METODOS DE SERIES DE TIEMPO

EJEMPLO PROMEDIO MOVIL MESES

MES VENTAS PROMEDIO MOVIL 3 MESES

Enero 100
Febrero 120
Marzo 130 Error Error abs
Abril 110 116.67 6.67 6.67
Mayo 140 120.00 - 20.00 20.00
Junio 150 126.67 - 23.33 23.33
Julio 160 133.33 - 26.67 26.67
Agosto 170 150.00 - 20.00 20.00
Septiembre 180 160.00 - 20.00 20.00
Octubre 190 170.00 - 20.00 20.00
Noviembre 200 180.00 - 20.00 20.00
Diciembre 210 190.00 - 20.00 20.00
176.67

EJEMPLO PROMEDIO MOVIL AÑOS

PROMEDIO VENTAS REALEPROMEDIO SIMPLE PROMEDIO

MOVIL 3 AÑOS
1995 1500
1996 750
1997 1250
1998 800
1999 1750
2000 900
2001 1400 1158 1167
2002 750 1292
2003 900 992
2004 1000 933
2005 500 925
2006 650 733
2007 1150 658
2008 850 875
2009 1200 1011 917

EJEMPLO PROMEDIO MOVIL PARA PRONOSTICO DE CRECIMIENTO.

Año Ventas Crecimiento
2018 86,419,516 104%
2019 89,646,787 101%
2020 90,159,667 124% 110.7%
2021 112,004,581 100%
2022 112,520,564 124%
 2023 140,069,718
Ppto. 2024 154,076,690 110%

EJEMPLO PROMEDIO MOVIL CON ERROR

Semana Ventas (Miles

de galones)
1 18
2 21
3 19 Pronostico Error Relativo Error abs
4 23 19 -4 4
5 22 21 -1 1
6 18 21 3 3
7 20 21 1 1
8 18 20 2 2
9 21 19 -2 2
10 20 20 0 0
11 18 20 2 2
12 21 20 -1 1
13 ? 20 17

EJEMPLO PROMEDIO MOVIL - SUAVIZAMIENTO EXPONENCIAL

Semana Ventas reales Pronosticos Error Relativo Error Abs

1 1,584
2 1,600
3 1,892
4 1,799 1,743 - 56 56
5 1,973 1,797 - 176 176
6 1,574 1,902 328 328
7 1,611 1,745 134 134
8 1,702 1,659 - 43 43
9 1,931 1,650 - 281 281
10 1,633 1,801 168 168
11 1,744 1,744 1,185
METODOS DE SERIES DE TIEMPO

DMA 19.63

PROMEDIO
MOVIL 5
AÑOS Error

Peso Año
2 Antiguo
4 Intermedio
6 Reciente

1090 -233 233

542 542
92 92
-67 67
425 425
83 83
-492 492
25 25
830 0
1958 244.791667
 Promedio: Sumar Cierta cantidad de datos y dividirlo dentro del numero de esos datos.
¿Por qué es promedio movil? Porque el dato mas reciente va sustituyendo al mas antiguo
¿Cuánto meses o años es recomendable tomar? Para saber, se tiene que hacer prueba y error y luego
medir la desviacion media de ese error para ver cuanto es realmente lo que nos va a dar un pronostico
preciso.
¿Cómo medimos la precision de este pronostico? Sacando el error
Error absoluto: Funcion ABS (Trae el numero absoluto)
Desviacion media absoluta DMA = promedio de los errores absolutosQue me sirve para saber la precision de mi p

DMA 1.85 ¿Qué significa este 1.85? Significa que mi pronostico de la semana 13 puede variar
monto arriba o abajo
ERROR ESPERADO O VALOR ESPERADO

Pesos
1 Antigua
2 Intermedia
3 Reciente

DMA 169
 prueba y error y luego
va a dar un pronostico

e para saber la precision de mi pronostico

o de la semana 13 puede variar ese

ajo
EJEMPLO DE METODO REGRESION LINEAL SIMPLE

Pronostico de crecimiento de ventas en unidades y en porcentaje

Año Ventas en miles Eje Y

2010 685
2011 698
2012 710 Ventas en m
2013 735 850
2014 745
2015 798
800 f(x) = 22.9642857142857 x + 649.8
2016 821
2017 ¿? Años , meses, trimestres, semanas
750
Año Ventas en miles
1 685 700
2 698
3 710 650
4 735
5 745
600
6 798 0 1 2 3 4
7 821
8 834 13 Incremento en unidades
1.53% Incremento en porcentaje
 Ventas en miles

x) = 22.9642857142857 x + 649.857142857143

2 3 4 5 6 7 8 Eje X
Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.884312734837862
Coeficiente de determinación R^2 0.782009012996419
R^2 ajustado 0.636681688327365
Error típico 16.1080671586074
Observaciones 6

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF
Regresión 2 2792.42385 1396.21193 5.38101843
Residuos 3 778.409483 259.469828
Total 5 3570.83333

Coeficientes Error típico Estadístico t Probabilidad

Intercepción 219.230603448276 86.2419217 2.54204219 0.08452845
Variable X 1 6.38146551724138 2.1801878 2.92702561 0.06114751
Variable X 2 -1.67083333333333 0.68446124 -2.4410927 0.09241012
 Valor crítico de F
0.1017789126106

Inferior 95% Superior 95%Inferior 95,0%

Superior 95,0%
-55.22968157326 493.690888 -55.2296816 493.690888
-0.556865077861 13.3197961 -0.55686508 13.3197961
-3.849094476833 0.50742781 -3.84909448 0.50742781
Resumen

Estadísticas de la regresión
Coeficiente d 0.88431273
Coeficiente d 0.78200901
R^2 ajustado 0.63668169
Error típico 16.1080672
Observacione 6

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 2 2792.42385 1396.21193 5.38101843 0.10177891
Residuos 3 778.409483 259.469828
Total 5 3570.83333

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%
Intercepción 219.230603 86.2419217 2.54204219 0.08452845 -55.2296816 493.690888 -55.2296816
Variable X 1 6.38146552 2.1801878 2.92702561 0.06114751 -0.55686508 13.3197961 -0.55686508
Variable X 2 -1.67083333 0.68446124 -2.4410927 0.09241012 -3.84909448 0.50742781 -3.84909448
Superior 95,0%
493.690888
13.3197961
0.50742781
EJEMPLO METODO REGRESION LINEAL MULTIPLE

Pronostico de ventas para el mes julio tomando en cuenta la publicidad y el precio en dolares

Y X1 X2
Precio
Publicidad (Dolares)
Mes Ventas en miles (Numero de anuncios)
Enero 33 3 125
Febrero 61 6 115
Marzo 70 10 140
Abril 82 13 130
Mayo 17 9 145
Junio 24 6 140
Julio 28 8 145

Publicidad Precio
Mes Ventas en miles (Numero de anuncios) (Dolares)
Enero 33 3 125
Febrero 61 6 115
Marzo 70 10 140
Abril 82 13 130
Mayo 17 9 145
Junio 24 6 140
Julio 40.77432215 10 145
recio en dolares

Y= a + b1X1 + b2X2

Pueden haber muchas mas X

Coeficientes
Intercepción 219.230603
Variable X 1 6.38146552
Variable X 2 -1.67083333

Y= 219,210603+(6,38146552*X1)+(-1,67083333*X2)

Coeficientes
Intercepción 219.230603
Variable X 1 6.38146552
Variable X 2 -1.67083333

y= 219,230603+(6,3814552*X1)+(-1,67083333*X2)