Monografia Pronosticos Laive

E
s
c
u
e
l
a

d
e

C
i
e
n
c
i
a
s

C
o
n
t
a
b
l
e
s

y

F
i
n
a
n
c
i
e
r
a
s

2
0
1
4

F
a
c
u
l
t
a
d

D
e

C
i
e
n
c
i
a
s

J
u
r
d
i
c
a
s

Y

E
m
p
r
e
s
a
r
i
a
l
e
s

OBJETIVO:

El objetivo de este trabajo monogrfico ser pronosticar las
ventas trimestrales futuras de la empresa LAIVE S.A.
INTEGRANTES:
Salomn Edson La Rosa Lpez 2012- 36707
Juan Carlos Maquera Quispe 2012-36682
Edith Erika Jarro Huamn 2012-36665
Fritz Richard Mendoza Quispe 2012-36716

AO DE ESTUDIOS: 3ero B
DOCENTE: Mgr. Vctor Echegaray Munenaka

PRONOSTICOS DE LOS NEGOCIOS

1

Contenido
1 INTRODUCCION ................................................................................................................ 4
2 CAPITULO I: PRONSTICOS DE NEGOCIOS ............................................................ 5
2.1 PRONOSTICO ............................................................................................................ 5
2.1.1 CONCEPTO: ....................................................................................................... 5
2.1.2 IMPORTANCIA: .................................................................................................. 5
2.1.3 CLASIFICACIN: ............................................................................................... 5
2.2 PRONOSTICOS CUANTITATIVOS ........................................................................ 6
2.2.1 CONCEPTO: ....................................................................................................... 6
2.2.2 SERIES DE TIEMPO: ........................................................................................ 6
2.2.3 ERRORES ........................................................................................................... 6
2.2.4 AUTOCORRELACIN ...................................................................................... 7
2.2.5 PATRN DE TENDENCIA ............................................................................... 8
2.2.6 PATRN DE SERIE ALEATORIA ................................................................... 9
2.2.7 PATRON DE SERIE ESTACIONARIA .......................................................... 10
2.2.8 PATRN DE FACTOR ESTACIONAL .......................................................... 10
2.2.9 PATRN CCLICO ........................................................................................... 11
2.2.10 PROMEDIOS MVILES SIMPLES ............................................................... 11
2.2.11 PROMEDIOS MVILES DOBLES ................................................................ 11
2.2.12 SUAVIZACIN EXPONENCIAL .................................................................... 11
2.3 MODELOS DE PRONSTICOS ............................................................................ 13
2.3.1 MODELO DE CAMINATA ALEATORIA ........................................................ 13
2.3.2 MODELO DE PROMEDIO MVIL ................................................................. 13
2.3.3 AUTOCORRELACIN PARCIAL (AR) ......................................................... 13
2.3.4 MEDIA MVIL (MA) ......................................................................................... 15
2.3.5 ARIMA ................................................................................................................ 15
2.3.6 CRITERIO PARA ELEGIR EL MODELO A USAR ...................................... 16
3 CAPITULO II: EMPRESA LAIVE S.A. ........................................................................... 17
3.1 INFORMACIN GENERAL .................................................................................... 17
3.2 PERFIL DE LA EMPRESA LAIVE S.A.................................................................. 18
3.3 HISTORIA .................................................................................................................. 18
3.4 MISIN ....................................................................................................................... 19
3.5 VISIN ....................................................................................................................... 19
3.6 CERTIFICADOS ....................................................................................................... 19

2

3.7 POLTICA DE CALIDAD .......................................................................................... 20
3.8 OFERTA DE PRODUCTOS ................................................................................... 20
3.9 OTROS ASPECTOS ................................................................................................ 22
3.9.1 ROL SOCIAL ..................................................................................................... 22
3.9.2 ECOLOGA ........................................................................................................ 22
3.9.3 PROPUESTA .................................................................................................... 22
4 CAPITULO III: PRONSTICOS DE LA EMPRESA LAIVE S.A. .............................. 23
4.1 DATOS DE LA EMPRESA LAIVE S.A. ................................................................. 23
4.2 STATGRAPHICS CENTURION XVI .................................................................................. 23
4.3 BASE DE DATOS ........................................................................................................... 24
4.3.1 ORDEN EN LOS DATOS ................................................................................ 24
4.3.2 INSERTAMOS LOS DATOS EN STATGRAPHICS ..................................................... 25
4.4 FASE I: DIAGNSTICO .................................................................................................. 26
4.4.1 OBJETIVO ......................................................................................................... 26
4.4.2 MTODO DESCRIPTIVO ............................................................................... 26
4.4.3 ANLISIS DEL GRFICO DE SERIE DE TIEMPO: .................................................... 29
4.4.4 ANLISIS DE LAS AUTOCORRELACIONES ............................................. 30
4.4.5 ANLISIS DE LAS AUTORRELACIONES PARCIALES ........................... 30
4.4.6 CONCLUSIONES ............................................................................................. 31
4.5 FASE II: IDENTIFICACIN ..................................................................................... 31
4.5.1 OBJETIVO: ........................................................................................................ 31
4.5.2 PRONSTICOS AUTMATICOS: ................................................................ 31
4.5.3 CONCLUSIN .................................................................................................. 35
4.6 FASE III: EVALUACIN .......................................................................................... 35
4.6.1 OBJETIVO ......................................................................................................... 35
4.6.2 MODELO DEFINIDO POR EL USUARIO .................................................... 35
4.6.3 RESUMEN DE ANLISIS ............................................................................... 38
4.6.4 COMPARACIN DE MODELOS ................................................................... 39
4.6.5 ANALISIS DE RESIDUOS .............................................................................. 39
4.6.6 CONCLUSIN .................................................................................................. 45
4.7 FASE IV: PRONSTICO ........................................................................................ 45
4.7.1 OBJETIVO ......................................................................................................... 45
4.7.2 RESULTADOS .................................................................................................. 45
5 CONCLUSIONES ............................................................................................................. 47

3

6 RECOMENDACIONES .................................................................................................... 47
7 BIBLIOGRAFA ................................................................................................................. 48


4

1 INTRODUCCION

En el mundo globalizado y con mercados tan competidos como los que
enfrentamos hoy, las empresas se ven obligadas a buscar mayor eficiencia
en sus procesos de negocio. En este sentido, un tema que actualmente
interesa es cmo pronosticar con ms certeza la demanda de productos
o servicios. Cada vez ms empresas estn redefiniendo y formalizando el
proceso de elaboracin de pronsticos para llevar a cabo una mejor
planeacin de ventas y operacin y, por lo tanto, un mejor desempeo
financiero.
Cuando se elabora un mal pronstico, la planeacin se viene abajo y todas las
reas de la empresa se vuelven ineficientes. Esto se puede observar
directamente en el bajo desempeo financiero de la empresa. Ventas
negadas, excesos de inventarios de productos que no requieren los clientes,
reduccin de margen al vender con descuentos para lograr los objetivos, costos
ms altos en las compras, produccin y/o distribucin para reaccionar a
emergencias, etc., estos son los sntomas. Pronosticar la demanda con
buena exactitud normalmente no es fcil. No existen recetas de cmo
hacerlo y cada empresa tiene que determinar la mejor forma de elaborar sus
pronsticos.
La estructura del presente trabajo se sienta en 3 Captulos: El primero nos
hablara acerca de la teora sobre Pronsticos, el segundo captulo nos remitir
a conocer a la empresa LAIVE S.A. y por ltimo el tercer captulo
desarrollaremos detalladamente el proceso prctico de pronosticar sus ventas.
Nos apoyaremos al momento de pronosticar del programa estadstico
STATGRAPHICS, con mtodos cuantitativos deseamos que le sirva al lector
para satisfacer su inters por un tema tan til como son los Pronsticos en los
negocios.
Agradecemos de antemano du inters y comprensin desendole un futuro
emprendedor en los negocios.

5

2 CAPITULO I: PRONSTICOS DE NEGOCIOS
2.1 PRONOSTICO
2.1.1 CONCEPTO:

Pronstico es el arte y la ciencia de predecir los eventos del futuro. Un
pronstico es informacin con cierto grado de probabilidad de lo que
pudiera pasar, adems constituye la base de la planeacin y la toma de
decisiones.
2.1.2 IMPORTANCIA:

El papel de los directivos y gerentes es administrar los elementos del
negocio que conducen al logro de los objetivos. De una u otra manera los
directivos presienten lo que pasar. Sin embargo, en la mayora de las
ocasiones, sus decisiones son mucho mejores si se apoyan en cifras
cuantificadas por una herramienta estadstica ya que de esta manera se parte
de una cifra base ms conservadora. Por otro lado, cada vez es ms
necesario diferenciar las demandas de los clientes de un mismo producto, lo
que requiere ms tiempo y argumentos.
Las empresas deben de pronosticar porque:
La empresa se mueve en un contexto altamente incierto.
La existencia de factores externos como poltica, tecnologa y medio
ambiente repercuten sobre variables relevantes para la empresa: costos
de produccin, inventarios, volumen de ventas y otros.
La empresa debe tomar decisiones sobre factores controlables tomando
en cuenta factores incontrolables.
El procedimiento de pronstico y su resultado son presentados con efectividad
a la administracin, de modo que los pronsticos se tomen en la toma de
decisiones en beneficio de la empresa.
2.1.3 CLASIFICACIN:


6

Pronsticos a Largo y Corto Plazo. (por el tiempo)
Pronsticos Micro-econmicos y Macro-econmicos. (por el contexto)
Pronsticos Cualitativos y Cuantitativos. (por el mtodo)
Pronsticos Puntuales, por Intervalos, y de densidad. (por su naturaleza)
2.2 PRONOSTICOS CUANTITATIVOS
2.2.1 CONCEPTO:

Los mtodos cuantitativos hacen uso de un modelo para llegar a un pronstico.
Intentan proyectar el mercado sobre la base de antecedentes cuantitativos
histricos.
2.2.2 SERIES DE TIEMPO:

Una serie de tiempo es una secuencia ordenada de observaciones sobre una
variable en particular. Las empresas por ejemplo guardan una base de datos
con informacin mensual, trimestral, semestrales, anuales y dems lapsos de
tiempo, estos datos guardan una relacin y se les denomina series de tiempo.
Entonces debemos entender por serie de tiempo al conjunto de mediciones de
cierto fenmeno o experimento registradas secuencialmente en el tiempo.
Estas observaciones sern denominadas por {x(t1), x(t2), , x(tn)} = {x(t) : t
T R} con x(ti) el valor de la variable x en el instante ti. Si T=Z se dice que la
serie de tiempo es discreta y si T=R se dice que la serie de tiempo es continua.
Los mtodos de Series de Tiempo para la elaboracin de pronsticos incluyen
la proyeccin de los valores futuros de una variable basados completamente en
las observaciones de una serie histrica. Matemticamente un modelo de serie
de tiempo puede expresarse como:

Dnde:

: es el valor de la serie en el instante t

: es el tiempo
2.2.3 ERRORES


7

2.2.3.1 DEFINICIN:

El error de prediccin es la diferencia entre el valor real y valor estimado.
Tambin es denominado como residuo.
2.2.3.2 MEDICIN DEL ERROR

A continuacin la ecuacin que nos permitir calcular el error o valor residual
entre un valor real y su valor de pronstico:

Dnde:
: error del pronstico en el periodo t
: valor real en el periodo t
: valor del pronstico en el periodo t

2.2.3.3 MEDIDAS DE DISPERSIN

Raz cuadrada del error medio: RMSE
Error absoluto medio: MAE
Error absoluto medio porcentual: MAPE
Tomando en cuenta estas medidas, cuando se quiera elegir el modelo
ms adecuado se tendr optar por el que tenga los valores ms
pequeos dichas medidas.
2.2.4 AUTOCORRELACIN

La autocorrelacin es la correlacin existente entre una variable desfasada uno
o ms perodos y la misma variable.
k = Cov ( Xt , Xt k ) / V[ Xt ]
Se utiliza para medir la correlacin entre Xt y Xt k y se denomina
coeficiente de autocorrelacin de orden k, en la prctica no es aconsejable
calcular k para k > n/4

8

La autocorrelacin parcial es la correlacin entre variables separadas por k
retardos eliminando el efecto de las k 1 variables intermedias.
2.2.4.1 FUNCIN DE AUTOCORRELACIN

Se denomina funcin de autocorrelacin de un proceso { Xt } a la funcin que
describe las correlaciones en dos instantes cualesquiera del proceso, esto es:
( t , k ) = Corr ( Xt , Xt k )

2.2.4.2 CORRELOGRAMA

Al grafico de la funcin de autocorrelacin se le denomina correlograma y se
obtiene solo para k > 0 .

2.2.5 PATRN DE TENDENCIA

Las tendencias son movimientos a largo plazo en una serie de tiempo que en
ocasiones pueden describirse mediante una lnea recta o una curva suave.
Esta serie puede mostrar desplazamientos o movimientos graduales hacia
valores relativamente mayores o menores a lo largo de un lapso importante de
tiempo.
Tambin se puede dar el caso de obtener una tendencia estacional.
Ejemplos de los factores bsicos que producen o influyen en la tendencia de
una serie de tiempo son un cambio en la poblacin, un cambio de precio, un
cambio tecnolgico, un incremento tecnolgico, un incremento en la
productividad y los ciclos de vida de un producto.

9

2.2.6 PATRN DE SERIE ALEATORIA

El componente aleatorio mide la variabilidad de las series de tiempo despus
de que se retiran los otros componentes. Contabiliza la variabilidad aleatoria en
una serie de tiempo ocasionada por factores imprevistos y no ocurrentes. La
mayora de los componentes irregulares se conforman de variabilidad aleatoria.
Sin embargo ciertos sucesos a veces impredecibles como huelgas, cambios de
clima (sequas, inundaciones o terremotos), elecciones, conflictos armados o la
aprobacin de asuntos legislativos, pueden causar irregularidad en una
variable.
V
E
N
T
A
S
TENDENCIA ASCENDENTE
MESES
0 2 4 6 8 10 12 14 16
120
135
150
165
180
195
210
FIGURA N 1
PERIODOS
V
E
N
T
A
S
TENDENCIA DESCENDIENTE
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
160
170
180
190
200
210
220
230
240
250
FIGURA N 2

10

2.2.7 PATRON DE SERIE ESTACIONARIA

Una serie estacionaria tiende a variar muy cerca de su promedio y permanece
constante en una figura horizontal sin tendencia. Un proceso estacionario es un
ruido blanco.

2.2.8 PATRN DE FACTOR ESTACIONAL

Si en una serie de datos, un patrn relacionado con el calendario se repite a s
mismo durante un intervalo de tiempo especfico (generalmente un ao). Las
observaciones de la misma posicin, en diferentes periodos estacionales,
tienden a estar relacionadas. Si se analizan datos trimestrales que tienen un
patrn estacional, los primeros trimestres tienden a parecerse, los segundos
trimestres tienden a parecerse, y as sucesivamente, y habr un coeficiente de
autocorrelacin significativo de orden 4. Si se analizan datos mensuales,
aparecer un coeficiente de autocorrelacin significativo en el retraso de tiempo
12. Es decir, enero se correlacionar con otros eneros, febrero se
correlacionara con otros febreros y as sucesivamente.
PATRON DE DATOS ALEATORIOS
PERIODO
200 220 240 260 280 300 320
FIGURA N 3
SERIE ESTACIONARIA
PERIODOS
V
E
N
T
A
S
0 4 8 12 16 20
200
220
240
260
280
300
320
FIGURA N 4

11

2.2.9 PATRN CCLICO

Aunque una serie de tiempo puede presentar una tendencia a travs de
perodos grandes, sus valores no caern con exactitud sobre una lnea de
tendencia. Con frecuencia se encuentran puntos arriba o debajo de la lnea de
tendencia, se le conoce como componente cclico.
2.2.10 PROMEDIOS MVILES SIMPLES

El mtodo de promedios simples utiliza la media de todos los datos para hacer
el pronstico. El trmino de Promedios Mviles se utiliza especificando un
nmero constante de puntos de datos al inicio para poder calcular una media
las observaciones ms recientes, conforme est disponible una nueva versin
de datos se calculara una nueva media sumando el valor ms reciente y
eliminando el valor ms antiguo. Entonces se usa este promedio para
pronosticar el siguiente periodo.

Dnde:
: Valor pronosticado para el siguiente periodo.
: Valor real en el periodo t

k : nmero de trminos en el promedio mvil

2.2.11 PROMEDIOS MVILES DOBLES

Una manera de pronosticar los datos de las series de tiempo que tienen una
tendencia lineal es usar promedios mviles dobles. Este mtodo hace lo que
indica su nombre: se calcula un conjunto de promedios mviles y luego se
calcula un segundo conjunto como un promedio mvil del primer conjunto.
2.2.12 SUAVIZACIN EXPONENCIAL


12

Mientras que el mtodo de promedios mviles toma en cuenta slo las
observaciones ms recientes, la suavizacin exponencial simple ofrece un
promedio mvil con peso exponencial para todos los valores previos
observados. A menudo el modelo es adecuado para datos que no tienen una
tendencia predecible ascendente o descendente. El objetivo es estimar el nivel
real. Esta estimacin de nivel se emplea luego como el pronstico de valores
futuros.
La suavizacin exponencial revisa continuamente un estimado a la luz de las
experiencias ms recientes. Este mtodo se basa en promediar (suavizar)
valores pasados de una serie de manera exponencialmente decreciente. La
observacin ms reciente recibe el peso ms grande, (donde 0< <1); la
siguiente observacin ms reciente recibe menos peso, (1- ); la observacin
de dos periodos en el pasado recibe incluso menos peso,
; y as
sucesivamente.
En una representacin de suavizacin exponencial, el nuevo pronstico (para
el tiempo t+1) puede considerarse como la suma ponderada de la nueva
observacin (en el tiempo t) y el nuevo pronstico (para el tiempo t). Se asigna
el peso (0< <1) al nuevo valor observado, y el peso (1- ) al ltimo
pronstico. As:
Nuevo pronstico=[ x (nueva observacin)]+[(1- )x(ltimo pronstico)]
Ms formalmente, la ecuacin de suavizacin exponencial es:

Dnde:
= nuevo valor suavizado o el valor del pronstico para el siguiente periodo

= constante de suavizacin (0< <1)
= nueva observacin o el valor real de la serie en el periodo t
= ltimo valor suavizado o el pronstico del periodo t


13

La suavizacin exponencial es un procedimiento para revisar de forma continua
un pronstico a la luz de la experiencia ms reciente.
2.3 MODELOS DE PRONSTICOS

2.3.1 MODELO DE CAMINATA ALEATORIA

El camino aleatorio o paseo aleatorio,
define una trayectoria que empieza

en la posicin
. Un paseo aleatorio se modela mediante la siguiente

expresin:

Donde es la variable aleatoria que describe la ley de probabilidad para tomar
el siguiente paso y es el intervalo de tiempo entre pasos subsecuentes. A
medida que la longitud y direccin de un paso dado depende solo de la
posicin
y no de alguna posicin previa, se dice que el paseo aleatorio

posee la Propiedad de Mrkov. Comnmente la distribucin del paso ser
independiente de la posicin o del tiempo transcurrido, una propiedad llamada
homogeneidad. De cualquier modo, la formulacin es extremadamente general.

2.3.2 MODELO DE PROMEDIO MVIL

Modelos de pronsticos del tipo de series de tiempo a corto plazo que
pronostica las ventas para el siguiente periodo. En este modelo, el pronstico
aritmtico de las ventas reales para un determinado nmero de los periodos
pasados ms recientes es el pronstico para el siguiente periodo.

2.3.3 AUTOCORRELACIN PARCIAL (AR)

Proceso de Autocorrelacin, el coeficiente de autocorrelacin simple de orden k
se define como el coeficiente de correlacin entre observaciones separadas k
periodos. Anlogamente, el coeficiente de autocorrelacin parcial de orden k se
define como el coeficiente de correlacin entre observaciones separadas k
periodos cuando se elimina la dependencia producida por los valores
intermedios

14

As, por ejemplo, el coeficiente de autocorrelacin parcial de orden k=2 de una
serie temporal z(t) mide la correlacin entre las observaciones z(t) y z(t-2), sin
tener en cuenta el efecto de z(t-1)
La funcin de autorrelacin parcial (FAP) es la representacin de los
coeficientes de autocorrelacin parcial de una serie temporal, en funcin del
retardo
El mtodo de clculo del coeficiente de autocorrelacin parcial de orden k de
una serie temporal z(t) es el siguiente:
Se elimina de z(t) el efecto de z(t-1), ,z(t-k+1), mediante la
regresin:

Se elimina de z(t-k) el efecto de z(t-1),,z(t-k+1), mediante la
regresin:

Las variables u(t) y v(t) recogen la parte de z(t) y z(t-k) que no es comn con
los retardos intermedios
El coeficiente de correlacin parcial de orden k de z(t) se calcula el coeficiente
de correlacin simple entre u(t) y v(t)
Un proceso AR(p) se caracteriza por:
Muchos coeficientes de autocorrelacin simple no nulos que decrecen con el
retardo como mezcla de exponenciales y senoidales
Los p primeros coeficientes de autocorrelacin parcial son distintos de cero
REGLA DE IDENTIFICACIN DEL ORDEN DE UN PROCESO
AUTORREGRESIVO: El nmero de coeficientes de la FAP distintos de cero
indica el orden del proceso AR

) ( ) ( ) 1 ( ) (
1 1
t u k t z b t z b t z
k

) ( ) ( ) 1 ( ) (
1 1
t v k t z c t z c k t z
k


15

2.3.4 MEDIA MVIL (MA)

Un proceso de media mvil (MA) se caracteriza por un reajuste de la
estimacin, en cada instante de tiempo, a partir de los errores pasados de
estimacin
Se define un proceso de media mvil de orden 1 MA(1) al generado por una
combinacin lineal del error de estimacin e(t-1) y una observacin de la
variable de ruido blanco (t)

Donde:
El error de estimacin en el instante de tiempo t-1, es decir, e(t-1) es la
diferencia entre el valor real y el estimado por el modelo para el instante t-1, es
decir:
e(t-1) = zreal(t-1) - zestimado(t-1)
Se cumple que el coeficiente b1 debe estar comprendido entre [-
1,1]
La funcin de autocorrelacin simple FAS de un proceso MA(1) tiene
propiedades similares a la funcin de autocorrelacin parcial FAP de un
proceso AR(1), es decir, slo existe un coeficiente distinto de cero
Esta dualidad entre el AR(1) y MA(1) se presenta tambin en la funcin de
autocorrelacin parcial FAP
Por tanto, un proceso MA(1) se caracteriza por:
El primer coeficiente de autocorrelacin simple es distinto de cero
Muchos coeficientes de autocorrelacin parcial no nulos que decrecen con el
retardo como mezcla de exponenciales y senoidales
2.3.5 ARIMA

Los modelos ARIMA responden al acrnimo de procesos AutoRregresivos,
Integrados, y Medias mviles (Moving Average), y fueron planteados
) ( ) 1 ( ) (
1 0
t t e b b t z

16

inicialmente por George Box y Gwilym Jenkins en 1970 en su obra Time
Series Analysis: Forecasting and Control (Holden Day, San Francisco, USA)
como una alternativa a la modelizacin y prediccin tradicional mediante
modelos estructurales.
La idea subyacente fundamental consiste en admitir que las series temporales
son generadas mediante un Proceso Generador de Datos que puede ser
identificado y cuantificado y que, por tanto, pueden ser inferidos sus valores a
futuro.
En este sentido enlaza con los mtodos clsicos de prediccin basados en la
identificacin de los componentes de una serie temporal.
Un proceso ARIMA(p,d,q) parte de un proceso ARMA(p,q) donde previamente
se ha diferenciado la serie.
La metodologa ARIMA impone dos condiciones a las series temporales que se
desea modelar:
Media constante
Varianza constante
Por tanto, si una serie temporal posee tendencia, sta debe eliminarse
previamente. Una alternativa para eliminar esta tendencia es diferenciar la serie
temporal.
La diferenciacin de una serie temporal consiste en crear una nueva serie
temporal, restando a cada valor actual de la serie el valor previo, es decir:

2.3.6 CRITERIO PARA ELEGIR EL MODELO A USAR

PATRON MODELO N OBSERVACIONES
HORIZONTE DE
PREVISION
ALEATORIO PASO ALEATORIO CORTO, MEDIO

17

ESTACIONARIO

PROMEDIO MOVIL
IGUAL AL DE LOS
PERIODOS DEL
PROMEDIO MOVIL
MUY CORTO
SUAVIZAMIENTO
EXPONENCIAL
5-10 CORTO

TENDENCIA

SUAVIZAMIENTO
EXPONENCIAL LINEAL
DE HOT
10-15 CORTO, MEDIANO
TENDENCIA
SERIE ANUAL: MINIMO
10
SERIE MENSUAL O
TRIMESTRAL: 4 O 5
POR PERIODO

CORTO, MEDIANO
PASEO ALEATORIO
CON TENDENCIA
ESTACIONAL
SUAVIZAMIENTO
EXPONENCIAL DE
WINTERS
MINIMO 4 O 5 POR
PERIODO
CORTO, MEDIANO
DESCOMPOSICION
CLASICA
SUFICIENTE PARA VER
DOS CICLOS

ESTACIONARIO
ESTACIONAL

BOX JEKINS ARIMA

MINIMO 50

CORTO, MEDIANO,
LARGO

3 CAPITULO II: EMPRESA LAIVE S.A.

3.1 INFORMACIN GENERAL

RUC: 20100095450
Razn Social: LAIVE S A
Nombre Comercial: Laive

18

Tipo Empresa: Sociedad Annima
Condicin: Activo
Fecha Inicio Actividades: 20 / Octubre / 1910
Actividad Comercial: Elaboracin de Productos Lcteos.
CIIU: 15202
Direccin Legal: Av. Nicols de Pierola Nro. 601 Fnd. la Estrella (Alt
Km 9.8 Carr Central, santa Clara.)
Distrito / Ciudad: Ate
Departamento: Lima
3.2 PERFIL DE LA EMPRESA LAIVE S.A.

Afiliada a la Cmara de Comercio de Lima
Cotiza en la Bolsa de Valores de Lima
Empadronada en el Registro Nacional de Proveedores
3.3 HISTORIA

Hace 100 aos, en 1910 Sociedad Ganadera del Centro S. A., hoy LAIVE S.
A., se fund con la participacin de los seores Domingo Olavegoya, Demetrio
Olavegoya, Felipe Chvez y Juan Valladares con 50,000 Libras Peruanas, para
compra de haciendas Acopalca, Chamiseria y Runatullo primero, despus se
anexaron a la propiedad otras haciendas Huari, Acocra, Punto, Laive e
Ingahausi en los departamentos de Junn y Huancavelica. El propsito de la
sociedad fue lograr la excelencia en la crianza de ganado lanar y vacuno,
aprovechando para ello tierras situadas en las alturas de la Cordillera de los
Andes, tierras marginales de agreste puna. Con tcnicas avanzadas de manejo
de suelos, mejoramiento y seleccin gentica, cuidado del medio ambiente y
estmulo al trabajador mediante servicios y condiciones de vida ejemplares, se
lograron resultados tcnicos que marcaron rumbos en la ganadera nacional y
resultados econmicos que permitieron crecer y superar los vaivenes de la
economa nacional y mundial.

19

La empresa Laive que es adems procesadora de productos lcteos, queso
fundido, mantequillas y yogurt, Inaugura una moderna planta en Lima, en los 80
inaugura su planta en Arequipa para recoger leches de esa cuenca para
quesos de maduracin. En el 94 se cambia de razn social a Laive S.A. y la
empresa deja de llamarse Sociedad Ganadera del Centro S.A.
En 1997 Laive ingresa en el mercado de leches ultra pasteurizadas y construye
una planta en Ate. Esta Planta de ultra pasteurizacin es donde se empieza
con la produccin de jugos. Actualmente se envasa tanto en cajas Tetra Pack
como en bolsas sistema PREPAC. Los 2 sistemas permiten conservar la leche
en forma natural y asptica.
Dentro de la Competencia para mantener este liderazgo en el mercado de
jugos y nctares, las principales empresas del sector estn extendiendo su
lnea de productos, o bien aumentando su inversin para consolidar su
presencia. Es el caso de Ajegroup, que en lo que va del ao ha invertido
millones de dlares en todas sus plantas.
Las empresas que compiten en el rubro de jugos son: Corporacin Jos R.
Lindley (FRUGOS), concentrndose en elaborar productos con calcio y
vitamina D y Grupo Gloria viene ofreciendo, con algunos de sus jugos,
promociones con pequeos regalos.
3.4 MISIN

Somos una empresa innovadora, eficiente, y socialmente responsable,
integrada por personas comprometidas que producen y comercializan
alimentos de calidad garantizada, a travs de marcas confiables contribuyendo
a una alimentacin saludable de sus consumidores.
3.5 VISIN

Ser la empresa lder en innovacin de productos alimenticios saludable.
3.6 CERTIFICADOS


20

LAIVE S.A. ingres a una nueva etapa de calidad total, al obtener en todas sus
plantas la certificacin HACCP (Hazard Analysis Critical Control Point) que
define el ms alto estndar de calidad en la elaboracin industrial. Con
certificaciones que dan testimonio de excelente calidad, como la ISO
9001:2000 y la Certificacin de Sellos de Conformidad al sistema de gestin de
calidad para la lnea de leches UHT en el 2007, Laive mira al futuro con la
capacidad de ofrecer garanta de la excelencia en todos sus productos.
3.7 POLTICA DE CALIDAD

Contribuimos a mejorar la alimentacin de nuestros consumidores, brindando
productos alimenticios nutritivos, saludables e inocuos; priorizando la calidad
en toda la cadena de valor.
Nuestro compromiso incluye la satisfaccin de nuestros clientes sobre la base
de la mejora continua, el cumplimiento de los requisitos del cliente y legales
aplicables, el compromiso en todos los niveles de la organizacin y la eficiente
gestin de recursos.
3.8 OFERTA DE PRODUCTOS

CARTERA DE PRODUCTOS:
Yogurt Bio Durazno Personal
Nctar de Durazno Six Pack x 200 ml
Leche Evaporada Bolsa Queso Edam Sbelt, Molde 3 Kl
Yogurt Griego Batido Blueberry
Jamn Ingles Grande Al peso
Yogurt Sbelt Bio Light Durazno
Familiar
Yogurt Bio con trozos de fruta
Durazno Vaso
Hot Dog Paquete x 250 gr
Yogurt Bio Kids El Chavo Vainilla
Vaso
Leche Fresca Entera Bolsa Leche Evaporada Six-pack Nios
Swis Pote x 225 gr Mortadela Paquete x 100 gr
Nctar de Naranja Six Pack x 200 ml Queso Fundido Molde 2 kl
Schublig Al peso
Yogurt sin Lactosa Lactaid Fresa
Familiar
Yogurt sin Lactosa Lactaid Pia
Familiar
Yogurt Bio Nios Mix Fresa-Chocolate
Vaso
Yogurt Vaso Sbelt Bio Light Fresa con
trozos de fruta
Nctar de Manzana 1 Lt
Leche Fresca Entera Calcio, Hierro,
Zinc
Queso Fresco Molde 1.6 kl
Regulax light Pia four pack Chicharron de prensa tajadas

21

Paquete x 85 gr
Jamonada Sandwich x 1 Kg
Yogurt Vaso Sbelt Bio Fibra Light con
trozos de fruta Pia Linaza
Yogurt + Cultivos Probiticos, Mora
946 ml
Yogurt Bio Durazno Galonera
Queso Gouda Porcin
Yogurt Bio con trozos de fruta Coco
Vaso
Yogurt Bio Guanbana Familiar
Nios cultivos Probiticos durazno
vaso 100ml
Leche Fresca Chocolatada Jamonada Especial Paquete x 100 gr
Regulax light Guanbana 100 ml Queso Crema Natural Sachet
Queso Edam tajada fina Paquete Queso Danbo Chico
Regulax regulador natural 100 ml
Bio Defensa Laive Kids Uva Mora
Four Pack
Crema de Leche Bolsa x 236 ml Queso Characato Molde
Bologna x 1 Kg
Nctar de Mango 1 Lt
Mujer probitico Bio Defensa Laive Pia Four Pack
Cervelat Al peso Queso Parmesano Molde
Nios cultivos Probiticos durazno
botella 100ml
Tocino ahumado A Granel
Jugo Frambuesa y Ciruela Caja x 1 Lt Hot Dog de Pollo Paquete x 250 gr
Nctar de Durazno Light Caja x 1 Lt Jamn Especial Molde x 2 kg
Queso Andino Molde Cuadrado Chicharrn de prensa Al peso
Queso Andino Porcin Leche Fresca Entera
Yogurt Bio Natural Familiar Fresh Up Pia Granadilla
Queso Fundido tajada fina Paquete Frankfurter Al peso
Nctar Sbelt Light Naranja Queso Majes Porcin
Mujer leche fresca light Queso Majes Porcin
Jamn del Pas Al peso Jamn de pechuga de pavo Al peso
Tocino de lomo Al peso Queso Crema Jamn Sachet
Yogurt Sbelt Cereal Vainilla Francesa
Musli Vaso
Leche Evaporada Six-pack Light
Queso Danbo tajada tradicional
Paquete
Biodefensa Kids tutifruti
Leche Sbelt Descremada
Yogurt Sbelt con trozos de fruta
Cocktail Frutas Vaso
Yogurt + Cultivos Probiticos, Vainilla
Francesa 946 ml
Chorizo de lomo Al peso
Yogurt Bio Pltano Familiar Queso Fundido Molde 1 kl
Queso Gouda Yogurt Bio Vainilla Francesa Personal
Hot-Dog de pollo A Granel
Yogurt Bio Durazno 250 ml
Leche Fresca Semidescremada Leche Fresca Vainilla Calcio + Zinc
Jamn ahumado Al peso
Biodefensa kids uva mora
Swis Ligera Pote x 450 gr Queso Mozarella Paquete 250 gr
Vienesa Granel Al peso Queso Parmesano Porcin
Yogurt Sbelt Bio Fibra Guindn
Familiar
Jamonada Sandwich Molde

22

Con sal Barra x 100 gr Crema de Leche Caja x 1 Lt
Yogurt + Cultivos Probiticos, Fresa
946 ml
Sin sal Barra x 200 gr

3.9 OTROS ASPECTOS

3.9.1 ROL SOCIAL

Nuestro principal rol con la comunidad es LA ALIMENTACION y tiene que ver
con seriedad con la que fabriquemos y declaremos los alimentos que
producimos.
La empresa tiene relaciones ptimas con su entorno social, vecinos,
comisarias, municipalidades. Aporta y ayuda en obras de bien social sobre toda
las relacionadas con nios. Trabajamos con Fundades, Operacin Sonrisa,
Nio Sano, Ayacucho, Ariam, Mercado de Pulgas y otras.
3.9.2 ECOLOGA

Velar por el medio ambiente es una constante en nuestro trabajo
En general tenemos la suerte de ser una empresa que trabaja con insumos
frescos, naturales y no contaminantes. Nuestros procesos en muchos casos
son artesanales y nos ayudan a cumplir mejor con el cuidado de nuestro medio
ambiente. En el ao 2010 hemos hecho el esfuerzo de cambiar gran parte de
nuestra energa de calderos de petrleo por gas.
3.9.3 PROPUESTA

La calidad que Laive imprime en cada uno de sus productos es fruto de un
esfuerzo que se trasmite a lo largo de todas las fases de su elaboracin: desde
la cuidadosa seleccin de los ingredientes que constituyen su materia prima
como la leche trada de la campia de Arequipa o la fruta cosechada en los
valles de la costa hasta la tecnologa de ltima generacin de su proceso de
empaque, que asegura la conservacin de las bondades del producto.
La lnea de derivados lcteos, que encabeza los productos de Laive por su
larga tradicin en la empresa, comienza con el acopio de la leche. Los centros

23

de acopio se ubican tanto en Arequipa, por ser la cuenca de leche ms
importante del Per, como en Huacho, que gracias a su cercana provee a la
planta de Lima con leche fresca cada da.
4 CAPITULO III: PRONSTICOS DE LA EMPRESA LAIVE S.A.

4.1 DATOS DE LA EMPRESA LAIVE S.A.

Para realizar los pronsticos respecto a las ventas de la Empresa LAIVE S.A.
hemos recopilado las ventas trimestrales desde el 2006 hasta el primer
trimestre del presente ao 2014, toda la informacin mostrada a continuacin
es fiable y fcilmente verificable a travs del portal de la Bolsa de Valores de
Lima (BVL), tenindose un total de 33 datos, uno por cada trimestre.

FUENTE: PORTAL WEB DE LA BVL CONSULTADO EN 07/2014.
*Todos los montos que aparecen en la tabla son en realidad x miles de soles.
4.2 STATGRAPHICS CENTURION XVI

Utilizaremos este programa estadstico para realizar el pronstico requerido.
2006 2007 2008 2009 2010 2011 2012 2013 2014
PRIMERO 46.581,00 49.377,00 54.233,00 65.378,00 68.490,00 80.529,00 87.775,00 105.207,00 112.208,00
SEGUNDO 50.830,00 49.174,00 61.190,00 70.628,00 76.948,00 83.214,00 96.399,00 113.225,00
TERCERO 52.414,00 49.556,00 68.333,00 75.874,00 81.865,00 93.789,00 103.137,00 117.651,00
CUARTO 50.881,00 58.817,00 75.841,00 73.036,00 85.710,00 83.209,00 110.274,00 117.196,00
TOTALES 200.706,00 206.924,00 259.597,00 284.916,00 313.013,00 340.741,00 397.585,00 453.279,00
TRIMESTRES
VENTAS DE LAIVE S.A.

24

4.3 BASE DE DATOS

4.3.1 ORDEN EN LOS DATOS

Para introducir los datos de las ventas trimestrales de LAIVE S.A., procedemos primero
a ordenarlos de manera vertical todos los datos comenzando de los ms antiguos a los
ms recientes, a continuacin ya tenemos todo listo, la parte amarilla ser la que
copiaremos y pegaremos en nuestro libro de datos de STATGRAPHICS.

VENTAS DE LAIVE S.A.
2006
Q1 46.581,00
Q2 50.830,00
Q3 52.414,00
Q4 50.881,00
2007
Q1 49.377,00
Q2 49.174,00
Q3 49.556,00
Q4 58.817,00
2008
Q1 54.233,00
Q2 61.190,00
Q3 68.333,00
Q4 75.841,00
2009
Q1 65.378,00
Q2 70.628,00
Q3 75.874,00

25

Q4 73.036,00
2010
Q1 68.490,00
Q2 76.948,00
Q3 81.865,00
Q4 85.710,00
2011
Q1 80.529,00
Q2 83.214,00
Q3 93.789,00
Q4 83.209,00
2012
Q1 87.775,00
Q2 96.399,00
Q3 103.137,00
Q4 110.274,00
2013
Q1 105.207,00
Q2 113.225,00
Q3 117.651,00
Q4 117.196,00
2014 Q1 112.208,00

4.3.2 INSERTAMOS LOS DATOS EN STATGRAPHICS

Recordemos tambin que con click derecho ->modificar columna, nos
aparecer el siguiente cuadro donde le colocamos nombre a la columna y una
breve descripcin abajo del nombre.

26

4.4 FASE I: DIAGNSTICO

4.4.1 OBJETIVO

El objetivo de esta primera fase es el de ver que patrones caracterizan a la
serie de tiempo.
4.4.2 MTODO DESCRIPTIVO

Empezaremos usando un mtodo descriptivo para darnos una idea general de
que patrones nos presenta esta serie de tiempo para luego descartar
posibilidades y diagnosticar que modelo es el idneo a utilizar.

27

Ingresamos los datos de la columna que nos interesa, luego de esto
seleccionamos el tem de trimestre, y escribimos en la casilla Comenzando
en: Q1/06 QUE QUIERE DECIR QUE INICIAMOS EN EL PRIMER
TRIMESTRE DEL ao 2006.

Dejamos las opciones de Ajuste como est por defecto y continuamos, as que
apretamos clic en Aceptar:

28

Seleccionamos los casilleros que a continuacin se muestran:

Despus de hacer clic en Aceptar obtendremos todas las tablas y grficos que
hemos requerido:

29

4.4.3 ANLISIS DEL GRFICO DE SERIE DE TIEMPO:

Podemos darnos cuenta a simple vista que las
ventas de LAIVE S.A. estn aumentando
mientras van pasando los trimestres, lo que nos
dice que hay una tendencia ascendente.

TRIMESTRES
V
E
N
T
A
S
VENTAS TRIMESTRALES
Q1/06 Q1/07 Q1/08 Q1/09 Q1/10 Q1/11 Q1/12 Q1/13 Q1/14
46
66
86
106
126
(X 1000,0)

30

4.4.4 ANLISIS DE LAS AUTOCORRELACIONES

Este grafico nos presenta las autocorrelaciones estimadas entre los valores de
las ventas trimestrales de LAIVE S.A. con diferentes retrasos. Podemos
observar como las 3 primeras barras sobresalen del lmite de confianza, por lo
que podemos deducir que no hay un proceso estacionario, no existe ruido
blanco, muy por el contario, hay variaciones en las ventas y eso nos confirma
que existe una tendencia en estos datos.

4.4.5 ANLISIS DE LAS AUTORRELACIONES PARCIALES

Autocorrelaciones Estimadas para LAIVE SA
0 2 4 6 8 10 12
retraso
-1
-0,6
-0,2
0,2
0,6
1
A
u
t
o
c
o
r
r
e
l
a
c
i
o
n
e
s
Autocorrelaciones Parciales Estimadas para LAIVE SA
0 1 2 3 4 5 6 7 8 9 10 11 12
retraso
-1
-0,6
-0,2
0,2
0,6
1
A
u
t
o
c
o
r
r
e
l
a
c
i
o
n
e
s

P
a
r
c
i
a
l
e
s

31

Mostramos este grfico para comprobar si existe un factor estacional o no, lo
primero es recordar que trabajamos con trimestres por lo que nos debemos de
centrarnos en la cuarta barra y compararla con la octava y ver si guarda alguna
relacin en el comportamiento, vemos como la cuarta barra est por debajo de
0 y la octava est por encima, no hay relacin, por lo que podemos sentenciar
que no hay factor estacional en estos datos.
4.4.6 CONCLUSIONES

Podemos concluir diciendo que la serie de tiempo estudiada presenta como
nico patrn, una tendencia ascendente.

4.5 FASE II: IDENTIFICACIN

4.5.1 OBJETIVO:

El objetivo de esta fase es la identificacin del modelo de pronstico ms
idneo a emplear para obtener los pronsticos requeridos.
4.5.2 PRONSTICOS AUTMATICOS:

Como se muestra en la imagen vamos a la pestaa Pronsticos y seleccionamos la
opcin Pronsticos Automticos.

Rellenamos y seleccionamos segn corresponda:

32

Habilitamos todos los modelos para ser incluidos en la evaluacin posterior.

Afirmamos segn aparezca a continuacin:

33

Luego de esto nos aparecern varios grficos y tablas, debemos de centrarnos
en la comparacin de modelos:

ERRORES DE LOS MODELOS.
Para seleccionar que modelo que ms nos conviene entre todas la opciones
presentadas debemos de considerar lo siguiente:
Debe ser aprobados con OK en las diferentes pruebas mostradas:
RUNS, RUNM, AUTO, MEDIA Y VAR.
Si despus de discernir nos quedamos con dos o ms opciones,
debemos de elegir la opcin que tenga el menor error en la casilla
RMSE.

34

En nuestro caso concreto las siguientes opciones han pasado todas las
pruebas: A, B, I, J, M, N, O y P.
Luego seleccionamos el que tenga menor valor en RMSE para realizar el
pronstico.
Modelo RMSE RUNS RUNM AUTO MEDIA VAR
(A) 6209,58 OK OK OK OK OK
(B) 5853,46 OK OK OK OK OK
(C) 17795,9 * ** *** *** OK
(D) 5097,43 * OK OK OK OK
(E) 4895,44 * OK OK OK OK
(F) 4784,29 * OK OK OK OK
(G) 4817,49 * OK OK OK OK
(H) 6939,69 OK OK * OK OK
(I) 6191,88 OK OK OK OK OK
(J) 5874,51 OK OK OK OK OK
(K) 5638,27 * OK OK OK OK
(L) 5866,64 * OK OK OK OK
(M) 5795,85 OK OK OK OK OK
(N) 5725,8 OK OK OK OK OK
(O) 5568,68 OK OK OK OK OK
(P) 6209,58 OK OK OK OK OK

La opcin O se nos presenta como la ms idnea para trabajar los
pronsticos, buscamos el modelo abajo en las leyendas para seguir con la
siguiente fase.
Modelos
(A) Caminata aleatoria
(B) Caminata aleatoria con drift = 2359,0
(C) Media constante = 71552,9
(D) Tendencia lineal = -423612, + 2076,16 t

35

(E) Tendencia cuadrtica = 1,18808E6 + -11454,6 t + 28,3663 t^2
(F) Tendencia exponencial = exp(4,12797 + 0,0294345 t)
(G) tendencia curtva-S = exp (18,1573 + -1669,77 /t)
(H) Promedio mvil simple de 2 trminos
(I) Suavizacin exponencial simple con alfa = 0,9119
(J) Suavizacin exp. De Brown con alfa = 0,3457
(K) Suavizacin exp. De Holt con alfa = 0,1889 y beta = 0,1689
(L) Suavizacin exp. cuadrtica de Brown con alfa = 0,2014
(M) ARIMA(1,0,0)
(N) ARIMA(1,0,1)
(O) ARIMA(2,0,1)
(P) ARIMA(0,1,0)

4.5.3 CONCLUSIN

El modelo que ms se ajusta a nuestra serie de tiempo y es el ms idneo de
entre todos los comparados es el modelo ARIMA (2,0,1), con el realizaremos
los pronsticos.

4.6 FASE III: EVALUACIN

4.6.1 OBJETIVO

El objetivo de esta fase va consistir en aplicar el modelo ya antes
identificado, con el ARIMA (2,0,1) procederemos a evaluar cada aspecto que
pueda validar los pronsticos.
4.6.2 MODELO DEFINIDO POR EL USUARIO


36

Recordando un poco, en la fase anterior tuvimos que trabajar con pronsticos
automticos para evaluar qu modelo era el mejor, a continuacin como ya
tenemos identificado el modelo procederemos a trabajar con la herramienta
Modelo definido por el usuario:

Luego completamos segn requiera.


37

Luego de aceptar se nos presenta un cuadro de Especificacin de Modelo
donde seleccionamos el tipo de modelo a utilizar ese es ARIMA, luego para
completar los espacios debemos de entender previamente su estructura.
ARIMA (2,0,1), es una mezcla del modelo Autorregresivo (AR) Y Media Mvil
(MA), con un orden 0.

AR: 2
ORDEN: 0
MA: 1

38

En Tablas y Grficos, seleccionamos segn se muestre a continuacin:

Ahora ya hemos usado el modelo ARIMA (2,0,1), y procederemos a evaluarlo:

4.6.3 RESUMEN DE ANLISIS

Pronsticos - LAIVE SA:

Datos/Variable: LAIVE SA (VENTAS TRIMESTRALES)
Nmero de observaciones = 33
ndice Inicial = Q1/06
Intervalo de Muestra = 1,0

39

4.6.4 COMPARACIN DE MODELOS

Modelo RMSE RUNS RUNM AUTO MEDIA VAR
(A) 5301,59 OK OK OK OK OK
(B) 14109,1 OK ** *** *** OK
(C) 4399,56 OK OK OK OK OK
(D) 6509,45 OK OK OK OK OK
(E) 5758,83 OK OK OK OK OK

LEYENDA:
ARIMA(2,0,1)
Media constante = 66203,8
tendencia curtva-S = exp(18,2123 + -1682,26 /t)
Promedio mvil simple de 3 trminos
(E) Suavizacin exponencial simple con alfa = 0,8519

En esta parte, el programa compara nuestro modelo con otros 4 modelos
potencialmente aceptables, ahora bien los analizamos y obtenemos que los
modelos A, C, D y E presentan errores no muy significativos por lo que son
aceptables, esto es lo que significa tener OK en las pruebas de RUNS, RUNM,
AUTO, MEDIA y VAR. Pero al final nos quedamos con la opcin A pues es el
que presenta menor error en el tem RMSE. Este anlisis comparativo ya lo
hemos hecho en la fase anterior, pero nunca esta dems asegurarse pues un
error de procedimiento le costara de manera significativa a la empresa.
4.6.5 ANALISIS DE RESIDUOS

TABLA DE PRONOSTICOS

Periodo Datos Pronstico Residuo
Q1/06 46581,0 49659,5 -3078,46
Q2/06 50830,0 47393,3 3436,67
Q3/06 52414,0 51362,6 1051,35
Q4/06 50881,0 53308,9 -2427,91
Q1/07 49377,0 52644,7 -3267,67
Q2/07 49174,0 51739,4 -2565,43
Q3/07 49556,0 51703,0 -2147,0
Q4/07 58817,0 52093,1 6723,88
Q1/08 54233,0 59709,3 -5476,28
Q2/08 61190,0 56665,5 4524,51
Q3/08 68333,0 62510,6 5822,42
Q4/08 75841,0 68924,7 6916,28

40

Q1/09 65378,0 75950,5 -10572,5
Q2/09 70628,0 68610,9 2017,12
Q3/09 75874,0 73022,6 2851,36
Q4/09 73036,0 77746,2 -4710,16
Q1/10 68490,0 76121,7 -7631,73
Q2/10 76948,0 72727,4 4220,63
Q3/10 81865,0 79520,0 2345,01
Q4/10 85710,0 84027,0 1683,04
Q1/11 80529,0 87853,3 -7324,25
Q2/11 83214,0 84403,8 -1189,83
Q3/11 93789,0 86791,6 6997,37
Q4/11 83209,0 95721,9 -12512,9 V
Q1/12 87775,0 88067,1 -292,083 V
Q2/12 96399,0 91755,4 4643,61 V
Q3/12 103137, 99059,6 4077,41 V
Q4/12 110274, 105331, 4942,63 V
Q1/13 105207, 112163, -6956,38 V
Q2/13 113225, 109266, 3959,0 V
Q3/13 117651, 116332, 1319,34 V
Q4/13 117196, 120866, -3669,99 V
Q1/14 112208, 121470, -9262,22 V

A continuacin procederemos a evaluar todas las implicancias que esten relacionadas con el
error, ya que este aspecto mostrara que tan eficaz es nuestro modelo de pronstico.

Como podemos apreciar en el grfico, tenemos las variaciones de los errores,
conocidos como residuos, estos son obtenidos de restar el pronstico con el
valor real.
Satisfactoriamente este grafico presenta ruido blanco en relacin a los errores,
esto demuestra la efectividad del modelo ARIMA (2,0,1), todos los errores
estn dentro del margen previsto y ninguno es suficientemente significativo
para desestimar el pronstico en s. Esto asegura que los errores oscilan al 0 y
Autocorrelaciones Residuos para ajuste de LAIVE SA
ARIMA(2,0,1)
0 2 4 6 8 10 12
retraso
-1
-0,6
-0,2
0,2
0,6
1
A
u
t
o
c
o
r
r
e
l
a
c
i
o
n
e
s

41

siempre en un margen aceptable lo que fortalece nuestro pronstico con una
aproximacin buena.

Como podemos apreciar los errores los tenemos previstos en un margen que
permanece constante asegurando un buen pronstico.
Para mayor detalle se recomienda sustraer los residuos e incluirlos el libro de
datos para su estudio por separado:

Procedemos luego a su anlisis, en la pestaa Describir -> Datos Numricos ->
Anlisis de una variable. Tal como lo muestra el modelo siguiente:

Grfica de Residuos para ajuste de LAIVE SA
ARIMA(2,0,1)
Q1/06 Q1/07 Q1/08 Q1/09 Q1/10 Q1/11 Q1/12 Q1/13 Q1/14
-13
-11
-9
-7
-5
-3
-1
1
3
5
7
9
11
13
(X 1000,0)
R
e
s
i
d
u
o

42

Seleccionamos los datos de Residuos de los pronsticos y aceptamos:

Para tablas y Grficos recomendamos dejarlo de la siguiente manera:

Obtenemos entonces de particular inters el resumes estadstico de los
Residuos:

Recuento 33
Promedio -471,308

43

Mediana 1051,35
Varianza 2,93483E7
Desviacin Estndar 5417,41
Coeficiente de Variacin -1149,44%
Mnimo -12512,9
Mximo 6997,37
Rango 19510,3

La desviacin estndar es indicador que nos muestra que tanto se separan los
datos. En cambio la varianza Es la media de las diferencias con la media elevadas
al cuadrado.
Tambin utilizaremos Mtodos descriptivos sobre los errores a fin de comprobar su
ruido blanco y ver los grficos de correlaciones.

Procedemos a definir las opciones como se muestra:


44

En Tablas y Graficos seleccionamos segn el modelo a continuacin:

PRUEBAS DE ALEATORIEDAD
(1) Corridas arriba o abajo de la mediana
Mediana = 1051,35
Nmero de corridas arriba o abajo de la mediana = 17
Nmero esperado de corridas = 17,0
Estadstico z para muestras grandes = -0,179699
Valor-P = 1,0
Resultado: Por lo que el valor de P>0.05 entonces no se puede rechazar que
los errores no tengan ruido blanco
(2) Corridas arriba y abajo
Nmero de corridas arriba y abajo = 18
Nmero esperado de corridas = 21,6667
Estadstico z para muestras grandes = 1,34485
Valor-P = 0,178674


45

(3) Prueba Box-Pierce
Prueba basada en las primeras 11 autocorrelaciones
Estadstico de prueba para muestras grandes = 19,4114
Valor-P = 0,0540965
4.6.6 CONCLUSIN

Podemos concluir luego de evaluar el modelo ARIMA (2,0,1), que sus errores
presentan ruido blanco por lo que este modelo es efectivo para realizar buenos
pronsticos.
4.7 FASE IV: PRONSTICO

4.7.1 OBJETIVO
El Objetivo de esta fase es mostrar los pronsticos hallados por el modelo de
ARIMA (2,0,1).
4.7.2 RESULTADOS
Tabla de Pronsticos

Periodo Pronstico
Lmite en
95,0%
Lmite en
95,0%
Inferior Superior
Q2/14 118087, 107093, 129081,
Q3/14 123020, 108849, 137192,
Q4/14 127539, 111258, 143821,
Q1/15 131914, 113920, 149907,
Q2/15 136282, 116751, 155813,
Q3/15 140716, 119729, 161704,
Q4/15 145256, 122849, 167663,

En la tabla que hemos mostrado tenemos los pronsticos respecto a las ventas
trimestrales del ao 2014 y 2015.Tendremos entonces la siguiente
interpretacin:

46

Se pronostica que para el segundo trimestre del 2014 las ventas de la
Empresa LAIVE S.A. sern en el mejor de los casos 129081,00 y en el
peor de los casos ser de 107093,00.
Se pronostica que para el tercer trimestre del 2014 las ventas de la
Se pronostica que para el cuarto trimestre del 2014 las ventas de la
Se pronostica que para el primer trimestre del 2015 las ventas de la
Se pronostica que para el tercer trimestre del 2015 las ventas de la

V
E
N
T
A
S
TRIMESTRES
Grfica de Secuencia en Tiempo para LAIVE SA
ARIMA(2,0,1)
Q1/06 Q1/07 Q1/08 Q1/09 Q1/10 Q1/11 Q1/12 Q1/13 Q1/14 Q1/15
0
3
6
9
12
15
18
(X 10000,0)
actual
pronstico
Lmites del 95,0%

47

En este grfico se puede ver con ms claridad la evolucin de las ventas
Trimestrales y se traza el pronstico que se espera en el futuro.
5 CONCLUSIONES

Se concluye que los pronsticos cuantitativos son ms eficaces que los
pronsticos cualitativos, ya que la importancia de dichos pronsticos es
vital para un buen desempeo en el mercado, es preciso entonces
manejar datos slidos que den ms confianza y faciliten la toma de
decisiones y la planeacin en las ventas.

Respecto a la empresa LAIVE se concluye que el pronstico realzado
asegura un aumento de sus ventas considerablemente, LAIVE S.A. se
ha posicionado slidamente en el mercado y est creciendo , con esto
logra sus objetivos y maximiza sus utilidades.

6 RECOMENDACIONES

Se recomienda entonces que las decisiones de la empresa, su
produccin y ventas, no se vean puramente influenciadas por juicios
personales o corazonadas, y que busquen la aplicacin de mtodos
cuantitativos para que puedan as pronosticar con mayor eficiencia.

Se recomienda a la empresa LAIVE S.A. prever la demanda del
mercado, aumentando sus centros de produccin, personal y planear
mayores ventas. Tambin se le sugiere que podra innovar y tener
siempre un eficiente marketing que asegure su publicidad en todas las
personas.


48

7 BIBLIOGRAFA

Hanke, J. Retsch, A. (2005) Pronsticos de los Negocios. Mxico: Maryland
Composition.
http://www.bvl.com.pe/
Wooldridge, J. (2010) Introduccin a la econometra: Un enfoque moderno 4ta edicin,
Mxico: South-Westem Fourth Learning

Monografia Pronosticos Laive

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Monografia Pronosticos Laive

Загружено:

Авторское право:

Доступные форматы

E

: es el valor de la serie en el instante t

: error del pronstico en el periodo t

: valor real en el periodo t

: valor del pronstico en el periodo t

: Valor pronosticado para el siguiente periodo.

: Valor real en el periodo t

= nuevo valor suavizado o el valor del pronstico para el siguiente periodo

= nueva observacin o el valor real de la serie en el periodo t

= ltimo valor suavizado o el pronstico del periodo t

define una trayectoria que empieza

. Un paseo aleatorio se modela mediante la siguiente

y no de alguna posicin previa, se dice que el paseo aleatorio

PRONOSTICOS DE LOS NEGOCIOS

Вам также может понравиться