PRONSTICO

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

AQUELLOS SOBRE LOS CUALES LA

EMPRESA NO PUEDE DECIDIR NI
MODIFICAR: DEPENDEN DE FACTORES
EXTERNOS A LA EMPRESA
DEMANDA DEL PRODUCTO
COMPETENCIA
ECONOMA
COMPORTAMIENTO DEL CONSUMIDOR

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

LARGO PLAZO: inversin en capital,

localizacin de planta, nuevos productos,
expansin, crecimiento del mercado, tecnologa
MEDIANO PLAZO: tamao de la fuerza de
trabajo, ciclicidad de la demanda, requerimientos
de capacitacin
CORTO PLAZO: frecuencia de pedidos ,
demanda, niveles de inventario requeridos

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

SUPUESTO: EL PATRN HISTRICO

DE LAS VARIABLES SEGUIR SIENDO
VLIDO EN EL FUTURO ANALIZADO
20

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

Facilite la toma de decisiones en el momento

adecuado
Que sea entendida por el que toma las decisiones
Pase un anlisis costo-beneficio
Cumpla con las restricciones del sistema: tiempo
disponible, datos, disponibilidad de cmputo.
Cumpla con los criterios de: precisin, estabilidad,
objetividad

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

FUERZAS QUE AFECTAN Y EXPLICAN TENDENCIA:

Crecimiento de la poblacin
Inflacin
Ventas de un producto en su etapa de crecimiento
en el ciclo de vida

27

TENDENCIA: ventas de SEARS

(1955-1985)
50000

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:

PERODOS DE EXPANSIN Y DE RECESIN

DE LA ECONOMA
CICLOS ECONMICOS
31

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

SISTEMAS DE PRODUCCIN CON TASA

UNIFORME
VENTAS DE PRODUCTOS EN SU ETAPA DE
MADUREZ EN EL CICLO DE VIDA
35

SERIE ESTACIONARIA
1000

800

600

400

200

85

86

87

88

VENTAS

89

90

91

92

TENDENCIA

36

SERIE CON VARIOS

PATRONES
500

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)

rk = coeficiente de Autocorrelacin de orden k

donde: Yt= es la observacin en el tiempo t

Y = la media de los valores de la serie

39

TENDENCIA
50000

40000

30000

20000

10000

0
55

60

65

70

75

80

85

SEARS

Si la serie tiene Tendencia los coeficientes de autocorrelacin son

significativamente distintos de cero en los primeros rezagos y caen
gradualmente a cero.

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

Si la serie tiene un patrn estacional el coeficiente de

autocorrelacin correspondiente a cierto rezago (4 si
la serie es trimestral, 12 si es anual, etc.) es
significativamente distinto de cero.

42

ESTACIONALIDAD
40

20

-20

-40

-60
81

82

83

84

85

86

87

88

89

90

D(MURPHY)

Quitando la tendencia a la serie Murphy (serie

D(Murphy)), se observa una correlacin
significativamente distinta de cero en el rezago
nmero 12 (observar que la serie es mensual)

43

SERIE ALEATORIA
1000

800

600

400

200

0
5

10

15

20

25

30

ALEA

Si la serie es aleatoria los coeficientes de

autocorrelacin son todos significativamente cero
44

SERIE ESTACIONARIA
50000
40000
30000
20000
10000
0
-10000
55

60

65
SEARS

70

75

80

85

DSEARS

Los coeficientes de autocorrelacin de una serie

estacionaria son cero excepto para los dos o tres
primeros rezagos

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

ERROR MEDIO ABSOLUTO: MAD = k

ei | distancia promedio

ERROR MEDIO CUADRTICO (MSE): penaliza errores grandes

ei)2
MSE =
k
ERROR MEDIO ABSOLUTO PORCENTUAL: proporcin del error
ei / y |
49
MAPE =
k

SERIE DE VENTAS: ACME

OBS
1985
1985
1986
1988
1989
1990
1991
1992
1993
1994

TRIM. 1 TRIM. 2 TRIM. 3

500.0000 350.0000 250.0000
450.0000 350.0000 200.0000
350.0000 200.0000 150.0000
550.0000 350.0000 250.0000
550.0000 400.0000 350.0000
750.0000 500.0000 400.0000
850.0000 600.0000 450.0000
550.0000 400.0000 500.0000
NA
NA
NA
NA

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

MODELOS NAIVE: F t+1= Yt

ACME ACME1
500.0000 NA
350.0000 500.0000
250.0000 350.0000
400.0000 250.0000
450.0000 400.0000
350.0000 450.0000
200.0000 350.0000
300.0000 200.0000
350.0000 300.0000
200.0000 350.0000
150.0000 200.0000
400.0000 150.0000
550.0000 400.0000
350.0000 550.0000
250.0000 350.0000
550.0000 250.0000
550.0000 550.0000
400.0000 550.0000
350.0000 400.0000
600.0000 350.0000
750.0000 600.0000

1000

800

600

400

200

0
85

86

87

88

89

ACM E

90

91

92

93

ACM E1

Serie con tendencia y estacionalidad

52

MODELOS NAIVE: F t+1= Yt

1000

500

-500

-1000
85

86

87

88

89

90

91

92

RES1

Serie con tendencia y estacionalidad

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

MODELOS NAIVE: Ft+1=Yt-3

ACME ACME3
500.0000 NA
350.0000 NA
250.0000 NA
400.0000 NA
450.0000 500.0000
350.0000 350.0000
200.0000 250.0000
300.0000 400.0000
350.0000 450.0000
200.0000 350.0000
150.0000 200.0000
400.0000 300.0000
550.0000 350.0000
350.0000 200.0000
250.0000 150.0000
550.0000 400.0000
550.0000 550.0000
400.0000 350.0000
350.0000 250.0000
600.0000 550.0000

1000

800

600

400

200

0
85

86

87

88

89

ACME

90

91

ACME3

92

93

56

MODELOS NAIVE: Ft+1=Yt-3

1000

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

EL MODELO 3 TIENE MENOR MEDIDA DE ERROR

EXCEPTO PARA ME. ES EL MEJOR MODELO
EL MODELO 1 TIENE MEJOR ME PORQUE LOS
ERRORES SE CANCELAN. NO HAY SESGO. NO ES EL
MEJOR MODELO.

59

MODELO DE LA MEDIA
TOTAL
Ft+1 =

Yt
n

TIL CUANDO LA SERIE ES ESTACIONARIA

SE OBTIENE DEL PROMEDIO DE TODAS LAS
OBSERVACIONES HISTRICAS
60

MODELOS DE PROMEDIOS
MVILES (simples de orden 3)
Ft+1

Yt + Yt-1 + Yt-2
3

SE PROMEDIAN SOLO LAS LTIMAS OBSERVACIONES

EL ORDEN SE DETERMINA A PRIORI
UN ORDEN GRANDE ELIMINA LOS PICOS (suaviza)
UN ORDEN PEQUEO PERMITE SEGUIR MUY DE
CERCA LOS CAMBIOS DE CORTO PLAZO

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

PROMEDIO MVIL DOBLE

LINEAL (Brown)
Ft+p

= At +p* Bt

1200
1000
800
600
400
200
0
85

86

87

88
ACME

89

90

91

92

PRON

65

PROMEDIO MVIL DOBLE

LINEAL (Brown)
ACME

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

PROMEDIA LOS VALORES HISTRICOS HASTA EL

PERODO t, CON PONDERACIONES QUE DECRECEN
EXPONENCIALMENTE
INCLUYE UN PARMETRO QUE DEFINE LA
VELOCIDAD DE DECAIMIENTO
Ft INCLUYE LAS PONDERACIONES DE
OBSERVACIONES ANTERIORES

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.

UNA VEZ IDENTIFICADAS LAS VARIABLES

INDEPENDIENTES QUE INFLUYEN (ESTN
CORRELACIONADAS) SOBRE LA VARIABLE
DEPENDIENTE, EL MODELO DESCRIBE ESTA
RELACIN Y LA CUANTIFICA
78

REGRESIN LINEAL
VENTAS =

0+

* PUBLICIDAD+

2*

PRECIO+ 3* PERODO+ U

VENTAS: VARIABLE DEPENDIENTE, EXPLICADA, ENDGENA

PUBLICIDAD, PRECIO, PERODO: VARIABLES INDEPENDIENTES,
EXPLICATIVAS, EXGENAS.

U= ERROR DEL MODELO

EL MODELO ASUME QUE PUBLICIDAD, PRECIO Y PERODO
SON VARIABLES CORRELACIONADAS CON LAS VENTAS
EL MODELO PRETENDE EXPLICAR ESTA RELACIN
ES IMPORTANTE DEFINIR LA UNIDAD DE MEDIDA DE CADA
VARIABLE

79

REGRESIN LINEAL
LA FUNCIN DE REGRESIN POBLACIONAL (FRP):
VENTAS =

0+

* PUBLICIDAD+

2*

PRECIO+ 3* PERODO+ U

ES UNA REPRESENTACIN TERICA DEL

PROBLEMA, QUE REPRESENTA LA CORRELACIN
LINEAL DE LAS VENTAS CON LAS VARIABLES
INDEPENDIENTES
EL ANLISIS DE REGRESIN ESTIMA EL MODELO
TERICO, A PARTIR DE INFORMACIN MUESTRAL
(ver Tabla 1) CALCULANDO LA FUNCIN DE
REGRESIN MUESTRAL (FRM)

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

PRECIO PUBLICIDAD VENTAS

19.30000 338.0000
801783.0
19.20000 345.0000
1446318.
19.10000 369.0000
2217178.
19.30000 336.0000
1278239.
19.00000 346.0000
1842286.
18.20000 376.0000
1933991.
18.80000 401.0000
1316655.
18.00000 396.0000
2331909.
18.50000 414.0000
2292750.
18.30000 421.0000
1979608.
18.00000 402.0000
2165719.
17.90000 407.0000
2462011.
17.70000 403.0000
2193792.
17.80000 407.0000
2231793.
17.40000 418.0000
2498367.
17.60000 424.0000
2378200.

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

LOS COEFICIENTES SE CALCULAN MEDIANTE

LA TCNICA DE MNIMOS CUADRADOS LINEALES
CUANTO MAS REPRESENTATIVA SEA LA
MUESTRA MEJOR SERN LOS ESTIMADORES

EL ANLISIS DE LOS ESTIMADORES REQUIERE

INFERENCIA ESTADSTICA

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

U= E(Y/X) - Y (ERROR ALEATORIO)

83

e= Y - Y (ERROR DEL PRONSTICO)

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:

Y: VECTOR DE VALORES DE LA VARIABLE Y (n *1)

VECTOR DE COEFICIENTES DE LA FRP (k*1)
X: MATRIZ DE VALORES DE LAS VARIABLES
INDEPENDIENTES (n*k)
b: VECTOR DE COEFICIENTES DE LA FRM (k*1)
U: VECTOR DE ERRORES (FRP) (n*1)

e: VECTOR DE ERRORES DEL PRONSTICO (FRM)

(n*1)

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

X: MATRIZ DE VALORES DE LAS VARIABLES

INDEPENDIENTES
b: ESTIMADORES DE LOS PARMETROS

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

EJEMPLO (ver Tabla1)

(con E-VIEWS)
VARIABLE DEPENDIENTE: VENTAS (Y)
VARIABLES INDEPENDIENTES: PRECIO Y PUBLICIDAD
MATRIZ DE CORRELACIN:

VENTAS
PUBLICIDAD
PRECIO

VENTAS PUBLICIDAD PRECIO

1.00000
0.902103 -0.823640
0.902103 1.00000
-0.823787
-0.823640 -0.823787 1.00000
89

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

SUPUESTOS DEL MODELO

DE REGRESIN
NORMALIDAD: Ui ~ N(0,

INDEPENDENCIA DE ERRORES: cov (Ui,Uj)=0

HOMOSCEDASTICIDAD: var (Ui /Xi)=

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

SUPUESTOS DEL MODELO

DE REGRESIN
SI LOS SUPUESTOS NO SON VIOLADOS PUEDE
HACERSE INFERENCIA ESTADSTICA:
PRUEBAS DE SIGNIFICANCIA DE LOS COEFICIENTES
Ho: = 0
H1:
0
EN EL EJEMPLO, o NO ES SIGNIFICATIVO
(NTESE QUE SE VIOLA EL SUPUESTO DE
MULTICOLINEALIDAD)
94

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

UN VALOR DE d CERCANO A 2 INDICA QUE LOS

ERRORES SON INDEPENDIENTES

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