Pronostico de series de tiempo

Estimacion por regresion o ajuste de curvas

Año 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 Resumen
Estimacion por regresion o ajuste de cu
Año Ventas (miles) 4% Estadísticas de la regresión
2000 10 9.76 0.24 2% Coeficiente de correlación múltiple
2001 12 11.52 0.48 4% Coeficiente de determinación R^2
2002 13 13.27 0.27 2% R^2 ajustado
2003 15 15.03 0.03 0% Error típico
2004 16 16.79 0.79 5% Observaciones
2005 20 18.55 1.45 7%
2006 19 20.31 1.31 7% ANÁLISIS DE VARIANZA
2007 20 22.07 2.07 10%
2008 25 23.82 1.18 5% Regresión
2009 26 25.58 0.42 2% Residuos
2010 29 27.34 1.66 6% Total
2011 29 29.10 0.10 0%
2012 30 30.86 0.86 3%
2013 32.62 32.62 - Intercepción
2014 34.42 34.37 - 0.05 Año
2015 36.29 36.13 - 0.16

Análisis de los residuales

35
Observación
30 1
f(x) = 1.75824175824178 x − 3506.72527
2
25
R² = 0.975498228098919 3
20 4
5
15
6
10 7
8
5
9
0 10
1998 2000 2002 11
12
13
 Año Curva de r
ticas de la regresión
40
99%

Ventas (miles)
30
98%
20
97%
10
1.13
0
13 1998 2000 2002 2004 2006
Año

Grados de libertad Suma de cuadrados Promedio de los cuadrados F

1 562.64 562.64 437.95
11 14.13 1.28
12 576.77

Coeficientes Error típico Estadístico t Probabilidad

-3,506.73 168.54 -20.81 0.00
1.76 0.08 20.93 0.00

Ventas (miles)
Pronóstico Ventas (miles) Residuos
9.75824175824164 0.241758241758362
8 x − 3506.7252747253211.5164835164837 0.483516483516269
9 13.2747252747254 -0.27472527472537
15.032967032967 -0.032967032967008
16.7912087912086 -0.791208791208646
18.5494505494507 1.45054945054926
20.3076923076924 -1.30769230769238
22.065934065934 -2.06593406593402
23.8241758241757 1.17582417582435
25.5824175824177 0.417582417582253
27.3406593406594
2004 1.65934065934061 2006 2008
29.098901098901 -0.098901098901024
30.8571428571427 -0.857142857142662
 Año Curva de regresión ajustada

Ventas (miles)
Pronóstico Ventas (miles)

2004 2006 2008 2010 2012 2014

Año

Valor crítico de F
0.00

Inferior 95% Superior 95% Inferior 95.0% Superior 95.0%

-3,877.68 -3,135.77 -3,877.68 -3,135.77
1.57 1.94 1.57 1.94

2008 2010 2012 2014

ntas (miles)
onóstico Ventas (miles)

2014
35

30 f(x) = 1.75824175824178 x − 3506.72527472532

25

20

Column B
Linear (Column B)
15

10

0
1998 2000 2002 2004 2006 2008 2010 2012 2014
EJEMPLO: Empresa sector citrícola

Gasto Marketing Exportaciones

(miles €) (miles €)
X Y
Año 1 6 600 a=
Año 2 7.8 760 b=
Año 3 10.2 1080 R2=
Año 4 12 1265
Y Exportaciones

1300

1100

900

700

500
4 6 8 10 12 14
X Gasto Marketing

Gráfico XY (dispersión)
Y Exportaciones

1300
f(x) = 113.936781609195 x − 99.1810344827586
R² = 0.994813546317792
1100

900

700

500
4 6 8 10 12 14
X Gasto Marketing
 Y Exportaciones

1300
f(x) = 113.936781609195 x − 99.1810344827586
R² = 0.994813546317792
1100

900

700

500
4 6 8 10 12 14
X Gasto Marketing

X Y Y*=a+bX e=Y-Y*
6 600 584.4398 15.5602
7.8 760 789.52604 -29.5260
10.2 1080 1062.97436 17.0256
12 1265 1268.0606 -3.0606
 3705  3705 0
 función estadística =intersección.eje
función estadística =pendiente
función estadística =coeficiente.R2

10 12 14
o Marketing

09195 x − 99.1810344827586
17792

10 12 14
o Marketing
09195 x − 99.1810344827586
17792

10 12 14
o Marketing
 Número de permisos Ventas en
Pronóstico
AÑOS para la construcción Yardas
para Y
de viviendas cuadradas
1989 18 13,000
1990 15 12,000
1992 12 11,000
1992 10 10,000
1993 20 14,000
1994 28 16,000
1995 35 19,000
1996 30 17,000
1997 20 13,000
1998 30
Pronóstico para Suponga que una empresa constructora desea determinar si sus
la tendencia de ventas han venido creciendo y si el accionar de la municipalidad ha
Y repercutido en ello. Comente e interprete
 esea determinar si sus
nar de la municipalidad ha
Información en Miles de $
Gastos Ventas
1 19
4 44
6 40
10 52
14 53
8 ?

c. ¿El modelo sirve?

Año Ganancia (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
 Venta de Tasa de Ingreso
Pronóstico
Año Casas interés personal
para Y
Nuevas hipotecaria per cápita
2000 2838.0 7,01 25620
2001 2676.0 7,13 25450
2002 2599.0 6,96 26081
2003 2774.0 6,78 25640
2004 2751.0 6,96 26249
2005 2871.0 6,81 26366
2006 3014.0 6,29 26181
2007 3078.0 6,07 26123
2008 2939.0 5,83 26179
2009 3314.0 5,50 26392
2010 3472.0 6,01 26842
2011 3347.0 5,92 26862
2012 4.9 26750
La Constructora S.A., desea pronosticar la cantidad de casas
que espera construir en el 2012; sin embargo, sus ventas dependen del ingreso per cápita de sus
clientes potenciales y de las tasas de interés que cobren los bancos a sus cliéntes por los créditos
hipotecarios. Compruebe estas hipótesis con un nivel de significancia del 5%
eso per cápita de sus
ntes por los créditos
Cuadro 2
Bancos Comerciales Privados en Guatemala (1991). En este estudio de los bancos comerciales en Guat
"Gastos Generales y de Administración" en los dife
estos costos (que en lo sucesivo llamaremos simple
GG & Total Activo
Bancos  Agencias problema consistie en encontrar una lista de variab
Mantto. Promedio
Superintendencia de Bancos, Boletín de Estadística

G&T 48.8 831.5 30

Industrial 43.2 1204 18
Occidente 39.4 1153.5 20
Del Cafe 29.8 499.6 25
Del Agro 26.2 466.6 30
Agricola Merc. 24.8 522.3 12
Internacional 24 376.6 12
Inmobiliario 21.5 431.3 20
Construbanco 18.3 282.2 10
Del Ejercito 15.6 311.8 13
Lloyd'S 14.3 284.5 7
Metropolitano 12.9 339 8
Banex 12.5 462.8 3
Del Quetzal 8.8 205 12
Promotor 6 162.4 3
Citibank 5.9 45.8 1
Continental 3.6 113.7 4
Reformador 1.7 237.3 7
Uno 1 170.8 5
ncos comerciales en Guatemala, la variable dependiente para el análisis será el nivel anual de los
dministración" en los diferentes bancos del sistema. Si se examina el Cuadro 2, se podrá apreciar que
ucesivo llamaremos simplemente "costos administrativos") varían enormemente de un banco a otro. El
contrar una lista de variables que nos permitan explicar esta variación observada. Fuente:
cos, Boletín de Estadísticas Bancarias (Guatemala, 4º Trimestre, 1992).
Fuente de Variación gl SC MC F0
Regresión k SCR MCR MCR/MCE

Error n-k-1 SCE MCE

Total n-1 SCT

CENTIMETROS (Y) MESES (X)
9 3
5 1
7 2
14 5
10 4
 Carga Útil Distancia
(y) Recorrida (x)

91 33
95 12
93 18
98 3
97 4
97 8
ecor rida (x) C urva de regresión ajustada

88 66
94 5
89 37
90 29
92 15
95 10