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

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

 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

SELECCIN DE LA TCNICA ADECUADA: LA MEJOR TCNICA ES AQUELLA QUE

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

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 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:

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 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

CAMBIOS CLIMTICOS DESASTRES NATURALES HUELGAS HECHOS FORTUITOS

33

SERIE ALEATORIA:generada por nmeros aleatorios

1000 800 600

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

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 (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

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 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

SERIE DE VENTAS: ACME

OBS 1985 1985 1986 1988 1989 1990 1991 1992 1993 1994 TRIM. 1 500.0000 450.0000 350.0000 550.0000 550.0000 750.0000 850.0000 550.0000 NA NA TRIM. 2 350.0000 350.0000 200.0000 350.0000 400.0000 500.0000 600.0000 400.0000 NA TRIM. 3 250.0000 200.0000 150.0000 250.0000 350.0000 400.0000 450.0000 500.0000 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

90

91

92

93

ACME

ACME1

Serie con tendencia y estacionalidad

52

MODELOS NAIVE: F t+1= Yt

1000 500

-500

-1000

85

86

87

88

89 RES1

90

91

92

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

90

91

92

93

54

ACME

ACME2

MODELOS NAIVE: F t+1= Yt +(Yt - Yt-1)

1000 500

-500

-1000

85

86

87

88

89 RES2

90

91

92

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

85

86

87

88

89

90

91

92

93

ACME

ACME3

56

MODELOS NAIVE: Ft+1=Yt-3

1000 500

-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

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

90

91 MA(2)

92

93

ACME

62

PROMEDIO MVIL DE ORDEN 3

1000 800 600

400

200

85

86

87

88

89

90

91 MA(3)

92

93

ACME

63

PROMEDIO MVIL DE ORDEN 4

10 0 0 80 0 60 0 40 0 20 0 0

85

86

87

88

89 A M C E

9 0

9 1 M (4 A )

9 2

9 3

64

PROMEDIO MVIL DOBLE LINEAL (Brown)

Ft+p
1200 1000 800 600 400 200 0 85 86 87 88 ACME 89 90 PRON 91 92

= At +p* Bt

65

PROMEDIO MVIL DOBLE LINEAL (Brown)

ACME
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

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

SUAVIZAMIENTO EXPONENCIAL SIMPLE ( =

1000 800 600 400 200 0

0.2620)

85

86

87

88

89 ACM E

90

91 FO R

92

93

68

SUAVIZAMIENTO EXPONENCIAL SIMPLE ( = 0.2620)

69

SUAVIZAMIENTO EXPONENCIAL DOBLE ( =

Donde= at= 2At - At bt= /1 (At - At) At=Yt+(1 t-1 )A At=At+(1 )At

0.2620)

Ft+p=at+pbt

70

SUAVIZAMIENTO EXPONENCIAL DOBLE ( =

0.2620)

71

SUAVIZAMIENTO EXPONENCIAL DOBLE ( = 0.2620)

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

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 + 1 * 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 + 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

e= Y - Y (ERROR DEL PRONSTICO)

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 (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 VENTAS 2000000

3000000

1000000

2000000 VENTAS 1000000

PUBLICIDAD

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)

SUPUESTOS DEL MODELO DE REGRESIN

INDEPENDENCIA DE ERRORES: cov (Ui,Uj)=0 HOMOSCEDASTICIDAD: var (Ui /Xi)= 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

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

R : COEFICIENTE DE DETERMINACIN
2

R2: 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