Pronostico de series de tiempo

Estimacion por regresion o ajuste de curvas

Ao Ventas (miles)
2000
10
2001
12
2002
13
2003
15
2004
16
2005
20
2006
19
2007
20
2008
25
2009
26
2010
29
2011
29
2012
30
2013
2014
2015

Pronostico de series de tiempo

Estimacion por regresion o ajuste de cu
Ao
Ventas (miles)
2000
10
9.76
2001
12
11.52
2002
13
13.27
2003
15
15.03
2004
16
16.79
2005
20
18.55
2006
19
20.31
2007
20
22.07
2008
25
23.82
2009
26
25.58
2010
29
27.34
2011
29
29.10
2012
30
30.86
2013
32.62
32.62
2014
34.42
34.37 2015
36.29
36.13 -

0.24
0.48
0.27
0.03
0.79
1.45
1.31
2.07
1.18
0.42
1.66
0.10
0.86
0.05
0.16

4%
2%
4%
2%
0%
5%
7%
7%
10%
5%
2%
6%
0%
3%

35
30
25
20

f(x) = 1.7582417582x - 3
R = 0.9754982281

15
10
5
0
1998

2000

2002

Resumen
Estadsticas de la regresin
Coeficiente de correlacin mltiple
Coeficiente de determinacin R^2
R^2 ajustado
Error tpico
Observaciones

99%
98%
97%
1.13
13

ANLISIS DE VARIANZA
Grados de libertad
Regresin
Residuos
Total

1
11
12
Coeficientes
-3,506.73
1.76

Intercepcin
Ao

Ventas (

Anlisis de los residuales

Observacin
1
2
3
4
5
6
7
8
9
10
11
12
13

Pronstico Ventas (miles)

9.7582417582
11.5164835165
13.2747252747
15.032967033
16.7912087912
18.5494505495
20.3076923077
22.0659340659
23.8241758242
25.5824175824
2004
27.3406593407
29.0989010989
30.8571428571

= 1.7582417582x - 3506.7252747253
= 0.9754982281

2002

20

253

Ao Curva de regr
40
Ventas (miles)

20
0
1998

2000

2002

2004

2006
Ao

Suma de cuadrados
562.64
14.13
576.77

Promedio de los cuadrados

562.64
1.28

Error tpico
168.54
0.08

Estadstico t
-20.81
20.93

F
437.95

Valor crtico de F
0.00

Probabilidad
0.00
0.00

Inferior 95%
-3,877.68
1.57

Ventas (miles)
Residuos
0.2417582418
0.4835164835
-0.2747252747
-0.032967033
-0.7912087912
1.4505494505
-1.3076923077
-2.0659340659
1.1758241758
0.4175824176
1.6593406593
-0.0989010989
-0.8571428571

2006

2008

rva de regresin ajustada

Ventas (miles)

Pronstico Ventas (miles

2006

2008

2010

2012

2014

Ao

Superior 95%
-3,135.77
1.94

Inferior 95.0%
-3,877.68
1.57

2010

Superior 95.0%
-3,135.77
1.94

2012

2014

Ventas (miles)
Pronstico Ventas (miles)

014

2014

35

30

f(x) = 1.7582417582x - 3506.7252747253

25

20
Column B
Linear (Column B)
15

10

0
1998

2000

2002

2004

2006

2008

2010

2012

2014

EJEMPLO: Empresa sector citrcola

Gasto Marketing
(miles )
X
6
7.8
10.2
12

Ao 1
Ao 2
Ao 3
Ao 4

Exportaciones
(miles )
Y
600
760
1080
1265

1300
1100

Y Exportaciones

900
700
500

10

12

X Gasto Marketing
Grfico XY (dispersin)

1300
f(x) = 113.9367816092x - 99.1810344828
R = 0.9948135463

1100

Y Exportaciones

900
700
500

10

X Gasto Marketing

12

1300
f(x) = 113.9367816092x - 99.1810344828
R = 0.9948135463

1100

Y Exportaciones

900
700
500

10

12

X Gasto Marketing

X
6
7.8
10.2
12

Y
600
760
1080
1265
3705

Y*=a+bX
584.4398
789.52604
1062.97436
1268.0606
3705

e=Y-Y*
15.5602
-29.5260
17.0256
-3.0606
0

a=

funcin estadstica =interseccin.eje

b=

funcin estadstica =pendiente

R2=

10

12

funcin estadstica =coeficiente.R2

14

ng

92x - 99.1810344828

10

ng

12

14

92x - 99.1810344828

10

ng

12

14

Nmero de permisos para la

AOS
construccin de viviendas
1989
1990
1992
1992
1993
1994
1995
1996
1997
1998

18
15
12
10
20
28
35
30
20
30

Ventas en
Yardas
cuadradas
13,000
12,000
11,000
10,000
14,000
16,000
19,000
17,000
13,000

Pronstico
para Y

Pronstico para la
tendencia de Y

Suponga que una empresa constructora d

creciendo y si el accionar de la municipalid
interprete

a empresa constructora desea determinar si sus ventas han venido

accionar de la municipalidad ha repercutido en ello. Comente e

Informacin en Miles de $
GastosVentas
1
19
4
44
6
40
10
52
14
53
8
?

c. El modelo sirve?

lo sirve?

Ao Gnanacia (MM $) # Vendedores Precio P($)

1
1.2
24
0.95
2
1.5
25
0.93
3
2.0
25
0.92
4
3.5
28
0.9
5
4.1
27
0.87
6
5.6
29
0.86

Ao
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012

Ingreso
Venta de Casas Tasa de inters
personal per
Nuevas
hipotecaria
cpita
2838.0
2676.0
2599.0
2774.0
2751.0
2871.0
3014.0
3078.0
2939.0
3314.0
3472.0
3347.0

7,01
7,13
6,96
6,78
6,96
6,81
6,29
6,07
5,83
5,50
6,01
5,92
4.9

25620
25450
26081
25640
26249
26366
26181
26123
26179
26392
26842
26862
26750

Pronstico
para Y

La Constructora S.A., desea pronosticar la cantidad de casas

que espera construir en el 2012; sin embargo, sus ventas dependen del ingreso pe
tasas de inters que cobren los bancos a sus clintes por los crditos hipotecarios. C
significancia del 5%

de casas
entas dependen del ingreso per cpita de sus clientes potenciales y de las
s por los crditos hipotecarios. Compruebe estas hiptesis con un nivel de

Cuadro 2
Bancos Comerciales Privados en Guatemala (1991).

Bancos
G&T
Industrial
Occidente
Del Cafe
Del Agro
Agricola Merc.
Internacional
Inmobiliario
Construbanco
Del Ejercito
Lloyd'S
Metropolitano
Banex
Del Quetzal
Promotor
Citibank
Continental
Reformador
Uno

GG & Mantto.

Total Activo
Promedio

Agencias

48.8
43.2
39.4
29.8
26.2
24.8
24
21.5
18.3
15.6
14.3
12.9
12.5
8.8
6
5.9
3.6
1.7
1

831.5
1204
1153.5
499.6
466.6
522.3
376.6
431.3
282.2
311.8
284.5
339
462.8
205
162.4
45.8
113.7
237.3
170.8

30
18
20
25
30
12
12
20
10
13
7
8
3
12
3
1
4
7
5

En este estudio de los bancos comer

en los diferentes bancos del sistema
administrativos") varan enormement
observada. Fuente: Superintendencia

ste estudio de los bancos comerciales en Guatemala, la variable dependiente para el anlisis ser el nivel anual de
s diferentes bancos del sistema. Si se examina el Cuadro 2, se podr apreciar que estos costos (que en lo sucesivo
nistrativos") varan enormemente de un banco a otro. El problema consistie en encontrar una lista de variables que n
rvada. Fuente: Superintendencia de Bancos, Boletn de Estadsticas Bancarias (Guatemala, 4 Trimestre, 1992).

isis ser el nivel anual de los "Gastos Generales y de Administracin"

costos (que en lo sucesivo llamaremos simplemente "costos
una lista de variables que nos permitan explicar esta variacin
a, 4 Trimestre, 1992).

CASO IRS

El Servicio Interno de Contribuciones (IRS) de EE.UU. est tratando de estimar la cantidad mensu
pagados descubiertos por su departamento de auditoras. En el pasado, el IRS estimaba esta can
nmero esperado de horas de trabajo de auditoras de campo. En los ltimos aos, sin em
trabajo de auditoras de campo se han convertido en un pronosticador errtico de los impuestos
resultado, la dependencia est buscando otro factor para mejorar la ecuacin de estimacin.

El departamento de auditoras tiene un registro del nmero de horas que usa sus computad
impuestos no pagados. Podramos combinar esta informacin con los datos referentes a las
auditoras de campo y obtener una ecuacin de estimacin ms precisa para los impuestos no
cada mes?
Tomado de:
Autor:
Modificado por:
Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre

Estadstica para administracin y Economa

Richard Levin
Miguel Patio
Horas de trabajo de
auditora de campo
(dos ceros omitidos)
45
42
44
45
43
46
44
45
44
43

Horas en
Computadora
(dos ceros
omitidos)
16
14
15
13
13
14
16
16
15
15

CASO IRS

tratando de estimar la cantidad mensual de impuestos no

s. En el pasado, el IRS estimaba esta cantidad con base en el
as de campo. En los ltimos aos, sin embargo, las horas de
pronosticador errtico de los impuestos no pagados reales. Como
a mejorar la ecuacin de estimacin.

ero de horas que usa sus computadoras para detectar

macin con los datos referentes a las horas de trabajo de
acin ms precisa para los impuestos no pagados descubiertos por

Impuestos reales no
pagados descubiertos
(Millones de $)
29
24
27
25
26
28
30
28
28
27

Fuente de Variacin

Regresin
Error
Total

gl

SC

MC

SCR

MCR

n-k-1

SCE

MCE

n-1

SCT

F0
MCR/MCE