Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
ES UNA ESTIMACIN
CUANTITATIVA O CUALITATIVA DE
UNO O VARIOS FACTORES
(VARIABLES) QUE CONFORMAN UN
EVENTO FUTURO, CON BASE EN
INFORMACIN ACTUAL O DEL
PASADO
1
PORQU?
La empresa se mueve en un contexto
altamente incierto
Poltica, tecnologa y medio ambiente
repercuten sobre variables relevantes para la
empresa: costos de produccin, inventarios,
volumen de ventas
La empresa debe tomar decisiones sobre
Factores Controlables tomando en cuenta
Factores Incontrolables.
FACTORES CONTROLABLES
AQUELLOS SOBRE LOS CUALES LA
EMPRESA DECIDE SU ESTRUCTURA,
NIVELES, POLTICA Y MODO DE
OPERAR:
NIVELES DE PRODUCCIN
NIVELES DE INVENTARIO
CAPACIDAD
3
FACTORES
INCONTROLABLES
QU PRONOSTICAR?
LA EMPRESA REQUIERE PREDECIR
FACTORES
INCONTROLABLES:MERCADO,
ENTORNO, ECONOMA, QUE SON
INCIERTOS, PARA DECIDIR
(PLANEAR) SOBRE FACTORES
CONTROLABLES: NIVELES DE
INVENTARIO, DE PRODUCCIN,
CAPACIDAD.
OBJETIVO
REDUCIR LA INCERTIDUMBRE DEL
FUTURO, MEDIANTE LA
ANTICIPACIN DE EVENTOS CUYA
PROBABILIDAD DE OCURRENCIA
SEA RELATIVAMENTE ALTA,
RESPECTO A OTROS EVENTOS
POSIBLES.
6
CLASIFICACIN DE
PRONSTICOS
HORIZONTE DE PLANEACIN
CLASIFICACIN DE
PRONSTICOS
POR REAS DE LA EMPRESA
MERCADOTECNIA: crecimiento del mercado,
pronsticos econmicos y poblacionales
PRODUCCIN: programas de expansin,
pronstico de la demanda a mediano y largo plazo
FINANZAS: presupuesto de gastos, ventas del
prximo ao
CLASIFICACIN DE
TCNICAS DE PRONSTICOS
POR TIPO DE DATOS
CUALITATIVAS: tcnicas subjetivas. Utilizan
informacin cualitativa (experiencia de expertos).
CUANTITATIVAS: se basan en datos numricos
y utilizan herramienta matemtica y estadstica
para su elaboracin.
9
TCNICAS CUALITATIVAS
LA MISMA TCNICA USADA POR DOS
EXPERTOS DISTINTOS PUEDE PRODUCIR
RESULTADOS DIFERENTES
INVESTIGACIN DE MERCADOS
ANALOGAS HISTRICAS
MTODO DELPHI
CONSENSO GENERAL
IMPACTO CRUZADO
ANLISIS DE ESCENARIOS
10
INVESTIGACIN DE
MERCADOS
OBTENER INFORMACIN ACERCA
DEL COMPORTAMIENTO REAL DEL
MERCADO, MEDIANTE ENCUESTAS
DIRIGIDAS AL PBLICO
CONSUMIDOR O A PARTIR DE LA
EXPERIENCIA DE VENDEDORES,
PARA CONCLUIR SOBRE EL
COMPORTAMIENTO FUTURO
11
ANALOGAS HISTRICAS
SE FUNDAMENTA EN UN ANLISIS
COMPARATIVO DE CASOS
SIMILARES AL QUE SE ESTUDIA.
TRATA DE RECONOCER PATRONES
DE SIMILITUD PARA SACAR
CONCLUSIONES Y OBTENER UN
PRONSTICO: productos similares,
producto en otros mercados, etc.
12
MTODO DELPHI
PRETENDE LLEGAR A UN CONSENSO
A TRAVS DE LA OPININ DE
EXPERTOS, EVITANDO LA
CONFRONTACIN DE LOS MISMOS,
YA QUE NO EXISTE UNA
INTERACCIN DIRECTA ENTRE LOS
PARTICIPANTES. ESTOS EXPRESAN
LIBREMENTE SUS OPINIONES.
13
MTODO DELPHI
Los expertos responden un cuestionario
Se obtiene la media y desviacin de cada pregunta
Se pide justificar respuesta a aquellos que se
encuentran fuera del rango de dos o mas
desviaciones, sobre la media de cada pregunta.
Se pasa esta opinin a todos los participantes y se
vuelve a aplicar el cuestionario
14
MTODO DELPHI
El proceso se repite hasta lograr un
consenso en las diferentes preguntas o hasta
identificar subgrupos de opiniones
Con la informacin obtenida se procede a la
toma de decisiones.
15
CONSENSO GENERAL
SE RENE A UN GRUPO DE
EXPERTOS
A PARTIR DE UNA LLUVIA DE IDEAS
SE ESTABLECEN DISCUSIONES
HASTA LLEGAR A UN ACUERDO QUE
REFLEJE EL SENTIR DE LA MAYORA
16
IMPACTO CRUZADO
DESARROLLAR UNA MATRIZ PARA
ESTUDIAR LOS EFECTOS DE
DIVERSOS FACTORES SOBRE LA
PROBABILIDAD DE OCURRENCIA DE
UN EVENTO, AS COMO EL IMPACTO
QUE ESTA PUEDA TENER EN OTRA
SERIE DE EVENTOS
17
IMPACTO CRUZADO
Determinar los eventos a incluirse en el
estudio
Estimar la probabilidad inicial de cada
evento y la probabilidad condicional de
cada par de eventos
Seleccionar eventos en forma aleatoria y
calcular su repercusin sobre los dems
eventos como resultado de la ocurrencia o
no del evento elegido.
18
ANLISIS DE ESCENARIOS
Describir diferentes escenarios futuros
posibles (mas probable, probable, poco
probable) considerando factores que los
determinen (cambios en la poblacin,
inflacin, variacin de la demanda) para
reconocer las implicaciones a largo plazo
de los cambios posibles
19
TCNICAS CUANTITATIVAS
INFORMACIN: REQUIEREN DE
DATOS HISTRICOS DE LAS
VARIABLES INVOLUCRADAS
TCNICAS CUANTITATIVAS
EXTRAPOLATIVAS: ajustes de curvas y
mtodos de suavizamiento. Los patrones
observados en el pasado se proyectan al futuro
ANLISIS DE SERIES DE TIEMPO: mtodos
de descomposicin y modelos ARIMA
(autorregresivos, integrados y promedios mviles)
MODELOS CAUSALES: modelos economtricos
(regresin)
21
ETAPAS DE UN PRONSTICO
DEFINIR EL PROPSITO
RECOLECTAR DATOS: fuentes primarias o
secundarias
PREPARAR LOS DATOS:ordenar y clasificar
SELECCIONAR LA TCNICA ADECUADA:
cualitativa o cuantitativa
EJECUTAR EL PRONSTICO: estimar errores
DAR SEGUIMIENTO: confrontar con
informacin actual
22
ETAPAS DE UN PRONSTICO
SELECCIN DE LA TCNICA ADECUADA:
LA MEJOR TCNICA ES AQUELLA QUE
23
TIPOS DE DATOS
OBSERVADOS EN UN MOMENTO
PRECISO DEL TIEMPO: un da, una hora,
una semana, etc.. Ejemplo: observar una
caracterstica en una muestra de productos
para controlar calidad, ingreso de la
poblacin, grado de escolaridad de
empleados, etc...
Objetivo: extrapolar a toda la poblacin las
caractersticas de la muestra
24
TIPO DE DATOS
SERIES DE TIEMPO: una sucesin
cronolgica de observaciones de una
variable a intervalos iguales de tiempo.
Ejemplo: ventas trimestrales de los ltimos 5
aos, desempleo en los ltimos aos, precio
de un producto en el tiempo, etc..
Objetivo: analizar patrones del pasado que
puedan extrapolarse al futuro
25
PATRONES O COMPONENTES DE
UNA SERIE DE TIEMPO
TENDENCIA: componente de muy largo
plazo
CICLICIDAD: componente de largo plazo
ESTACIONALIDAD:componente de corto
plazo
FACTOR ALEATORIO: componente de
muy corto plazo
26
TENDENCIA
COMPONENTE DE MUY LARGO PLAZO QUE REPRESENTA EL CRECIMIENTO O DECRECIMIENTO DE
LOS DATOS EN UN PERODO EXTENDIDO
Crecimiento de la poblacin
Inflacin
Ventas de un producto en su etapa de crecimiento
en el ciclo de vida
27
40000
30000
20000
10000
0
55
60
65
70
75
80
85
SEARS
28
ESTACIONALIDAD
PATRN DE CAMBIO QUE SE REPITE AO CON AO
EN EL MISMO NMERO DE PERODOS
FUERZAS QUE AFECTAN Y EXPLICAN ESTACIONALIDAD:
PERODOS ESCOLARES
PERODOS VACACIONALES
PRODUCTOS DE ESTACIN
ESTACIONES DEL AO
29
ESTACIONALIDAD
180
160
140
120
100
80
60
81
82
83
84
85
86
87
88
89
90
MURPHY
30
CICLICIDAD
FLUCTUACIN ALREDEDOR DE LA TENDENCIA
QUE SE REPITE PERO A INTERVALOS DISTINTOS Y
CON AMPLITUDES DISTINTAS
FUERZAS QUE AFECTAN Y EXPLICAN CICLICIDAD:
CICLICIDAD
400
350
300
250
200
150
100
60
65
70
VENTAS
75
80
85
90
TENDENCIA
32
FACTOR ALEATORIO
MIDE LA VARIABILIDAD DE UNA SERIE CUANDO
LOS DEMS COMPONENTES SE HAN ELIMINADO
O NO EXISTEN
FUERZAS QUE AFECTAN Y EXPLICAN ALEATORIEDAD
CAMBIOS CLIMTICOS
DESASTRES NATURALES
HUELGAS
HECHOS FORTUITOS
33
SERIE ALEATORIA:generada
por nmeros aleatorios
1000
800
600
400
200
0
5
10
15
20
25
30
ALEA
34
SERIE ESTACIONARIA
SERIE CUYO VALOR PROMEDIO NO CAMBIA
A TRAVS DEL TIEMPO
FUERZAS QUE AFECTAN Y EXPLICAN
ESTACIONARIEDAD
SERIE ESTACIONARIA
1000
800
600
400
200
85
86
87
88
VENTAS
89
90
91
92
TENDENCIA
36
400
300
200
100
60
65
70
75
80
85
90
VENTAS
CICLO
TENDENCIA
37
PATRONES Y
CORRELOGRAMAS
Una forma de saber si la serie tiene Tendencia,
Estacionalidad, es una serie Aleatoria o una serie
Estacionaria es mediante la observacin del
Correlograma.
Correlograma: grfica que muestra los coeficientes de
autocorrelacin de la serie
38
AUTOCORRELACIN
CORRELACIN DE LA SERIE CON ELLA
MISMA REZAGADA UNO O VARIOS
PERODOS
rk=
(Yt-Y) (Yt-k - Y)
(Yt -Y)
39
TENDENCIA
50000
40000
30000
20000
10000
0
55
60
65
70
75
80
85
SEARS
40
SERIE DE DIFERENCIAS
Para quitar la tendencia a la serie se usa el Mtodo
de Diferencias: se genera una nueva serie en la
cual cada observacin es la diferencia de la
observacin t y la observacin t-1 de la serie
original.
Dif t = Yt - Yt-1
41
ESTACIONALIDAD
180
160
140
120
100
80
60
81
82
83
84
85
86
87
88
89
90
MURPHY
42
ESTACIONALIDAD
40
20
-20
-40
-60
81
82
83
84
85
86
87
88
89
90
D(MURPHY)
43
SERIE ALEATORIA
1000
800
600
400
200
0
5
10
15
20
25
30
ALEA
SERIE ESTACIONARIA
50000
40000
30000
20000
10000
0
-10000
55
60
65
SEARS
70
75
80
85
DSEARS
45
TCNICAS
EXTRAPOLATIVAS
NOTACIN:
Yt : observacin en el perodo t
Ft: pronstico para el perodo t
et= Yt - Ft : residuo en el perodo t
Los residuos permiten observar que tan
bueno es el modelo para pronosticar
perodos pasados
46
MEDIDAS DE ERROR
SIRVEN
PARA
EVALUAR
LA
UTILIDAD DE UNA TCNICA DE
PRONSTICOS, CALCULANDO UNA
MEDIDA GLOBAL DE LOS RESIDUOS.
RESIDUOS: LA DIFERENCIA ENTRE
EL VALOR REAL DE LA VARIABLE Y
EL VALOR ESTIMADO POR EL
MODELO
47
MEDIDAS DE ERROR
LAS MEDIDAS DE ERROR SE
CALCULAN SOBRE UNA RANGO DE
DATOS DE PRUEBA COMN ( a todos
los modelos) CONSTITUIDO POR K
OBSERVACIONES HISTRICAS Y
REALIZANDO LOS PRONSTICOS
CORRESPONDIENTES
CON
LA
TCNICA SELECCIONADA
48
MEDIDAS DE ERROR
ERROR MEDIO (ME) :
ME =
ei
identifica sesgo
ei | distancia promedio
TRIM. 4
400.0000
300.0000
400.0000
550.0000
600.0000
650.0000
700.0000
NA
NA
50
MODELOS NAIVE
TILES CUANDO LA INFORMACIN MAS
RELEVANTE ES LA DE LOS PERODOS MAS
RECIENTES
MODELO 1: F t+1= Yt
MODELO 2: F t+1= Yt +(Yt - Yt-1)
MODELO 3: Ft+1=Yt-3
51
1000
800
600
400
200
0
85
86
87
88
89
ACM E
90
91
92
93
ACM E1
52
500
-500
-1000
85
86
87
88
89
90
91
92
RES1
53
MODELOS NAIVE:
F t+1= Yt +(Yt - Yt-1)
ACME ACME2
500.0000 NA
350.0000 NA
250.0000 200.0000
400.0000 150.0000
450.0000 550.0000
350.0000 500.0000
200.0000 250.0000
300.0000 50.00000
350.0000 400.0000
200.0000 400.0000
150.0000 50.00000
400.0000 100.0000
550.0000 650.0000
350.0000 700.0000
250.0000 150.0000
550.0000 150.0000
550.0000 850.0000
400.0000 550.0000
1200
1000
800
600
400
200
0
85
86
87
88
89
ACM E
90
91
ACM E2
92
93
54
MODELOS NAIVE:
F t+1= Yt +(Yt - Yt-1)
1000
500
-500
-1000
85
86
87
88
89
90
91
92
RES2
55
1000
800
600
400
200
0
85
86
87
88
89
ACME
90
91
ACME3
92
93
56
500
-500
-1000
85
86
87
88
89
90
91
92
RES3
57
ERRORES
OBS
1985.1
1985.2
1985.3
1985.4
1986.1
1986.2
1986.3
1986.4
1987.1
1987.2
1987.3
1987.4
1988.1
1988.2
1988.3
1988.4
RES1
NA
-150.0000
-100.0000
150.0000
50.00000
-100.0000
-150.0000
100.0000
50.00000
-150.0000
-50.00000
250.0000
150.0000
-200.0000
-100.0000
300.0000
RES2
NA
NA
50.00000
250.0000
-100.0000
-150.0000
-50.00000
250.0000
-50.00000
-200.0000
100.0000
300.0000
-100.0000
-350.0000
100.0000
400.0000
RES3
NA
NA
NA
NA
-50.00000
0.000000
-50.00000
-100.0000
-100.0000
-150.0000
-50.00000
100.0000
200.0000
150.0000
100.0000
150.0000
OBS
1989.1
1989.2
1989.3
1989.4
1990.1
1990.2
1990.3
1990.4
1991.1
1991.2
1991.3
1991.4
1992.1
1992.2
1992.3
RES1
0.000000
-150.0000
-50.00000
250.0000
150.0000
-250.0000
-100.0000
250.0000
200.0000
-250.0000
-150.0000
250.0000
-150.0000
-150.0000
100.0000
RES2
-300.0000
-150.0000
100.0000
300.0000
-100.0000
-400.0000
150.0000
350.0000
-50.00000
-450.0000
100.0000
400.0000
-400.0000
0.000000
250.0000
RES3
0.000000
50.00000
100.0000
50.00000
200.0000
100.0000
50.00000
50.00000
100.0000
100.0000
50.00000
50.00000
-300.0000
-200.0000
50.00000
58
MEDIDAS DE ERROR
ME
MODELO1
MODELO2
MODELO3
MSE
MAD
MAPE
3.7037 29074.07
151.85
0.3548
-1.8518 61759.26
209.25
0.4809
24.074 14166.67
98.148
0.2427
59
MODELO DE LA MEDIA
TOTAL
Ft+1 =
Yt
n
MODELOS DE PROMEDIOS
MVILES (simples de orden 3)
Ft+1
Yt + Yt-1 + Yt-2
3
61
PROMEDIO MVIL DE
ORDEN 2
1000
800
600
400
200
0
85
86
87
88
89
ACM E
90
91
92
93
M A(2)
62
PROMEDIO MVIL DE
ORDEN 3
1000
800
600
400
200
85
86
87
88
89
ACM E
90
91
M A(3)
92
93
63
PROMEDIO MVIL DE
ORDEN 4
1000
800
600
400
200
0
85
86
87
88
89
AC M E
90
91
92
93
M A(4)
64
= At +p* Bt
1200
1000
800
600
400
200
0
85
86
87
88
ACME
89
90
91
92
PRON
65
PM1
PM2
AT
BT
PRON
500.0000
350.0000
250.0000
400.0000
450.0000
350.0000
200.0000
300.0000
350.0000
200.0000
150.0000
400.0000
550.0000
350.0000
250.0000
550.0000
550.0000
400.0000
350.0000
600.0000
750.0000
500.0000
400.0000
650.0000
850.0000
600.0000
450.0000
700.0000
550.0000
400.0000
NA
425.0000
300.0000
325.0000
425.0000
400.0000
275.0000
250.0000
325.0000
275.0000
175.0000
275.0000
475.0000
450.0000
300.0000
400.0000
550.0000
475.0000
375.0000
475.0000
675.0000
625.0000
450.0000
525.0000
750.0000
725.0000
525.0000
575.0000
625.0000
475.0000
NA
NA
362.5000
312.5000
375.0000
412.5000
337.5000
262.5000
287.5000
300.0000
225.0000
225.0000
375.0000
462.5000
375.0000
350.0000
475.0000
512.5000
425.0000
425.0000
575.0000
650.0000
537.5000
487.5000
637.5000
737.5000
625.0000
550.0000
600.0000
550.0000
NA
NA
237.5000
337.5000
475.0000
387.5000
212.5000
237.5000
362.5000
250.0000
125.0000
325.0000
575.0000
437.5000
225.0000
450.0000
625.0000
437.5000
325.0000
525.0000
775.0000
600.0000
362.5000
562.5000
862.5000
712.5000
425.0000
600.0000
650.0000
400.0000
NA
NA
-125.0000
25.00000
100.0000
-25.00000
-125.0000
-25.00000
75.00000
-50.00000
-100.0000
100.0000
200.0000
-25.00000
-150.0000
100.0000
150.0000
-75.00000
-100.0000
100.0000
200.0000
-50.00000
-175.0000
75.00000
225.0000
-25.00000
-200.0000
50.00000
50.00000
-150.0000
NA
NA
NA
112.5000
362.5000
575.0000
362.5000
87.50000
212.5000
437.5000
200.0000
25.00000
425.0000
775.0000
412.5000
75.00000
550.0000
775.0000
362.5000
225.0000
625.0000
975.0000
550.0000
187.5000
637.5000
1087.500
687.5000
225.0000
650.0000
700.0000
66
SUAVIZAMIENTO
EXPONENCIAL(simple)
Ft+1 =
Yt + ( 1-
) Ft
67
SUAVIZAMIENTO
EXPONENCIAL SIMPLE (
0.2620)
1000
800
600
400
200
0
85
86
87
88
89
ACM E
90
91
FOR
92
93
68
SUAVIZAMIENTO EXPONENCIAL
SIMPLE (
0.2620)
69
SUAVIZAMIENTO
EXPONENCIAL DOBLE (
0.2620)
Ft+p=at+pbt
Donde=
at= 2At - At
bt= /
(At - At)
At= Yt+(
)At-1
At= At+(
)At
70
SUAVIZAMIENTO
EXPONENCIAL DOBLE (
0.2620)
71
SUAVIZAMIENTO EXPONENCIAL
DOBLE (
0.2620)
72
SUAVIZAMIENTO DE HOLT
= 0.31,
=0
1000
800
600
400
200
0
85
86
87
88
89
90
91
92
93
73
ACM E
HOLT
SUAVIZAMIENTO DE HOLT
74
SUAVIZAMIENTO DE
WINTERS
=1,
= 0, = 0
1200
1000
800
600
400
200
0
85
86
87
88
89
ACM E
90
91
WINTERS
92
93
75
SUAVIZAMIENTO DE
WINTERS
76
MEDIDAS DE ERROR
MSE
FOR
21062.94
HOLT
21785.66
WINTERS 7209.052
DADO QUE LA SERIE TIENE COMPONENTE
ESTACIONAL, EL MEJOR MODELO ES WINTERS
77
EL MODELO DE REGRESIN
DESCRIBE LA RELACIN ENTRE LA VARIABLE
A PRONOSTICAR (VARIABLE DEPENDIENTE, CON
OTROS FACTORES (VARIABLES INDEPENDIENTES)
QUE INFLUYEN EN EL COMPORTAMIENTO DE ESTA.
REGRESIN LINEAL
VENTAS =
0+
* PUBLICIDAD+
2*
PRECIO+ 3* PERODO+ U
79
REGRESIN LINEAL
LA FUNCIN DE REGRESIN POBLACIONAL (FRP):
VENTAS =
0+
* PUBLICIDAD+
2*
PRECIO+ 3* PERODO+ U
80
AO
1989
1990
1991
1992
TRIM
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
PERIODO
1.000000
2.000000
3.000000
4.000000
5.000000
6.000000
7.000000
8.000000
9.000000
10.00000
11.00000
12.00000
13.00000
14.00000
15.00000
16.00000
PRECIO PUBLICIDAD
24.30000 173.0000
24.20000 183.0000
24.20000 177.0000
22.10000 201.0000
20.95000 197.0000
22.90000 215.0000
21.00000 237.0000
23.00000 244.0000
24.00000 261.0000
21.50000 267.0000
24.00000 282.0000
23.60000 293.0000
23.00000 333.0000
24.50000 331.0000
19.20000 337.0000
19.00000 322.0000
VENTAS
5463.000
34866.00
51219.00
71798.00
45661.00
132979.0
237791.0
293938.0
216525.0
433050.0
1078839.
1428048.
270447.0
523919.0
707113.0
1107031.
AO
1993
1994
1995
1996
TRIM PERIODO
1
17.00000
2
18.00000
3
19.00000
4
20.00000
1
21.00000
2
22.00000
3
23.00000
4
24.00000
1
25.00000
2
26.00000
3
27.00000
4
28.00000
1
29.00000
2
30.00000
3
31.00000
4
32.00000
TABLA 1
PERODO: trimestral
PRECIO: en pesos
PUBLICIDAD: dinero asignado a este rubro
VENTAS: pesos vendidos
81
REGRESIN LINEAL
A PARTIR DE LA MUESTRA SE OBTIENEN LOS
COEFICIENTES (b0, b1, b2 y b3) DEL MODELO
MUESTRAL:
VENTAS = b0 + b1 * PUBLICIDAD+ b2* PRECIO+b3* PERODO +e
82
REGRESIN LINEAL
NOTACIN
Y= VARIABLE DEPENDIENTE OBSERVADA
Y= VALOR PRONOSTICADO
X= VARIABLES INDEPENDIENTES (X = X1,X2,X3)
Y= b0 + b1 * X1+ b2* X2+ b3*X3
E(Y/X) =
0+
* X1+
2*
X2+ 3* X3
REPRESENTACIN GRFICA
Yi
FRM
ei
Yi
Ui
FRP: E(Y/X)
84
Xi
NOTACIN MATRICIAL
SI SE TIENEN n OBSERVACIONES MUESTRALES
(para cada variable) Y k VARIABLES:
85
NOTACIN MATRICIAL
SE PRETENDE ESTIMAR:
E(Y/X)= X
ESTIMANDO EL VECTOR DE MANERA DE MINIMIZAR
LOS ERRORES Ui, QUE REPRESENTAN LA DISTANCIA
ENTRE CADA OBSERVACIN Y LA FRP
U ES UNA VARIABLE ALEATORIA NO OBSERVABLE,
QUE REPRESENTA TODAS LAS VARIABLES NO
CONSIDERADAS EXPLCITAMENTE EN EL MODELO
86
NOTACIN MATRICIAL
LA FUNCIN DE REGRESIN MUESTRAL (FRM):
Y= X b + e
Y=Xb
Y : VALORES DE LA VARIABLE DEPENDIENTE
Y: ESTIMADOR DE Y
e: ESTIMADOR DE LOS ERRORES
U
87
ESTIMACIN DE
PARMETROS
LOS COEFICIENTES SE ESTIMAN POR MNIMOS
CUADRADOS
e = Y - X b :errores
e e = (Y - X b) (Y - X b) :suma de errores cuadrados
DIFERENCIANDO RESPECTO DE b, IGUALANDO
A CERO Y DESPEJANDO b, SE OBTIENEN LOS
ESTIMADORES
EXISTEN PAQUETES COMPUTACIONALES QUE
REALIZAN ESTA OPERACIN, Y ADEMS
PROPORCIONAN INFORMACIN ESTADSTICA
88
VENTAS
PUBLICIDAD
PRECIO
EJEMPLO
90
EJEMPLO
3000000
2000000
VENTAS
3000000
1000000
0
100
200
300
400
500
VENTAS
2000000
1000000
PUBLICIDAD
0
16
18
20
22
24
26
PRECIO
91
EL PRONSTICO
SI EL MODELO ES ESTADSTICAMENTE ADECUADO,
EL PRONSTICO DE LAS VENTAS SE REALIZA:
SUSTITUYENDO LOS VALORES DE LAS VARIABLES
INDEPENDIENTES
PUBLICIDAD = 500
PRECIO= 17.50
E(Y/X) ~ Y = 581645.1 + 7688.73 * 500 - 90700.8 * 17.50
Y = 2,838,746.1
92
MULTICOLINEALIDAD: (Xi,Xj) =0
BAJO ESTOS SUPUESTOS, LOS ESTIMADORES SON:
INSESGADOS: E(b)=
LINEALES: b ES FUNCIN LINEAL DE Y
DE VARIANZA MNIMA: var(b)
93
R2: COEFICIENTE DE
DETERMINACIN
2
R : ES EL PORCENTAJE DE VARIACIN DE LA
VARIABLE DEPENDIENTE, EXPLICADA POR LAS
VARIABLES DEPENDIENTES
EN EL EJEMPLO: LAS VARIABLES PRECIO Y
PUBLICIDAD EXPLICAN EN UN 83% A LA VARIABLE
VENTAS
95
ESTADSTICO DURBINWATSON
d = 2(1-
ei ei-1
ei 2
PERMITE DETECTAR INDEPENDENCIA DE ERRORES
DEPENDE DEL NMERO DE VARIABLES
INDEPENDIENTES EN EL MODELO Y DEL NMERO
DE OBSERVACIONES EN LA MUESTRA
96
BIBLIOGRAFA:
1.- Hanke, John E. & Reitsch, Arthur G. (1996). Pronsticos en los Negocios. Quinta
Edicin. Prentice Hall Hispanoamericana, S.A.: Mxico.
2.-Wilson, J. Holton & Keating, Barry. (1996). Previsiones en los Negocios. Segunda
Edicin. Irwin Mxico.
3.- Newbold P. & Bos T. (1995). Introductory Business and Economic Forecasting.
Second Edition. South Western: USA.
4.- Makridakis, S. & Wheelwrigth, S.C. (1987). Forecasting:Methods and Applications,
2d ed., John Wiley & Sons, Inc.: New York, USA.
5.- Montgomery, D., Johnson, l.& Gardiner, J. (1990). Forecasting & Time Series
Analysis.
2d ed., McGraw-Hill International Editions.
6.- Gujarati, Damodar N. (1997). Econometra, 3ra ed., McGraw-Hill: Mxico.
7 - Johnston, J. (1984). Econometric Methods, McGraw-Hill International Editions.
8.- Montgomery, D.&, Peck, E. (1992). Introduction to Linear Regression Analysis", 2d
ed. Wiley Inter-Science.
9.- Pindyck, Robert & Rubinfeld, D. (1981). Econometric Models and Economic
Forecasting, McGraw-Hill, Inc, Singapore.
10.- Makridakis, S. (1991). Pronsticos. Estrategia y Planificacin para el siglo XXI.
Ediciones Diaz de Santos, S. A.
11.- Miklos T. y Tello M. E. (1991). Planeacin Prospectiva. Editorial Limusa: Mxico.
12.-Econometric Views. Micro TSP for Windows and the Macintosh.
97