Taller Elaboración de Pronósticos en Excel

Una serie de tiempo es un

Cualitativos Suavización conjunto de observaciones
Métodos de
elaboración de Causal de una variable medida en
pronósticos puntos sucesivos en el
Cuantitativos Proyección de
tendencia tiempo o a lo largo de
Series de tiempo periodos sucesivos.

Proyección de En este hoja se presentan

tendencia ajustada varios procedimientos para
por la influencia analizar las series de tiempo.
estacional 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.
 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.
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
2008 2,747 4,000

2009 3,159
2010 3,317 3,000
2011 3,848
2,000

1,000
 4,000

3,000

2012 4,309 2,000

2013 4,094
2014 4,094 1,000
2015 4,299
2016 4,900 -
2000 2002 2004 2006 2008 2010 2012 2014 2016 2018 2020
2017 5,439
2018 5,004
2019 5,054

Tendencia No lineal
Año venta
2001 1,550
2002 1,788 Chart Title
2003 2,103
12,000
2004 2,520
2005 3,079
2006 3,725 10,000
2007 4,465
2008 5,300 8,000
2009 6,115
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
2018 9,801 -
2000 2002 2004 2006 2008 2010 2012 2014 2016 2018 2020
2019 9,990

Sin tendencia
 Año venta
2001 1,550
2002 1,395 Chart Title
2003 1,144 1,800
2004 1,373
1,600
2005 1,318
2006 1,160 1,400
2007 1,171
2008 1,312 1,200

2009 1,246 1,000

2010 1,047
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 -
2018 1,555 2000 2002 2004 2006 2008 2010 2012 2014 2016 2018 2020

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
Chart Title
1994 1,247 3,500
1995 1,310

3,000
 Chart Title
3,500

1996 1,349
1997 1,322 3,000
1998 1,256
1999 1,218
2000 1,206
2,500
2001 1,194
2002 1,254
2003 1,342
2,000
2004 1,449
2005 1,594
2006 1,833
2007 1,851 1,500

2008 1,944
2009 2,080
2010 2,246 1,000
2011 2,448
2012 2,522
2013 2,648 500
2014 2,807
2015 2,722
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
01/03/2016 293
01/04/2016 302
01/05/2016 318
01/06/2016 342
01/07/2016 365
01/08/2016 365
01/09/2016 319
01/10/2016 325
01/11/2016 297
01/12/2016 307
01/01/2017 279
01/02/2017 252
01/03/2017 311
01/04/2017 314
01/05/2017 338
01/06/2017 361
01/07/2017 377
01/08/2017 377
01/09/2017 336
01/10/2017 349 Chart Title
01/11/2017 316 500
01/12/2017 317
01/01/2018 288 450
01/02/2018 261
400
01/03/2018 313
01/04/2018 320 350
01/05/2018 355
01/06/2018 377 300
01/07/2018 394
01/08/2018 392 250
01/09/2018 356
200
01/10/2018 360
150

100
 250

200

01/11/2018 333 150

01/12/2018 344
01/01/2019 321 100
01/02/2019 300
01/03/2019 347 50
01/04/2019 356
-
01/05/2019 382 27/12/2014 10/05/2016 22/09/2017 04/02/2019 18/06/2020
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
de galones)
movil Chart Title
1 17
25
2 21
3 19 19 20
4 23 21
5 18 20 15
6 16 19
7 20 18 10

8 18 18
5
9 22 20
10 20 20 0
1 2 3 4 5 6 7 8 9 10 11 12 13
11 15 19
Ventas (miles de galones) Pronóstico del promedio movil
 5

0
1 2 3 4 5 6 7 8 9 10 11 12 13

12 22 19 Ventas (miles de galones) Pronóstico del promedio movil

13 18.5

Media Movil - Análisis de Datos

Ventas (miles
Semana
de galones)
1 17 #N/A #N/A
Media móvil
2 21 19 #N/A
3 19 20 1.58 20
4 23 21 1.58 Real

Valor
5 18 20.5 2.26 10
Pronóstico
6 16 17 1.90 0
7 20 18 1.58 1 2 3 4 5 6 7 8 9 10 11 12
8 18 19 1.58 Punto de datos
9 22 20 1.58
10 20 21 1.58
11 15 17.5 1.90
12 22 18.5 3.04

La suavización exponencial utiliza un promedio ponderado de valores de series de tiempo pasadas como pronóstico
 Ventas (miles
Semana
de galones)
1 17 #N/A #N/A
2 21 17 #N/A Suavización exponencial
3 19 17.8 #N/A
20
4 23 18.04 #N/A
Real

Valor
5 18 19.032 3.743509939437 10
Pronóstico
6 16 18.8256 3.005917718989
0
7 20 18.26048 3.349161057141
1 2 3 4 5 6 7 8 9 10 11 12
8 18 18.608384 2.006237705292
Punto de datos
9 22 18.4867072 1.947654682078
10 20 19.18936576 2.290508474872
11 15 19.351492608 2.111120181408
12 22 18.4811940864 3.262710636218
13 19.1849552691

Proyección de Tendencias

Año Ventas (miles)

t Yt Chart Title
1 21.6
35
2 22.9
3 25.5 30 f(x) = 1.1 x + 20.4
4 21.9 25

20

15
 35

30 f(x) = 1.1 x + 20.4

25
5 23.9
20
6 27.5
7 31.5 15
8 29.7
10
9 28.6
10 31.4 5
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 Chart Title

Restaurantes
estudiantil Trimestrales
250
1 2 58
2 6 105
200
3 8 88
f(x) = 5 x + 60
4 8 118
150
5 12 117
6 16 137
100
7 20 157
8 20 169
50
9 22 149
10 26 202
0
0 5 10 15 20 25 30
 100

50

0
30 210 0 5 10 15 20 25 30
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