2896 0.98464 177.5204

Ŷ sin estacionalidad = 80.62 + 7.879(18) - 0.1301(182 ) = 180.2896

Ŷ t = Ŷ sin est. x IEA = 180.2896 x 0.98464 = 177.5204

8. La respuesta a la problemática del caso es:

El gerente no debe crear una nueva planta de producción, porque el pronóstico del número de operaciones
que realizará la empresa en el I trimestre de 2021 no es mayor a 200 operaciones.