ESTADÍSTICA EN EXCEL: PRONÓSTICO DE VENTAS CONSIDERANDO LA TENDENCIA, ESTACIONALIDAD E INTERVALOS HD

Summary

En este video, se enseña a realizar un pronóstico de ventas utilizando modelos de series cronológicas. Se analiza gráficamente los datos de ventas mensuales de 2017 a 2019, se identifican componentes como tendencia y estacionalidad, y se calculan índices estacionales y un modelo de regresión para ajustar la tendencia. Se pronostica para 2020 y se evalúa la significancia del modelo con análisis de regresión en Excel.

Takeaways

• 📈 El video enseña a realizar un pronóstico de ventas utilizando modelos de series cronológicas.
• 📊 Se analiza gráficamente los datos de ventas mensuales desde 2017 hasta 2019 para identificar tendencias y estacionalidad.
• 📝 Se sugiere agregar una variable de tendencia para ajustar un modelo de regresión a los datos.
• 🔍 Se identifica una tendencia creciente en las ventas a lo largo del tiempo y una estacionalidad en los meses de octubre y abril o mayo.
• 📉 En octubre se presentan las ventas más bajas y en abril y mayo las más altas, lo que indica un patrón estacional.
• 🧮 Se calculan índices estacionales para cada mes dividiendo las ventas mensuales por el promedio anual correspondiente.
• 📚 Los índices estacionales se utilizan para ajustar el componente estacional en el pronóstico de ventas.
• ⚖️ Se estiman los componentes de tendencia y estacionalidad para construir un modelo de regresión que predice las ventas.
• 📉 El modelo de regresión incluye un intercepto y una pendiente que representan la tendencia de las ventas a través del tiempo.
• 🔮 Se hace un pronóstico intra-muestral y extra-muestral para las ventas del año 2020 utilizando el modelo de regresión y los índices estacionales.
• 📊 Se utiliza la herramienta de análisis de regresión en Excel para validar el modelo y calcular indicadores como el coeficiente de correlación y el error típico.
• 📉 Se construyen intervalos de confianza para los valores pronosticados, considerando un nivel de confianza del 95%.

Q & A

¿Qué es lo que se enseña en el video?

El video enseña cómo hacer un pronóstico utilizando modelos de series cronológicas con datos de ventas mensuales de 2017 a 2019.

¿Cuáles son los componentes de una serie cronológica que se pueden analizar en el video?

Los componentes que se pueden analizar son tendencia, estacionalidad, variaciones cíclicas e irregularidades.

¿Cómo se identifican las variaciones estacionales en los datos de ventas?

Se identifican observando los meses en los que las ventas presentan comportamientos similares a lo largo de los años, como en octubre, donde las ventas son bajas, y en abril y mayo, donde son altas.

¿Cómo se calculan los índices estacionales en el video?

Se calculan dividiendo cada observación de un mes en un año entre el promedio de ventas de ese año y luego se promedian los índices mensuales para obtener los índices estacionales.

¿Qué modelo de regresión se utiliza para ajustar la tendencia a los datos de ventas?

Se utiliza el modelo de regresión por mínimos cuadrados para encontrar la pendiente y el intercepto que ajustan la tendencia a los datos.

¿Cómo se hace el pronóstico intra-muestral en el video?

Se hace utilizando la fórmula del modelo de regresión (intercepto + pendiente * variable de tendencia) para los datos dentro del rango de observaciones disponibles.

¿Cómo se realiza el pronóstico para el año 2020 en el video?

Se extiende la variable de tendencia para el año 2020 y se multiplica por los índices estacionales y el modelo de tendencia para obtener los valores pronosticados.

¿Qué herramienta de Excel se usa para analizar la significancia del modelo de regresión?

Se utiliza la herramienta de análisis de regresión en Excel para calcular indicadores como el coeficiente de correlación, el error típico y la bondad de ajuste del modelo.

¿Qué porcentaje de la variabilidad en las ventas se explica el modelo de tendencia por sí solo?

El modelo de tendencia por sí solo explica el 41,16% de la variabilidad en las ventas.

¿Cómo se calculan los intervalos de confianza para las ventas pronosticadas?

Se calculan multiplicando los límites inferiores y superiores de los intervalos de confianza del modelo de regresión por los índices estacionales correspondientes.

¿Cómo se interpreta el resultado del análisis de regresión en el video?

El resultado se interpreta observando la significancia de los coeficientes, la bondad de ajuste del modelo, y los intervalos de confianza para evaluar la precisión del pronóstico.

Outlines

00:00

📊 Introducción al pronóstico con series cronológicas

El video comienza explicando cómo realizar un pronóstico utilizando modelos de series cronológicas. Se presenta una serie de datos de ventas mensuales desde 2017 hasta 2019. Inicialmente, se grafica esta información para analizar componentes de tendencia, estacionalidad, variaciones cíclicas y movimientos irregulares. Se observa que las ventas muestran una tendencia creciente y un patrón estacional evidente en ciertos meses.

05:03

📈 Cálculo de índices estacionales

El segundo párrafo se enfoca en el cálculo de los índices estacionales. Se describen los pasos para sumar las ventas anuales y calcular los promedios mensuales para cada año. Luego, se determina el porcentaje de ventas mensuales respecto al promedio anual, obteniendo así los índices estacionales. Finalmente, se verifica que la suma de estos índices sea del 1200%, asegurando su corrección.

10:06

📉 Estimación del componente de tendencia

En este párrafo, se detalla cómo estimar el componente de tendencia mediante un modelo de regresión lineal. Se explica el uso de fórmulas en Excel para calcular el intercepto y la pendiente de la tendencia, y se construye el modelo de regresión con estos valores. Posteriormente, se realiza un pronóstico intra muestral y se extiende la tendencia para prever las ventas en 2020.

15:08

🔢 Pronóstico y ajuste estacional

El cuarto párrafo trata sobre la combinación del modelo de tendencia y los índices estacionales para obtener el pronóstico final. Se multiplica cada valor estimado de la tendencia por el índice estacional correspondiente, generando así el pronóstico mensual para 2020. Además, se ilustra cómo graficar estos resultados y se menciona la validación del modelo mediante el análisis de regresión en Excel.

20:08

🧮 Validación y análisis de resultados

Aquí se profundiza en la validación del modelo de pronóstico. Se calcula el coeficiente de correlación y el coeficiente de determinación, y se analiza la significancia de los estimadores. Se describe cómo obtener intervalos de confianza para los pronósticos y se explica la importancia de estos en la interpretación de los resultados. También se compara el modelo con y sin el componente estacional.

🎬 Conclusión y despedida

El video concluye resumiendo el proceso de creación del pronóstico considerando los componentes de tendencia y estacionalidad. Se invita a los espectadores a compartir el video y suscribirse para más contenido similar. Se enfatiza la utilidad del gráfico de índices estacionales para el análisis referencial.

Keywords

💡Pronóstico

El pronóstico se refiere a la predicción o estimación de un fenómeno futuro basada en datos históricos. En el video, el pronóstico se realiza utilizando modelos de series cronológicas para predecir ventas mensuales a partir de los datos de 2017 a 2019.

💡Series Cronológicas

Las series cronológicas son secuencias de datos ordenados en el tiempo y son fundamentales en la estadística para el análisis y pronóstico de tendencias. En el video, se utiliza una serie de ventas mensuales para construir un modelo predictivo.

💡Tendencia

La tendencia es una componente de las series cronológicas que refleja un cambio sistemático y continuo en el tiempo. En el video, se identifica una tendencia creciente en las ventas a lo largo de los años analizados.

💡Estacionalidad

La estacionalidad es un patrón de variación periódica en las series cronológicas, generalmente relacionado con el tiempo. En el video, se observa una estacionalidad en las ventas, con picos en ciertos meses y谷底 en otros.

💡Regresión

La regresión es un método estadístico utilizado para modelar la relación entre una variable dependiente y una o más variables independientes. En el video, se ajusta un modelo de regresión para estimar la tendencia en las ventas.

💡Índices Estacionales

Los índices estacionales son valores normalizados que representan la variabilidad estacional en las series de tiempo. En el video, se calculan índices estacionales para cada mes basándose en el promedio de ventas anuales.

💡Mínimos Cuadrados

El método de mínimos cuadrados es una técnica para estimar los parámetros en un modelo de regresión de tal manera que los residuos (diferencias entre los valores observados y los valores predichos) sean mínimos. Es el método utilizado en el video para ajustar el modelo de tendencia.

💡Intercepto

El intercepto es el valor en el eje y cuando x es cero en un modelo de regresión. En el video, se calcula el intercepto para determinar el punto de inicio de la línea de tendencia en el modelo de ventas.

💡Pendiente

La pendiente es la tasa a la que varía la variable dependiente con respecto a la variable independiente en un modelo de regresión. En el video, la pendiente representa la tasa de crecimiento de las ventas a lo largo del tiempo.

💡Intervalos de Confianza

Los intervalos de confianza son rangos que proporcionan una medida de la incertidumbre asociada con los estimadores estadísticos. En el video, se calculan intervalos de confianza para los valores pronosticados de ventas, lo que permite evaluar la precisión del modelo.

💡Residuales

Los residuales son las diferencias entre los valores observados y los valores predichos por el modelo. En el análisis de regresión del video, los residuales se examinan para evaluar la buena ajuste del modelo a los datos.

💡Coeficiente de Correlación

El coeficiente de correlación mide la fuerza y dirección de la relación entre dos variables. En el video, se utiliza para determinar la relación entre el tiempo y las ventas, lo que indica si las ventas aumentan o disminuyen con el tiempo.

💡Coeficiente de Determinación (R²)

El coeficiente de determinación, o R cuadrado, indica la proporción de la variabilidad en la variable dependiente que es explicada por la variable independiente. En el video, R² se utiliza para medir la bondad del ajuste del modelo de regresión.

💡Error Típico

El error típico, también conocido como desviación estándar del estimador, es una medida de la precisión de los parámetros estimados en un modelo de regresión. En el video, se calcula para evaluar la variabilidad de las estimaciones de ventas.

Highlights

Se enseña cómo hacer un pronóstico utilizando modelos de series cronológicas.

Se analizan ventas mensuales desde el año 2017 hasta 2019.

Se agrega una variable de tendencia para ajustar un modelo de regresión.

Se analiza si la serie cronológica tiene tendencia, estacionalidad, variaciones cíclicas y movimientos irregulares.

Se identifica un comportamiento estacional en las ventas, especialmente en octubre.

Se asume que las ventas tienen una tendencia creciente a lo largo del tiempo.

Se calculan los índices estacionales para cada mes a través de la suma y promedio de las ventas anuales.

Se utiliza el método del porcentaje promedio para calcular los índices estacionales.

Se calcula la media o mediana de los índices estacionales para obtener los valores mensuales.

Se estima el componente de tendencia utilizando un modelo de regresión.

Se calcula el interceptó y la pendiente del modelo de regresión para ajustar la tendencia a los datos.

Se realiza un pronóstico intra-muestral y extra-muestral para el año 2020.

Se ajusta el pronóstico considerando los índices estacionales y la tendencia.

Se utiliza la herramienta de análisis de regresión en Excel para calcular indicadores del modelo de regresión.

Se calcula el coeficiente de correlación para evaluar la relación entre el tiempo y las ventas.

Se determina la bondad de ajuste del modelo con el R cuadrado.

Se calcula el error típico para construir intervalos de confianza.

Se analizan los residuales y la curva de regresión ajustada para evaluar la calidad del modelo.

Se calculan los intervalos de confianza para los valores estimados y pronosticados.

Se realiza un gráfico de los índices estacionales para analizar los valores referenciales.

Transcripts

hola como estan amigos en este vídeo voy

a enseñarles a hacer un pronóstico

utilizando modelos de series

cronológicas para tal efecto tenemos una

serie de datos que corresponden a las

ventas mensuales desde el año 2017 hasta

el año 2019 lo que podemos hacer en

primer lugar es analizar gráficamente

estos datos para ello volví a copiar los

datos en estas columnas que corresponden

las ventas que el es representado por la

variable i y el periodo que corresponde

a cada una de estas observaciones por

ejemplo para enero del 2017 las ventas

fueron de 300 para febrero del 2017 las

ventas fueron de 180 y así sucesivamente

hasta la última observación que es en

diciembre del 2019 que las ventas son de

460 en todo caso en la primera columna

le agregue lo que es la variable de

tendencia que nos va a servir

posteriormente para la estimación de

precisamente un modelo de regresión que

que ajuste la tendencia a los datos que

tenemos que simplemente es enumerando en

orden cronológico

del 1 hasta la última observación en

este caso son 36 observaciones como

podemos ver lo primero que podemos

analizar es ver si este modelo cuenta

con los componentes que tiene una serie

cronológica es decir si tiene tendencia

estacionalidad variaciones cíclicas y

movimientos irregulares de porcía

podríamos analizar que no podría

distinguirse así tal cual una variación

cíclica ya que las variaciones cíclicas

son comportamientos que se tienen a

largo plazo en cambio la estacionalidad

es un componente de fluctuaciones a

corto plazo por lo que es muy probable

que pueda darse en el comportamiento de

esta variable entonces para analizar

esos componentes vamos a hacer un

gráfico insertamos el gráfico de

dispersión con líneas rectas y

marcadores donde ponemos el valor

observado de las ventas entonces por

como podemos apreciar aquí en el gráfico

en los meses de octubre de 2017 2018 y

2019 podemos apreciar que las ventas

tienen un comportamiento estacional ya

que en este mes es donde se presencia

ventas más bajas en todas las gestiones

por el mes de abril y mayo de 2017 abril

y mayo de 2018 y abril y mayo de 2019 es

cuando se dan las ventas más altas por

lo tanto podríamos asumir que este

modelo evidentemente puede contar con el

componente estacional y así como el

componente de tendencia que en todo caso

podemos apreciar intuitivamente que las

ventas van de forma creciente a lo largo

del tiempo

entonces para estimar primeramente las

variaciones estacionales debemos

calcular los correspondientes índices

estacionales para cada mes de todas las

observaciones del periodo estudiado en

todo caso podemos calcular primeramente

los totales que simplemente es la suma

de las ventas de los años

correspondientes en este caso para el

año 2017 aplicamos la fórmula suma

seleccionamos todos los datos y ponemos

enter para el año 2018 y 19 simplemente

podemos estirar esta fórmula extenderla

hasta dicho año entonces ya tenemos la

suma

el total de las ventas para cada año y

para calcular el promedio simplemente

ponemos la fórmula promedio

y seleccionamos las ventas

correspondientes de todos los meses del

año 2017 ponemos enter y ya tenemos el

promedio de las ventas desde enero hasta

diciembre en todo caso el promedio para

2017 es de 223 y si estiramos esta

fórmula para los demás años ya tenemos

el promedio de las ventas para el año

2018 y 2019 para ajustar el componente

estacional en todo caso podemos emplear

uno de los métodos más sencillos del

cálculo de índices estacionales que es

por el porcentaje promedio en todo caso

lo que debemos hacer es dividir cada

observación de un determinado mes en un

determinado año entre el promedio de ese

año en este caso del 2017 y para la

primera observación dividimos 300 entre

223 punto 33

para truncar este valor del promedio

vamos a poner el signo de dólar al

centro para que cuando extendemos la

fórmula hacia la derecha pueda recorrer

conjuntamente con los años que

requerimos

ahí tenemos un porcentaje mensual de 130

y 4.3 por ciento en enero del 2017 y así

sucesivamente podemos extender la

fórmula hacia abajo y tenemos para todo

el año 2017 y para los años 2018 y 19

hacia la derecha y ya tendríamos todos

los porcentajes mensuales para el índice

estacional lo que podemos hacer es

calcular la media o la mediana de los

porcentajes mensuales correspondientes a

los meses de enero febrero hasta el mes

de diciembre en todo caso puedo utilizar

para este ejemplo el promedio empleando

la fórmula promedio seleccionamos los

porcentajes mensuales que corresponden

al mes de enero y apretamos enter y ya

tenemos el índice estacional que

corresponde al mes de enero y así

podemos estirar la fórmula hasta el mes

de diciembre y ya tenemos todos los

índices estacionales para todos los

meses

sumando estos índices estacionales debe

darnos un total de 1200 % en este caso

no requiere de ninguna corrección ya que

la suma de índices estacionales es igual

a mil doscientos por ciento exactamente

una vez que ya tenemos los índices

estacionales podemos pasar al siguiente

paso que es estimar el componente de

tendencia para tal efecto

podemos agarrar los datos que tenemos

correspondientes a la variable de

tendencia que es la codificación de cada

periodo y la variable ya que

corresponden a las ventas vamos a

estimar un modelo de regresión que

ajuste los datos de las ventas a la

tendencia que existe es decir las ventas

en función de la tendencia por lo tanto

para eso excel tiene fórmulas exclusivas

para aplicar la estimación por el método

de mínimos cuadrados para hallar el

interceptó a la intersección debemos

adoptar la fórmula interceptar o

intersección eje en todo caso aquí

tenemos seleccionamos

los datos que corresponden a las ventas

y los datos que corresponden a la

variable de tendencia es decir la

variable independiente ponemos enter y

tenemos el valor del interceptó de 196

punto 33

podemos omitir el stop entonces para

hallar el valor de la pendiente o el

estimador de la pendiente debemos

adoptar la fórmula estimación línea

seleccionamos las observaciones que

corresponden a las ventas ponemos punto

y coma seleccionamos las observaciones

que corresponden a la codificación de la

variable de tendencia ponemos punto y

coma ahí nos dice que se establece b

igual a cero bueno en todo caso esta vez

hace referencia a lo que nosotros hemos

puesto como a que es el interceptó pero

en todo caso como estamos calculando el

valor del interceptó entonces tenemos

que poner verdadero que cuando el

interceptó se calcula normalmente y esto

lo podemos dejar en blanco porque no

vamos a requerirlo

y ya tenemos ahí el valor de la

pendiente del modelo es de 5.83 entonces

armamos nuestro modelo de regresión que

nos va a servir para la estimación para

el siguiente año que es 196 punto 33 más

5.83 x la variable de tendencia aquí ya

tenemos una columna que nos dice y

estimado y podemos hacer primero el

pronóstico intra muestral que en todo

caso es 196 punto 33 más 5.83

multiplicado por el valor de la variable

de tendencia en todo caso podemos poner

aquí podemos truncar las el valor del

interceptor y de la pendiente ponemos

enter y ya tenemos el valor estimado en

la variable ventas entonces si nosotros

extendemos la fórmula hacia la última

observación ya tendríamos el valor

estimado intra muestral es decir dentro

de las observaciones en consideración y

para realizar el pronóstico

correspondiente para el año 2020 lo

único que debemos hacer es agregar

los elementos que se ven aquí que es

extendiendo la variable de tendencia a

partir de la última observación que

nosotros tenemos si sabemos que para

diciembre de 2019 es igual a 36 para

enero de 2020 va a ser 37 febrero de

2020 va a ser 38 y así sucesivamente

hasta la última observación en la que

nosotros vamos a hacer el pronóstico es

decir en diciembre del 2020 que

corresponde al valor de 48 simplemente

lo que debemos hacer es extender la

fórmula hasta este valor y en todo caso

tendríamos la estimación que corresponde

para el año 2020 una vez que ya hemos

estimado la tendencia lo que prosigue es

que nosotros copiamos los sin el valor

de los índices estacionales a los

valores que queremos pronosticar pegamos

simplemente los valores y ya tenemos

aquí los índices estacionales que

corresponden para cada mes para enero

2020 febrero 2020 y así sucesivamente

posteriormente lo que debemos hacer es

multiplicar cada valor estimado por la

tendencia por el modelo de tendencia

multiplicado por el valor del índice

estacional correspondiente a dicho mes

en este caso al mes de enero que es de

120 puntos 5 por ciento presionamos

enter y ya tenemos el valor pronosticado

para enero de 2020 extendiendo la

fórmula tendríamos todos los valores

pronosticados o estimados para el año

2020 y si nosotros gustamos hacerle un

gráfico en todo caso lo que deberíamos

hacer es graficar primeramente el

periodo de tiempo

la variable ventas y el valor estimado

de las ventas para el año 2020 entonces

insertamos gráfico y ya tendríamos aquí

el pronóstico que está representado por

el color naranja y el valor observado

que está representado por el color azul

en todo caso podemos ver de mejor manera

aquí lo vamos a trasladar que tenemos un

pronóstico para enero del 2020 de 496

ventas las ventas en febrero serán de

354 355 en marzo de 2020 serán de 433 en

abril del 2020 serán de 506 y así

sucesivamente hasta la última

observación que en todo caso es

diciembre de 2020 que serán las ventas

esperadas de 596 y así es como se

realizaría un pronóstico tomando en

cuenta el componente de tendencia y las

variaciones estacionales para ver si

efectivamente el modelo de tendencia es

significativo lo que podemos hacer es

aplicar la herramienta de análisis de

regresión en excel lo que debemos hacer

es irnos a datos análisis de datos y nos

da la opción de regresión donde nos dice

rango y de entrada seleccionamos el

valor observado de las ventas incluyendo

los rótulos para donde nos dice zhang o

x de entrada seleccionamos los valores

de nuestra variable de tendencia podemos

incluir rótulos

no seleccionamos ninguno

podemos poner en una hoja nueva que nos

diga regresión

podemos marcar los residuales el gráfico

de residuales y la curva de regresión

ajustada podemos aceptar y ya calcular

los indicadores correspondientes al

modelo de regresión estimada lo que

podemos rescatar de estos indicadores es

el coeficiente de correlación que en

todo caso nos indica una relación

directa entre el tiempo y las ventas que

nos dice que si tiene un signo positivo

y un valor que se acerca bastante a uno

existe con relación lineal directa es

decir que a medida que pasa el tiempo

las ventas se van incrementando podemos

seleccionarlo como en amarillo los

indicadores que estamos analizando el

ere cuadrado es la bondad de ajustes del

modelo que efectivamente la tendencia

influye en las ventas en un 45 punto 61

por ciento tomando en cuenta que es un

porcentaje bajo no es realmente

importante ya que nosotros le hemos

agregado el componente estacional a

nuestro pronóstico así que no habría

mucho de que preocuparse en este sentido

el error típico es aquella

habilidad que existe alrededor del

modelo de regresión en todo caso nos

puede servir para la construcción de los

intervalos de confianza tanto para los

estimadores como los valores de

pronóstico en todo caso tendríamos para

la estimación los coeficientes de 196

punto 33 y 5.83 que corresponden a el

interceptor y la pendiente

respectivamente podemos apreciar que

ambos indicadores son significativos

debido a que la probabilidad de su

estadístico t es menor a un nivel de

significación que nosotros podríamos

asignarle por ejemplo el 5% en estos

valores son menores en todo caso al 5%

como podemos apreciar de esta forma

también tenemos el valor de los

intervalos de confianza a un 95% del

nivel de confianza que el cero no se

encuentra entre los límites inferior y

superior de ambos estimadores por lo que

podríamos consolidar la significancia de

ambos estimadores y decir que aquel

modelo

efectivamente es es válido de manera

global considerando que el valor crítico

de f es decir la probabilidad del valor

crítico calculado de la distribución f

de fisher también es menor al 5%

tenemos la gráfica de residuales tenemos

aquí el valor de los residuales o

también tenemos el gráfico de la curva

de regresión ajustada solamente a la

tendencia podemos aquí hacerle algunas

modificaciones

aquí también podríamos calcular

manualmente el coeficiente de

correlación que simplemente es anotando

la fórmula de coeficiente de correlación

seleccionando los valores de la variable

de tendencia y los valores observados de

la variable ventas para el coeficiente

de terminación podríamos elevar el

coeficiente de correlación al cuadrado o

simplemente anotar la fórmula

coeficiente r2 seleccionamos los valores

observados de la variable ventas

posteriormente los valores de la

variable de tendencia presionamos enter

y ya tenemos ahí un coeficiente de

determinación del 41

punto 16 % que es el mismo que nos ha

generado automáticamente mediante la

herramienta análisis de datos el error

típico nada más es anotando la fórmula

error típico xy seleccionando los

valores de y posteriormente los valores

de x que en todo caso es la variable de

tendencia para la suma total de

cuadrados de las variables de tendencia

simplemente debemos anotar igual a sumar

cuadrados de la variable de tendencia

restando a el cuadrado de la suma

de los valores de x es decir de la

variable de tendencia elevando al

cuadrado y dividiendo entre el número de

observaciones que en este caso es 36 y

tenemos una suma total de cuadrados de x

de 3.885 y la media de los valores de la

variable de tendencia en todo caso es

promedio de nuevamente 2

valor este que es de 18.5

ahora el valor crítico de tablas que

corresponde a la distribución de the

student aquí podemos

especificar que es a un 0.05 anotar la

fórmula inversión de a dos colas la

probabilidad como dijimos es el 0.05 que

es nuestro nivel de significación y

nuestros grados de libertad es n menos 2

en todo caso 36 menos 2 es decir 34

grados de libertad tenemos un valor

crítico de tablas de 2.03 una vez que ya

hemos definido todos estos indicadores

procedemos a calcular la desviación

estándar que en todo caso es el error

típico de la regresión o es decir el

error estándar de estimación

multiplicado por la raíz de uno más uno

sobre el número de observaciones que es

36 sumado el valor de la variable de

tendencia en el período correspondiente

menos el promedio de la variable de

tendencia que en todo caso es 18.5

elevado al cuadrado y todo esto dividido

entre la suma total de cuadrados de la

variable independiente que es la

variable de tendencia estirando las

fórmulas tenemos las desviaciones

estándar

del valor estimado de la variable ventas

para definir el límite inferior

simplemente restamos el valor estimado

de las ventas menos el estadístico t de

tablas correspondiente a la distribución

td student con 5 % de nivel de

significación y a 34 grados de libertad

x la desviación estándar que corresponde

a cada observación en todo caso para la

primera tenemos un límite inferior de 61

puntos 17 y para el límite superior es

el mismo procedimiento simplemente con

signo positivo

estirando las fórmulas ya tener ya

tendríamos los intervalos de confianza

para los valores estimados los que nos

importan más que todo es los valores

pronosticados

estos valores pronosticados podemos

multiplicar cada límite y ya sea

inferior y superior por los índices

estacionales correspondientes así

teniendo un pronóstico más certero

tomando en cuenta intervalos de

confianza en este caso de un 95% que es

simplemente el restante del nivel de

significación que es del 5% entonces a

un 95% podríamos asumir que las ventas

en enero podrían estar entre los 326 y

los 667 unidades monetarias y así

sucesivamente hasta la última que puede

en la que podríamos interpretar de la

misma forma que en diciembre de 2020 a

un 95% de nivel de confianza

las ventas estarían entre los 409 y 784

unidades monetarias aquí tenemos el

y correspondiente a los intervalos de

confianza donde la línea en amarillo es

el límite superior y la línea en gris es

el límite inferior y como vimos la línea

naranja es el valor estimado central que

es el valor promedio estimado y así es

como se realiza un el pronóstico o una

estimación para las ventas considerando

los componentes de tendencia y de

estacionalidad también podríamos hacer

un gráfico de los índices estacionales

para analizar los valores referenciales

correspondientes a estos índices

entonces eso sería todo por el vídeo de

hoy y no olvides darle like y

compartirlo para más vídeos así nos

vemos en un próximo vídeo