1

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
2
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.
3
FACTORES CONTROLABLES
AQUELLOS SOBRE LOS CUALES LA
EMPRESA DECIDE SU ESTRUCTURA,
NIVELES, POLTICA Y MODO DE
OPERAR:
NIVELES DE PRODUCCIN
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
ECONOMA
COMPORTAMIENTO DEL CONSUMIDOR
5
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.
6
OBJETIVO
REDUCIR LA INCERTIDUMBRE DEL
FUTURO, MEDIANTE LA
ANTICIPACIN DE EVENTOS CUYA
PROBABILIDAD DE OCURRENCIA
SEA RELATIVAMENTE ALTA,
RESPECTO A OTROS EVENTOS
POSIBLES.
7
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
8
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
9
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.
10
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
11
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
INVESTIGACIN DE
MERCADOS
12
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.
13
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.

14
MTODO DELPHI
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
15
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.
16
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
17
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
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 repercusin sobre los dems
eventos como resultado de la ocurrencia o
no del evento elegido.
19
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
20
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
21
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)
22
ETAPAS DE UN PRONSTICO
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
23
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
SELECCIN DE LA TCNICA ADECUADA:
LA MEJOR TCNICA ES AQUELLA QUE
24
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
25
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
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 poblacin
Inflacin
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 PERODO 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
PERODOS ESCOLARES
PERODOS VACACIONALES
PRODUCTOS DE ESTACIN
ESTACIONES DEL AO
PATRN DE CAMBIO QUE SE REPITE AO CON AO
EN EL MISMO NMERO DE PERODOS
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
PERODOS DE EXPANSIN Y DE RECESIN
DE LA ECONOMA
CICLOS ECONMICOS
FLUCTUACIN ALREDEDOR DE LA TENDENCIA
QUE SE REPITE PERO A INTERVALOS DISTINTOS Y
CON 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 CLIMTICOS
DESASTRES NATURALES
HUELGAS
HECHOS FORTUITOS
MIDE LA VARIABILIDAD DE UNA SERIE CUANDO
LOS DEMS COMPONENTES SE HAN ELIMINADO
O NO EXISTEN
FUERZAS QUE AFECTAN Y EXPLICAN ALEATORIEDAD
34
SERIE ALEATORIA:generada
por nmeros aleatorios
0
200
400
600
800
1000
5 10 15 20 25 30
ALEA
35
SERIE ESTACIONARIA
SISTEMAS DE PRODUCCIN CON TASA
UNIFORME
VENTAS DE PRODUCTOS EN SU ETAPA DE
MADUREZ EN EL CICLO DE VIDA
SERIE CUYO VALOR PROMEDIO NO CAMBIA
A TRAVS 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
VENTAS
CICLO
TENDENCIA
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 observacin del
Correlograma.

Correlograma: grfica que muestra los coeficientes de
autocorrelacin de la serie
39
AUTOCORRELACIN
CORRELACIN DE LA SERIE CON ELLA
MISMA REZAGADA UNO O VARIOS
PERODOS
E (Y
t
-Y) (Y
t-k
- Y)
E (Y
t
-Y)
r
k
=
donde: Y
t
= es la observacin en el tiempo t
Y = la media de los valores de la serie
r
k
= coeficiente de Autocorrelacin de orden k
40
TENDENCIA
Si la serie tiene Tendencia los coeficientes de autocorrelacin 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 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
= Y
t
- Y
t-1




42
ESTACIONALIDAD
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.
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 correlacin
significativamente distinta de cero en el rezago
nmero 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
autocorrelacin son todos significativamente cero
0
200
400
600
800
1000
5 10 15 20 25 30
ALEA
45
SERIE ESTACIONARIA
Los coeficientes de autocorrelacin 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
TCNICAS
EXTRAPOLATIVAS
NOTACIN:
Y
t
: observacin en el perodo t
F
t
: pronstico para el perodo t
e
t
= Y
t
- F
t
: residuo en el perodo t
Los residuos permiten observar que tan
bueno es el modelo para pronosticar
perodos pasados

47
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
48
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
49
MEDIDAS DE ERROR
ERROR MEDIO (ME) :
ME
E e
i
k
=
ERROR MEDIO ABSOLUTO: MAD =
ERROR MEDIO CUADRTICO (MSE):
E ,e
i
|
k
ERROR MEDIO ABSOLUTO PORCENTUAL: proporcin del error
identifica sesgo
distancia promedio
penaliza errores grandes
E (e
i
)
2
=
k
MAPE
k
MSE
=
E ,e
i
/ y |
50
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

51
MODELOS NAIVE
TILES CUANDO LA INFORMACIN MAS
RELEVANTE ES LA DE LOS PERODOS MAS
RECIENTES
MODELO 1: F
t+1
= Y
t
MODELO 2: F
t+1
= Y
t
+(Y
t
- Y
t-1
)
MODELO 3: F
t+1
=Y
t-3
52
MODELOS NAIVE: F
t+1
= Y
t
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

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
= Y
t
-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
= Y
t
+(Y
t
- Y
t-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
= Y
t
+(Y
t
- Y
t-1
)
-1000
-500
0
500
1000
85 86 87 88 89 90 91 92
RES2
56
MODELOS NAIVE: F
t+1
=Y
t-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

0
200
400
600
800
1000
85 86 87 88 89 90 91 92 93
ACME ACME3
57
MODELOS NAIVE: F
t+1
=Y
t-3
-1000
-500
0
500
1000
85 86 87 88 89 90 91 92
RES3
58
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
59
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.
60
MODELO DE LA MEDIA
TOTAL
F
t+1
=
E Y
t
n
TIL CUANDO LA SERIE ES ESTACIONARIA
SE OBTIENE DEL PROMEDIO DE TODAS LAS
OBSERVACIONES HISTRICAS
61
MODELOS DE PROMEDIOS
MVILES (simples de orden 3)
F
t+1
=
Y
t
+ Y
t-1
+ Y
t-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
62
PROMEDIO MVIL DE
ORDEN 2
0
200
400
600
800
1000
85 86 87 88 89 90 91 92 93
ACME MA(2)
63
PROMEDIO MVIL DE
ORDEN 3
200
400
600
800
1000
85 86 87 88 89 90 91 92 93
ACME MA(3)
64
PROMEDIO MVIL DE
ORDEN 4
0
200
400
600
800
1000
85 86 87 88 89 90 91 92 93
ACME MA(4)
65
PROMEDIO MVIL DOBLE
LINEAL (Brown)
F
t+p
= A
t
+p* B
t
0
200
400
600
800
1000
1200
85 86 87 88 89 90 91 92
ACME PRON
66
PROMEDIO MVIL 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)
F
t+1
=
o Y
t
+ ( 1- o ) F
t
PROMEDIA LOS VALORES HISTRICOS HASTA EL
PERODO t, CON PONDERACIONES QUE DECRECEN
EXPONENCIALMENTE
INCLUYE UN PARMETRO o QUE DEFINE LA
VELOCIDAD DE DECAIMIENTO
0 s o s 1
F
t
INCLUYE LAS PONDERACIONES DE
OBSERVACIONES ANTERIORES
68
SUAVIZAMIENTO
EXPONENCIAL SIMPLE (o = 0.2620)
0
200
400
600
800
1000
85 86 87 88 89 90 91 92 93
ACME FOR
69
SUAVIZAMIENTO EXPONENCIAL
SIMPLE (o = 0.2620)
70
SUAVIZAMIENTO
EXPONENCIAL DOBLE (o = 0.2620)

Ft+p=at+pbt
Donde=
at= 2At - At
bt= o/1o (At - At)
At=oYt+(1o)A
t-1
At=oAt+(1o)A
t

71
SUAVIZAMIENTO
EXPONENCIAL DOBLE (o = 0.2620)

72
SUAVIZAMIENTO EXPONENCIAL
DOBLE (o = 0.2620)
73
SUAVIZAMIENTO DE HOLT
0
200
400
600
800
1000
85 86 87 88 89 90 91 92 93
ACME HOLT
o = 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
o = 1 , | = 0, = 0

76
SUAVIZAMIENTO DE
WINTERS
77
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
78
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
79
REGRESIN LINEAL
VENTAS = |
0
+ |
1
* PUBLICIDAD+ |
2
* PRECIO+|
3
* PERODO+ U
VENTAS: VARIABLE DEPENDIENTE, EXPLICADA, ENDGENA
PUBLICIDAD, PRECIO, PERODO: VARIABLES INDEPENDIENTES,
EXPLICATIVAS, EXGENAS.
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
U= ERROR DEL MODELO
80
REGRESIN LINEAL
VENTAS = |
0
+ |
1
* PUBLICIDAD+ |
2
* PRECIO+|
3
* PERODO+ U
LA FUNCIN DE REGRESIN POBLACIONAL (FRP):
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)
81
AO TRIM PERIODO PRECIO PUBLICIDAD VENTAS AO 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
PERODO: trimestral
PRECIO: en pesos
PUBLICIDAD: dinero asignado a este rubro
VENTAS: pesos vendidos
82
REGRESIN LINEAL
A PARTIR DE LA MUESTRA SE OBTIENEN LOS
COEFICIENTES (b0, b1, b2 y b3) DEL MODELO
MUESTRAL:
VENTAS = b
0
+ b
1
* PUBLICIDAD+ b
2
* PRECIO+b
3
* 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
83
REGRESIN LINEAL
NOTACIN
Y= VARIABLE DEPENDIENTE OBSERVADA

Y= VALOR PRONOSTICADO

X= VARIABLES INDEPENDIENTES (X = X1,X2,X3)

Y= b
0
+ b
1
* X1+ b
2
* X2+ b
3
*X3

E(Y/X) = |
0
+ |
1
* X1+ |
2
* X2+|
3
* X3

U= E(Y/X) - Y (ERROR ALEATORIO)

e= Y - Y (ERROR DEL PRONSTICO)

.
.
.
84
REPRESENTACIN GRFICA
FRP: E(Y/X)
FRM
Xi
Yi
Yi
.
Ui
ei
85
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)
86
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
87
NOTACIN MATRICIAL
LA FUNCIN DE REGRESIN 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 PARMETROS |
Y: ESTIMADOR DE Y
.
e: ESTIMADOR DE LOS ERRORES
U
88
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
'
89
EJEMPLO (ver Tabla1)
(con E-VIEWS)
VARIABLE DEPENDIENTE: VENTAS (Y)
VARIABLES INDEPENDIENTES: PRECIO Y PUBLICIDAD
MATRIZ DE CORRELACIN:
VENTAS PUBLICIDAD PRECIO
VENTAS 1.00000 0.902103 -0.823640
PUBLICIDAD 0.902103 1.00000 -0.823787
PRECIO -0.823640 -0.823787 1.00000

90
EJEMPLO
91
EJEMPLO
0
1000000
2000000
3000000
100 200 300 400 500
V
E
N
T
A
S
PUBLICIDAD
0
1000000
2000000
3000000
16 18 20 22 24 26
V
E
N
T
A
S
PRECIO
92
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


.
93
SUPUESTOS DEL MODELO
DE REGRESIN
NORMALIDAD: Ui ~ N(0,o
2
)
INDEPENDENCIA DE ERRORES: cov (Ui,Uj)=0
HOMOSCEDASTICIDAD: var (Ui /Xi)= o
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)
94
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)
95
R
2
: COEFICIENTE DE
DETERMINACIN
R
2
: 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
96
ESTADSTICO DURBIN-
WATSON
d = 2(1-
E e
i
e
i-1
e
i
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
97
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.