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
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
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
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
MTODO DELPHI
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
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.
IMPACTO CRUZADO
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
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
ETAPAS DE UN PRONSTICO
22
ETAPAS DE UN PRONSTICO
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
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:
27
60
65
70 SEARS
75
80
85
28
ESTACIONALIDAD
PATRN DE CAMBIO QUE SE REPITE AO CON AO EN EL MISMO NMERO DE PERODOS FUERZAS QUE AFECTAN Y EXPLICAN ESTACIONALIDAD:
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 TENDENCIA 85 90
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
33
400
200
10
15 ALEA
20
25
30
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
89
90
91
92
VENTAS
TENDENCIA
36
200
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 (Yt-Y) (Yt-k - Y) (Yt -Y)
rk=
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 SEARS
75
80
85
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 0 -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
10
15 ALEA
20
25
30
SERIE ESTACIONARIA
50000 40000 30000 20000 10000 0 -10000
55
60
65 SEARS
70
75 DSEARS
80
85
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 k identifica sesgo | ei | distancia promedio ERROR MEDIO ABSOLUTO: MAD = k ERROR MEDIO CUADRTICO (MSE): penaliza errores grandes (ei)2 MSE = k ERROR MEDIO ABSOLUTO PORCENTUAL: proporcin del error | ei / y | 49 MAPE = k
MODELOS NAIVE
TILES CUANDO LA INFORMACIN MAS RELEVANTE ES LA DE LOS PERODOS MAS RECIENTES
85
86
87
88
89
90
91
92
93
ACME
ACME1
52
-500
-1000
85
86
87
88
89 RES1
90
91
92
53
85
86
87
88
89
90
91
92
93
54
ACME
ACME2
-500
-1000
85
86
87
88
89 RES2
90
91
92
55
400 200
85
86
87
88
89
90
91
92
93
ACME
ACME3
56
-500
-1000 85 86 87 88 89 RES3 90 91 92
57
ERRORES
OBS RES1 RES2 RES3 OBS 1 9 8 5 .1 N A NA NA 1 9 8 9 .1 1 9 8 5 .2 -1 5 0 .0 0 0 0 N A NA 1 9 8 9 .2 1 9 8 5 .3 -1 0 0 .0 0 0 0 5 0 .0 0 0 0 0 N A 1 9 8 9 .3 1 9 8 5 .4 1 5 0 .0 0 0 0 2 5 0 .0 0 0 0 N A 1 9 8 9 .4 1 9 8 6 .1 5 0 .0 0 0 0 0 -1 0 0 .0 0 0 0 -5 0 .0 0 0 0 0 1 9 9 0 .1 1 9 8 6 .2 -1 0 0 .0 0 0 0 -1 5 0 .0 0 0 0 0 .0 0 0 0 0 0 1 9 9 0 .2 1 9 8 6 .3 -1 5 0 .0 0 0 0 -5 0 .0 0 0 0 0 -5 0 .0 0 0 0 0 1 9 9 0 .3 1 9 8 6 .4 1 0 0 .0 0 0 0 2 5 0 .0 0 0 0 -1 0 0 .0 0 0 0 1 9 9 0 .4 1 9 8 7 .1 5 0 .0 0 0 0 0 -5 0 .0 0 0 0 0 -1 0 0 .0 0 0 0 1 9 9 1 .1 1 9 8 7 .2 -1 5 0 .0 0 0 0 -2 0 0 .0 0 0 0 -1 5 0 .0 0 0 0 1 9 9 1 .2 1 9 8 7 .3 -5 0 .0 0 0 0 0 1 0 0 .0 0 0 0 -5 0 .0 0 0 0 0 1 9 9 1 .3 1 9 8 7 .4 2 5 0 .0 0 0 0 3 0 0 .0 0 0 0 1 0 0 .0 0 0 0 1 9 9 1 .4 1 9 8 8 .1 1 5 0 .0 0 0 0 -1 0 0 .0 0 0 0 2 0 0 .0 0 0 0 1 9 9 2 .1 1 9 8 8 .2 -2 0 0 .0 0 0 0 -3 5 0 .0 0 0 0 1 5 0 .0 0 0 0 1 9 9 2 .2 1 9 8 8 .3 -1 0 0 .0 0 0 0 1 0 0 .0 0 0 0 1 0 0 .0 0 0 0 1 9 9 2 .3 1 9 8 8 .4 3 0 0 .0 0 0 0 4 0 0 .0 0 0 0 1 5 0 .0 0 0 0 RES1 RES2 RES3 0 .0 0 0 0 0 0 -3 0 0 .0 0 0 0 0 .0 0 0 0 0 0 -1 5 0 .0 0 0 0 -1 5 0 .0 0 0 0 5 0 .0 0 0 0 0 -5 0 .0 0 0 0 0 1 0 0 .0 0 0 0 1 0 0 .0 0 0 0 2 5 0 .0 0 0 0 3 0 0 .0 0 0 0 5 0 .0 0 0 0 0 1 5 0 .0 0 0 0 -1 0 0 .0 0 0 0 2 0 0 .0 0 0 0 -2 5 0 .0 0 0 0 -4 0 0 .0 0 0 0 1 0 0 .0 0 0 0 -1 0 0 .0 0 0 0 1 5 0 .0 0 0 0 5 0 .0 0 0 0 0 2 5 0 .0 0 0 0 3 5 0 .0 0 0 0 5 0 .0 0 0 0 0 2 0 0 .0 0 0 0 -5 0 .0 0 0 0 0 1 0 0 .0 0 0 0 -2 5 0 .0 0 0 0 -4 5 0 .0 0 0 0 1 0 0 .0 0 0 0 -1 5 0 .0 0 0 0 1 0 0 .0 0 0 0 5 0 .0 0 0 0 0 2 5 0 .0 0 0 0 4 0 0 .0 0 0 0 5 0 .0 0 0 0 0 -1 5 0 .0 0 0 0 -4 0 0 .0 0 0 0 -3 0 0 .0 0 0 0 -1 5 0 .0 0 0 0 0 .0 0 0 0 0 0 -2 0 0 .0 0 0 0 1 0 0 .0 0 0 0 2 5 0 .0 0 0 0 5 0 .0 0 0 0 0
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
TIL CUANDO LA SERIE ES ESTACIONARIA SE OBTIENE DEL PROMEDIO DE TODAS LAS OBSERVACIONES HISTRICAS
60
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
85
86
87
88
89
90
91 MA(2)
92
93
ACME
62
400
200
85
86
87
88
89
90
91 MA(3)
92
93
ACME
63
85
86
87
88
89 A M C E
9 0
9 1 M (4 A )
9 2
9 3
64
= At +p* Bt
65
PM1
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
PM2
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
AT
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
BT
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
PRON
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
0 1
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
0.2620)
85
86
87
88
89 ACM E
90
91 FO R
92
93
68
69
0.2620)
Ft+p=at+pbt
70
0.2620)
71
72
SUAVIZAMIENTO DE HOLT
1000 800 600 400 200 0
= 0.31, = 0
85
86
87
88
89 ACME
90
91 HOLT
92
93
73
SUAVIZAMIENTO DE HOLT
74
SUAVIZAMIENTO DE WINTERS
= 1 , = 0, = 0
1200 1000 800 600 400 200 0
85
86
87
88 ACM E
89
90
91
92
93
75
W INTER S
SUAVIZAMIENTO DE WINTERS
76
MEDIDAS DE ERROR
F R O HL OT W TR IN E S ME S 202 4 1 6 .9 275 6 1 8 .6 7 0 .0 2 29 5
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 + 1 * PUBLICIDAD+ 2* PRECIO+3* PERODO+ U VENTAS: VARIABLE DEPENDIENTE, EXPLICADA, ENDGENA PUBLICIDAD, PRECIO, PERODO: VARIABLES INDEPENDIENTES, EXPLICATIVAS, EXGENAS.
REGRESIN LINEAL
LA FUNCIN DE REGRESIN POBLACIONAL (FRP):
VENTAS = 0 + 1 * 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 + 1 * X1+ 2* X2+3* X3 U= E(Y/X) - Y (ERROR ALEATORIO)
83
REPRESENTACIN GRFICA
Yi Yi ei FRM 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
90
EJEMPLO
3000000 VENTAS 2000000
3000000
1000000
0 100
200
300
400
500
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
NORMALIDAD: Ui ~ N(0, 2)
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
R : COEFICIENTE DE DETERMINACIN
2
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