1
PRONÓSTICO
“ES UNA ESTIMACIÓN CUANTITATIVA O CUALITATIVA DE UNO O VARIOS FACTORES (VARIABLES) QUE CONFORMAN UN EVENTO FUTURO, CON BASE EN INFORMACIÓN ACTUAL O DEL PASADO”
2
PORQUÉ?• La empresa se mueve en un contexto
altamente incierto
• Política, tecnología y medio ambiente repercuten sobre variables relevantes para la empresa: costos de producción, inventarios, volumen de ventas
• La empresa debe tomar decisiones sobre Factores Controlables tomando en cuenta Factores Incontrolables.
3
FACTORES CONTROLABLES
AQUELLOS SOBRE LOS CUALES LA EMPRESA DECIDE SU ESTRUCTURA, NIVELES, POLÍTICA Y MODO DE OPERAR:
• NIVELES DE PRODUCCIÓN• NIVELES DE INVENTARIO• CAPACIDAD
4
FACTORES INCONTROLABLES
AQUELLOS SOBRE LOS CUALES LA EMPRESA NO PUEDE DECIDIR NI MODIFICAR: DEPENDEN DE FACTORES EXTERNOS A LA EMPRESA
• DEMANDA DEL PRODUCTO• COMPETENCIA• ECONOMÍA• COMPORTAMIENTO DEL CONSUMIDOR
5
QUÉ PRONOSTICAR?
LA EMPRESA REQUIERE PREDECIR FACTORES INCONTROLABLES:MERCADO, ENTORNO, ECONOMÍA, QUE SON INCIERTOS, PARA DECIDIR (PLANEAR) SOBRE FACTORES CONTROLABLES: NIVELES DE INVENTARIO, DE PRODUCCIÓN, CAPACIDAD.
6
OBJETIVO
REDUCIR LA INCERTIDUMBRE DEL FUTURO, MEDIANTE LA ANTICIPACIÓN DE EVENTOS CUYA PROBABILIDAD DE OCURRENCIA SEA RELATIVAMENTE ALTA, RESPECTO A OTROS EVENTOS POSIBLES.
7
CLASIFICACIÓN DE PRONÓSTICOS
HORIZONTE DE PLANEACIÓN
• LARGO PLAZO: inversión en capital, localización de planta, nuevos productos, expansión, crecimiento del mercado, tecnología
• MEDIANO PLAZO: tamaño de la fuerza de trabajo, ciclicidad de la demanda, requerimientos de capacitación
• CORTO PLAZO: frecuencia de pedidos , demanda, niveles de inventario requeridos
8
CLASIFICACIÓN DE PRONÓSTICOS
POR ÁREAS DE LA EMPRESA
• MERCADOTECNIA: crecimiento del mercado, pronósticos económicos y poblacionales
• PRODUCCIÓN: programas de expansión, pronóstico de la demanda a mediano y largo plazo
• FINANZAS: presupuesto de gastos, ventas del próximo año
9
CLASIFICACIÓN DE TÉCNICAS DE PRONÓSTICOS
POR TIPO DE DATOS
• CUALITATIVAS: técnicas subjetivas. Utilizan información cualitativa (experiencia de expertos).
• CUANTITATIVAS: se basan en datos numéricos y utilizan herramienta matemática y estadística para su elaboración.
10
TÉCNICAS CUALITATIVASLA MISMA TÉCNICA USADA POR DOS EXPERTOS DISTINTOS PUEDE PRODUCIR RESULTADOS DIFERENTES
• INVESTIGACIÓN DE MERCADOS
• ANALOGÍAS HISTÓRICAS
• MÉTODO DELPHI
• CONSENSO GENERAL
• IMPACTO CRUZADO
• ANÁLISIS DE ESCENARIOS
11
OBTENER INFORMACIÓN ACERCA DEL COMPORTAMIENTO REAL DEL MERCADO, MEDIANTE ENCUESTAS DIRIGIDAS AL PÚBLICO CONSUMIDOR O A PARTIR DE LA EXPERIENCIA DE VENDEDORES, PARA CONCLUIR SOBRE EL COMPORTAMIENTO FUTURO
INVESTIGACIÓN DE MERCADOS
12
ANALOGÍAS HISTÓRICAS
SE FUNDAMENTA EN UN ANÁLISIS COMPARATIVO DE CASOS SIMILARES AL QUE SE ESTUDIA. TRATA DE RECONOCER PATRONES DE SIMILITUD PARA SACAR CONCLUSIONES Y OBTENER UN PRONÓSTICO: productos similares, producto en otros mercados, etc.
13
MÉTODO DELPHI
PRETENDE LLEGAR A UN CONSENSO A TRAVÉS DE LA OPINIÓN DE EXPERTOS, EVITANDO LA CONFRONTACIÓN DE LOS MISMOS, YA QUE NO EXISTE UNA INTERACCIÓN DIRECTA ENTRE LOS PARTICIPANTES. ESTOS EXPRESAN LIBREMENTE SUS OPINIONES.
14
MÉTODO DELPHI• Los expertos responden un cuestionario• Se obtiene la media y desviación 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 opinión a todos los participantes y se vuelve a aplicar el cuestionario
15
MÉTODO DELPHI
• El proceso se repite hasta lograr un consenso en las diferentes preguntas o hasta identificar subgrupos de opiniones
• Con la información obtenida se procede a la toma de decisiones.
16
CONSENSO GENERAL
• SE REÚNE 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 MAYORÍA
17
IMPACTO CRUZADO
DESARROLLAR UNA MATRIZ PARA ESTUDIAR LOS EFECTOS DE DIVERSOS FACTORES SOBRE LA PROBABILIDAD DE OCURRENCIA DE UN EVENTO, ASÍ COMO EL IMPACTO QUE ESTA PUEDA TENER EN OTRA SERIE DE EVENTOS
18
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 repercusión sobre los demás eventos como resultado de la ocurrencia o no del evento elegido.
19
ANÁLISIS DE ESCENARIOS
Describir diferentes escenarios futuros posibles (mas probable, probable, poco probable) considerando factores que los determinen (cambios en la población, inflación, variación de la demanda) para reconocer las implicaciones a largo plazo de los cambios posibles
20
TÉCNICAS CUANTITATIVAS
• INFORMACIÓN: REQUIEREN DE DATOS HISTÓRICOS DE LAS VARIABLES INVOLUCRADAS
• SUPUESTO: EL PATRÓN HISTÓRICO DE LAS VARIABLES SEGUIRÁ SIENDO VÁLIDO EN EL FUTURO ANALIZADO
21
TÉCNICAS CUANTITATIVAS• EXTRAPOLATIVAS: ajustes de curvas y
métodos de suavizamiento. Los patrones observados en el pasado se proyectan al futuro
• ANÁLISIS DE SERIES DE TIEMPO: métodos de descomposición y modelos ARIMA (autorregresivos, integrados y promedios móviles)
• MODELOS CAUSALES: modelos econométricos (regresión)
22
ETAPAS DE UN PRONÓSTICO
• DEFINIR EL PROPÓSITO• RECOLECTAR DATOS: fuentes primarias o
secundarias• PREPARAR LOS DATOS:ordenar y clasificar• SELECCIONAR LA TÉCNICA ADECUADA:
cualitativa o cuantitativa• EJECUTAR EL PRONÓSTICO: estimar errores• DAR SEGUIMIENTO: confrontar con
información actual
23
ETAPAS DE UN PRONÓSTICO
• Facilite la toma de decisiones en el momento adecuado• Que sea entendida por el que toma las decisiones• Pase un análisis costo-beneficio• Cumpla con las restricciones del sistema: tiempo
disponible, datos, disponibilidad de cómputo.• Cumpla con los criterios de: precisión, estabilidad,
objetividad
SELECCIÓN DE LA TÉCNICA ADECUADA: LA MEJOR TÉCNICA ES AQUELLA QUE
24
TIPOS DE DATOS
• OBSERVADOS EN UN MOMENTO PRECISO DEL TIEMPO: un día, una hora, una semana, etc.. Ejemplo: observar una característica en una muestra de productos para controlar calidad, ingreso de la población, grado de escolaridad de empleados, etc...
Objetivo: extrapolar a toda la población las características de la muestra
25
TIPO DE DATOS• SERIES DE TIEMPO: una sucesión
cronológica de observaciones de una variable a intervalos iguales de tiempo.
Ejemplo: ventas trimestrales de los últimos 5 años, desempleo en los últimos años, precio de un producto en el tiempo, etc..
Objetivo: analizar patrones del pasado que puedan extrapolarse al futuro
26
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
27
TENDENCIA
• Crecimiento de la población• Inflación• Ventas de un producto en su etapa de crecimiento en el ciclo de vida
COMPONENTE DE MUY LARGO PLAZO QUE REPRE-SENTA EL CRECIMIENTO O DECRECIMIENTO DE LOS DATOS EN UN PERÍODO EXTENDIDO
FUERZAS QUE AFECTAN Y EXPLICAN TENDENCIA:
28
TENDENCIA: ventas de SEARS (1955-1985)
0
10000
20000
30000
40000
50000
55 60 65 70 75 80 85
SEARS
29
ESTACIONALIDAD
• PERÍODOS ESCOLARES• PERÍODOS VACACIONALES• PRODUCTOS DE ESTACIÓN• ESTACIONES DEL AÑO
PATRÓN DE CAMBIO QUE SE REPITE AÑO CON AÑOEN EL MISMO NÚMERO DE PERÍODOS
FUERZAS QUE AFECTAN Y EXPLICAN ESTACIONALIDAD:
30
ESTACIONALIDAD
60
80
100
120
140
160
180
81 82 83 84 85 86 87 88 89 90
MURPHY
31
CICLICIDAD
• PERÍODOS DE EXPANSIÓN Y DE RECESIÓN DE LA ECONOMÍA
• CICLOS ECONÓMICOS
FLUCTUACIÓN ALREDEDOR DE LA TENDENCIA QUE SE REPITE PERO A INTERVALOS DISTINTOS YCON AMPLITUDES DISTINTAS
FUERZAS QUE AFECTAN Y EXPLICAN CICLICIDAD:
32
CICLICIDAD
100
150
200
250
300
350
400
60 65 70 75 80 85 90
VENTAS TENDENCIA
33
FACTOR ALEATORIO
• CAMBIOS CLIMÁTICOS• DESASTRES NATURALES• HUELGAS• HECHOS FORTUITOS
MIDE LA VARIABILIDAD DE UNA SERIE CUANDO LOS DEMÁS COMPONENTES SE HAN ELIMINADO O NO EXISTEN
FUERZAS QUE AFECTAN Y EXPLICAN ALEATORIEDAD
34
SERIE ALEATORIA:generada por números aleatorios
0
200
400
600
800
1000
5 10 15 20 25 30
ALEA
35
SERIE ESTACIONARIA
• SISTEMAS DE PRODUCCIÓN CON TASA UNIFORME
• VENTAS DE PRODUCTOS EN SU ETAPA DE MADUREZ EN EL CICLO DE VIDA
SERIE CUYO VALOR PROMEDIO NO CAMBIAA TRAVÉS DEL TIEMPO
FUERZAS QUE AFECTAN Y EXPLICAN ESTACIONARIEDAD
36
SERIE ESTACIONARIA
200
400
600
800
1000
85 86 87 88 89 90 91 92
VENTAS TENDENCIA
37
SERIE CON VARIOS PATRONES
100
200
300
400
500
60 65 70 75 80 85 90
VENTASCICLOTENDENCIA
38
PATRONES Y CORRELOGRAMAS
Una forma de saber si la serie tiene Tendencia,Estacionalidad, es una serie Aleatoria o una serie Estacionaria es mediante la observación del Correlograma.
Correlograma: gráfica que muestra los coeficientes de autocorrelación de la serie
39
AUTOCORRELACIÓN CORRELACIÓN DE LA SERIE CON ELLA
MISMA REZAGADA UNO O VARIOS PERÍODOS
(Yt-Y) (Yt-k - Y)
(Yt -Y)rk=
donde: Yt= es la observación en el tiempo t Y = la media de los valores de la serie
rk = coeficiente de Autocorrelación de orden k
40
TENDENCIA
Si la serie tiene Tendencia los coeficientes de autocorrelación son significativamente distintos de cero en los primeros rezagos y caen
gradualmente a cero.
0
10000
20000
30000
40000
50000
55 60 65 70 75 80 85
SEARS
41
SERIE DE DIFERENCIAS
Para quitar la tendencia a la serie se usa el Método de Diferencias: se genera una nueva serie en la cual cada observación es la diferencia de la observación t y la observación t-1 de la serie original.
Dif t = Yt - Yt-1
42
ESTACIONALIDAD
Si la serie tiene un patrón estacional el coeficiente de autocorrelación correspondiente a cierto rezago (4 si la serie es trimestral, 12 si es anual, etc.) es significativamente distinto de cero.
60
80
100
120
140
160
180
81 82 83 84 85 86 87 88 89 90
MURPHY
43
ESTACIONALIDAD
Quitando la tendencia a la serie Murphy (serie D(Murphy)), se observa una correlación significativamente distinta de cero en el rezago número 12 (observar que la serie es mensual)
-60
-40
-20
0
20
40
81 82 83 84 85 86 87 88 89 90
D(MURPHY)
44
SERIE ALEATORIA
Si la serie es aleatoria los coeficientes de autocorrelación son todos significativamente cero
0
200
400
600
800
1000
5 10 15 20 25 30
ALEA
45
SERIE ESTACIONARIA
Los coeficientes de autocorrelación de una serie estacionaria son cero excepto para los dos o tres primeros rezagos
-10000
0
10000
20000
30000
40000
50000
55 60 65 70 75 80 85
SEARS DSEARS
46
TÉCNICAS EXTRAPOLATIVAS
NOTACIÓN:
Yt : observación en el período t
Ft: pronóstico para el período t
et= Yt - Ft : residuo en el período t
Los residuos permiten observar que tan bueno es el modelo para pronosticar períodos pasados
47
MEDIDAS DE ERROR
SIRVEN PARA EVALUAR LA UTILIDAD DE UNA TÉCNICA DE PRONÓSTICOS, CALCULANDO UNA MEDIDA GLOBAL DE LOS RESIDUOS.
RESIDUOS: LA DIFERENCIA ENTRE EL VALOR REAL DE LA VARIABLE Y EL VALOR ESTIMADO POR EL MODELO
48
MEDIDAS DE ERROR
LAS MEDIDAS DE ERROR SE CALCULAN SOBRE UNA RANGO DE DATOS DE PRUEBA COMÚN ( a todos los modelos) CONSTITUIDO POR K OBSERVACIONES HISTÓRICAS Y REALIZANDO LOS PRONÓSTICOS CORRESPONDIENTES CON LA TÉCNICA SELECCIONADA
49
MEDIDAS DE ERROR•ERROR MEDIO (ME) : ME
ei
k=
•ERROR MEDIO ABSOLUTO: MAD =
•ERROR MEDIO CUADRÁTICO (MSE):
ei |
k
•ERROR MEDIO ABSOLUTO PORCENTUAL: proporción del error
identifica sesgo
distancia promedio
penaliza errores grandesei)2
=k
MAPE
kMSE =
ei / y |
50
SERIE DE VENTAS: ACMEOBS TRIM. 1 TRIM. 2 TRIM. 3 TRIM. 41985 500.0000 350.0000 250.0000 400.00001985 450.0000 350.0000 200.0000 300.00001986 350.0000 200.0000 150.0000 400.00001988 550.0000 350.0000 250.0000 550.00001989 550.0000 400.0000 350.0000 600.00001990 750.0000 500.0000 400.0000 650.00001991 850.0000 600.0000 450.0000 700.00001992 550.0000 400.0000 500.0000 NA 1993 NA NA NA NA 1994 NA
51
MODELOS NAIVE
•ÚTILES CUANDO LA INFORMACIÓN MAS RELEVANTE ES LA DE LOS PERÍODOS MAS RECIENTES
• MODELO 1: F t+1= Yt
• MODELO 2: F t+1= Yt +(Yt - Yt-1)
• MODELO 3: Ft+1=Yt-3
52
MODELOS NAIVE: F t+1= YtACME 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
Serie con tendencia y estacionalidad
0
200
400
600
800
1000
85 86 87 88 89 90 91 92 93
ACME ACME1
53
MODELOS NAIVE: F t+1= Yt
-1000
-500
0
500
1000
85 86 87 88 89 90 91 92
RES1
Serie con tendencia y estacionalidad
54
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
0
200
400
600
800
1000
1200
85 86 87 88 89 90 91 92 93
ACME ACME2
55
MODELOS NAIVE: F t+1= Yt +(Yt - Yt-1)
-1000
-500
0
500
1000
85 86 87 88 89 90 91 92
RES2
56
MODELOS NAIVE: Ft+1=Yt-3ACME 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
0
200
400
600
800
1000
85 86 87 88 89 90 91 92 93
ACME ACME3
57
MODELOS NAIVE: Ft+1=Yt-3
-1000
-500
0
500
1000
85 86 87 88 89 90 91 92
RES3
58
ERRORESOBS RES1 RES2 RES3 OBS RES1 RES2 RES31985.1 NA NA NA 1989.1 0.000000 -300.0000 0.0000001985.2 -150.0000 NA NA 1989.2 -150.0000 -150.0000 50.000001985.3 -100.0000 50.00000 NA 1989.3 -50.00000 100.0000 100.00001985.4 150.0000 250.0000 NA 1989.4 250.0000 300.0000 50.000001986.1 50.00000 -100.0000 -50.00000 1990.1 150.0000 -100.0000 200.00001986.2 -100.0000 -150.0000 0.000000 1990.2 -250.0000 -400.0000 100.00001986.3 -150.0000 -50.00000 -50.00000 1990.3 -100.0000 150.0000 50.000001986.4 100.0000 250.0000 -100.0000 1990.4 250.0000 350.0000 50.000001987.1 50.00000 -50.00000 -100.0000 1991.1 200.0000 -50.00000 100.00001987.2 -150.0000 -200.0000 -150.0000 1991.2 -250.0000 -450.0000 100.00001987.3 -50.00000 100.0000 -50.00000 1991.3 -150.0000 100.0000 50.000001987.4 250.0000 300.0000 100.0000 1991.4 250.0000 400.0000 50.000001988.1 150.0000 -100.0000 200.0000 1992.1 -150.0000 -400.0000 -300.00001988.2 -200.0000 -350.0000 150.0000 1992.2 -150.0000 0.000000 -200.00001988.3 -100.0000 100.0000 100.0000 1992.3 100.0000 250.0000 50.000001988.4 300.0000 400.0000 150.0000
59
MEDIDAS DE ERRORME MSE MAD MAPE
MODELO1 3.7037 29074.07 151.85 0.3548MODELO2 -1.8518 61759.26 209.25 0.4809MODELO3 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.
60
MODELO DE LA MEDIA TOTAL
Ft+1 = Yt
n
•ÚTIL CUANDO LA SERIE ES ESTACIONARIA
•SE OBTIENE DEL PROMEDIO DE TODAS LAS OBSERVACIONES HISTÓRICAS
61
MODELOS DE PROMEDIOS MÓVILES (simples de orden 3)
Ft+1 =Yt + Yt-1 + Yt-2
3
• SE PROMEDIAN SOLO LAS ÚLTIMAS OBSERVACIONES
• EL ORDEN SE DETERMINA A PRIORI
• UN ORDEN GRANDE ELIMINA LOS PICOS (suaviza)
• UN ORDEN PEQUEÑO PERMITE SEGUIR MUY DE CERCA LOS CAMBIOS DE CORTO PLAZO
62
PROMEDIO MÓVIL DE ORDEN 2
0
200
400
600
800
1000
85 86 87 88 89 90 91 92 93
ACME MA(2)
63
PROMEDIO MÓVIL DE ORDEN 3
200
400
600
800
1000
85 86 87 88 89 90 91 92 93
ACME MA(3)
64
PROMEDIO MÓVIL DE ORDEN 4
0
200
400
600
800
1000
85 86 87 88 89 90 91 92 93
ACME MA(4)
65
PROMEDIO MÓVIL DOBLE LINEAL (Brown)
Ft+p = At +p* Bt
0
200
400
600
800
1000
1200
85 86 87 88 89 90 91 92
ACME PRON
66
PROMEDIO MÓVIL DOBLE LINEAL (Brown)
ACME PM1 PM2 AT BT PRON 500.0000 NA NA NA NA NA 350.0000 425.0000 NA NA NA NA 250.0000 300.0000 362.5000 237.5000 -125.0000 NA 400.0000 325.0000 312.5000 337.5000 25.00000 112.5000 450.0000 425.0000 375.0000 475.0000 100.0000 362.5000 350.0000 400.0000 412.5000 387.5000 -25.00000 575.0000 200.0000 275.0000 337.5000 212.5000 -125.0000 362.5000 300.0000 250.0000 262.5000 237.5000 -25.00000 87.50000 350.0000 325.0000 287.5000 362.5000 75.00000 212.5000 200.0000 275.0000 300.0000 250.0000 -50.00000 437.5000 150.0000 175.0000 225.0000 125.0000 -100.0000 200.0000 400.0000 275.0000 225.0000 325.0000 100.0000 25.00000 550.0000 475.0000 375.0000 575.0000 200.0000 425.0000 350.0000 450.0000 462.5000 437.5000 -25.00000 775.0000 250.0000 300.0000 375.0000 225.0000 -150.0000 412.5000 550.0000 400.0000 350.0000 450.0000 100.0000 75.00000 550.0000 550.0000 475.0000 625.0000 150.0000 550.0000 400.0000 475.0000 512.5000 437.5000 -75.00000 775.0000 350.0000 375.0000 425.0000 325.0000 -100.0000 362.5000 600.0000 475.0000 425.0000 525.0000 100.0000 225.0000 750.0000 675.0000 575.0000 775.0000 200.0000 625.0000 500.0000 625.0000 650.0000 600.0000 -50.00000 975.0000 400.0000 450.0000 537.5000 362.5000 -175.0000 550.0000 650.0000 525.0000 487.5000 562.5000 75.00000 187.5000 850.0000 750.0000 637.5000 862.5000 225.0000 637.5000 600.0000 725.0000 737.5000 712.5000 -25.00000 1087.500 450.0000 525.0000 625.0000 425.0000 -200.0000 687.5000 700.0000 575.0000 550.0000 600.0000 50.00000 225.0000 550.0000 625.0000 600.0000 650.0000 50.00000 650.0000 400.0000 475.0000 550.0000 400.0000 -150.0000 700.0000
67
SUAVIZAMIENTO EXPONENCIAL(simple)
Ft+1 = Yt + ( 1- ) Ft
• PROMEDIA LOS VALORES HISTÓRICOS HASTA EL PERÍODO t, CON PONDERACIONES QUE DECRECEN EXPONENCIALMENTE
• INCLUYE UN PARÁMETRO QUE DEFINE LA VELOCIDAD DE DECAIMIENTO
0
• Ft INCLUYE LAS PONDERACIONES DE OBSERVACIONES ANTERIORES
68
SUAVIZAMIENTO EXPONENCIAL SIMPLE
(0.2620)
0
200
400
600
800
1000
85 86 87 88 89 90 91 92 93
ACME FOR
69
SUAVIZAMIENTO EXPONENCIAL SIMPLE (0.2620)
70
SUAVIZAMIENTO EXPONENCIAL DOBLE (0.2620)
Ft+p=at+pbtDonde=at= 2At - A’tbt= / (At - A’t)At=Yt+()At-1
A’t=At+()A’t
71
SUAVIZAMIENTO EXPONENCIAL DOBLE (0.2620)
72
SUAVIZAMIENTO EXPONENCIAL DOBLE (0.2620)
73
SUAVIZAMIENTO DE HOLT
0
200
400
600
800
1000
85 86 87 88 89 90 91 92 93
ACME HOLT
= 0.31, = 0
74
SUAVIZAMIENTO DE HOLT
75
SUAVIZAMIENTO DE WINTERS
0
200
400
600
800
1000
1200
85 86 87 88 89 90 91 92 93
ACME WINTERS
=1 , =0, = 0
76
SUAVIZAMIENTO DE WINTERS
77
MEDIDAS DE ERROR
MSEFOR 21062.94HOLT 21785.66WINTERS 7209.052
DADO QUE LA SERIE TIENE COMPONENTE ESTACIONAL, EL MEJOR MODELO ES WINTERS
78
EL MODELO DE REGRESIÓN• DESCRIBE LA RELACIÓN 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 (ESTÁN CORRELACIONADAS) SOBRE LA VARIABLE DEPENDIENTE, EL MODELO DESCRIBE ESTA RELACIÓN Y LA CUANTIFICA
79
REGRESIÓN LINEAL
VENTAS = 0 + 1 * PUBLICIDAD+ 2* PRECIO+3* PERÍODO+ U
• VENTAS: VARIABLE DEPENDIENTE, EXPLICADA, ENDÓGENA
•PUBLICIDAD, PRECIO, PERÍODO: VARIABLES INDEPENDIENTES,
EXPLICATIVAS, EXÓGENAS.
•EL MODELO ASUME QUE PUBLICIDAD, PRECIO Y PERÍODOSON VARIABLES CORRELACIONADAS CON LAS VENTAS
•EL MODELO PRETENDE EXPLICAR ESTA RELACIÓN
•ES IMPORTANTE DEFINIR LA UNIDAD DE MEDIDA DE CADA VARIABLE
• U= ERROR DEL MODELO
80
REGRESIÓN LINEAL
VENTAS = 0 + 1 * PUBLICIDAD+ 2* PRECIO+3* PERÍODO+ U
•LA FUNCIÓN DE REGRESIÓN POBLACIONAL (FRP):
ES UNA REPRESENTACIÓN TEÓRICA DEL PROBLEMA, QUE REPRESENTA LA CORRELACIÓN LINEAL DE LAS VENTAS CON LAS VARIABLES INDEPENDIENTES
•EL ANÁLISIS DE REGRESIÓN ESTIMA EL MODELO TEÓRICO, A PARTIR DE INFORMACIÓN MUESTRAL (ver Tabla 1) CALCULANDO LA FUNCIÓN DE REGRESIÓN MUESTRAL (FRM)
81
AÑO TRIM PERIODO PRECIO PUBLICIDAD VENTAS AÑO TRIM PERIODO PRECIO PUBLICIDAD VENTAS1989 1 1.000000 24.30000 173.0000 5463.000 1993 1 17.00000 19.30000 338.0000 801783.0
2 2.000000 24.20000 183.0000 34866.00 2 18.00000 19.20000 345.0000 1446318.3 3.000000 24.20000 177.0000 51219.00 3 19.00000 19.10000 369.0000 2217178.4 4.000000 22.10000 201.0000 71798.00 4 20.00000 19.30000 336.0000 1278239.
1990 1 5.000000 20.95000 197.0000 45661.00 1994 1 21.00000 19.00000 346.0000 1842286.2 6.000000 22.90000 215.0000 132979.0 2 22.00000 18.20000 376.0000 1933991.3 7.000000 21.00000 237.0000 237791.0 3 23.00000 18.80000 401.0000 1316655.4 8.000000 23.00000 244.0000 293938.0 4 24.00000 18.00000 396.0000 2331909.
1991 1 9.000000 24.00000 261.0000 216525.0 1995 1 25.00000 18.50000 414.0000 2292750.2 10.00000 21.50000 267.0000 433050.0 2 26.00000 18.30000 421.0000 1979608.3 11.00000 24.00000 282.0000 1078839. 3 27.00000 18.00000 402.0000 2165719.4 12.00000 23.60000 293.0000 1428048. 4 28.00000 17.90000 407.0000 2462011.
1992 1 13.00000 23.00000 333.0000 270447.0 1996 1 29.00000 17.70000 403.0000 2193792.2 14.00000 24.50000 331.0000 523919.0 2 30.00000 17.80000 407.0000 2231793.3 15.00000 19.20000 337.0000 707113.0 3 31.00000 17.40000 418.0000 2498367.4 16.00000 19.00000 322.0000 1107031. 4 32.00000 17.60000 424.0000 2378200.
TABLA 1
PERÍODO: trimestralPRECIO: en pesosPUBLICIDAD: dinero asignado a este rubroVENTAS: pesos vendidos
82
REGRESIÓN 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* PERÍODO +e
• LOS COEFICIENTES SE CALCULAN MEDIANTE LA TÉCNICA DE MÍNIMOS CUADRADOS LINEALES
• CUANTO MAS REPRESENTATIVA SEA LA MUESTRA MEJOR SERÁN LOS ESTIMADORES
• EL ANÁLISIS DE LOS ESTIMADORES REQUIERE INFERENCIA ESTADÍSTICA
83
REGRESIÓN LINEALNOTACIÓN
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)
e= Y - Y (ERROR DEL PRONÓSTICO)
84
REPRESENTACIÓN GRÁFICA
FRP: E(Y/X)
FRM
Xi
Yi
Yi
Ui
ei
85
NOTACIÓN MATRICIALSI 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 PRONÓSTICO (FRM) (n*1)
86
NOTACIÓN MATRICIALSE PRETENDE ESTIMAR:
E(Y/X)= X
• ESTIMANDO EL VECTOR DE MANERA DE MINIMIZAR LOS ERRORES Ui, QUE REPRESENTAN LA DISTANCIA ENTRE CADA OBSERVACIÓN Y LA FRP
• U ES UNA VARIABLE ALEATORIA NO OBSERVABLE, QUE REPRESENTA TODAS LAS VARIABLES NO CONSIDERADAS EXPLÍCITAMENTE EN EL MODELO
87
NOTACIÓN MATRICIALLA FUNCIÓN DE REGRESIÓN MUESTRAL (FRM):
Y= X b + e
Y = X b
• Y : VALORES DE LA VARIABLE DEPENDIENTE
•X: MATRIZ DE VALORES DE LAS VARIABLES INDEPENDIENTES
• b: ESTIMADORES DE LOS PARÁMETROS
• Y: ESTIMADOR DE Y
• e: ESTIMADOR DE LOS ERRORES U
88
ESTIMACIÓN DE PARÁMETROS
LOS COEFICIENTES SE ESTIMAN POR MÍNIMOS 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 OPERACIÓN, Y ADEMÁS PROPORCIONAN INFORMACIÓN ESTADÍSTICA
89
EJEMPLO (ver Tabla1)(con E-VIEWS)
•VARIABLE DEPENDIENTE: VENTAS (Y)
•VARIABLES INDEPENDIENTES: PRECIO Y PUBLICIDAD
• MATRIZ DE CORRELACIÓN:
VENTAS PUBLICIDAD PRECIOVENTAS 1.00000 0.902103 -0.823640PUBLICIDAD 0.902103 1.00000 -0.823787PRECIO -0.823640 -0.823787 1.00000
90
EJEMPLO
91
EJEMPLO
0
1000000
2000000
3000000
100 200 300 400 500
VE
NTA
S
PUBLICIDAD
0
1000000
2000000
3000000
16 18 20 22 24 26
VE
NTA
S
PRECIO
92
EL PRONÓSTICO
SI EL MODELO ES ESTADÍSTICAMENTE ADECUADO,EL PRONÓSTICO DE LAS VENTAS SE REALIZA:
• SUSTITUYENDO LOS VALORES DE LAS VARIABLES INDEPENDIENTES
PUBLICIDAD = 500PRECIO= 17.50
E(Y/X) ~ Y
= 581645.1 + 7688.73 * 500 - 90700.8 * 17.50
Y = 2,838,746.1
93
SUPUESTOS DEL MODELO DE REGRESIÓN
• NORMALIDAD: Ui ~ N(0,2
•INDEPENDENCIA DE ERRORES: cov (Ui,Uj)=0
•HOMOSCEDASTICIDAD: var (Ui /Xi)= 2
•MULTICOLINEALIDAD: (Xi,Xj) =0BAJO ESTOS SUPUESTOS, LOS ESTIMADORES SON:
• INSESGADOS: E(b)=•LINEALES: b ES FUNCIÓN LINEAL DE Y•DE VARIANZA MÍNIMA: var(b)
94
SUPUESTOS DEL MODELO DE REGRESIÓN
SI LOS SUPUESTOS NO SON VIOLADOS PUEDE HACERSE INFERENCIA ESTADÍSTICA:
•PRUEBAS DE SIGNIFICANCIA DE LOS COEFICIENTESHo: = 0H1: 0
EN EL EJEMPLO, o NO ES SIGNIFICATIVO
(NÓTESE QUE SE VIOLA EL SUPUESTO DE MULTICOLINEALIDAD)
95
R2: COEFICIENTE DE DETERMINACIÓN
R2: ES EL PORCENTAJE DE VARIACIÓN DE LAVARIABLE DEPENDIENTE, EXPLICADA POR LAS VARIABLES DEPENDIENTES
EN EL EJEMPLO: LAS VARIABLES PRECIO Y PUBLICIDAD EXPLICAN EN UN 83% A LA VARIABLE VENTAS
96
ESTADÍSTICO DURBIN-WATSON
d = 2(1- ei ei-1
ei 2
)
•PERMITE DETECTAR INDEPENDENCIA DE ERRORES
•DEPENDE DEL NÚMERO DE VARIABLES INDEPENDIENTES EN EL MODELO Y DEL NÚMERO DE OBSERVACIONES EN LA MUESTRA
•UN VALOR DE d CERCANO A 2 INDICA QUE LOS ERRORES SON INDEPENDIENTES
97
BIBLIOGRAFÍA:
1.- Hanke, John E. & Reitsch, Arthur G. (1996). Pronósticos en los Negocios. QuintaEdición. Prentice Hall Hispanoamericana, S.A.: México.
2.-Wilson, J. Holton & Keating, Barry. (1996). Previsiones en los Negocios. SegundaEdición. Irwin México.
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 SeriesAnalysis.2d ed., McGraw-Hill International Editions.
6.- Gujarati, Damodar N. (1997). Econometría, 3ra ed., McGraw-Hill: México.
7 - Johnston, J. (1984). Econometric Methods, McGraw-Hill International Editions.
8.- Montgomery, D.&, Peck, E. (1992). Introduction to Linear Regression Analysis", 2ded. Wiley Inter-Science.
9.- Pindyck, Robert & Rubinfeld, D. (1981). Econometric Models and EconomicForecasting, McGraw-Hill, Inc, Singapore.
10.- Makridakis, S. (1991). Pronósticos. Estrategia y Planificación para el siglo XXI.Ediciones Diaz de Santos, S. A.
11.- Miklos T. y Tello M. E. (1991). Planeación Prospectiva”. Editorial Limusa: México.
12.-Econometric Views. Micro TSP for Windows and the Macintosh.
Top Related