Gasolinería 2000 tiene la siguiente información de sus ventas históricas %_𝐸=𝐸_𝑃/𝑉_𝑅𝐸𝐴𝐿

𝐸_𝑃=𝑉_𝑅𝐸𝐴𝐿−𝑃

Ventas de Valor
Porcentaje
gasolina Error Absoluo Error al Porcentaje
Semana Pronóstico del error
(1000 de Pronóstico Error cuadrado del error
absoluto
galones) Pronóstico
1 17
2 21
3 19
4 23 19 4 4 16 17.39% 17.39%
5 18 21 -3 3 9 -16.67% 16.67%
6 16 20 -4 4 16 -25.00% 25.00%
7 20 19 1 1 1 5.00% 5.00%
8 18 18 0 0 0 0.00% 0.00%
9 22 18 4 4 16 18.18% 18.18%
10 20 20 0 0 0 0.00% 0.00%
11 15 20 -5 5 25 -33.33% 33.33%
12 22 19 3 3 9 13.64% 13.64%

Cambio nuevo contrato con la policía estatal

13 31
14 34
15 31
16 33
17 28
18 32
19 30
20 29
21 34
22 33
 Promedio Movil o Movible.
Determinar un valor promedio de k cantidad de datos, el número de periodos que voy a
promediar para poder sacar el pronóstico del siguiente periodo.
Media Movil ¿Qué pronóstico usamos entonces?
Análisis de Usamos el error pronóstico para medir la diferencia entre los valores obtenidos
datos

Indicadores utilizados para k=3

#N/A MFE Mean forecast error 0.000
𝑃=∑24_(𝑖=1)^(𝑖=𝑘)▒𝑉_(𝑅𝐸𝐴𝐿,𝑖)/𝑘
#N/A MAE Mean absolut error 2.667
19 MSE Mean square error 10.222
21 MAPE Mean absolute percentage error 0.144
20
19
18 Serie de tiempo-suavizada
25
18
Venta-gasolina

20
20 15
20 10
5
19 0
0 2 4 6 8 10 12 14
Semana
Column B
os que voy a

dos

=𝑘)▒𝑉_(𝑅𝐸𝐴𝐿,𝑖)/𝑘

12 14
Considerar la serie de tiempo de la venta de bicicletas de una empresa manufacturera en los
último 10 años Pronóstico
Pendiente Constante
Valor
Error Absoluo Error al Porcentaje
1.1 20.4
Pronóstico Error cuadrado del error
Pronóstico
Año Ventas (1000s)
1 21.6 21.50 21.500 21.500 462.250 100.00%
2 22.9 22.60 22.600 22.600 510.760 100.00%
3 25.5 23.70 23.700 23.700 561.690 100.00%
4 21.9 24.80 24.800 24.800 615.040 100.00%
5 23.9 25.90 25.900 25.900 670.810 100.00%
6 27.5 27.00 27.000 27.000 729.000 100.00%
7 31.5 28.10 28.100 28.100 789.610 100.00%
8 29.7 29.20 29.200 29.200 852.640 100.00%
9 28.6 30.30 30.300 30.300 918.090 100.00%
10 31.4 31.40 31.400 31.400 985.960 100.00%

Serie de tiempo
proyección de tendencia lineal
35
30 f(x) = 1.1 x + 20.4
R² = 0.764796016088872
25
20 Column B
Ventas

Linear (Column B)
15
10
5
0
0 2 4 6 8 10 12
Año
Porcentaje Cuando tenemos una tendencia lineal recurriremos al protocolo de
del error mínimos cuadrados, linea de tendencia
absoluto

100.00%
100.00% MFE Mean forecast error 26.450
100.00% MAE Mean absolut error 26.450
100.00% MSE Mean square error 709.585
100.00% MAPE Mean absolute percentage error 1.000
100.00%
100.00%
100.00%
100.00%
100.00%
Ventas de medicamento para el colestoral desde que fue aprobado hace 10 años por la FDA

Valor
Porcentaje
Error Absoluo Error al Porcentaje
del error
Pronóstico Error cuadrado del error
absoluto
Pronóstico
Año Ventas (1000s) Pronóstico
1 23.1 19.80 3.299 3.299 10.884 14.28% 14.28%
2 21.3 23.46 -2.164 2.164 4.682 -10.16% 10.16%
3 27.4 27.80 -0.404 0.404 0.164 -1.48% 1.48%
4 34.6 32.95 1.652 1.652 2.730 4.78% 4.78%
5 33.8 39.04 -5.243 5.243 27.487 -15.51% 15.51%
6 43.2 46.27 -3.065 3.065 9.395 -7.10% 7.10%
7 59.5 54.82 4.676 4.676 21.868 7.86% 7.86%
8 64.4 64.97 -0.565 0.565 0.320 -0.88% 0.88%
9 74.2 76.98 -2.783 2.783 7.746 -3.75% 3.75%
10 99.3 91.22 8.076 8.076 65.221 8.13% 8.13%

Estimación Logarítmica
m b 𝑦=𝑏∗𝑚^𝑥
1.184987 16.7098189571
https://www.youtube.com/watch?v=TvYbfELi_Sc
MFE Mean forecast error 0.348
MAE Mean absolut error 3.193
MSE Mean square error 15.050
MAPE Mean absolute percentage error 0.074

Serie de tiempo
proyección de tendencia exponencial
120

100

80 f(x) = 16.7098189570635 exp( 0.169732223071044 x )

R² = 0.968801938354061 Column B
Ventas

60 Exponential (Column B)

40

20

0
0 2 4 6 8 10 12
Año
Las ventas de sombrillas en los pasados 5 años

Año Cuarto Ventas

1 1 125 Serie de tiempo, estacional
2 153 180
3 106 160
4 88 140
2 1 118 120
2 161 100

Ventas
Column C
3 133 80
4 102 60
3 1 138 40
2 144 20
3 113 0
0 5 10 15 20 25
4 80
1/4 de año
4 1 109
2 137
3 125 La diferencia ente en suavizado y estacionalidad; es que en
4 109
5 1 130
2 165
3 128
4 96
acional

Column C

20 25

do y estacionalidad; es que en estacionalidad muestra un patron

Venta de teléfonos inteligentes
Año Ventas
1 4.80
4.10 Serie de tiempo,
6.00 proyección de tendencia con estacionalidad
6.50 9.00
2 5.80 8.00
7.00
5.20
6.00
6.80
5.00 Column B

Ventas
7.40 4.00
3 6.00 3.00
5.60 2.00
7.50 1.00
7.80 0.00
0 2 4 6 8 10 12 14 16 18
4 6.30
1/4 de año
5.90
8.00
8.40
acionalidad

Column B

16 18
 𝐸_𝑃=𝑉_𝑅𝐸𝐴𝐿−𝑃 %_𝐸=𝐸_𝑃/𝑉_𝑅𝐸𝐴𝐿

Ventas de Valor
Porcentaje
gasolina Error Absoluo Error al Porcentaje
Semana Pronóstico del error
(1000 de Pronóstico Error cuadrado del error
absoluto
galones) Pronóstico
1 17
2 21
3 19
4 23 19 4 4 16 17.39% 17.39%
5 18 21 -3 3 9 -16.67% 16.67%
6 16 20 -4 4 16 -25.00% 25.00%
7 20 19 1 1 1 5.00% 5.00%
8 18 18 0 0 0 0.00% 0.00%
9 22 18 4 4 16 18.18% 18.18%
10 20 20 0 0 0 0.00% 0.00%
11 15 20 -5 5 25 -33.33% 33.33%
12 22 19 3 3 9 13.64% 13.64%

Ventas de Valor
Porcentaje
gasolina Error Absoluo Error al Porcentaje
Semana Pronóstico del error
(1000 de Pronóstico Error cuadrado del error
absoluto
galones) Pronóstico
1 17
2 21 #N/A
3 19 #N/A
4 23 #N/A
5 18 20.00 -2.00 2.00 4.00 -11.11% 11.11%
6 16 20.25 -4.25 4.25 18.06 -26.56% 26.56%
7 20 19.00 1.00 1.00 1.00 5.00% 5.00%
8 18 19.25 -1.25 1.25 1.56 -6.94% 6.94%
9 22 18.00 4.00 4.00 16.00 18.18% 18.18%
10 20 19.00 1.00 1.00 1.00 5.00% 5.00%
11 15 20.00 -5.00 5.00 25.00 -33.33% 33.33%
12 22 18.75 3.25 3.25 10.56 14.77% 14.77%
=𝐸_𝑃/𝑉_𝑅𝐸𝐴𝐿 Promedio Movil o Movible.
Determinar un valor promedio de k cantidad de datos, el número de periodos que voy a
promediar para poder sacar el pronóstico del siguiente periodo.
Media ¿Qué pronóstico usamos entonces?
Movil Usamos el error pronóstico para medir la diferencia entre los valores obtenidos
Análisis de
datos
𝑃=∑24_(𝑖=1)^(𝑖=𝑘)▒𝑉_(𝑅𝐸𝐴𝐿,𝑖)/𝑘
Indicadores utilizados para k=3
#N/A MFE Mean forecast 0.000
#N/A MAE Mean absolut 2.667
19 MSE Mean square 10.222
21 MAPE Mean absolut 0.144
20
19
18
18
20
20
19

Media
Movil

Indicadores utilizados para k=4

#N/A MFE Mean forecast -0.406
#N/A MAE Mean absolut 2.719
#N/A MSE Mean square 9.648
20 MAPE Mean absolut 0.151
20.25
19
19.25
18
19
20
18.75
odos que voy a

enidos

▒𝑉_(𝑅𝐸𝐴𝐿,𝑖)/𝑘
 Ventas de Valor
Pronóstico Porcentaje
gasolina Error Absoluo Error al Porcentaje
Semana movible del error
(1000 de Pronóstico Error cuadrado del error
ponderado absoluto
galones) Pronóstico
1 17
2 21
3 19
4 23 19.3333 3.67 3.67 13.44 0.159 15.94%
5 18 21.3333 -3.33 3.33 11.11 -0.185 18.52%
6 16 19.8333 -3.83 3.83 14.69 -0.240 23.96%
7 20 17.8333 2.17 2.17 4.69 0.108 10.83%
8 18 18.3333 -0.33 0.33 0.11 -0.019 1.85%
9 22 18.3333 3.67 3.67 13.44 0.167 16.67%
10 20 20.3333 -0.33 0.33 0.11 -0.017 1.67%
11 15 20.3333 -5.33 5.33 28.44 -0.356 35.56%
12 22 17.8333 4.17 4.17 17.36 0.189 18.94%
Promedio Movil Ponderado.
Suma de los datos reales donde k será el denominador que dara peso a los
valores; entre más alejado sea el valor menor se considera su valor

Indicadores utilizados para promedio movil ponderado k=3

MFE Mean forecast 0.056
MAE Mean absolut 2.981
MSE Mean square 11.491
MAPE Mean absolut 0.160
 α= 0.2
Ventas de Valor
Porcentaje
gasolina Pronóstico Error Absoluo Error al Porcentaje
Semana del error
(1000 de (α=0.2) Pronóstico Error cuadrado del error
absoluto
galones) Pronóstico
1 17
2 21 17.00 4.00 4.00 16.00 19.05% 19.05%
3 19 17.80 1.20 1.20 1.44 6.32% 6.32%
4 23 18.04 4.96 4.96 24.60 21.57% 21.57%
5 18 19.03 -1.03 1.03 1.07 -5.73% 5.73%
6 16 18.83 -2.83 2.83 7.98 -17.66% 17.66%
7 20 18.26 1.74 1.74 3.03 8.70% 8.70%
8 18 18.61 -0.61 0.61 0.37 -3.38% 3.38%
9 22 18.49 3.51 3.51 12.34 15.97% 15.97%
10 20 19.19 0.81 0.81 0.66 4.05% 4.05%
11 15 19.35 -4.35 4.35 18.94 -29.01% 29.01%
12 22 18.48 3.52 3.52 12.38 15.99% 15.99%
 Suavizado
exponencial

#N/A Indicadores utilizados para k=3

17 MFE Mean forecast error 0.993
17.80 MAE Mean absolut error 2.596
18.04 MSE Mean square error 8.982
19.03 MAPE Mean absolute percentage error 0.134
18.83
18.26 Suavuizado exponencial
18.61 La ventaja de este modelo es el uso de la constante de suavización que les
otorga Minitab para trabajar de manera eficiente
18.49
19.19
19.35
18.48
Las ventas de sombrillas en los pasados 5 años
𝐶𝑎𝑡=#_𝑝𝑒𝑟𝑖𝑜𝑑𝑜𝑠−1 𝒚=𝒅+𝒄∗(𝑪𝒂𝒕_𝟏 )+𝒃∗(𝑪𝒂𝒕_𝟐
Año Cuarto Ventas Cat. 1 Cat. 2 Cat. 3 a
1 125 1 0 0 26
2 153 0 1 0
3 106 0 0 1 Usamos la función: =ESTIMACIÓN.L
4 88 0 0 0 PARA UN PRONÓSTICO CAUSAL SE
2 1 118 1 0 0 CON EL EJE DE VARIABLE 1 vs VARIA
2 161 0 1 0
3 133 0 0 1
4 102 0 0 0
3 1 138 1 0 0
2 144 0 1 0
3 113 0 0 1
4 80 0 0 0
4 1 109 1 0 0
2 137 0 1 0
3 125 0 0 1
4 109 0 0 0
5 1 130 1 0 0
2 165 0 1 0
3 128 0 0 1
4 96 0 0 0
6 1 124 1 0 0
2 152 0 1 0
3 121 0 0 1
4 95 0 0 0
 𝒚=𝒅+𝒄∗(𝑪𝒂𝒕_𝟏 )+𝒃∗(𝑪𝒂𝒕_𝟐 )+𝒂∗(𝑪𝒂𝒕_𝟑 )
b c d
57 29 95

Usamos la función: =ESTIMACIÓN.LINEAL

PARA UN PRONÓSTICO CAUSAL SE USA LA FUNCIÓN DE PENDIENTE E INTERSECCIÓN

CON EL EJE DE VARIABLE 1 vs VARIABLE 2
Venta de teléfonos inteligentes
Año Ventas Tiempo Ventas Cat. 1 Cat. 2 Cat. 3 Tiempo (t) Ventas
1 4.80 1 4.80 1 0 0 1 4.80
4.10 2 4.10 0 1 0 2 4.10
6.00 3 6.00 0 0 1 3 6.00
6.50 4 6.50 0 0 0 4 6.50
2 5.80 5 5.80 1 0 0 5 5.80
5.20 6 5.20 0 1 0 6 5.20
6.80 7 6.80 0 0 1 7 6.80
7.40 8 7.40 0 0 0 8 7.40
3 6.00 9 6.00 1 0 0 9 6.00
5.60 10 5.60 0 1 0 10 5.60
7.50 11 7.50 0 0 1 11 7.50
7.80 12 7.80 0 0 0 12 7.80
4 6.30 13 6.30 1 0 0 13 6.30
5.90 14 5.90 0 1 0 14 5.90
8.00 15 8.00 0 0 1 15 8.00
8.40 16 8.40 0 0 0 16 8.40
5 7.18 17 7.18 1 0 0 17 7.18
6.66 18 6.66 0 1 0 18 6.66
8.53 19 8.53 0 0 1 19 8.53
8.98 20 8.98 0 0 0 20 8.98
 a b c d e
0.145625 -0.304375 -2.03375 -1.363125 6.06875

𝒚=𝒆+𝒅∗(𝑪𝒂𝒕_𝟏 )+𝒄∗(𝑪𝒂𝒕_𝟐 )+𝒃∗(𝑪𝒂𝒕_𝟑 )+𝒂∗(𝒕)

10.00

9.00

8.00

7.00

6.00

5.00

4.00

3.00

2.00

1.00

0.00
0 5 10 15 20 25