Fechas Ventas Previsión(Ventas) Límite de confianza inferior(Ventas)
01/01/2016 264
01/02/2016 236
01/03/2016 293
600
01/04/2016 302
01/05/2016 318
500
01/06/2016 342
01/07/2016 365
400
01/08/2016 365
01/09/2016 319
300
01/10/2016 325
01/11/2016 297 200
01/12/2016 307
01/01/2017 279 100
01/02/2017 252
01/03/2017 311 -
01/04/2017 314 01/01/2016 01/10/2016 01/07/2017 01/04/2018
01/05/2017 338
01/06/2017 361 Ventas
01/07/2017 377 Límite de confianza inferior(Ventas
01/08/2017 377
01/09/2017 336
01/10/2017 349
01/11/2017 316
01/12/2017 317
01/01/2018 288
01/02/2018 261
01/03/2018 313
01/04/2018 320
01/05/2018 355
01/06/2018 377
01/07/2018 394
01/08/2018 392
01/09/2018 356
01/10/2018 360
01/11/2018 333
01/12/2018 344
01/01/2019 321
01/02/2019 300
01/03/2019 347
01/04/2019 356
01/05/2019 382
01/06/2019 411
01/07/2019 428
01/08/2019 436
01/09/2019 382
01/10/2019 384
01/11/2019 348
01/12/2019 344 344 344
01/01/2020 317 307
01/02/2020 289 276
01/03/2020 343 327
01/04/2020 350 332
01/05/2020 377 357
01/06/2020 402 380
01/07/2020 421 397
01/08/2020 422 397
01/09/2020 378 351
01/10/2020 387 359
01/11/2020 357 328
01/12/2020 362 332
01/01/2021 335 303
01/02/2021 307 274
01/03/2021 361 327
01/04/2021 368 332
01/05/2021 395 359
01/06/2021 420 382
01/07/2021 439 400
01/08/2021 440 400
01/09/2021 396 355
01/10/2021 405 363
01/11/2021 375 333
01/12/2021 381 337
Límite de confianza superior(Ventas)
600
500
400
300
200
100
-
01/01/2016 01/10/2016 01/07/2017 01/04/2018 01/01/2019 01/10/2019 01/07/2020 01/04/2021
Ventas Previsión(Ventas)
Límite de confianza inferior(Ventas) Límite de confianza superior(Ventas)
344
326
302
359
368
397
424
444
447
405
415
386
393
367
341
396
403
432
458
478
480
437
447
418
424
Taller Elaboración de Pronósticos en Excel
Una serie de tiempo es un
conjunto de observaciones
de una variable medida en
puntos sucesivos en el
tiempo o a lo largo de
periodos sucesivos.
En este hoja se presentan
varios procedimientos para
analizar las series de tiempo.
El objetivo es proporcionar
buenos pronósticos o
predicciones de los valores
futuros de la serie de tiempo.
Los métodos de elaboración de pronósticos se clasifican como cuantitativos o cualitativos. Los métodos
cuantitativos se utilizan cuando;
1) se dispone de información pasada sobre la variable que se pronosticará,
2) la información puede cuantificarse, y
3) es razonable suponer que el patrón del pasado seguirá ocurriendo en el futuro.
En estos casos puede elaborarse un pronóstico con un método de series de tiempo o un método causal.
Si los datos históricos se restringen a valores pasados de la variable que tratamos de pronosticar, el procedimiento
de elaboración de pronósticos se llama método de serie de tiempo.
El objetivo de los métodos de serie de tiempo es descubrir un patrón en los datos históricos y luego extrapolarlo
hacia el futuro.
el pronóstico se basa sólo en valores pasados de la variable que tratamos de pronosticar o en errores pasados.
Se trabajan aquí tres métodos de series de tiempo: suavización (promedios móviles, promedios móviles
ponderados y suavización exponencial), proyección de tendencias y proyección de tendencias ajustada por
influencia estacional.
el pronóstico se basa sólo en valores pasados de la variable que tratamos de pronosticar o en errores pasados.
Se trabajan aquí tres métodos de series de tiempo: suavización (promedios móviles, promedios móviles
ponderados y suavización exponencial), proyección de tendencias y proyección de tendencias ajustada por
influencia estacional.
Los métodos de elaboración de pronósticos causal se basan en el supuesto de que la variable que tratamos de
pronosticar exhibe una relación de causa y efecto con una o más variables.
Se aplica aquí el uso del análisis de regresión como un método de elaboración de pronósticos causal. Por ejemplo,
los gastos de publicidad influyen en el volumen de ventas de muchos productos, de manera que el análisis de
regresión puede utilizarse para desarrollar una ecuación que muestre cómo se relacionan estas dos variables.
Luego, una vez establecido el presupuesto de publicidad para el periodo siguiente, podríamos sustituir este valor
en la ecuación con el fin de hacer una predicción o pronóstico del volumen de ventas para ese periodo.
Componentes de una serie de tiempo
El patrón o comportamiento de los datos en una serie de tiempo tiene varios componentes. El supuesto usual es que
cuatro componentes separados: tendencia, cíclico, estacional e irregular, se combinen para proporcionar valores
específicos de la serie de tiempo.
El cambio gradual de la serie de tiempo se conoce como tendencia en la serie de tiempo.
Año venta
2001 1,550
2002 1,721 Chart Title
2003 1,910
6,000
2004 2,234
2005 2,167 5,000
2006 2,492
2007 2,567 4,000
2008 2,747
2009 3,159 3,000
2010 3,317
2011 3,848 2,000
2012 4,309
2013 4,094 1,000
2014 4,094
-
2015 4,299 2000 2002 2004 2006 2008 2010 2012 2014 2016 2018 2020
2016 4,900
2017 5,439
2018 5,004
2019 5,054
Tendencia No lineal
Año venta
2001 1,550
2002 1,788
2003 2,103
2004 2,520 Chart Title
2005 3,079
2006 3,725 12,000
2007 4,465
10,000
2008 5,300
2009 6,115
8,000
2010 6,663
2011 7,225 6,000
2012 7,723
2013 8,178 4,000
2014 8,577
2015 8,953 2,000
2016 9,301
2017 9,570 -
2000 2002 2004 2006 2008 2010 2012 2014 2016 2018 2020
2018 9,801
2019 9,990
Sin tendencia
Año venta
2001 1,550
2002 1,395
2003 1,144 Chart Title
2004 1,373
1,800
2005 1,318
2006 1,160 1,600
2007 1,171 1,400
1,200
1,000
800
1,800
1,600
1,400
2008 1,312
1,200
2009 1,246
2010 1,047 1,000
2011 1,193 800
2012 1,122
600
2013 1,301
2014 1,379 400
2015 1,448 200
2016 1,550
-
2017 1,364 2000 2002 2004 2006 2008 2010 2012 2014 2016 2018 2020
2018 1,555
2019 1,368
Componente Cíclico
las series de tiempo con frecuencia muestran secuencias de puntos que se alternan por encima y por debajo de la línea
de tendencia.
Año venta
1991 1,000
1992 1,050
1993 1,134
1994 1,247
1995 1,310
1996 1,349
1997 1,322
1998 1,256
1999 1,218
2000 1,206
2001 1,194
2002 1,254
2003 1,342
2004 1,449
Chart Title
2005 1,594
2006 1,833 3,500
3,000
2,500
Chart Title
3,500
2007 1,851 3,000
2008 1,944
2009 2,080 2,500
2010 2,246
2,000
2011 2,448
2012 2,522 1,500
2013 2,648
1,000
2014 2,807
2015 2,722 500
2016 2,532
2017 2,608 -
1985 1990 1995 2000 2005 2010 2015 2020 2025
2018 2,738
2019 3,012
Componente Estacional
Estas son las ventas de una tienda de trajes de baño, ropa de verano, bloqueadores y gafas
Fechas Ventas
01/01/2016 264
01/02/2016 236 Chart Title
01/03/2016 293
01/04/2016 302 500
01/05/2016 318 450
01/06/2016 342
01/07/2016 365 400
01/08/2016 365
350
01/09/2016 319
01/10/2016 325 300
01/11/2016 297
250
01/12/2016 307
01/01/2017 279 200
01/02/2017 252
150
01/03/2017 311
100
50
250
200
150
01/04/2017 314 100
01/05/2017 338
01/06/2017 361 50
01/07/2017 377 -
01/08/2017 377 15/07/2015 31/01/2016 18/08/2016 06/03/2017 22/09/2017 10/04/2018 27/10/2018 15/05/2019 01/12/2019 18/06/2020
01/09/2017 336
01/10/2017 349
01/11/2017 316
01/12/2017 317
01/01/2018 288
01/02/2018 261
01/03/2018 313
01/04/2018 320
01/05/2018 355
01/06/2018 377
01/07/2018 394
01/08/2018 392
01/09/2018 356
01/10/2018 360
01/11/2018 333
01/12/2018 344
01/01/2019 321
01/02/2019 300
01/03/2019 347
01/04/2019 356
01/05/2019 382
01/06/2019 411
01/07/2019 428
01/08/2019 436
01/09/2019 382
01/10/2019 384
01/11/2019 348
01/12/2019 344
Métodos de suavización
promedios móviles
Pronóstico del
Ventas (miles
Semana promedio Chart Title
de galones)
movil
1 17 25
2 21
20
3 19 19.00
4 23 21.00
15
5 18 20.00
6 16 19.00
10
7 20 18.00
8 18 18.00 5
9 22 20.00
10 20 20.00 0
11 15 19.00 1 2 3 4 5 6 7 8 9 10 11 12 13
12 22 19.00
Ventas (miles de galones) Pronóstico del promedio movil
13 18.50
Media Movil - Análisis de Datos
Ventas (miles
Semana
de galones)
1 17 #N/A #N/A
2 21 19 #N/A
3 19 20 1.5811388300842 Media móvil
4 23 21 1.5811388300842 30
5 18 20.5 2.2638462845344 20 Real
Valor
6 16 17 1.903943276466
10 Pronóstico
7 20 18 1.5811388300842
0
8 18 19 1.5811388300842 1 2 3 4 5 6 7 8 9 10 11 12
9 22 20 1.5811388300842
Punto de datos
10 20 21 1.5811388300842
11 15 17.5 1.903943276466
12 22 18.5 3.0413812651491
La suavización exponencial utiliza un promedio ponderado de valores de series de tiempo pasadas como pronóstico
Ventas (miles Suavización exponencial
Semana
de galones)
1 17 #N/A #N/A
2 21 17 #N/A 25
3 19 17.8 #N/A 20
4 23 18.04 #N/A
15
5 18 19.032 3.7435099394374 Real
Valor
6 16 18.8256 3.0059177189892 10 Pronóstico
7 20 18.26048 3.3491610571405
5
8 18 18.608384 2.0062377052915
9 22 18.4867072 1.9476546820776 0
10 20 19.18936576 2.2905084748725 1 2 3 4 5 6 7 8 9 10 11 12
11 15 19.351492608 2.1111201814083 Punto de datos
12 22 18.4811940864 3.262710636218
13 19.1849552691
Proyección de Tendencias
Año Ventas (miles)
t Yt Yt
1 21.6 35
2 22.9 30 f(x) = 1.1 x + 20.4
3 25.5
25
4 21.9
5 23.9 20
6 27.5
15
7 31.5
8 29.7 10
9 28.6 5
10 31.4
11 32.5 0
0 2 4 6 8 10 12
t Yt tYt t2
1 21.6 21.6 1 t 5.5
2 22.9 45.8 4 Y media 26.45
3 25.5 76.5 9 b1 1.1
4 21.9 87.6 16 b0 20.4
5 23.9 119.5 25
6 27.5 165 36
7 31.5 220.5 49
8 29.7 237.6 64
9 28.6 257.4 81
10 31.4 314 100
55 264.5 1545.5 385
Uso del análisis de regresión como método de elaboración de pronósticos causal
El análisis de regresión es una técnica estadística que se puede utilizar para desarrollar una ecuación matemática que
muestre cómo se relacionan las variables. En la terminología de regresión, la variable a predecir se llama variable
dependiente o de respuesta. La variable o variables que se utilizan para predecir el valor de la variable dependiente se
llaman variables independendientes o pronosticadores. El análisis de regresión que involucra una variable
independiente y una variable dependiente para el cual la relación entre las variables se aproxima por medio de una
recta se llama regresión lineal simple. El análisis de regresión que integra dos o más variables independientes se
conoce como análisis de regresión múltiple.
Población Ventas
Restaurantes
estudiantil Trimestrales Chart Title
1 2 58
250
2 6 105
200 f(x) = 5 x + 60
150
Chart Title
250
3 8 88
4 8 118 200 f(x) = 5 x + 60
5 12 117
6 16 137 150
7 20 157
8 20 169 100
9 22 149
10 26 202 50
30 210
0
0 5 10 15 20 25 30 35
18/06/2020
Date Airport Passengers Previsión(Airport Passengers)
01/01/2015 2,644,539
01/02/2015 2,359,800
01/03/2015 2,925,918
6,000,000
01/04/2015 3,024,973
01/05/2015 3,177,100
5,000,000
01/06/2015 3,419,595
01/07/2015 3,649,702
4,000,000
01/08/2015 3,650,668
01/09/2015 3,191,526
3,000,000
01/10/2015 3,249,428
01/11/2015 2,971,484 2,000,000
01/12/2015 3,074,209
01/01/2016 2,785,466 1,000,000
01/02/2016 2,515,361
01/03/2016 3,105,958 -
01/04/2016 3,139,059 01/01/2015 01/11/2015 01/09/2016 01/07/2017 01/05/2018 01/03/20
01/05/2016 3,380,355
01/06/2016 3,612,886 Airport Passengers Previsión(A
01/07/2016 3,765,824 Límite de confianza inferior(Airport Passengers) Límite de co
01/08/2016 3,771,842
01/09/2016 3,356,365
01/10/2016 3,490,100
01/11/2016 3,163,659
01/12/2016 3,167,124
01/01/2017 2,883,810
01/02/2017 2,610,667
01/03/2017 3,129,205
01/04/2017 3,200,527
01/05/2017 3,547,804
01/06/2017 3,766,323
01/07/2017 3,935,589
01/08/2017 3,917,884
01/09/2017 3,564,970
01/10/2017 3,602,455
01/11/2017 3,326,859
01/12/2017 3,441,693
01/01/2018 3,211,600
01/02/2018 2,998,119
01/03/2018 3,472,440
01/04/2018 3,563,007
01/05/2018 3,820,570
01/06/2018 4,107,195
01/07/2018 4,284,443
01/08/2018 4,356,216
01/09/2018 3,819,379
01/10/2018 3,844,987
01/11/2018 3,478,890
01/12/2018 3,443,039
01/01/2019 3,204,637
01/02/2019 2,966,477
01/03/2019 3,593,364
01/04/2019 3,604,104
01/05/2019 3,933,016
01/06/2019 4,146,797
01/07/2019 4,176,486
01/08/2019 4,347,059
01/09/2019 3,781,168 3,781,168
01/10/2019 3,858,196
01/11/2019 3,562,680
01/12/2019 3,633,798
01/01/2020 3,366,457
01/02/2020 3,110,903
01/03/2020 3,614,670
01/04/2020 3,666,432
01/05/2020 3,960,805
01/06/2020 4,182,886
01/07/2020 4,367,447
01/08/2020 4,363,455
01/09/2020 3,954,015
01/10/2020 4,031,044
01/11/2020 3,735,527
01/12/2020 3,806,646
01/01/2021 3,539,305
01/02/2021 3,283,750
01/03/2021 3,787,518
01/04/2021 3,839,280
01/05/2021 4,133,652
01/06/2021 4,355,733
01/07/2021 4,540,295
01/08/2021 4,536,303
01/09/2021 4,126,863
Límite de confianza inferior(Airport Passengers) Límite de confianza superior(Airport Passengers)
6,000,000
5,000,000
4,000,000
3,000,000
2,000,000
1,000,000
-
01/01/2015 01/11/2015 01/09/2016 01/07/2017 01/05/2018 01/03/2019 01/01/2020 01/11/2020 01/09/2021
Airport Passengers Previsión(Airport Passengers)
Límite de confianza inferior(Airport Passengers) Límite de confianza superior(Airport Passengers)
3,781,168 3,781,168
3,695,827 4,020,566
3,395,234 3,730,125
3,461,388 3,806,209
3,189,182 3,543,732
2,928,857 3,292,949
3,427,939 3,801,401
3,475,095 3,857,769
3,764,936 4,156,674
3,982,553 4,383,219
4,162,715 4,572,180
4,154,383 4,572,528
3,740,659 4,167,372
3,813,424 4,248,664
3,513,726 3,957,329
3,580,709 4,032,582
3,309,277 3,769,332
3,049,673 3,517,827
3,549,430 4,025,605
3,597,219 4,081,340
3,887,654 4,379,651
4,105,830 4,605,636
4,286,519 4,794,070
4,278,685 4,793,920
3,865,432 4,388,294
Pronóstico en Excel
La siguiente tabla muestra en numero de pasajeros que transitan por el aeropuerto
internacional, se le pide que pronostique los siguientes dos años para prever las necesidades
operativas para la atención de estos.
Date Airport Passengers
01/01/2015 2,644,539
01/02/2015 2,359,800
01/03/2015 2,925,918
01/04/2015 3,024,973
01/05/2015 3,177,100
01/06/2015 3,419,595
01/07/2015 3,649,702
01/08/2015 3,650,668
01/09/2015 3,191,526
01/10/2015 3,249,428
01/11/2015 2,971,484
01/12/2015 3,074,209
01/01/2016 2,785,466
01/02/2016 2,515,361
01/03/2016 3,105,958
01/04/2016 3,139,059
01/05/2016 3,380,355
01/06/2016 3,612,886
01/07/2016 3,765,824
01/08/2016 3,771,842
01/09/2016 3,356,365
01/10/2016 3,490,100
01/11/2016 3,163,659
01/12/2016 3,167,124
01/01/2017 2,883,810
01/02/2017 2,610,667
01/03/2017 3,129,205
01/04/2017 3,200,527
01/05/2017 3,547,804
01/06/2017 3,766,323
01/07/2017 3,935,589
01/08/2017 3,917,884
01/09/2017 3,564,970
01/10/2017 3,602,455
01/11/2017 3,326,859
01/12/2017 3,441,693
01/01/2018 3,211,600
01/02/2018 2,998,119
01/03/2018 3,472,440
01/04/2018 3,563,007
01/05/2018 3,820,570
01/06/2018 4,107,195
01/07/2018 4,284,443
01/08/2018 4,356,216
01/09/2018 3,819,379
01/10/2018 3,844,987
01/11/2018 3,478,890
01/12/2018 3,443,039
01/01/2019 3,204,637
01/02/2019 2,966,477
01/03/2019 3,593,364
01/04/2019 3,604,104
01/05/2019 3,933,016
01/06/2019 4,146,797
01/07/2019 4,176,486
01/08/2019 4,347,059
01/09/2019 3,781,168
