Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • Pron. en Los Negocios

    Cargado por

    Sofi Borgonovo
    170 vistas556 páginas
    Hanke

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Denunciar este documento
    Hanke

    Copyright:

    © All Rights Reserved
    Descargue como PDF o lea en línea desde Scribd
    Marcar por contenido inapropiado
    170 vistas556 páginas

    Pron. en Los Negocios

    Cargado por

    Sofi Borgonovo
    Hanke

    Copyright:

    © All Rights Reserved
    Descargue como PDF o lea en línea desde Scribd
    Marcar por contenido inapropiado
    de 556
    PRONOSTICOS EN LOS NEGOCIOS OCTAVA EDICION za [oe cS os cs rs os a JOHN E. HANKE DEAN W. WICHERN Beeuies bal Tabla de areas para !a distribution de pruvabilidad nurmal estandar ow ot 02 03 ot 598 0793 1179 1354 1915 2257 2580 288i 3159 3413, 3643, a 4032 A192 AS 52 A354 64) Ani3 4772 A821 N61 4395 Avis 4938 4953 4965 ATS 4981 49865 A990683 or wd 038 0832 31217 1391 1930 291 22612 2910 3186 338 663 seo 4049 4207 345 es, 4564 649 any AT78 A826 N64 4890 40 4940 4955 66 75 4982 4987 2 = 1.93, ul dca sombroadh wi20 0517 “OIG 1293 It 2019 2673 2967 3238 3HkS 3708 BAT sw? 4236 4370 st “4582 664 732 A788 871 90 4925 ay 4957 168 377 ONS A988 4906 4909 4946 4960. 7. ATs 4984 4999 or £279 ‘0075 ond 145 1808: 2187 2486 2794 3078 3340 3377 370 S980. 147 sen Adis 4523 4616 4693 A756 #908 A850 Ants soil 4932 4999 4982 4972 4079 4985 4999 4732 dol dec total de | oN 319 unis 1105 lan 18H 2190 2518 2823 3106 3365 3599) 3810 307 A162 4306, 9 ASS 4625 Octava edicion PRONOSTICOS EN LOS NEGOCIOS John E. Hanke Eastern Washington University, Emeritus Dean W. Wichern ‘Texas A&M University ‘Traduceién: ‘Revisién técnica: Astrid Mues Zepeda Andrés Gonzilez Nucamendi Ekaterina Guerrero Ushakova Anstituto Tecnologico de Estudios ‘Superiores de Manterrey Campus Ciudad de México Profesor de planta Coordinador de prondsticos ‘para la toma de decisiones Traductoras profesionales Educacion Ecuador venezuela México + Argentina * Brasil ¢ Colombia * Costa Rica * € Espaia * Guatemala + Panam Pert * Puerto Rico * Uruguay HANKE, JOHN E. Pronésticos en tos negoctos. Octava edickon PEARSON EDUCACION, México, 2006 ISBN: 970-26-0759.0 ‘Area: Administra Formato: 20 «25,5 em ‘Authorized translation trom the English language edition, ented Business forecasting Shed, by Jahn E, Hanke and Dean W.Wichern, mblished by Pearson Education, In., publishing as PRENTICE HALL, INC., Copyright © 2008, All rights reserved. ISBN 0-13-1412906 ‘Traduecién autorizada de la edicion en idioma inglés titulada Prondsticos en los negocios 8le de Jobn E. Hanke and Dean W. Wichem publicada por Pearson Education, Inc, publicada como PRENTICE HALL INC., Copyright © 2008. Todos los derechos reservados. Esta ediciOn en espanol es la nica autorizada, Eilicin em Baitor: Marisa de Anta ‘email: marisa.anta@pearsoned.com Supervisor de desarrollo: Astrid Mucs Zepeda ‘Supervisor de produeciin: José D, Hernandez Garduo Eiicida em inglés Production Assistant: Joe DeProspero Executive Editor: Tom Tucker “Manufacturing Buyer: Michelle Klein Edkorin-Chief:P.. Boardman Cover Design: Brice Kenselaar Editorial Assisunt: Dawn Stapleton Cover Mlustration: Getty Images Senior Media Project Manager: Nancy Welcher ‘Composition: Laserwords Private Ltd, India ‘Executive Marketing Manager. Debbie Clare Full-Service Project Management: Tempe Goodhue/nSight, Ine. Marketing Assistant’ Amanda Fisher Printer/Binder: Hamilton Printing Company Managing Editor (Production): John Roberts Cover Printer: Phoenix Color Corp. Production Editor: Kelly Warsak QCTAVA EDICION, 2006 TAR. © 2006 por Pearson Educacién de Mésico S.A. de CV. Allacomulca nim. $00 ~ 5° piso Col Industrial Atoto 53519 Naucalpan de Judrez, Edo. de México ‘Cimara Nacional de la Industria Editorial Mexicana, Reg. Nam. 1031 Rescrvados todos los derechos. Nila totalidad ni parte de esta publicacin pueden reproducinse reistrane o transmitirse, por un siste- sma de recuperacién de informaciGn, en ninguna forma ni por ningtin medio, sea electrénico, mecdnico, fotoquimico, magnética o elec ‘wo6ptice, por fotocopia, grabaciin 0 cualquier otro, sin permiso previo por escrito del editor. El préstamo, alquiler @ cualquier otra forma de cesién de uso de este ejemplar requerird también la autorizacién del editor o de sus re- preseatantes, ISBN 970-26.0750.0 Impreso en México. Printed in Mexico. 1234567890- 09080706 ae ome Dedicado al recuerdo de Harry (quien en realidad no queria leerlo); Geri (quien no necesita hacerlo); Donna y Dorothy (quienes probablemente no lo hagan); Katrina, Michael y Andrew (quienes quiza si lo hagan); Kevin (quien dice haberlo hecho); y todos nuestros alumnos {a quienes més les vale hacerlo). Contenido Prefacio xiii CAPITULO 1 Introduccién alos pronésticos. 1 Historia de los pronésticos 1 La necesidad de los pronésticos 1 Tipos de pronésticos. 3 Consideraciones de prondésticos macroeconémicos 4 Eleceién de un método de pronésticos. 4 Pasos de los pronésticos 5 Administraci6n del proceso de pronésticos 6 Software para pronésticos 7 Informacién en linea 8 Ejemplo de un pronéstico 8 Resumen 9 Caso 1-1 Mr.Tux 10 Caso 1-2 Consumer Credit Counseling 10 Aplicaciones en Minitab 11 Aplicaciones de Excel 12 Referencias 12 CAPITULO 2 Repaso de conceptos estadisticos basicos Estadistica descriptiva. 15 Presentacién de la informacién numérica 19 Distribuciones de probabilidad 22 Distribuciones muestrales 26 Inferencia a partir de una muestra 28 Esimacion 28 Prueba de hipstesis 29 Valorp 31 Anilisis de correlacién 32 Diagramas de dispersion 32 Coeficiente de correlacion 35 as Vi Contenido Ajuste de una linea recta 37 Evaluacién de la normalidad 39 Aplicacién a la administracion 42 Glosario 43 Formulas clave 43 Problemas 45 Caso 2-1 Alcom electronics 50 Caso 2-2Mr.Tux SI Caso 2-3 Alomega food stores 52 Aplicaciones en Minitab 53 Aplicaciones en Excel 55 Referencias 56 CAPITULO 3 Exploracién de patrones de datos y eleccién de una téenica de pronéstico 57 Exploracidn de patrones de datos de series de tiempo 58 Exploracidn de patrones de datos con andlisis de autocorrelacién 60 ¢Son aleatorios los datos? 65 ¢Tienen wndencia tos datos? 67 4Son estacionales los datos? 69 Eleccién de una técnica de pronésticos 74 Técnicas de prondstico para datos estacionarios 75 Técnicas de prondstico para datos con tendencia. 75 Técnicas de pronédstico para datos estacionales. 76 Técnicas de pronéstico para series ciclicas 76 Otros factores a considerar cuando se elige wna técnica de prondsticos 77 Evaluacién empirica de los métodos de prondstico 77 Medici6n del error de pronéstico 78 Notacién bdsica de pronésticos 79 Determinacién de la idoneidad de una técnica de prondstico 81 AplicaciOn a la administracion 83 Glosario 84 Férmulas clave 84 Problemas 85 Caso 3-1A Murphy Brothers Furniture 90 Caso 3-1B Murphy Brothers Furniture 92 Caso 3-2Mr.Tux 92 Caso 3-3 Consumer Credit Counseling 94 Caso 3-4 Alomega Food Stores 94 Aplicaciones en Minitab 95 Contenido vii Aplicaciones en Excel 98 Referencias 100 CAPITULO 4 Promedios méviles y métodos de suavizamiento 101 Modelos informales 102 Métodos de pronésticos basados en promedios 105 Promedios simples 105 Promedios méviles. 107 Promedios moviles dobles 110 Métodos de suavizamiento exponencial 114 Suavizamiento exponencial ajustado a la tendencia: método de Holt 121 ‘Suavicamiento exponencial ajustado para variaciones de tendencia y estacionales: ‘méodo de Winters 126 Aplicacién a la administraci6n 130 Glosario 131 Frmulas clave 131 Problemas 133 Caso 4-1 La Solar Alternative Company 4 139 Caso 4-2 Mr.Tux 140 Caso 4-3 Consumer Credit Counseling 141 Caso 4-4 Murphy Brothers Furniture 141 Caso 4-5 Proyeccién de utilidades para cinco afios de Downtown. Radiology 142 Aplicaciones en Minitab 148 Aplicaciones en Excel 150 Aplicaciones en Excel: CB Predictor 151 Referencias 155 CAPITULO 5 Series de tiempo y sus componentes 157 Descomposicién 158 Tendencia 160 Curvas de tendencia no lineales 164 Prondstico dela tendencia 166 Esucionalidad 167 Datos ajustados a la estacionalidad 171 Varlaciones cleticas e iregulares 172 Pronéstico de una serie de tiempo estacional 177 Método de descomposicién de censo H 179 Aplicacion a la administracién 181 Apéndice: indice de precios 182 Glosario 184 Vili Contenido Fémulas clave 184 Problemas 185 Caso 5-1 Small Engine Doctor 191 Caso 5-2Mr.Tux 192 Caso 5-3 Consumer Credit Counseling 196 Caso 5-4 Murphy Brothers Furniture 197 Caso S-SAAA Washington 200 Caso 5-6 Alomega Food Stores 202 Aplicaciones en Minitab 203 Aplicaciones en Excel 206. Referencias 209 CAPITULO 6 Regresi6n lineal simple 211 Linea de regresion 212 Error esténdar de la estimacién 216 Prondstico de ¥ 217 Descomposicién de la varianza 220 Coeficiente de determinacién 224 Prueba de hiptesis 226 Anilisis de residuales 229 Resultados en computadors al usar minitab 231 ‘Transformacién de variables 233 Curvas de crecimiento 237 Apii i6n.a laadministraci6n 242 Glosario 243 Formulas clave 243 Problemas = 245 Caso 6-1 Tiger Transport 254 Caso 6-2 Butcher Products, Inc. 256 (Caso 6-3 Ace Manufacturing 257 Caso 6-4 Mr.Tux 258 Caso 6-5 Consumer Credit Counseling 259 Caso 6-6 AAA Washington 260 Aplicaciones en Minitab 262 Aplicaciones en Exel 265 Referencias 267 CAPITULO7 Aniilisis de regresiGn miltiple 269 ‘Algunas variables explicativas 269 Matriz de correlacién 270 Contenido ix Modelo de regresiGn maltiple 271 Modelo estadistico para regresién mithiple 271 Interpretacién de los coeficientes de regresién 273 Inferencias en modelos de regresiéa miltiple 274 Error esténdar de la estimacién = 275 Significancia dela regresin 276 Variables explicativas individuales 278 Pronéstico de una respuesta furura 279 Resultado en computadora 280 Variables ficticias 281 Multicotinealidad 285 SelecciGn de la “mejor” ecuaciGn de regresién 288 Todas las regresiones posibles 200 Regresién por pasos 292 Notas finales sobre la regresién por pasos 294 Diagndsticos de regresiGn y andlisis residual 295 Advertencias en el pronéstico 297 Sobreajuste 297 Regresiones tiles, valores grandes calculados de F 298 Aplicaciones a la administracién 298 Glosario 300 Formulas clave 300 Problemas 301 Caso7-1 ElMercado de Bonos 310 Caso7-2 AAA Washington 313 Caso7-3 Beisbol de Fantasia (A) 315 Caso 7-4 Beisbol de Fantasia (B) 320 Aplicaciones en Minitab 324 Aplicaciones en Excel 326 Referencias 326 CAPITULO 8 Regresién con datos de series de tiempo 327 Datos de series de tiempo y el problema de la autocorrelacién 327 Prueba de Durbin-Watson para correlacién serial 331 Soluciones para los problemas de autocorrelacién 334 Enror de especificacion del modelo (omision de una variable) 335 Regresion con diferencias 337 Errores autocorrelacionados y diferencias generalizadas 342 Models autorregresivos 345 X Contenido Datos de las setics de tiempo y el problema de la heteroscedasticidad 346 Uso de la regresién para pronosticar datos estacionales 349 Prondstico eeonométrico 352 Aplicaci6n a la administracion 353 Glosario 353 Férmulas clave 353 Problemas 355 Caso 8-1 Compariiade sueleccién 362 Caso 8-2 indice de actividad empresarial en el condado de Spokane 363 Caso 8-3. Ventas de un restaurante 367 Caso 8-4 Mr.Tux 369 Caso 8-5 Consumer Credit Counseling 371 Caso 8-6 AAA Washington 372 Caso 8-7 Alomega Food Stores 375 Aplicaciones en Minitab 376 Aplicaciones en Excel 377 Referencias 379 CAPITULO La metodologia Box-Jenkins (ARIMA) 381 La metodologia Box-Kenkins 381 Modelos autorregresivos 386 Modelos de promedio mévil 387 Modelos de promedios méviles autorregresivos 388 Resumen 389 Aplicacién de una estrategia para la construccién de un modelo 389 Paso 1:identificacién dei modelo 389 Paso 2:estimacion de modelos 391 Paso 3:evaluacién del modelo 392 Paso 4:realizacion de pron6sticos con el modelo 392 Comentarios finales 411 Criterio para la seleccion de un modelo 412 Modelos para datos estacionales 414 Suavizamiento exponencial simple y un modelo ARIMA 424 Veniajas y desventajas de los modelos ARIMA 426 Aplicacién a la administraci6n 428 Glosario 429 Formulas clave 429 Problemas 430 Caso 9-1 Ventas del restaurante 440 Contenido Xi Caso9-2 MrTux 442 Caso9-3 Consumer Credit Counseling 444 Caso9-4 Lydia E, Pinkham Medicine Company 444 Caso9-5 La Ciudad de College Station 447 Caso 9-6 Division de finanzas de Ups Air 450 Caso9-7 AAA Washington 453 Aplicaciones en Minitab 455. Aplicaciones en Excel: CB predictor 457 Referencias 460 CAPITULO 10 Pronéstico por apreciacién y ajuste de pronéstico 463 Elmétodo Delphi 464 Formulacién de escenarios 467 Combinacién de pronésticos 468 Redes neurales y pronésticos 470 Resumen del prondstico por apreciacién subjetiva 472 tras herramientas dtiles para juzgar el futuro 473 F6rmulas clave 477 Problemas 478 Caso 10-1 Restaurante Golden Gardens. 478 Caso 10-2 Alomega Food Stores 479 Caso 10-3 Otra visita a la Lydia E. Pinkham Medicine Company 480 Referencias 482 CAPITULO 11 Administraci6n del proceso de pronésticos 485 El proceso de pronésticos. 485 Monitareo de los pronésticos 486 Revisién de las etapas del pronéstico 491 Responsabilidad del proceso de prondstico 492 Costos del pronéstico 493 El pronéstico yel sistema MIS 493, Pronésticos y administracién de las ventas 494 El pronéstico ysu futuro 494 Problemas 495 Caso 11-1 Boundary Electronics 495 Caso 11-2 Busby Associates 496 Caso 11-3 Consumer Credit Counseling 499 Casoll-4 Mr.Tux 500 Caso 11-5 Alomega Food Stores 501 Referencias 501 xii Contenitio APENDICE A Deduccién de formulas Deduccién de formulas de correlacién $03 Deduccién de los estimadores de minimos cuadrados 503 Derivadas parciales 503 APENDICE B Datos para elcaso 7.1 505 APENDICEC Tablas 507 ‘TABLA C-1 Términos individuales de la distribucién binomial 507 ‘TABLA C-2 Tabla de las reas para la distribucién de probabilidad normal estindar 509 ‘TABLA C-3 Valores criticos de la estadistica t de Student 510 ‘TABLA C-4 Valores critioos de la distribucin chicuadrada 511 ‘TABLA C-5 Tabla de la distribucién F 513 ‘TABLA C-6 Limites en la prueba Durbin-Watson 514 APENDICE D Series de datos y bases de datos 517 {indice analitico 531 Prefacio El objetivo de la octava edicion de Prondsticos en los negocios es el mismo que en las edi- ciones anteriores: presentar las téenicas estadisticas fundamentales que resultan titiles pa- Fa preparar prondsticos individuales de negocios y planes de largo plazo. El libro est scrito en un estilo simple y directo que hace amplio uso de ejemplos précticos de nego- ‘dos. Al final de los capftulos aparecen S3 casos que proporcionan al estudiante el vinculo necesario entre los conceptos teéricos y sus aplicaciones précticas. Se enfatiza la aplicacién (ey eam oa Wa Er tm ae Bara de oO OMe 0 We ts CEsO7Sbe CEB R! eee ay Wertana —e | enn « 0 sesién Ventana —> 6e datos 12 CAPETULO 1 inmoduccién a tos pronésticos Barra de mami —+ 5) esperar Barra deheramientas—+ [OSMe GAT ket em Eee ‘Barra de formulas —> Hoja de trabajo —> TRunvesesasrcasewevensu; fect et 1a . Ee er My Aplicaciones de Excel Excel es un programa de hojas de célculo que se usa con frecuencia para hacer pronésti- cos. La figur® |.2 muestra la pantalla de apertura de la versién 2000. Los datos se colocan en las filas y columnas de 1a hoja de c@leulo (observe que en la figura 1.2 se enfatiza ta fi- la 1, columna A) y a continuacién se dan comandos para realizar varias operaciones con Jos datos incorporados. Por ejemplo, los salarios anuales para un imeco de empleados podria agregarse a la columna 1,y podria calcularse el promedio de estos valores mediante Excel, Otro ejemplo podria ser colocar las edades de los empleados en la columna 2 y examinar la relacién en- tre la edad y el salario. Los capitulos siguientes muestran eémo utilizar Excel para resolver &te y otros problemas de pronéstico. Hay varias funciones estadisticas disponibles en Excel que podrfan faltar en los mentis desplegables de su pantalla, Para activar estas funciones haga clic en: ‘Tools > Add-Ins Aparecerd el cuadro de diélogo de Add-Ins (complementos). Seleccione Analysis ToolPak (herramientas de andlisis) y haga clic en OK. Las funciones disponibles en Tool- Pak se requerirén en capitulos posteriores. Se aconseja mucho el uso de un complemento de Excel para ayudar con la multitud de calculos estadisticos requeridos por las técnicas de pronésticos presentadas en este libro, ‘También se recomienda el complemento de Excel Crystal Ball (CB) Predictor para ampliar las capacidades de pronéstico de Excel. El uso de CB Predictor se ilustra en los cs Referencias Bernstein, P. L., Against the Gods: The Remarkable Carlberg, C.,“Use Excel's Forecasting to Get Terrific Story of Risk. Nueva York: John Wiley & Sons, Projections”, Denver Business Journal 47 (18) 1996. (1996); 2B. Chase Jr, W,, “Selecting the Appropriate Forecasting Method”, Journal of Business Forecasting (otofio de 1997):2. Diebold, F X., Elements of Forecasting, tercera ediciGn, Cincinnati, Ohio: South- Western, 2004 Georgoff, DM. y R. G. Mardick, “Manager's Guide to Forecasting”, Harvard Business Review 1 (1986): 110-120, Hogarth, R. M. y S. Makridakis, “Forecasting and Planning: An Evaluation”, Management Science 27 (2) (1981); 115-138, Makridakis, S,, “The Art and Science of Forecasting”, International Journal of Forecasting 2 (1986): 15-39. CAPITULO 1 tntroducci6n a tos prondsticos 13 Newbold, P.y T, Bos, Introductory Business and Econo- ‘mic Forecasting, segunda edici6n, Cincinnati, Ohio: South-Western, 1994, Ord, K.y S. Lowe, “Automatic Forecasting”, American ‘Szatistician, 50 (1996): 88-94. Perry, S.,“Applied Business Forecasting”, Management Accounting 72.(3) (1994): 40, Pindyck, R. 8. y D. L, Rubinfeld, Econometric Models and Economic Forecasts, cuarta edicién, Nueva York: McGraw-Hill, 1998, Wright, G. y P. Ayton, eds,, Judgmental Forecasting, Nueva York: John Wiley & Sons, 1987, CAPITULO REPASO DE CONCEPTOS ESTADISTICOS BASICOS La mayoria de las técnicas de prondstico se basan en los coniceptos fundamentales que son cel tema de los libros de texto de estadisticas para los negocios y los cursos de introduccién ala estadistica, Este capitulo revisa algunos de los conceptos que son la base de gran par- te del material en el resto de! libro. Casi todos los procedimientos estadisticos hacen inferencias acerca de los asuntos de interés de la lamaga poblactén, despues de seleccionar y medir un subgrupo de estos ele- mentos que se conoce como muestra, La seleccién cuidadosa y uso de una muestra repre- sentativa que sea lo suficientemente grande, son componentes importantes del proceso ‘stadistico de inferencia con el fin de tener un grado de riesgo aceptablemente bajo. Generalmente, en los prondsticas se trabaja con datos histricos en un intento por pre- decit © pronosticar él futtiro incierto, Por esta razén, nos concenitraremos en examinat da- tos de muestras, manipular estos datos de alguna manera y utilizar los resultados para elaborar pronésticos. ESTADISTICA DESCRIPTIVA. El propésito de los procedimientas de la estadistica descriptiva es explicar de forma breve tuna amplia eoleceién de medidas, con unos cuantos valores fundamentales. El resumen ‘mas comiin se obtiene al promediar los valores. En estadistica, el proceso de promediar uusualmente se logra al caleular la media, 10 cual implica sumar todos los valores y dividir- Jos entre el nimero de valores. La media de la muestra (con barra) se calcula utilizando la ecucidn 2.1, ay donde X = media de 1a muestra 2X = suma de todos los valores de la muestra n= tamafio de la muestra Para simplificar los edlculos en este texto, se utilizan algunas notaciones abreviadas. En la notacién simplificada para sumar todos los valores de X (vea la ecuscisn 2.1),se entiende que las sumatorias se extienden desde uno hasta n. Una notacién més formal para este procedimiento es on 1S 16 CAPLTULO 2 Repaso de concepios esadisticos bdsieos donde el subindice j variar4 su valor inicial de 1 hasta n en incrementos de uno, Dado que casi todas las sumas van desde 1 hasta n, los indices del principio y el final (n) se omitirén Y se utilizard la notaciGn més simple, excepto donde sea necesaria la notaciGn més comple- ta por cuestiones de claridad. Ademés de medir la tendencia central de un grupo de valores mediante el eélculo de la media, la medida en la cual los valores se dispersan alrededor de la media es, a menudo, de interés. La desviacién esténdar se puede concebir como una manera de medir la disper- sidn de los datos en torno a la media, La ecuacién 2. ¢s la f6rmula para la desviacion es- ‘éindar: (2.2) donde el numerador representa la suma de las diferencias al cuadrado entre los valores medides y su media, Muchos procedimientos estadisticos utiizan la varianza muestral, la cual se define co- mo el euadrado de la desviaci6n estndar de un conjunto de medidas. Asf que la varianza de la muestra (5?) se ealeula como x oxy PORK . Bae 23) n=l n=1 Ejemplo 2.1 ‘Considere la siguiente eoleccién de edades de personas: 23, 38, 42,25, 60, 55, 30, 42,32, 35 Para esta muestra,n = 10 y Xyt Xp test yg = 234-384-435 = 402 EX 42.) = 5p = 402 Los efleulos se muestean en In table 21..La media de la muestra és 40.2 afios, la varianza de la muestra es 148.84 y la desviacidn estindar de la muestra es de 12.2 afios El término grados de libertad se utiliza para indicar el miimero de datos que son inde- pendientes unos de otros, en el sentido de que no- pueden calcularse a partir de los demas por lo tanto, llevan piezas tnicas de informaci6n, Por ejemplo, suponga que se hacen las siguiemtes tres declaraciones: Estoy pensando en el niimero 5. Estoy pensando en el mimero 7. La suma de tos dos niimeros en mi mente es 12. A primera vista, se presentan tres piezas de informacién. Sin embargo, si se conocen dos de estas afirmaciones, se puede determinar la otra. Podria decirse que s6lo hay dos piezas ‘inicas de informacién en las tres declaraciones 0, para usar el término estadistico, nada CAPITULO 2 Repaso de eonceptos estadisicos bésicos 17 pc ore 2B 38 42 55 2 22 35 més hay dos grados de libertad puesto que s6lo dos de los valores tienen libertad para va- riar, el tercero no, ‘Los grados de libertad se refieren al numero de datos que son independientes unos de otros y que son piezas tinicas de informacién, Enel ejemplo que se presenta en la tabla 2.1, las edades de 10 personas constituyen tuna ‘muestra con 10 grados de libertad. La edad de cualquiera de ellas pudo haberse incluido en lamuestra y, por lo tanto, cada una de las edades tiene libertad para variar. Cuando la me- dia se calcula, las diez edades se utilizan para explicar una edad media total de 40.2 afios, El célculo de la desviacién estindar de la muestra es diferente. Cuando se calcula la | FIGURA 2.10 Prueba de hipstesis para el ejemplo 2.8 ‘Hm = 50 lores (hipétosts mula) ‘H4:-< 50 tras (hipdtesis alternativa) Flechazar Hy No rechazar Hy {ta distrbucion muestra balo la suposicsin de que Hy 08 verdadera) > “1845. a 500 a= 50 1.645(5) = 05 (olnivel de 49.18 signticancia elegido) CAPITULO 2 Repaso dle eonceptos estadisicos bésicos 31 Laregla de decision para esta prucbacs: A < 49.18, rechazar la hipétesis aula Hy; = $0 Sila media de la muestra resulta ser 49.6 libras, no se podria rechazar H, al nivel de 5%. Por ‘otro laco, si el peso de Ia media de Ia muestra resultara ser de 48.6 libras se rechazaria Otserve que para X = 48.6, la probabilidad de obtener un valor asf de extremo (mucho menor 4 SO) si H, e8 verdadera es P(X < 486) = P(Z < S°-%) = pz < -28) = P(Z >28) = (0.5000 ~ 0.4974) = 0.0026, un evento poco probable. En la prueba de hipétesis siempre hay algo de ambigtiedad asociada con la eleccién de las hipétesis nula y alternativa. En general, la hipétesis nula es el staru quo o hipétesis ‘sin cambio”. La hipétesis alternativa es la hipstesis de investigacién o de cambio. Para 51.4) = 2P(Z >514=), 0 dos veces el drea bajo la curva normal esténdar a la derecha de Z = 2.8. En este ejemplo, el va- lor p seria igual a 2(0,0026) = 0.0052, El valor p, 0 probabilidad de la significancia, es 1a probabilidad de obtener, cuando ‘menos, un resultado de la muestra tan extremo como el que se observaria en reali- dad si H, fuera verdadera. Ejemplo 2.9 ‘Suponga que se desea probar la hipétesis de que el puntaje promedio de os estudiantes en un exa- ‘men nacional es de 500, contra lahipdtesisalternativa-de que es menor a SOO. Se toma una muestra aleatoria de 15 estudiantes de entre la poblaciGn y produce un puntaje promedio de X = 475 en tal muestra, La desviacidn estdndar de la poblacién se estima mediante la desviacién estindar de la muestra, S = 35. Suponga que la poblacidn de los puntajes en los exmenes se distribuye ‘normalmente, Se quiere saber si los puntajes promedio de la prueba son menores que su valor histérico 4e 500, Se tomar una decision con base en Ia evidencia muestral y,en particular, con base en el valor de la media de la muestra. Las hipGtesis en competencia son Hg w= 500 Hy: a < 500 Si Hes verdadera, se esperaria ver un valor promedio de la muestra cercano 0 mayor a 500. i Hye falsa (H, es werdadera), se esperarfa ver un valor del promedio de la muestra algo menor que 500. Debido a que Ia muestra es pequefa, a poblacién es normal y la desviacién estindar de la poblacidn se estima mediante la desviaci6n esténdar de La muestr 32 CAPITULO 2 Repaso de concepios esadisticos bésieos Hy: =500 Distouctn t Hyn< 500 etd Dictrbuetin muestra de (3 ns) a suponer que FH es verdadera y que Ja poblactn se distibuye normaimente a= 05 eee -7081 | 0 FRechazar Hp=——| Er valor tobtenide de tabla con a= O5y df= (n= 1)= 14 Eau 475-500 52.77 =1781 shan = 3515 Poet nt nh err a es lnestadistica r que se da en la ccuscin 27, donde n ~ 1= 15 ~1 = 14d Un elevado valor negativo de la estadistica es evidencia cn contra de H, (el promedio de la muestra es mucho me- nor que el promedio hipotético de 500 de Ia poblacién). Primero, construyamos la prucba para ‘un nivel de significancia de e = 0.05. La prueba (regla de decisiGn) se muestra en Ia igur?.11. Pew larepla de decisién es:si r observado < -1.76, rechazar Hi, = 500 Yia etndtin Stervada es x 475 ~ 500 ‘= 37va ~ ass ~~” se rechazaria la hiptesis nula,y se conciuiria que el resultado medio de Las prucbas de los estu- diantes en el examen nacional es menor a 500, De manera alterna, ¢l valor p en este caso es: valor p = P(t < ~2.77), Sise usa la ‘able C-5 com 14 df y la simetria de Ia dstribucion esta pro- babilidad esté entre 0.010 y 0.005, Nuestra estadistica observada de la prueba es: muy poco Probable si 1, ¢s verdadera. El valor p nos dice que se debe rechazar la hipStesis nula, ANALISIS DE CORRELACION Al construir modelos estadisticas para prondsticos, a menudo resulta ttl examinar la rela~ cidn entre dos variables. Aqui se revisan dos técnicas, los andlisis de correlaciGn y de regre- sidn, Ademés, en capitulos posteriores se consideran casos especiales de oorrelacién y regresién, Este énfasis en la correlacién y la regresién se justifiea en vista del amplio uso de estas técnicas en todo tipo: de aplicaciones de pronésticos. Diagramas de dispersion Elestudio de la relacién entre variables comienza con el caso més sencillo,el de la relacién que existe entre dos variables, Suponga que se han tomado medidas en cada uno de dos objetos diversos. Un analista desea determinar si una de estas variables —que se pueden ‘medir—Wamada Y, tiende a aumentar o a disminuir a medida que cambia la otra variable, Ha- mada X. Por ejemplo, suponga que se han medido tanto la edad como los ingresos de varios CAPITULO 2 Repaso de conceptos estadisicos bésicos 33 individuos, como se muestra en la tabla 2.6, {Qué puede decirse sobre la relaci6n entre X yn? Dela tabla 2.6 parece que Y y X tienen una relacién definitiva. A medida que aumenta X tambign se acrecienta Y.Parece que en esta muestra de cinco personas cuanto mayor es elsujeto més dinero gana. Por supuesto, es peligroso llegar a conclusiones con base en una muestra pequefla, tema del que se hablaré posteriormente, Aun asf, con estas observacio- nes, parece existir una relacién definitiva entre ¥ y X. Estos cinco puntos de datos se pueden trazar en una escala bidimensional,con valores ‘de X sobre el eje horizontal y los valores de Y sobre el vertical. Tal grifica se-conoce como diagrama de dispersién y aparece en la figurs 2.12, Un diagrama de dispersién es una gr fica de puntos de datos X-¥ en sistema de coor- denadas bidimensional. El diagrama de dispersién ayuda a ilustrar lo que sugiere la intuicién cuando se observan primera vista los datos sin procesar, en especial, la aparicin de una relaci6n lineal entre Yy X.A esta relacién se le llama positiva debido a que al aumentar X también lo hace Y. En otras situaciones donde participan dos variables, podrian surgir diferentes patro- nes de diagramas de dispersién. Considere las gréificas en la fig El diagrama (a) de la figura 2.13 sugiere lo que se llama una relaciGn lineal posiiva pperfecta. Al incrementarse X, también aumenta Y, y lo hace de una forma perfectamente Ure ener Persona ¥, ingresos (miles de 3) X, edad (aftos) 1 28 2 2 285 a 3 300 26 4 350 a a 364 35 FIGURA 2.12 Diagrama de dispersién para edad e ingresos Gréfica de dispersién de edad contra ingresos Ingrsos 34 CAPITULO 2 Repaso de concepios esadisticos bdsieos ° ° ° ° {____ x (a) Lineal pesitiva perfecta (b) Lineal negativa perfect y % & & oo oo 6 ° {_________, |_______, (€) Lineal positva impertecta (@) Lineal negativa imperfecta ‘Curva Eee heme ca) predecible, Es decir, los puntos de los datos de X y Y parecen caer sobre una Iinea recta. El diagrama (b) sugiere una relacidn lineal negativa perfecta. A medida que X aumenta, ¥ disminuye de forma predecible, La figura 2.3 (6) y (d) ilustra, respectivamente, una relacién lineal positiva imperfecta y una negariva imperfecta.Al aumentar X en estos diagramas de dispersiGn, ¥ incrementa (© oreduce (4), pero no de una forma perfectamente predecible. Asi, Y podria ser un po- co mis alta 0 mas baja de lo “esperado”. Es decir, los puntos X-¥ no caen sobre una linea recta, Los diagramas de dispersién en la figura 2.13, desde (a) hasta (d), fustran relaciones lineales. La relacién X-Y, ya sea perfecta o imperfecta, se puede resumir mediante una li- nea recta, En comparacién, una relacién curva aparece en el diagrama (e). Por dltimo, el diagrama (f) de la figura 2.13 sugiere que no existe relacién alguna en- tre las variables X y ¥. A medida que X aumenta, parece que Y ni aumenta ni dlisminuye de forma predecible, Con base en la evidencia de la muestra que aparece en el diagrama (0), se podria concluir que en el conjunto universal que contiene todos los puntos de datos XY no existe relacién lineal alguna —ni cualquiera otra— entre las variables X y Y. Abhora considere los dos diagramas de dispersién en 1a figura 2 1. Ambos sugieren re- laciones lineales positivas imperfectas entre Y y X. La figura 2.14 (a) muestra una relacién fuerte, puesto que todos los puntos de datos est4n bastante cerca de la linea recta que pasa entre ellos. En la figura 2.14 (b) los puntos de datos se encuentran més alejados de la CAPITULO 2 Repaso de conceptos estadisicos biésicos 35, x (a) Fuerte eae eee linea recta que pasa entre ellos, lo cual sugiere una relaciGn lineal més débil, Mas adelan- te en este capitulo, se demostrard cOmo medir la fortaleza de la relacién que existe entre dos variables, ‘Como sugieren los dos diagramas de dispersi6n en la figura 2.14,con frecuencia es de- seable resumir la relacién entre dos variables al ajustar una linea recta entre los puntos de datos. Pronto aprenderd obmo se realiza esto, pero por el momento se puede decir que es posible ajustar una Ifnea recta a los puntos de un diagrama de dispersiGn para que resulte tun “buen” ajuste. Una pregunta interesante para los prondsticos es: gqué tan rapido sube © baja esta linea recta? Responder esta pregunta requiere del célculo de la pendiente de la linea, La pendien- te de cualquier inea recta se define coma el cambio en ¥ asociado al aumento de una uni- dad en X. Para resumir, cuando se investiga la relaciGn entre dos variables primero debe saber- ‘se si es lineal (una linea recta) o no lineal. Si es lineal, es necesario saber si tal relacién es positiva o negativa y qué tan abruptamente sube o cae la recta que se ajusta a los puntos de datos. Por tiltimo, se requiere la fortaleza de la relacién, es decir, qué tan cerca se en- ‘cuentran los puntos de datos de la recta que se ajusta mejor a ellos. COEFICIENTE DE CORRELACION La fortaleza de la relacién lineal que existe entre dos variables se mide mediante la corre- lacidn que existe entre ellas. El coeficiente de correlacién mide la fuerza de la siguiente for- ‘ma: dos variables con una relacién negativa perfecta tienen un coeficiente de correlacién igual a —1, En el otro extremo, dos variables con una relaci6n positiva perfecta tienen un coeficiente de correlaciGn igual a +1. As{,el eoeficiente de correlacién varfa entre —1 y +1, inctuyéncotos, dependiendo de la cantidad de asociacion entre las dos variables que se miden El coeficiente de correlacién mide qué tanto se relacionan linealmente dos variables entre si, El diagrama de dispersi6n (a) de la figurs 2.13 ilustra una situacién que producirfa un coeficiente de correlaciGn de + 1. El diagrama de dispersi6n (b) tiene un coeficiente de ¢o- rrelacién de —1. Los diagramas (e) y (f) muestran dos variables que no se relacionan lineal- 36 CAPITULO 2 Repaso de concepios esadisticos bdsieos ‘mente, Los eoeficientes de eorrelacién para estas relaciones son iguales a Ojes decir,no hay relacién lineal alguna, A los pronosticadores les preocupa tanto la poblaciGn como los datos de la muestra, En lla poblacién que contiene todos los puntos de datos X~¥ de interés, existe un coeti- ciente de correlacién cuyo simbolo es p,la letra griega rho. Sise dibuja una muestra alea- toria de estos puntos de datos X-¥, el coeficiente de correlacién de éstos se denota mediante r. Con frecuencia, X y ¥ se miden en unidades distintas, como libras y délares, unidades de venta ¢ importe de venta, 0 tasa de desempleo o ¢l importe del producto interno bruto (PIB), A pesar de estas unidades de medida diferentes para X y Y,atin es importante medir cunto se relacionan X y ¥. Esta medida se realiza al convertir primero las variables X y Y en unidades estandarizadas,o Z como nimero de varianza, Una vez que las medidas: XY se han convertido en Z como niimero de varianza, se multiplican estos valores Z para cada medida X—Y, lo que da como resultado productos ceruzados para cada caso, Estos productos cruzados son interesantes puesto que la medi de los valores es el coeficiente de correlacién, El céleulo del coeficiente de correlacién co- mo el producto cruzado medio de Z como niimero de varianza produciré en esencia el vi lor correcto, pero en la mayorfa de los casos el coeficiente de correlacién se calcula directamente desde los valores X—Y. La ccuacisn 2. 10 muestra cémo ealcular el coeficien- te de correlacién de la muestra r a partir de Z como niimero de varianza y de las medidas X-Y. Aqui, Zy = (X — X)/ Spy Zy = (¥— ¥)/ Sy. 1 E(x - XY -¥) r EZxZy = you —XeY Ew — Fe mEXY ~ (EX) (EY) (2.10) nex? — (xy ynzy? — cary? ‘Una ‘abla tal como la 2.7 facilita el cdlculo de r. Ejemplo 2.10 Si se estudia 1a relacién entre la edad y los ingresos (vea la tabla 2.6), podria ser interesante co- nocer el valor de r para estos datos. Los céleulos requeridos aparecen en la tabla 27. Los totales de la abla 2.7 se sustituyen en la ecuacién 2.10, de donde resulta: BY ____8¢4.266.1) ~ 1330157.) 503.643) — 1397 VSS. 085.05) — (157.772 21,330.5 — 20.974.1 3564 VUB2IS = 17,689) y/(25.175.25 — 24,869.29) ‘Se puede observar que el coeficiente de correlacién de la muestra confirma lo observado Ia figura 2.12, El valor para rs positivo, lo cual sugiere una relaciGn lineal positiva entre edad Ccingresos. Ademés, ea una escala de 0. 1, el valor de res bastante alto (0.89). Este resultado su- ficre una relacién lincal fuerte, més que una débil. La cuestién que queda cs si la combinacién, del tamafio de la muestra y cl cocficiente de correlacién cs tan fuerte como para hacer afirma- Basic Statistics>craphical summary 54 CAPITULO 2 Repaso de concepios esadisticos bdsieos 4, Aparece el cuadro de dilogo de la seasi6n Graphical Summary (resumen grafico). 4) Dé clic en Variables y Seleccione Ages (C1) como se muestra en la figura 2.20. b) Dé clicen OK en el curdro de dislogo de Graphical Summary y aparecers el resu- men que se muestra en la figura 2.21, 6) Para imprimir esta grfica dé elic en los siguientes ments: Filesprint Graph 5. Dé clic em ell memé que se presenta a continuacién: statopasic statistics»pieplay Descriptive statistics 6. Aparece el cuadro de dislogo de Display Descriptive Statistics (mostrar estadisticas cescriptivas) a) Dé clic en Variables y seleccione Ages (C1) b) Dé clic en OK y aparecerd el resumen de la figura 2.1 en la ventana Session (se- sin). (Para obtener estadisticas descriptivas adicionales, dé clic en Statistics y selec- ciones medidas adicionales descriptivas antes de dar clic en OK.) ©) Para imprimir Ia ventana de Ia sesién que contenga un resumen de La estadistica descriptiva, dé clic en: Pile>Print Session Window Los resultados se muestran en la figura 2.1 (vea la pégina 18), 7. Los siguientes comandos le permitirén desarrollar un histograma, gréfica de puntos y srafica de caja. Graph>Histogran Graph>Dotplot Graph>poxplot. Perm rrr ns eens Core eri) Variables: fey a By variables foptional): ; .—i‘acrdC Ur Confidence level: [55.0 Select Help [ox] __Cancet CAPITULO 2 Repaso de conceptos esiadisicos bésicos 5S. Resumen de edades. Minimo Primer cua | | Mectana “Tercor vars 20 30 40 50 60 | stéimo 195% de Intervalos de confianza ‘95% de intorvalo. de confianza para la media 31473 48.927 26% de itevalo de conlanza + Medien. ‘Para a mediana 2601.72 ‘95% de interval de confianza paral desviacion estandar fe 22273 FIGURA 2. fr a Bid Las instrucciones acerca de cémo utilizar Minitab para correr los andilisis de correla cién y regresién se presentan al final del capitulo 6. Aplicaciones en Excel El problema, En el problems 1, Dick Hoover, propietario de Modern Office Equipment, esti preocupado pot los costos de flete y de administracién en los que se incurre cuando hay pedidos pequerios, Solucion de Excel. 1. Se abreel programa Excel y aparece la hoja de célculo que se muestra en a figura 2.1, al final del capitulo: |. Mueva el cursor de manera que la celda resaltada se encuentre cen la esquina superior izquierda en la hoja de célculo, la celda Al. 2. Introduzea el primer valor, 10, seguido por la tecla return, continde con los datos que siguen. Después de que se hayan introducido los 28 valores en la columna A, el cursor se co- loca en la celda donde se desea tener las resultados del primer célculo, A30. 4, El promedio de los datos de las celdas, desde A hasta A28,se calcula al colocar Ia fér- mula en la celda A30. Para introducir la férmula, es necesario precederla del signo =. La férmula es =Average(A:A28)', Observe que A30 aparece a la izquierda de Ia barra de férmulas y =Average(A1:A28) a la derecha, por arriba de la hoja de célcalo. 5. El mismo método se emplea para calcular la desviacién estéindar, La férmula =Stdev (A1:A28)' se introduce en la celda A31. Los resultados se muestran en ta figure 2.22. El promedio y la desviaciGn estindar podrian haberse calculado también al utilizar la fun~ ci6n Insert (nsertar) la herramienta Data Analysis. Estos métodos se presentaréin en capi tulos posteriores. Las instrucciones sobre e6mo utilizar Excel para ejecutar el andlisis de correlacién y de regresi6n se presentan al final del capitulo 6, TPROMEDIO. ! DESVEST 56 CAPITULO 2 Repaso de concepios esadisticos bdsieos Referencias Anderson, D. R.,.D. J. Sweeney yT. A. Williams, Mo- dern Business Statistics with Microsoft Excel, Cincin- Ere calm! 3) Ea or Poet Fret Io Gt Bit Ure 0 te aii) DSM ORT teed o-- MTA Mam OB a Leese ew eR ex, alee 4 fi BBeMUENEReENNN SS: pens (es hs Loar aa am FIGURA 2.22 Hoja de cSleulo de Excel para el problema 1 Si usted est empleando el programa Excel 0 Minitab, xe le sugiere que utilice diver- sos grupos de datos y rutinas estadisticas para familiarizarse con estos programas tan po- derosos. La habilidad que obtenga le seré de gran utilidad a medida que aprenda los procedimientos de prondstico que se presentan en este texto. nati, OH, South-Western, 2003. Sons, 1997, Cryer, J.D, y R. B Miller, Stadistics for Business: Data Analysis and Modeling, segunda edicién, Belmont, CA, Duxbury Press, 1994. Brooks/Cole, 2006. Hanke, J.y A. Reitsch, Understanding Business Statistics, segunda edicién, Homewood, IL, Richard D. Irwin, 1994, Johnson, R. A. y D. W. Wichern, Business Statistics: De- cision Making with Data, Nueva York, John Wiley & Keller, G.y B, Warrack, Statistics for Management and Economics, sexta edicién, Pacific Grave, CA, CAPITULO EXPLORACION DE PATRONES DE DATOS Y ELECCION DE UNA TECNICA DE PRONOSTICO Una de las partes mds dificiles de los prondsticos y que toma mis tiempo es la recolee- ccién de datos vilidos y confiables. Al personal de procesamiento de datos le gusta utilizar la expresién “entra basura, sale basura” (GIGO, del inglés garbage in, garbage out). Esta frase también se aplica a los prondsticos. Un pronéstico no puede ser més preciso que los datos en los que se basa. El modelo de pronéstico més sofisticado fallaré si se aplica a da- tos que no sean confiables. El advenimiento de la computadora ha propiciado una acumulacién inerefble de datos ‘sobre casi todos los temas, La dificil tarea a la que se enfrenta la mayorfa de los pranostica-

    También podría gustarte