Pronósticos

Luis Felipe Zegarra

CENTRUM Católica Graduate Business School
Objetivos
• Los objetivos de estas sesiones son:
▫ Ser capaces de pronosticar variables utilizando
diversas metodologías.
▫ Determinar qué metodologías son más apropiadas
en determinados casos.
Importancia de los pronósticos
• El cálculo de un buen pronóstico es de suma
importancia para toda empresa.
• Las empresas necesitan contar con pronósticos
de muchas variables, tales como ventas.
• En algunos casos, se pueden tomar en cuenta los
pronósticos sobre variables macroeconómicas.
Pronósticos
• Dos tipos de pronósticos:
▫ Series de tiempo.
▫ Pronósticos causales.
Pronósticos de series de tiempo
Pronósticos de series de tiempo
• Se utiliza para realizar pronósticos utilizando
solamente información pasada de “ventas” y la
tendencia temporal.
• Es un método útil si los valores pasados de
“ventas” brindan suficiente información para
realizar pronósticos de valores futuros de
“ventas”.
Pronósticos de series de tiempo
• Veremos los siguientes métodos:
▫ 1) Promedios móviles
▫ 2) Curva o línea de tendencia
1) Promedios móviles
• Se calculan promedios de observaciones
pasadas.
• Esos promedios serán un pronóstico del
comportamiento futuro de la variable.
• Se pueden calcular promedios con 2
observaciones, 3, 4, 5, etc.
1) Promedios móviles
• Por ejemplo, si deseamos pronosticar las ventas
del 2019, podemos:
▫ Calcular la tasa de crecimiento promedio anual
entre el 2015 y el 2018 (promedio a 3 años).
▫ Asumir que las ventas en el 2019 crecerán a esa
tasa.
▫ Tasa de crecimiento prom. anual =
(Ventas 2018 / Ventas 2015)^(1/3) - 1
1) Promedios móviles
• Podemos escoger promedios a 3 años, a 4 años, a
5 años o cualquier otro número de años.
• ¿Cuántos años? Ello depende de las condiciones
del mercado en los últimos años.
• Si creemos que las condiciones del mercado en el
2019 serán similares a las de los últimos 3 años,
entonces podemos usar promedios a 3 años para
pronosticar ventas.
1) Promedios móviles
• ¿Qué tan bueno es el pronóstico?
• Podemos utilizar el error porcentual medio
absoluto (EPMA)
• El EPMA es el promedio de los valores absolutos
de los errores de pronósticos pasados.
• Ejemplos: Caso 1.
2) Curva de tendencia
• Este método consiste en determinar si existe una
tendencia de largo plazo de las ventas.
• Es muy útil para realizar pronósticos a varios
años.
• Ejemplo: Ver Caso 2.
2) Curva de tendencia
• Contamos con siguiente información de ventas a
varios años.
• Seguiremos los pasos:
▫ Gráfico de dispersión.
▫ Generar una curva de tendencia.
▫ Añadir ecuación.
45

40

35

30

25

20

15

10

0
2000 2005 2010 2015 2020
45

40 y = 1.1404x - 2261.7
R² = 0.9385
35

30

25

20

15

10

0
2000 2005 2010 2015 2020
2) Curva de tendencia
• Obtenemos la siguiente ecuación:
Y = 1.1404 X – 2261.7 / R2 = 0.94
• En este caso, Y = Ventas / X = Año
• Es decir: Ventas = 1.1404 (Año) – 2261.7
2) Curva de tendencia
• Si queremos pronosticar las ventas, bastará con
que reemplacemos el año en X y obtendremos
un valor para las ventas.
• Ejm: Ventas del 2019 (miles) = 1.1404 (2019) –
2261.7=40.77
• Note que podemos pronosticar más años.
2) Curva de tendencia
• El valor de R2 representa el coeficiente de
“bondad de ajuste”.
• Nos indica qué tan buena es la ecuación para
explicar el comportamiento de las ventas.
• Específicamente, representa el % de la varianza
de las ventas que es explicado por la ecuación.
• R2 toma valores entre 0 y 1.
• R2 = 0.94. Entonces la ecuación explica el 94%
de la varianza de las ventas (% alto).
Pronósticos causales
Pronósticos causales
• Pronóstico de una variable “dependiente” (Y)
utilizando información de variables
“independientes” (X).
• Las variables independientes explican la variable
dependiente.
• Se debe primero hallar la relación causal entre la
variable dependiente y las variables
independientes.
Pronósticos causales
• El crecimiento de la demanda (unidades
vendidas) de un producto depende del
crecimiento de la economía.
• El crecimiento de la demanda puede ser
expresado como una función del crecimiento del
PBI.
• Una vez que estimamos una ecuación, podemos
pronosticar el futuro, a partir de proyecciones
del PBI.
• Ejemplos: Ver Casos 3, 4, 5
Pronósticos causales
• La siguiente tabla muestra datos de crecimiento
de ventas y de PBI.
PBI Ventas
2005 6.60% 6%
2006 7.80% 5.40%
2007 8.10% 4.70%
2008 6.10% 1.90%
2009 0.10% -1.30%
2010 3.50% 3.20%
2011 6.00% 5.40%
2012 6.30% 4.70%
2013 6.50% 5.10%
2014 2.40% 3.10%
2015 2.30% 3.00%
2016 3.10% 3.05%
2017 2.50% 2.90%
2018 2.90% 3.10%
Pronósticos causales
• Podemos hacer el gráfico de dispersión y ver si
existe una relación clara entre crecimiento de
ventas y crecimiento de PBI.
• Podemos además trazar una línea de tendencia.
• Además, podemos estimar la ecuación de la línea
y el R2.
7%

6% y = 0.6027x + 0.0083
R² = 0.6237
5%

4%

3%

2%

1%

0%
0.00% 2.00% 4.00% 6.00% 8.00% 10.00%
-1%

-2%
Pronósticos causales
• En este caso, la ecuación es:
% Ventas = 0.6027 (% PBI) + 0.0083
• Si contamos con pronósticos de PBI, podríamos
pronosticar las ventas para los próximos años.
• Ejm: Si se estima que el PBI crezca el 2019 en
3%, entonces podemos pronosticar que las
ventas crecerán en 0.6027 (3%) + 0.0083 =
2.6%.
Pronósticos causales
• Alternativamente, podemos utilizar el siguiente
método.
• Opciones: ANALISIS DE DATOS /
REGRESION.
• Identificamos qué variable es Y, y cuáles son X.
• Esta opción nos dará los coeficientes de la
ecuación.
Resumen

Pronósticos causales
Estadísticas de la regresión
Coeficiente de correlación
0.7897589 múltiple
Coeficiente de0.62371912
determinación R^2
R^2 ajustado 0.59236238
Error típico 0.01196045
Observaciones 14

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 0.00284546 0.00284546 19.8910703 0.00077922
Residuos 12 0.00171663 0.00014305
Total 13 0.00456209

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95.0%Superior 95.0%
Intercepción 0.00825531 0.00697272 1.18394289 0.25935779 -0.00693695 0.02344757 -0.00693695 0.02344757
Variable X 1 0.60268802 0.13513364 4.45994062 0.00077922 0.3082571 0.89711893 0.3082571 0.89711893
Pronósticos causales
• Será particularmente importante la última tabla.
• En esa tabla, aparecen los mismos coeficientes:
0.0083 y 0.6027.
• Note que 0.0083 aparece como “Intercepción” y
0.6027 aparece como “X1”.
• Intercepto es el valor que va solo en la ecuación.
• X1 se refiere al % PBI.
• Esto significa que:
% Ventas =0.0083 + 0.6027 %PBI.
Pronósticos causales
• La ventaja de este método es que podemos
incorporar varias variables X al mismo tiempo.
• Podríamos tener, por ejemplo, una ecuación de
las ventas que dependa no solo del PBI sino
además de otras variables que influyen sobre las
ventas (Tasa de interés, competencia, etc).
Pronósticos causales
• Podemos además hacer “pruebas de hipótesis”
para determinar si el efecto de una variable X en
Y es estadísticamente significativo (si la variable
X es importante o no).
Pronósticos causales
• Modelo: %Ventas = a + b %PBI
• Testearemos la hipótesis:
b=0
• Si se acepta esta hipótesis, entonces PBI no tiene
impacto significativo en las ventas.
• Si se rechaza esta hipótesis, entonces PBI tiene
impacto significativo en las ventas.
 Pronósticos causales
• Nos fijaremos en el valor “Probabilidad.”
• Si este valor es menor que 0.05 (5%), entonces
podemos decir que con un 95% de confianza el
coeficiente de X es diferente de cero.
• En esta tabla, el valor de la probabilidad para X1
es 0.00077< 0.05. Por lo tanto, el % PBI tiene un
efecto significativo en el % Ventas.
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%
Intercepción 0.00825531 0.00697272 1.18394289 0.25935779 -0.00693695 0.02344757
Variable X 1 0.60268802 0.13513364 4.45994062 0.00077922 0.3082571 0.89711893
 Pronósticos causales
• Similarmente, nos podemos fijar en los valores
“Inferior 95%” y “Superior 95%”.
• Estos valores representan el intervalo de
confianza al 95% para el coeficiente de X1.
• Es decir, el coeficiente se encuentra con un 95%
de confianza entre 0.3 y 0.89.

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%

Intercepción 0.00825531 0.00697272 1.18394289 0.25935779 -0.00693695 0.02344757
Variable X 1 0.60268802 0.13513364 4.45994062 0.00077922 0.3082571 0.89711893
 Pronósticos causales
• Note que el valor cero no se encuentra dentro del
intervalo de confianza.
• Por lo tanto, con un 95% de confianza podemos
decir que el coeficiente de X1 es diferente de
cero.
• Es decir, la variable X1 (% PBI) es importante
para explicar Y (% Ventas).
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%
Intercepción 0.00825531 0.00697272 1.18394289 0.25935779 -0.00693695 0.02344757
Variable X 1 0.60268802 0.13513364 4.45994062 0.00077922 0.3082571 0.89711893