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”

1
 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. 2
FACTORES CONTROLABLES
AQUELLOS SOBRE LOS CUALES LA
EMPRESA DECIDE SU ESTRUCTURA,
NIVELES, POLÍTICA Y MODO DE OPERAR:
• NIVELES DE PRODUCCIÓN
• 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
• ECONOMÍA
• COMPORTAMIENTO DEL CONSUMIDOR 4
 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.
5
 OBJETIVO
REDUCIR LA INCERTIDUMBRE DEL
FUTURO, MEDIANTE LA
ANTICIPACIÓN DE EVENTOS CUYA
PROBABILIDAD DE OCURRENCIA SEA
RELATIVAMENTE ALTA, RESPECTO A
OTROS EVENTOS POSIBLES.

6
 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

7
 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
8
 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.
9
 TÉCNICAS CUALITATIVAS
LA 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
10
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
11
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)

12
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 13
ETAPAS DE UN PRONÓSTICO
SELECCIÓN DE LA TÉCNICA ADECUADA:
LA MEJOR TÉCNICA ES AQUELLA QUE
• 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
14
 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 15
 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
16
 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

17
 TENDENCIA
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:

• Crecimiento de la población
• Inflación
• Ventas de un producto en su etapa de crecimiento en el ciclo de vida

18
TENDENCIA: ventas de SEARS
(1955-1985)
50000

40000

30000

20000

10000

0
55 60 65 70 75 80 85

SEARS

19
 ESTACIONALIDAD
PATRÓN DE CAMBIO QUE SE REPITE AÑO CON AÑO
EN EL MISMO NÚMERO DE PERÍODOS

FUERZAS QUE AFECTAN Y EXPLICAN ESTACIONALIDAD:

• PERÍODOS ESCOLARES
• PERÍODOS VACACIONALES
• PRODUCTOS DE ESTACIÓN
• ESTACIONES DEL AÑO
20
ESTACIONALIDAD
180

160

140

120

100

80

60
81 82 83 84 85 86 87 88 89 90

MURPHY

21
 CICLICIDAD
FLUCTUACIÓN ALREDEDOR DE LA TENDENCIA
QUE SE REPITE PERO A INTERVALOS DISTINTOS Y
CON AMPLITUDES DISTINTAS
FUERZAS QUE AFECTAN Y EXPLICAN CICLICIDAD:

• PERÍODOS DE EXPANSIÓN Y DE RECESIÓN

DE LA ECONOMÍA
• CICLOS ECONÓMICOS
22
 CICLICIDAD
400

350

300

250

200

150

100
60 65 70 75 80 85 90

VENTAS TENDENCIA

23
 FACTOR ALEATORIO
MIDE LA VARIABILIDAD DE UNA SERIE CUANDO
LOS DEMÁS COMPONENTES SE HAN ELIMINADO
O NO EXISTEN

FUERZAS QUE AFECTAN Y EXPLICAN ALEATORIEDAD

• CAMBIOS CLIMÁTICOS
• DESASTRES NATURALES
• HUELGAS
• HECHOS FORTUITOS
24
SERIE ALEATORIA:generada
por números aleatorios
1000

800

600

400

200

0
5 10 15 20 25 30

ALEA

25
 SERIE ESTACIONARIA
SERIE CUYO VALOR PROMEDIO NO CAMBIA
A TRAVÉS DEL TIEMPO

FUERZAS QUE AFECTAN Y EXPLICAN

ESTACIONARIEDAD

• SISTEMAS DE PRODUCCIÓN CON TASA

UNIFORME
• VENTAS DE PRODUCTOS EN SU ETAPA DE
MADUREZ EN EL CICLO DE VIDA
26
SERIE ESTACIONARIA
1000

800

600

400

200

85 86 87 88 89 90 91 92

VENTAS TENDENCIA

27
SERIE CON VARIOS
PATRONES
500

400

300

200

100
60 65 70 75 80 85 90

VENTAS
CICLO
TENDENCIA

28
 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
29
 AUTOCORRELACIÓN
CORRELACIÓN DE LA SERIE CON ELLA
MISMA REZAGADA UNO O VARIOS
PERÍODOS

 (Yt-Y) (Yt-k - Y)
rk=
(Yt -Y)

rk = coeficiente de Autocorrelación de orden k

donde: Yt= es la observación en el tiempo t
30
Y = la media de los valores de la serie
 TENDENCIA
50000

40000

30000

20000

10000

0
55 60 65 70 75 80 85

SEARS

Si la serie tiene Tendencia los coeficientes de autocorrelación son

significativamente distintos de cero en los primeros rezagos y caen
31
gradualmente a cero.
 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

32
 ESTACIONALIDAD
180

160

140

120

100

80

60
81 82 83 84 85 86 87 88 89 90

MURPHY

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. 33
 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 correlación
significativamente distinta de cero en el rezago
34
número 12 (observar que la serie es mensual)
 SERIE ALEATORIA
1000

800

600

400

200

0
5 10 15 20 25 30

ALEA

Si la serie es aleatoria los coeficientes de

autocorrelación son todos significativamente cero
35
 SERIE ESTACIONARIA
50000

40000

30000

20000

10000

-10000
55 60 65 70 75 80 85

SEARS DSEARS

Los coeficientes de autocorrelación de una serie

estacionaria son cero excepto para los dos o tres
36
primeros rezagos
 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
37
 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
38
 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
39
 MEDIDAS DE ERROR
ei
•ERROR MEDIO (ME) : ME = identifica sesgo
k
ei | distancia promedio
•ERROR MEDIO ABSOLUTO: MAD =
k

•ERROR MEDIO CUADRÁTICO (MSE): penaliza errores grandes

ei)2
MSE =
k

•ERROR MEDIO ABSOLUTO PORCENTUAL: proporción del error

ei / y |
MAPE = 40

k
SERIE DE VENTAS: ACME
OBS TRIM. 1 TRIM. 2 TRIM. 3 TRIM. 4
1985 500.0000 350.0000 250.0000 400.0000
1985 450.0000 350.0000 200.0000 300.0000
1986 350.0000 200.0000 150.0000 400.0000
1988 550.0000 350.0000 250.0000 550.0000
1989 550.0000 400.0000 350.0000 600.0000
1990 750.0000 500.0000 400.0000 650.0000
1991 850.0000 600.0000 450.0000 700.0000
1992 550.0000 400.0000 500.0000 NA
1993 NA NA NA NA
1994 NA 41
 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 42
MODELOS NAIVE: F t+1= Yt
ACME ACME1
500.0000 NA 1000
350.0000 500.0000
250.0000 350.0000
800
400.0000 250.0000
450.0000 400.0000
350.0000 450.0000 600
200.0000 350.0000
300.0000 200.0000
400
350.0000 300.0000
200.0000 350.0000
150.0000 200.0000 200
400.0000 150.0000
550.0000 400.0000
350.0000 550.0000 0
85 86 87 88 89 90 91 92 93
250.0000 350.0000
550.0000 250.0000 ACME ACME1
550.0000 550.0000
400.0000 550.0000
350.0000 400.0000 43
600.0000 350.0000 Serie con tendencia y estacionalidad
750.0000 600.0000
 MODELOS NAIVE: F t+1= Yt
1000

500

-500

-1000
85 86 87 88 89 90 91 92

RES1

Serie con tendencia y estacionalidad 44

 MODELOS NAIVE:
F t+1= Yt +(Yt - Yt-1)
ACME ACME2
500.0000 NA 1200
350.0000 NA
250.0000 200.0000 1000
400.0000 150.0000
450.0000 550.0000
800
350.0000 500.0000
200.0000 250.0000
300.0000 50.00000 600
350.0000 400.0000
200.0000 400.0000 400
150.0000 50.00000
400.0000 100.0000
200
550.0000 650.0000
350.0000 700.0000
250.0000 150.0000 0
550.0000 150.0000 85 86 87 88 89 90 91 92 93
45
550.0000 850.0000
400.0000 550.0000 ACME ACME2
 MODELOS NAIVE:
F t+1= Yt +(Yt - Yt-1)
1000

500

-500

-1000
85 86 87 88 89 90 91 92

RES2
46
MODELOS NAIVE: Ft+1=Yt-3
ACME ACME3
500.0000 NA 1000
350.0000 NA
250.0000 NA
400.0000 NA 800
450.0000 500.0000
350.0000 350.0000
200.0000 250.0000 600
300.0000 400.0000
350.0000 450.0000
200.0000 350.0000 400
150.0000 200.0000
400.0000 300.0000
550.0000 350.0000 200
350.0000 200.0000
250.0000 150.0000
550.0000 400.0000 0
550.0000 550.0000 85 86 87 88 89 90 91 92 93
400.0000 350.0000
47
350.0000 250.0000 ACME ACME3
600.0000 550.0000
 MODELOS NAIVE: Ft+1=Yt-3
1000

500

-500

-1000
85 86 87 88 89 90 91 92

RES3

48
 ERRORES
OBS RES1 RES2 RES3 OBS RES1 RES2 RES3
1985.1 NA NA NA 1989.1 0.000000 -300.0000 0.000000
1985.2 -150.0000 NA NA 1989.2 -150.0000 -150.0000 50.00000
1985.3 -100.0000 50.00000 NA 1989.3 -50.00000 100.0000 100.0000
1985.4 150.0000 250.0000 NA 1989.4 250.0000 300.0000 50.00000
1986.1 50.00000 -100.0000 -50.00000 1990.1 150.0000 -100.0000 200.0000
1986.2 -100.0000 -150.0000 0.000000 1990.2 -250.0000 -400.0000 100.0000
1986.3 -150.0000 -50.00000 -50.00000 1990.3 -100.0000 150.0000 50.00000
1986.4 100.0000 250.0000 -100.0000 1990.4 250.0000 350.0000 50.00000
1987.1 50.00000 -50.00000 -100.0000 1991.1 200.0000 -50.00000 100.0000
1987.2 -150.0000 -200.0000 -150.0000 1991.2 -250.0000 -450.0000 100.0000
1987.3 -50.00000 100.0000 -50.00000 1991.3 -150.0000 100.0000 50.00000
1987.4 250.0000 300.0000 100.0000 1991.4 250.0000 400.0000 50.00000
1988.1 150.0000 -100.0000 200.0000 1992.1 -150.0000 -400.0000 -300.0000
1988.2 -200.0000 -350.0000 150.0000 1992.2 -150.0000 0.000000 -200.0000
1988.3 -100.0000 100.0000 100.0000 1992.3 100.0000 250.0000 50.00000
1988.4 300.0000 400.0000 150.0000
49
 MEDIDAS DE ERROR
ME MSE MAD MAPE
MODELO1 3.7037 29074.07 151.85 0.3548
MODELO2 -1.8518 61759.26 209.25 0.4809
MODELO3 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. 50
 MODELO DE LA MEDIA
TOTAL
Yt
Ft+1 =
n

•ÚTIL CUANDO LA SERIE ES ESTACIONARIA

•SE OBTIENE DEL PROMEDIO DE TODAS LAS

OBSERVACIONES HISTÓRICAS
51
MODELOS DE PROMEDIOS
MÓVILES (simples de orden 3)
Yt + Yt-1 + Yt-2
Ft+1 =
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 52
PROMEDIO MÓVIL DE
ORDEN 2
1000

800

600

400

200

0
85 86 87 88 89 90 91 92 93

ACME MA(2)
53
PROMEDIO MÓVIL DE
ORDEN 3
1000

800

600

400

200

85 86 87 88 89 90 91 92 93

ACME MA(3) 54
PROMEDIO MÓVIL DE
ORDEN 4
1000

800

600

400

200

0
85 86 87 88 89 90 91 92 93

ACME MA(4)
55
PROMEDIO MÓVIL DOBLE
LINEAL (Brown)
Ft+p = At +p* Bt

1200

1000

800

600

400

200

0
85 86 87 88 89 90 91 92

ACME PRON

56
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
57
 SUAVIZAMIENTO
EXPONENCIAL(simple)
Ft+1 = Yt + ( 1- ) Ft 0  

• PROMEDIA LOS VALORES HISTÓRICOS HASTA EL

PERÍODO t, CON PONDERACIONES QUE DECRECEN
EXPONENCIALMENTE

• INCLUYE UN PARÁMETRO  QUE DEFINE LA

VELOCIDAD DE DECAIMIENTO

• Ft INCLUYE LAS PONDERACIONES DE 58

OBSERVACIONES ANTERIORES
 SUAVIZAMIENTO
EXPONENCIAL SIMPLE (0.2620)
1000

800

600

400

200

0
85 86 87 88 89 90 91 92 93

ACME FOR 59
SUAVIZAMIENTO EXPONENCIAL
SIMPLE (0.2620)

60
 SUAVIZAMIENTO
EXPONENCIAL DOBLE (0.2620)
Ft+p=at+pbt
Donde=
at= 2At - A’t
bt= / (At - A’t)
At=Yt+()At-1
A’t=At+()A’t
61
 SUAVIZAMIENTO
EXPONENCIAL DOBLE (0.2620)

62
SUAVIZAMIENTO EXPONENCIAL
DOBLE (0.2620)

63
SUAVIZAMIENTO DE HOLT
= 0.31, = 0
1000

800

600

400

200

0
85 86 87 88 89 90 91 92 93
64
ACME HOLT
SUAVIZAMIENTO DE HOLT

65
 SUAVIZAMIENTO DE
WINTERS
=1 , =0,= 0
1200

1000

800

600

400

200

0
85 86 87 88 89 90 91 92 93 66

ACME WINTERS
SUAVIZAMIENTO DE
WINTERS

67
 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

68
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
69
 REGRESIÓN LINEAL
VENTAS = 0 + 1 * PUBLICIDAD+ 2* PRECIO+3* PERÍODO+ U

• VENTAS: VARIABLE DEPENDIENTE, EXPLICADA, ENDÓGENA

•PUBLICIDAD, PRECIO, PERÍODO: VARIABLES INDEPENDIENTES,

EXPLICATIVAS, EXÓGENAS.
• U= ERROR DEL MODELO
•EL MODELO ASUME QUE PUBLICIDAD, PRECIO Y PERÍODO
SON VARIABLES CORRELACIONADAS CON LAS VENTAS

•EL MODELO PRETENDE EXPLICAR ESTA RELACIÓN

70
•ES IMPORTANTE DEFINIR LA UNIDAD DE MEDIDA DE CADA
VARIABLE
 REGRESIÓN LINEAL
•LA FUNCIÓN DE REGRESIÓN POBLACIONAL (FRP):

VENTAS = 0 + 1 * PUBLICIDAD+ 2* PRECIO+3* PERÍODO+ U

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) 71
AÑO TRIM PERIODO PRECIO PUBLICIDAD VENTAS AÑO TRIM PERIODO PRECIO PUBLICIDAD VENTAS
1989 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: trimestral
PRECIO: en pesos
PUBLICIDAD: dinero asignado a este rubro
72
VENTAS: pesos vendidos
 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
73
INFERENCIA ESTADÍSTICA
 REGRESIÓN LINEAL
NOTACIÓN
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)

 74
e= Y - Y (ERROR DEL PRONÓSTICO)
REPRESENTACIÓN GRÁFICA
Yi FRM
 ei
Yi Ui

FRP: E(Y/X)

75

Xi
 NOTACIÓN 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 PRONÓSTICO (FRM) 76
(n*1)
 NOTACIÓN MATRICIAL
SE 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
77
 NOTACIÓN MATRICIAL
LA FUNCIÓN DE REGRESIÓN MUESTRAL (FRM):
Y=
 Xb+e
Y=Xb
• 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 78
 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
79
PROPORCIONAN INFORMACIÓN ESTADÍSTICA
 EJEMPLO (ver Tabla1)
(con E-VIEWS)
•VARIABLE DEPENDIENTE: VENTAS (Y)

•VARIABLES INDEPENDIENTES: PRECIO Y PUBLICIDAD

• MATRIZ DE CORRELACIÓN:

VENTAS PUBLICIDAD PRECIO

VENTAS 1.00000 0.902103 -0.823640
PUBLICIDAD 0.902103 1.00000 -0.823787
PRECIO -0.823640 -0.823787 1.00000
80
EJEMPLO

81
 EJEMPLO
3000000

2000000
3000000
VEN TAS

1000000
2000000

VENTAS
0
100 200 300 400 500
1000000
PUBLICIDAD

0
16 18 20 22 24 26

PRECIO
82
 EL PRONÓSTICO
SI EL MODELO ES ESTADÍSTICAMENTE ADECUADO,
EL PRONÓSTICO 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 83
 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) =0
BAJO ESTOS SUPUESTOS, LOS ESTIMADORES SON:

• INSESGADOS: E(b)=
•LINEALES: b ES FUNCIÓN LINEAL DE Y
•DE VARIANZA MÍNIMA: var(b) 84
 SUPUESTOS DEL MODELO
DE REGRESIÓN
SI LOS SUPUESTOS NO SON VIOLADOS PUEDE
HACERSE INFERENCIA ESTADÍSTICA:
•PRUEBAS DE SIGNIFICANCIA DE LOS COEFICIENTES
Ho: = 0
H1:   0
EN EL EJEMPLO, o NO ES SIGNIFICATIVO
(NÓTESE QUE SE VIOLA EL SUPUESTO DE
MULTICOLINEALIDAD)
85
 R : COEFICIENTE DE
2

DETERMINACIÓN
R2: ES EL PORCENTAJE DE VARIACIÓN 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

86
 ESTADÍSTICO DURBIN-
WATSON
 ei ei-1
d = 2(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 87
BIBLIOGRAFÍA:

1.- Hanke, John E. & Reitsch, Arthur G. (1996). Pronósticos en los Negocios. Quinta
Edición. Prentice Hall Hispanoamericana, S.A.: México.

2.-Wilson, J. Holton & Keating, Barry. (1996). Previsiones en los Negocios. Segunda
Edición. 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 Series
Analysis.
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", 2d

ed. Wiley Inter-Science.

9.- Pindyck, Robert & Rubinfeld, D. (1981). Econometric Models and Economic
Forecasting, 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.

88
12.-Econometric Views. Micro TSP for Windows and the Macintosh.