Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Proyección fundamental
Consenso de grupo
Esta técnica se basa en la idea de que un grupo de personas de
varias posiciones puede desarrollar una proyección más confiable
que la de un grupo más pequeño. Se desarrollan a través de
reuniones abiertas con libre intercambio de ideas con todos los
niveles de gerencia, vendedores o clientes. La dificultad de la técnica
es que los niveles superiores pueden ejercer intimidación a los
niveles inferiores.
Analogía histórica
Se proyecta la demanda de un nuevo producto con un producto ya existente análogo: producto
complementario o competitivo. Un ejemplo sería el de una empresa que produce tostadoras,
podría usar su base de datos histórica de ventas para proyectar la demanda de cafeteras.
Método Delfi
Para evitar la dificultad de intimidación del consenso de grupo, este método oculta la identidad
de los participantes del estudio y además todas las opiniones tienen el mismo peso. El
procedimiento es:
1. Escoger a los expertos que van a participar. Debe haber variedad de conocimientos en áreas
diferentes.
2. A través de un cuestionario obtener las proyecciones de los participantes.
3. Resumir los resultados y redistribuirlos a los participantes junto con nuevas preguntas.
4. Resumir de nuevo, refinar las proyecciones y condiciones y desarrollar nuevas preguntas.
5. Repetir el paso 4 si es necesario. Distribuir los resultados finales a los participantes.
Se pueden lograr resultados satisfactorios en 3 vueltas, la idea es lograr un consenso en la
proyección.
Cálculo de pronósticos de series temporales
Errores en la proyección
𝑛 𝑛
𝑖=1 𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑟𝑒𝑎𝑙 − 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑎𝑑𝑎 𝑖 𝑖=1 𝑒𝑖
𝑀𝐴𝐷 (𝑀𝐴𝐸) = =
𝑒𝑖 𝑛 𝑛
𝑛
𝑖=1 𝑌𝑖
𝑀𝐴𝑃𝐸 = ∗ 100
𝑛
𝑛 𝑛
𝑖=1 𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑟𝑒𝑎𝑙 − 𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑎𝑑𝑎 𝑖 𝑖=1 𝑒𝑖
𝑆𝑒𝑠𝑔𝑜 (𝑀𝐸) = =
𝑛 𝑛
𝑛 𝑒𝑖
𝑖=1 𝑌𝑖
𝑀𝑃𝐸 = ∗ 100
𝑛
𝑅𝑆𝐹𝐸
𝑇𝑆(𝑠𝑒ñ𝑎𝑙 𝑑𝑒 𝑟𝑎𝑠𝑡𝑟𝑒𝑜) =
𝑀𝐴𝐷
𝑛 2
𝑖=1 𝑒𝑖
𝑅𝑀𝑆𝐸 =
𝑛
RSFE es la suma continua de los errores de proyección,
considerando los signos.
Ejemplo
Métodos sencillos
Dos métodos sencillos pero nada satisfactorios son: el promedio de toda la
demanda y la demanda del último periodo, para pronosticar la del periodo
siguiente.
Ejemplo:
Un centro de salud es una clínica sostenida con fondos federales, que atiende las
necesidades de los pobres del centro de la ciudad. Actualmente se encuentra en su
cuarto año de operaciones y está elaborando su plan de personal para el próximo
trimestre. El gobierno federal exige que, cada trimestre, el centro formule una solicitud
de presupuesto para el siguiente. La solicitud se basa en buena parte en el pronóstico
de la demanda de servicios específicos para el trimestre siguiente.
𝑡
𝑖=𝑡−𝑛+1 𝐷𝑖
𝐹𝑡+1 =
𝑛
En donde:
32250
El MAD tiene un valor de 𝑀𝐴𝐷 = = 3225, el sesgo es: 𝑆𝑒𝑠𝑔𝑜 =
10
18000 18000
= 1800 y el TS es: 𝑇𝑆 = = 5,58. Obviamente estos valores
10 3225
revelan que el pronóstico no es muy confiable. En general se ha
subestimado la demanda real.
Año Trimestre Número de Y real Y Residuos Residuos
periodo pronosticado absolutos
1971 1 1 3500 - - -
2 2 8000 - - -
3 3 5500 - - -
4 4 10000 - - -
1972 1 5 4500 6750 -2250 2250
2 6 6000 7000 -1000 1000
3 7 3000 6500 -3500 3500
4 8 5500 5875 -375 375
1973 1 9 5000 4750 250 250
2 10 9500 4875 4625 4625
3 11 7500 5750 1750 1750
4 12 15000 6875 8125 8125
1974 1 13 13500 9250 4250 4250
2 14 17500 11375 6125 6125
3 15 - 13375 18000 32250
20000
18000
16000
14000
12000
10000
8000
6000
4000
2000
0
0 5 10 15 20
Y real Y pronosticado
𝐹𝑡 = 𝛼 𝐷𝑡 + 1 − 𝛼 𝐹𝑡−1
15000
10000
5000
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Y real Y pronosticado (a=0.1) Y pronosticado (a=0.6)
Se puede observar que un mejor pronóstico se logra con un 𝛼 de 0,6, pero aun así el
pronóstico ha subestimado la demanda real. De los resultados se deduce que se debería
haber usado un 𝛼 más cercano a 1.
Series temporales
Los valores en el tiempo son resultado de un conjunto de fuerzas o factores
que actúan sobre el fenómeno en estudio. Estas fuerzas pueden ser
agrupadas en cuatro grandes componentes:
Componente Definición Razón de la influencia Duración
(Clasificación)
T Patrón de movimiento global o Cambios en tecnología, población, Varios años
(Sistemático) persistente, a largo plazo. riqueza, valores.
E Fluctuación más o menos Condiciones de clima, costumbres Dentro de 12 meses (O
(Sistemático) regular que ocurre en cada sociales o religiosas. datos mensuales o
periodo de 12 meses cada año. trimestrales).
Para desarrollar este modelo se debe analizar primero los datos históricos disponibles y
tratar de descomponer los datos originales en sus dos componentes, T y E.
1. Se calcula la tendencia secular de la serie (𝑦 = 𝑇𝐶) por el método de medias móviles, tomando como periodo el
número de periodos en los que se divide un año. En este caso, como el año se dividió en trimestres, el n es de 4.
Luego se centran los valores con un n de 2.
2. Se elimina de la serie la tendencia secular, dividiendo los valores originales de la serie entre la tendencia secular
𝑇𝐸𝐶𝐴
hallada en el paso 1 𝑦 = 𝑇𝐸 = .
𝑇𝐶
3. Se elimina la variación accidental (A) de la serie, hallando el promedio de los valores de cada trimestre del año,
para obtener la variación estacional de la serie (𝑦 = 𝐸), también denominado índice de variación estacional
(IVE).
𝑇𝐸𝐶𝐴
4. Se desestacionaliza la serie, dividiendo los valores originales entre el IVE 𝑌 = = 𝑇𝐶𝐴 .
𝐸
5. Se determina un modelo lineal de los valores desestacionalizados de la serie, mediante el método de mínimos
cuadrados (𝑌𝑒 ).
6. Se ajusta el valor estimado de la serie desestacionalizada multiplicando cada valor de Ye por el IVE. Por último
se halla el pronóstico requerido.
Ejemplo
Se presenta el volumen trimestral de pasajeros del nuevo Tráfico Masivo del Centro de la
ciudad (en miles). Se ve que la demanda aumenta de modo general. Para pronosticar el
futuro volumen de pasajeros, el alcalde de la ciudad ha decidió probar el modelo por
tiempos de tendencia lineal, basado en la suposición de que la demanda sigue a la vez
una tendencia bastante constante de un trimestre a otro y patrón trimestral de temporada
(estacionalidad).
Trimestre Pasajeros (miles)
(xi) (yi)
1 3,5
2 8
3 5,5
4 10
5 9,5
6 14
7 11,5
8 16
9 15,5
10 20
11 17,5
12 22
13 21,5
14 26
105 200,5
30
25
20
15
10
5
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Observando el gráfico por tiempos de los datos de la demanda, resulta claro que la
demanda está por arriba del promedio durante el segundo y cuarto trimestres, y
abajo del promedio en el primero y el tercero, debido probablemente al clima.
Ye
Pasajeros y=TC y=TC
Trimestre Periodo y=EA y=IVE Y=TCA Ye ajustado
(miles) (yi) (n=4) (n=2)
por IVE
1 1 3,5 0,922 3,796 4,523 4,170
25,000
y = 1,5049x + 3,0178
20,000
R² = 0,9848
15,000
10,000
5,000
0,000
0 2 4 6 8 10 12 14 16
Proyección causal
En muchas investigaciones el objetivo es determinar a partir de información histórica, funciones
mediante las cuales se puedan realizar pronósticos, lo más exactamente posible, entre dos o más
variables relacionadas entre sí. Los análisis de regresión y correlación brindan al investigador las
herramientas necesarias para cumplir este objetivo.
Para que sea valiosa desde el punto de vista de la proyección, cualquier variable independiente
debe ser un indicador anticipado. Por ejemplo, se puede esperar que un periodo extenso de lluvias
incremente la venta de paraguas e impermeables. Esto es una relación causal, en la cual una
ocurrencia causa la otra. Si el elemento causante se puede prever con anticipación, puede
utilizarse como base de la proyección.
El primer paso en la proyección de la relación causal es encontrar las ocurrencias que constituyen
realmente las causas. Pueden ocurrir varios escenarios al tratar de encontrar las causas:
Algunos indicadores anticipados no son relaciones causales pero, de manera indirecta, pueden sugerir la
ocurrencia de algunas otras causas.
Otras relaciones causales pueden existir solo como coincidencia. Ej: Las ventas de alcohol en Suecia era
directamente proporcional a los salarios de los profesores. Esta es una relación falsa o también denominada
espuria.
Regresión y correlación
Lineal
Simple
Potencial
Regresión
Exponencial
No Lineal
Múltiple
Logarítmica
Tipo de
Análisis Polinomial
Coeficiente de correlación
Coeficiente de no determinación
Regresión y Correlación
Regresión.
Análisis de regresión. Técnica empleada para desarrollar
una ecuación que permite expresar la relación entre
variables, y estimar el valor de y, con base en valores para
xi.
Diagrama de dispersión: Es una gráfica que presenta la
relación entre dos variables de interés.
Principio de mínimos cuadrados: Técnica empleada para
llegar a la ecuación de regresión minimizando la suma de
los cuadrados de las distancias verticales entre los valores
Y observados y los valores pronosticados de Y:
Min: Z ( Y Y' ) 2
Diagrama de Dispersión
Tipos de regresión
y
x
Dependencia
y a bxlineal
inversa
Tipos de regresión múltiple
Correlación
Coeficiente de correlación: Mide la intensidad de la relación
entre dos conjuntos de variables:
S 2ye S 2ye
r 2 1 2
S y S y
Varianza total: Varianza explicada: Varianza no explicada:
Sy
2 ( yi y ) 2
S 2ye
(y e y)
2
S 2ye
(y i y e ) 2
n n n
-1 -0.5 0 0.5 1
Se cumple que:
S S S
2
y
2
ye
2
ye
Coeficiente de determinación: Mide la proporción de la
variación total en la variable dependiente, que se explica o
se debe a la variación en la variable independiente.
Varianza exp licada
r
2
Varianza total
S 2
(y i y ) 2
170
34 S 2
(y e y)2
161
32.2
y ye
n 5 n 5
S 2
( yi ye ) 2 9
1.8 r
S 2ye
32.2
0.97
ye 2
n 5 S y 34
r 2 0.95
Regresión y Correlación Múltiple
Ejemplo.
x1 = Edad de los ejecutivos de una compañía
x2 = No. de años que estuvieron en la Universidad
y = Ingresos anuales (miles de $).
x1 x2 y
37 4 51.2
45 0 46.8
38 5 55.0
42 2 50.3
31 4 45.4
2
1 2 2 x2y 0
2
a x b x x c x
Resolución:
Función exponencial. y a * bx
Aplicando logaritmos: ln y ln a ln b x
Las ecuaciones son:
ln y n * ln a ln b * x
x * ln y ln a * x ln b * x 2
Función potencial. y a * xb
Aplicando logaritmos: ln y ln a b ln x
Las ecuaciones son:
ln y n *lna b * ln x
2
ln y *ln x ln a * ln x b * (ln x )
Ejemplo: Regresión No lineal
Las cifras siguientes son datos sobre el porcentaje de las llantas radiales
producidas por cierto fabricante que aun pueden usarse después de
recorrer cierto número de millas:
Millas Porcentaje
recorridas útil
(miles)
1 98.2
2 91.7
5 81.3
10 64.0
20 36.4
30 32.6
40 17.1
50 11.3
Ajustar a una curva exponencial y estimar qué porcentaje útil tendrán las
llantas radiales del fabricante si recorrieron 25000 millas.
Resolución:
X y ln y x2 x*ln y ye (yi-y)2 (ye-y)2
S 2y 1021.6 r 0.9910
𝑄 𝐾, 𝐿 = 𝐴 𝐾 𝛼 𝐿1−𝛼
K L Q
10 10 900
15 10 1220
20 20 1800
25 20 2128
Mediante el método de mínimos cuadrados, se hallan las ecuaciones para determinar los
parámetros de la ecuación de Cobb-Douglas:
𝑄 𝐾, 𝐿 = 𝐴𝐾 𝛼 𝐿𝛽 donde 𝛼 + 𝛽 = 1
𝜕𝑆
=2 𝑞 − 𝑎 − 𝛼𝑘 − 𝛽𝑙 −1 = 0
𝜕𝑎
𝜕𝑆
=2 𝑞 − 𝑎 − 𝛼𝑘 − 𝛽𝑙 −𝑘 = 0
𝜕𝛼
𝜕𝑆
=2 𝑞 − 𝑎 − 𝛼𝑘 − 𝛽𝑙 −𝑙 = 0
𝜕𝛽
Repartiendo la sumatoria y multiplicando:
𝑞 = 𝑛𝑎 + 𝛼 𝑘+𝛽 𝑙
𝑞𝑘 = 𝑎 𝑘+𝛼 𝑘2 + 𝛽 𝑙𝑘
𝑞𝑙 = 𝑎 𝑙+𝛼 𝑘𝑙 + 𝛽 𝑙2
ln 𝑄 ln 𝐾 = 𝑎 ln 𝐾 + 𝛼 ln 𝐾 2 +𝛽 ln 𝐿 ln 𝐾
ln 𝑄 ln 𝐿 = 𝑎 ln 𝐿 + 𝛼 ln 𝐾 ln 𝐿 + 𝛽 ln 𝐿 2
K L Q lnK lnL lnQ LnK LnL (LnK)2 (LnL)2 Ln K LnQ Ln L LnQ
Entonces:
922220,4650
𝑟= =1
922208
𝑟 2 = 100% 1 − 𝑟 2 = 0%