Técnicas de Pronóstico - UT - N°II

TECNICAS DE PRONSTICO UNIDAD TEMTICA N II
MTODOS DE PROYECCIN
Pocos problemas en vida, una vez solucionados, permanecen de la misma manera. El cambiar condiciones tiende a deteriorar soluciones previamente encontradas, y las soluciones suelen crear nuevos problemas. Se necesita identificar y anticipar estos nuevos problemas. El modelo para la toma de decisiones implica a dos partes diferentes: una es el ente o la persona con poder de toma de decisiones y la otra es el analista el cual es el constructor del modelo de pronstico. El analista debe asistir al tomador de decisiones en dicho proceso y, por lo tanto, debe estar capacitado con ms que un conjunto de mtodos analticos. Las tcnicas de pronstico ms utilizadas en los proyectos de inversin se encuentran clasificadas en la figura siguiente:
1.2.2. Eleccin de la metodologa para pronstico La seleccin de la metodologa para la implementacin de pronstico correcta siempre es un asunto importante de planificacin y control. Con frecuencia, el resultado de todo un proyecto de inversin depende de la exactitud del pronstico, dado que dicha informacin ser utilizada para tomar decisiones de presupuesto y de operacin en reas tales como personal, compras, publicidad, marketing, financiamiento, etc. Por ejemplo, cualquier error en el pronstico de las ventas futuras (realizado por arriba o por debajo del valor que las mismas asumirn en la realidad) podra generar problemas de costos de acumulacin inventarios o prdidas en ingresos por desabastecimiento anticipado de inventarios. Cuando la demanda es relativamente estable, es decir, invariable o a una tasa creciente o decreciente constante, hacer un pronstico ms preciso es menos complicado. Si por lo contrario la empresa presenta informacin histrica de alzas y bajas en los patrones de venta, la complejidad del trabajo de pronstico es mucho ms complicado. Existen dos aproximaciones bsicas de pronstico. En el mtodo causal la estimacin de un valor futuro est basada en anlisis de factores que, se espera, influirn en los valores futuros. En el mtodo explicativo est basado en un estudio inferido de los comportamientos pasados de los datos, lo que es conocido como el mtodo de extrapolacin. Por ejemplo, la creencia que los niveles de venta de ropa para muecas aumentarn debido a una campaa Unidad temtica II Organizacin Industrial UTN_FRB Pgina 1
ciente, publicitaria reciente, antes que a la proximidad de la Navidad ilustra la diferencia entre las dos filosofas. Es posible que ambos enfoques conduzcan a la creacin de pronsti pronsticos exactos y tiles, pero se debe recordar que, hasta para un grado modesto de exactitud deseada, el mtodo anterior es a menudo ms difcil de validar y po poner en prctica que el ltimo. 2. MTODOS SUBJETIVOS Los modelos subjetivos de proyeccin brindan info informacin de tipo cualitativa. stos adquieren litativa. relevancia cuando los mtodos cuantitativos basados en informacin histrica no pueden explicar por s solos el comportamiento futuro esperado de alguna variable, o cuando no se cuenta con suficientes datos histricos, o cuando los antecedentes disponibles no son confiables histricos, para predecir, o cuando se enfrenta un proyecto que implica la produccin de un bien no cir, existente hasta el momento en el mercado, etc. En estos casos es preciso cono conocer las tcnicas cualitativas de proyeccin y los pronsticos se harn a partir de informacin proporcionada por tivas expertos, directivos, gerentes, vendedores, compradores, etc., mediante la utilizacin de estas compradores, tcnicas de investigacin.
2.1. Analoga histrica El mtodo de la analoga histrica parte de suponer que el mercado del proyecto que se estudia naloga puede tener un comportamiento similar al de otros mer mercados en el pasado. El mercado que se toma como referencia puede ser para el mismo producto pero de otra producto marca, o en otra regin geogrfica, o para un producto diferente pero con un mercado egin diferente consumidor similar. La desventaja que presenta surge de suponer que las variables que fueron determinantes del comportamiento del mercado de referencia en el pasado, se mantendr en el futuro y, que fut adems, tendr el mismo efecto sobre el mercado del proyecto en estudio. 2.2. Pronsticos visionarios El mtodo de los pronsticos visionarios se utiliza, como alternativa de los otros mtodos ms sofisticados (mtodo Delphi y consenso de panel) en proyectos que se estudian en empresas panel), existentes, las cuales disponen de personal interno que demuestra que tiene una experiencia y personal un conocimiento del mercado adquirido en el tiempo de trabajo. El personal, entonces, puede emitir opiniones respecto a reacciones y comportamientos posibles de esperar en el futuro. Unidad temtica II Organizacin Industrial UTN_FRB Pgina 2
La proyeccin del mercado se har tomando el resultado de la estimacin directa del personal, la cual ser corregida por antecedentes recopilados de fuentes relacionadas al comportamiento de la economa, la competencia, etc. El caso ms comn es el de los vendedores que, con el conocimiento de sus clientes, pueden opinar respecto a reacciones y comportamientos que podran resultar de la introduccin de un nuevo producto en el mercado. Este mtodo presenta ventajas en cuanto a bajos costos y rapidez de ejecucin. Sin embargo, comprende algunas insuficiencias derivadas de la influencia dominante de las experiencias ms recientes y de la falta de unidades de medida que den exactitud a la estimacin. 2.3. Mtodo Delphi La opinin de los expertos es una de las formas subjetivas de estudiar el mercado ms utilizadas. Dentro de sta, el mtodo Delphi es el ms reconocido y uno de los ms completos. El mtodo Delphi consiste en reunir a un grupo interdisciplinario y heterogneo de expertos en el tema, en calidad de panel, a quienes se los somete a una serie de cuestionarios, los cuales son respondidos en forma annima, y con un proceso de retroalimentacin controlada despus de cada serie de respuestas. El lapso entre los cuestionarios y el nmero de los mismos debe ser lo ms reducido posible. De estos cuestionarios surge la informacin que es recopilada y tratada estadsticamente. El proceso interactivo se repite hasta lograr la convergencia de opiniones de todos los expertos, de la que nace una prediccin. El mtodo se fundamenta en que el grupo es capaz de lograr un razonamiento mejor que el de una persona sola, aunque sta sea experta en el tema. El procedimiento del mtodo evita distorsiones que pueden provenir de la presencia de individuos dominantes, la existencia de comunicaciones irrelevantes, intercambio de opiniones y la presin del grupo para llegar a un consenso forzado, entre otros, y que pueden no producir el efecto deseado. La desventaja que presenta radica en que requiere un prolongado tiempo para su ejecucin. Sin embargo, es el mtodo subjetivo que promete el pronstico de mayor exactitud. 2.4. Consenso de panel El consenso de panel es una tcnica similar al mtodo Delphi. Se diferencia de aqul en que la identidad de los integrantes del panel es conocida por todos ellos, y la identidad del emisor de las opiniones no se oculta, se estimula la comunicacin, y no hay retroalimentacin dirigida desde el exterior. Por ello, es que requiere un menor tiempo para su ejecucin y, consecuentemente, los pronsticos a obtener suelen ser de menor exactitud. Este modelo se basa en el supuesto de que varios expertos sern capaces de producir un pronstico mejor que el que puede lograr una sola persona.
Unidad temtica II
Organizacin Industrial UTN_FRB
Pgina 3
El peligro del mtodo radica en la posibilidad de que surja un grupo o una personalidad dominante que anule la interaccin adecuada, que deje con poca o nula participacin al resto de los miembros, que distorsione las opiniones y que se logre un consenso por la capacidad de la argumentacin y no por la validez de la misma. 3. INVESTIGACIN DE MERCADO Segn la definicin de Philip Kotler, un mercado es el conjunto de todos los compradores reales y potenciales de un producto. El marketing se encarga de estudiar al mercado. Dentro del marketing existe un rea de especializacin que se ocupa de la investigacin de mercados. En ella se suele hablar de mercados potenciales, mercados disponibles, mercados en los que se incursiona, mercados en los que se penetra, etc. y su respectiva cuantificacin. La investigacin de mercado debe realizarse bajo lineamientos generales que comienzan por definir el problema a solucionar y culmina con la interpretacin de los resultados obtenidos al final de la investigacin. Como toda investigacin, la investigacin de mercado se basa en datos, los cules son obtenidos de diversas fuentes, motivo por el cual resulta indispensable ampliar los conocimientos sobre los mtodos de recoleccin de datos para la investigacin de mercado. Siguiendo a Philip Kotler, puede definirse la investigacin de mercados como el proceso sistemtico de diseo, obtencin, y anlisis y presentacin de datos y descubrimientos pertinentes a una situacin de marketing especfica que enfrenta la empresa. La investigacin de mercado puede realizarse para sondear un mercado, hacer una prueba de referencia de un producto, hacer un pronstico de ventas para una regin. 3.1 Procedimiento para realizar una investigacin de mercado Definir el problema: Esta es una de las tareas ms difciles, ya que implica que se tenga un conocimiento completo del problema. Si no es as, el planteamiento de la solucin sera incorrecto. Debe tornarse en cuenta que siempre existe ms de una alternativa de solucin y cada alternativa produce una consecuencia especfica, por lo que el investigador debe decidir el curso de accin y medir sus posibles consecuencias. Establecer los objetivos de la investigacin: Se debe comenzar por analizar quien crea la necesidad de informacin. Debe tenerse en cuenta que en rara ocasin la solicitud inicial establece de manera apropiada la necesidad de informacin de la investigacin. El investigador debe comprender detalladamente por qu se requiere la informacin, y debe proveer informacin que facilite el proceso de toma de decisiones. Una vez establecida claramente la necesidad de informacin de la investigacin, deben especificarse los objetivos de la investigacin propuesta. Generalmente los objetivos de las investigaciones responden a la pregunta por qu se realiza este proyecto? Identificar las fuentes de informacin: En este paso se procede a desarrollar un plan para la recoleccin de datos. Existen dos tipos de fuentes de informacin: las fuentes primarias, que consisten bsicamente en investigacin de campo por medio de encuestas, entrevistas, observacin directa, y las fuentes secundarias, que se integran con toda la informacin escrita existente sobre el tema, ya sea estadsticas gubernamentales o estadsticas de la propia empresa.
Unidad temtica II
Pgina 4
Disear el mecanismo para la recopilacin y el tratamiento estadstico de los datos: Este paso es de gran importancia, ya que consiste en descubrir la informacin objetiva relativa al problema. Las fuentes de informacin son variadas y dependen de la naturaleza del problema. Si se obtiene informacin por medio de encuestas, el tratamiento estadstico que se llevar a cabo ser distinto a como se proceder en la obtencin de informacin de fuentes secundarias. Procesar y analizar los datos: Una vez que se cuenta con toda la informacin necesaria proveniente de cualquier tipo de fuente, se procede a su procesamiento y anlisis. El procesamiento de la informacin, consiste en que sta debe ser tabulada, clasificada y presentada en un formato til, tal como tablas, grficos, etc. No hay que olvidar que los datos recopilados deben convertirse en informacin til que sirva como base para la toma de decisiones, por lo que un adecuado procesamiento de tales datos es vital para cumplir ese objetivo. Una vez procesada toda la informacin, se procede a su anlisis, para poder tomar decisiones en base a eso. Registrar los resultados de la investigacin y redactar un informe: Si la investigacin tiene xito conducir a una conclusin que el investigador deber rendir en su informe, el cual deber ser veraz, oportuno y no tendencioso. En algunos casos esta conclusin puede ser negativa pero, de todos modos, el empresario sabr ms del problema de lo que saba al principio de su investigacin. Debe seguir lgicamente la conclusin, a partir de la interpretacin y razonamiento que se realizaron en el paso anterior. Aun cuando no sean claros los resultados de algunos elementos incluidos en la informacin, la conclusin deber estar basada en datos objetivos, de tal manera que puedan tomarse decisiones que lleven a situaciones constructivas para el problema identificado anteriormente.
3.2 Fuentes de informacin Los datos necesarios para realizar la investigacin de mercado pueden provenir de diversas fuentes, que pueden ser clasificadas en primarias y secundarias. Se denominan fuentes secundarias aquellas que renen informacin escrita que ya existe sobre el tema. Son las primeras en que se basan los investigadores al iniciar su labor para determinar si su problema se podr resolver, sin necesidad de recurrir a informacin primaria costosa. Ofrece ventajas de bajo costo y disponibilidad inmediata. Se divide en: Informacin secundaria interna, donde la informacin que se emplea se encuentra disponible dentro la propia empresa antes de que se haga necesaria su obtencin para ser utilizada en el estudio que se propone llevar a cabo. Es decir que se trata de datos con los cuales se puede contar por el solo funcionamiento de la empresa (por ejemplo: las facturas de ventas, etc.). Muchas veces esta informacin es la nica disponible. Informacin secundaria externa, aqu la informacin no procede de la misma empresa, sino que la misma proviene de fuentes ajenas a la misma (por ejemplo: censos de poblacin, datos de anuarios, estadsticas de cmaras sectoriales o gubernamentales, revistas especializadas, etc.).
En caso de que no exista la informacin, obsoleta, inexacta, carente de confiabilidad, la misma deber recopilarse a partir de fuentes primarias. Estos datos incrementarn el costo de la informacin, como su tiempo, peros sern ms relevantes y precisos.
Unidad temtica II
Pgina 5
La informacin proveniente de fuentes primarias y secundarias posee cier ciertas ventajas y desventajas:
Al observar el cuadro, aparentemente, la informacin secundaria resulta ms interesante, que la resulta primaria, ya que es ms barata y de muy fcil acceso, siendo el proceso ms verstil. Entre las razones que justifican su uso se pueden citar las siguientes: Pueden solucionar el problema sin necesidad de que se obtenga informa informacin de fuentes primarias, y por eso son las primeras que deben buscarse. Sus costos de bsqueda son muy bajos, en comparacin con el uso de fuentes primarias.
Aunque muchas veces no permita resolver el problema planteado, la informacin secundaria es til para: identificar y aproximarse al problema, concretar una correcta definicin del problema, mejorar el diseo de la investigacin, contribuir a la planeacin de la recoleccin de datos de fuentes primarias, ayudar a formular una hiptesis sobre la soluci solucin, etc. 3.2.1 Recoleccin de datos primarios Las tcnicas de encuestas ponen nfasis en la recoleccin de datos primarios y la forma de apropiacin. Los encuestados son una fuente importante de datos de mercadeo, existen dos mtodos para obtener los datos de los encuestados: la comunicacin y la observacin. Pueden obtenerse datos de distintos tipos: Comportamiento del pasado: La evidencia relacionada con el comportamiento pasado pasado: compor del encuestado tiene un amplio uso como predictor del comportamiento futuro. Este estudio puede recolectar evidencia de com ortamiento sobre una marca o un producto comportamiento en el pasado y predecir el comportamiento futuro. La evidencia recolectada sobre el pasado puede ser la siguiente: qu compr o utiliz?, cunto compr o utiliz?, cmo compr o utiliz?, dnde compr o utiliz?, quin compr o utiliz?, etc. cmo Actitudes: Las actitudes son importantes en un estudio de mercado, debi : debido a su relacin con las pautas de comportamiento. Generalmente se considera que toda actitud considera tiene tres componentes: cognoscitivo, afectivo, comportamiento. El componente es comportamiento. cognoscitivo est vinculado a las persuasiones acerca del objeto en cuestin, como su persuasiones xito o su durabilidad. El com componente afectivo se refiere a los sentimientos de la persona hacia los objetos, buenos o malos. Finalmente, el componente de objetos, comportamiento indica la disposicin de la persona para responder ante el objeto. Caractersticas del encuestado: Las caractersticas del encuestado constituyen una encuestado: cons descripcin de ste sobre la ba de variables de inters. Estas incluyen variables base tas demogrficas, socioeconmicas y psicolgicas. Adems datos como estado edad, sexo, estado civil, tamao de familia, ingresos, ocupacin, nivel educacional, etc., sirven para estratificar y validar la muestra. Otra forma de describir a los encestados es en trminos muestra.
Unidad temtica II
Pgina 6
de estilo de vida, definido como las caractersticas del modo de vivir de una sociedad o de un segmento de ella. Existen dos mtodos bsicos para realizar la recoleccin de datos de los encesta encestados: la comunicacin y la observacin. 3.2.2 Mtodo de comunicacin Este mtodo se basa en la interrogacin de los encestados. Es lgico formular preguntas si se desea obtener informacin, dichos interrogantes pueden realizarse por escrito o verbalmente. pueden Normalmente el instrumento utilizado es el cuestionario.
A su vez, la tcnica de comunicacin puede clasificarse, segn su estructura, del siguiente estructura, modo:
Estructurado directo: Es la tcnica de encuestas ms comn. Exige que las preguntas directo: se formulen para todos los encestados con las mismas palabras e idntica secuencia. Es muy simple de administrar, procesar los resultados, analizar los datos e interpretarlos. No estructurado directo: En este caso hay un amplio grado de flexibilidad para directo: flexibili formular las preguntas, por lo cual el formato de respuesta que prevalece es de tipo abierto y los encestados tienen libertad de expresarse. Hay dos modalidades bsicas que expresarse. se destacan dentro de esta categora: o Entrevista a un grupo foco Dirigida por un moderador entrenado a un grupo foco: trenado pequeo de enc estados simultneamente. Tiene origen en las terapias de grupo encuestados utilizadas por los psiquiatras La entrevista requiere de una organizacin de los psiquiatras. quiere temas o gua del entrevistador, el valor de esta tcnica es descubrir lo inesperado que resulte de una libre discusin entre los miembros. El grupo de sperado encuestados debe estar compuesto de personas con caractersticas homogneas. estar El nmero de integrantes debe permitir simultneamente la interaccin y la ro posibilidad que cada participante exprese su posicin, por lo que habitualmente participante ha se recomienda un grupo cercano a 7 personas. Es muy importante el ambiente fsico en que se desarrollar la reunin y la duracin de la misma (generalmente entre 90 y 120 minutos). Esta tcnica es muy utilizada sobre todo en los Estados utilizada Unidos. Organizacin Industrial UTN_FRB Pgina 7
Unidad temtica II
Entrevista de profundidad: Es una entrevista no estructurada que consiste en indagar exhaustivamente a una nica persona, para que sta hable libremente y exprese en forma detallada sus percepciones y sentimientos sobre un tema. El objetivo de esta tcnica es llegar ms all de las reacciones superficiales del entrevistado y descubrir las razones ms fundamentales de sus actitudes y comportamientos. El entrevistador indaga sobre las respuestas que son de inters formulando preguntas tales como Podra hablarme ms acerca de ello? Por qu dice eso Ud.? Esta tcnica es poco utilizada en la prctica, ya que su xito depende directamente de las habilidades y experiencia del entrevistador y, adems, est sujeta a un alto grado de discrecionalidad y subjetividad (tanto por parte del entrevistado, como del entrevistador). No estructurado indirecto: Puede definirse como cualquier forma indirecta de formular una pregunta, en la que se crea un ambiente que estimula al encuestado a proyectar deliberadamente persuasiones y sentimientos sobre el tema de inters. Las tcnicas ms frecuentes dentro de este esquema son: o Prueba de percepcin temtica: Abarca el uso de uno o ms dibujos o caricaturas que describen una situacin respecto del producto o tema en investigacin. Estos dibujos o caricaturas son neutrales y presentan pocas claves sobre los sentimientos positivos o negativos. o Desempeo de roles: Se presenta una situacin al encuestado verbal o visual. Se le solicita que relate las percepciones de otras personas respecto de esa situacin. Otra posibilidad es decir al encuestado lo que la otra persona ha comprado y solicitarle que describa a esa persona. o Terminacin de caricaturas: En esta tcnica se presenta una caricatura que presenta una o ms personas en una determinada situacin. Se le solicita al entrevistado que termine la caricatura en respuesta al comentario del otro personaje de la caricatura. Por ejemplo un personaje que dice Estamos planeando ir de vacaciones. o Asociacin de palabras: Consiste en presentar al encuestado una serie de palabras y presentar el resultado de los pensamientos que generan esas palabras en el encuestado. Las palabras se colocan de modo tal que el entrevistado pueda revelar sus percepciones y sentimientos. o Completar frases: Es similar a la anterior y consiste en que el encuestado termine una frase incompleta. El significado de la primera parte de la frase se disfraza de modo tal que no exista respuesta correcta, se instruye al encuestado para que responda con los primeros pensamientos que llegan a su mente. Estructurado indirecto: Se solicita a los encuestados que memoricen y/o presenten la informacin basada en hechos acerca del tema de inters. Se analizan estas respuestas y se hacen inferencias acerca de la naturaleza de las persuasiones y sentimientos principales de los encuestados frente al tema. El supuesto en que est basada esta tcnica es que los encuestados recuerdan con mayor facilidad aquellas cosas que son afines con sus persuasiones y sentimientos. Este argumento a la vez se basa en hallazgos sobre el pensamiento de las personas (que sostiene que las personas se exponen selectivamente a la informacin, perciben selectivamente la informacin y retienen selectivamente la informacin). Este enfoque es poco utilizado para la investigacin de mercados. o
Unidad temtica II
Pgina 8
3.2.3 Mtodo de observacin Es el proceso de reconocimiento y registro del comportamiento de las personas, objetos y eventos. Como la observacin informal suele estar colmada de errores muestrales, se han diseado tcnicas de observacin formal con el fin de controlar estos errores y proporcionar datos vlidos. Frecuentemente esta tcnica se complementa con otros mtodos de recoleccin de datos. El mtodo de observacin presenta las siguientes ventajas y desventajas:
Las tcnicas de observacin se pueden clasificar en base a cinco criterios: Observacin natural y artificial En la observacin natural se observa una situacin artificial: tal como se presenta normalmente en el medio ambiente (por ejemplo, hacer compras en un supermercados). La observacin artificial comprende la creacin de un ambiente artificial y la observacin de los patrones de comportamiento que presentan las personas en este medio ambiente (por ejemplo, hacer que compren en un supermercados simulado). Observacin oculta y no oculta El ocultamiento implica el hecho de que el oculta: encuestado no est consciente de que lo estn observando. Pueden utilizarse diferentes utili mecanismos, tales como espejos de doble faz, cmaras escondidas, observadores das, vestidos como vendedores para ocultar esa ob observacin, etc. Observacin estructurada y no estructurada La observacin estructurada es estructurada: estructu apropiada cuando el problema de decisin se ha definido claramente y la especificacin claramente de la necesidad de informacin permite una identificacin precisa de los patrones de ad identificacin comportamiento que deben observarse y medirse. Se debe describir que es lo qu se va a observar y la forma de medicin detalladamente. Es ms apropiada para investigaciones de tipo concluyente. La observacin no estructurada en cambio es ms apropiada para ncluyente. no-estructurada investigaciones de tipo exploratorio, por tal motivo, los hallazgos que se obtengan deben tratarse con el carcter de hiptesis. Observacin directa e indirecta La observacin directa se refiere a observar el indirecta: ta comportamiento tal como ocurre realmente. En la observacin indirecta se observacin observan los efectos de comportamientos pasados en vez de observar el comportamiento en s (por ejemplo, contar las botellas de vino vaco que aparecen en los depsitos de basura para estimar el consumo de vino en un hogar). Observacin humana y mecnica En algunos casos conviene reemplazar al mecnica: reempla observador humano por una herramienta mecnica. La razn puede ser incrementar la precisin, disminuir los costos o por requisitos especiales de estudio. La filmadora de ciales f los circuitos de vigilancia suele ser utilizada con gran frecuencia para registrar el comportamiento de com compra en supermercados, farmacias y similares.
Unidad temtica II
Pgina 9
3.2.4. Consejos para realizar una investigacin de mercado A pesar del rpido crecimiento de la investigacin de mercado, muchas empresas no lo usan en forma correcta. Existen diversos factores que impiden su mayor utilizacin, pero tambin existen ciertas caractersticas que hacen a un buen estudio de mercado, entre ellas: Mtodo cientfico: La investigacin de mercado utiliza los principios de la investigacin del mtodo cientfico: observacin cuidadosa, formulacin de hiptesis, prediccin y prueba. Por ejemplo: Una empresa de correo tena un alto ndice de devoluciones y se solicit se investigaran las causas al director de investigacin de mercado, quien examina las caractersticas de los pedidos devueltos y la categora de la mercadera devuelta. La hiptesis era que mientras ms esperaba el cliente su mercadera mayor era la probabilidad de devolucin. El anlisis estadstico, confirm esta hiptesis. Creatividad de la investigacin: En su mejor expresin, la mercadotecnia desarrolla formas innovadoras de solucin a los problemas. Esto se ve claro mediante un ejemplo clsico de creatividad de la investigacin: Cuando se introdujo por primera vez el caf instantneo, las amas de casa se quejaron que su sabor no era el del caf natural, pero muchas de estas amas de casa con los ojos vendados no pudieron distinguir entre una taza de caf instantneo y otra de caf natural. Esto era un indicio que todo era psicolgico. Al investigador se lo ocurri hacer una lista de compras de supermercado idnticas con la diferencia que una tena caf natural y la otra caf instantneo. As surgieron dos grupos de amas de casa comparables. Se pidi a ambos grupos que adivinaran las caractersticas sociales y personales de cada ama de casa cuya lista de compras estaba viendo. Los comentarios fueron casi los mismos con una diferencia importante: un gran porcentaje de amas de casa en cuya lista figuraba el caf instantneo describi a sujetos perezosos, una mala esposa e incapaz de hacer una adecuada planificacin familiar. As, la empresa pudo conocer la naturaleza de la resistencia y desarrollar una campaa para cambiar la imagen del ama de casa que sirve caf instantneo. Mtodos mltiples: Los investigadores de mercado competentes se muestran reticentes ante el exceso de confianza en cualquier mtodo y prefieren seleccionar el mtodo en funcin al problema, antes que hacer lo contrario. Tambin reconocen que es recomendable reunir informacin proveniente de distintas fuentes para obtener resultados ms confiables. Valor y costo de la informacin: A los investigadores de mercado les interesa estimar el valor de la informacin con relacin a su costo. El anlisis beneficio/costo ayuda a determinar los procesos de investigacin que deben llevar a cabo, los diseos que deben utilizar y si debe recavarse mayor informacin despus de los resultados iniciales. Por lo general, los costos de una investigacin son bastante fciles de cuantificar, pero es difcil calcular su valor por anticipado, ya que stos dependen de la confiabilidad y validez de los resultados de la investigacin. Escepticismo saludable: Los investigadores de mercado suelen mostrar un escepticismo saludable ante supuestos poco realistas que suelen efectuarse en relacin a cmo funciona el mercado. Algunas personas consideran que la investigacin de mercado es slo una operacin para encontrar hechos, sin que sea necesario realizar previamente una clara definicin del problema o un anlisis de las alternativas de decisin disponibles. La consecuencia es que muchas veces los resultados de estas investigaciones no son tiles. No debe olvidarse que la investigacin de mercados se
Unidad temtica II
Pgina 10
desarrolla para tomar decisiones, para lo cual se necesitan resultados rpidos pero, al mismo tiempo, correctos y concluyentes. Otras consideraciones: Adicionalmente y desde un punto de vista eminentemente prctico, la investigacin que se realice debe atender a las siguientes premisas: la recopilacin de la informacin debe ser sistemtica, el mtodo de recopilacin debe ser objetivo y no tendencioso, los datos recopilados siempre deben ser informacin til y el objeto de la investigacin siempre debe tener como objetivo final servir como base para tomar decisiones.
La investigacin de mercados tiene una aplicacin muy amplia, como en las investigaciones sobre publicidad, ventas, precios, diseo y aceptacin de envases, segmentacin y potencialidad del mercado, etc. Sin embargo, en las investigaciones de mercado para un producto nuevo, muchos de ellos no son aplicables, ya que el producto an no existe. A cambio de eso, las investigaciones deben realizarse sobre productos similares ya existentes, para tomarlos como referencias en las decisiones aplicables al nuevo producto. Algunos ejemplos de estos criterios seran las siguientes preguntas: cul es el medio publicitario ms usado en productos similares al que se propone lanzar al mercado?, cules son las caractersticas promedio en precio y calidad, qu tipo de embase prefiere el consumidor?, qu problemas actuales tienen tanto el intermediario como el consumidor con los proveedores de los artculos similares y que caractersticas le pediran a un nuevo productor?, etc. 4. TCNICAS DE RELEVAMIENTO DE DATOS Las tcnicas de encuestas estn destinadas a obtener informacin sobre la preferencia de los consumidores en relacin a un determinado producto no tradicional (nuevo) o de un producto que existe en el mercado, pero del cual no se tiene informacin estadstica relevante o suficiente. Los especialistas que elaboran las encuestas suelen denominar universo, al conjunto de personas respecto del cual se pretende obtener informacin. El universo se refiere al sector del mercado, una localizacin geogrfica, un nivel de ingreso, un nivel de edad, etc. El universo se divide en unidades, de donde se selecciona una muestra que debe ser representativa. 4.1. Tamao de la muestra El nmero de personas a quienes se debe encuestar se llama tamao de la muestra. El tamao de la muestra es importante porque tiene relacin estrecha con el costo de la muestra. Para reducir costos se procura tomar una muestra menor pero representativa y significativa. Una de las primeras preguntas que debe realizarse antes de emprender cualquier encuesta o estudio es: qu tamao de muestra necesito? La respuesta depender del diseo del estudio; es decir, de los objetivos, naturaleza y alcance del mismo, y del resultado previsto del mismo. Todo esto deber tenerse en cuenta en la fase de planificacin del estudio muestral. Por ejemplo, en un estudio sobre la eficacia de un frmaco contra una enfermedad mortal como el SIDA, en el que sera importante un solo resultado positivo, puede considerarse intranscendente el tamao de muestra. En cambio, para el ensayo de una nueva vacuna antipaldica, el nmero de sujetos de la muestra tendr que ser suficiente para que se puedan comparar los efectos de la vacuna con los de las medidas preventivas existentes. Unidad temtica II Organizacin Industrial UTN_FRB Pgina 11
De igual manera, deben tomarse en cuenta los resultados esperados. Hay tres posibles tipos de resultados. El primer tipo son los dicotmicos, es decir aquellos en los que nicamente existen aquellos dos alternativas (s/no, vivo/muerto). El segundo tipo es en el que existen mltiples alternativas que se excluyen entre s (grupos sanguneos). En estos dos tipos de resultados, los datos se expresan generalmente en forma de tasas o porcentajes. Finalmente, el tercer tipo abarca las ralmente forma variables de respuesta continua (peso, edad). El mtodo estadstico adecuado para determinar el tamao de muestra depender de la doble necesidad de saber cul de estos tipos de resultados interesa al investigador, y evitar un gasto excesivo de tiempo y de recursos a travs de una teresa correcta planificacin del estudio. El tamao de la muestra se calcula mediante procedimientos estadsticos. Cuando se realiza un estadsticos. estudio de caractersticas econmicas (por ejemplo: una investigacin de mercados), econmicas generalmente se admite que se enfrenta a una poblacin infinita o una poblacin finita con reemplazo. En estos casos, el tamao de la muestra se puede calcular a partir de preguntas que tamao admiten respuestas dicotmicas o no dicotmicas. Si se trabaja con una poblacin infinita o finita con reemplazo, pero el tamao de la muestra , debe estimarse a partir de preguntas que nicamente admiten respuestas dicotmicas (por admiten ejemplo: posee Ud. un reproductor de DVD en su hogar?, o est Ud. en acuerdo o desacuerdo con la siguiente proposicin: la calidad de imagen de un DVD es superior a la de un VHS?), el tamao de la muestra se determina mediante la siguiente ecuacin:
donde:
n p q Z
es el tamao de la muestra (cantidad de encuestas que deben efectuarse). (cantidad efectuar es la probabilidad de xito (p=50%).
es la probabilidad de fracaso (q=50%). es el nmero de errores estndar asociadas un nivel de confianza dado (su valor puede obtenerse de una tabla de probabilidades, por ejemplo: si se trabaja con una distribucin por normal y un nivel de confianza del 95%, el valor de Z es 1,96). fianza es el error mximo tolerado (mayor diferencia permitida entre la media de la muestra y la media media del universo, es decir: X e ).
Cuando el tamao de la muestra se calcula para una poblacin infinita o finita con reemplazo, a partir de una pregunta no dicotmica, es posible estimar los estadsticos bsicos de las estimar respuestas obtenidas (fundamentalmente, la media matemtica y el desvo estnda Algunos estndar). ejemplos seran las siguientes preguntas: qu precio estara dispuesto a pagar por el alquiler de una pelcula de video?, o cuntas pelculas de video estara dispuesto a alquilar mensual mensualmente si el precio unitario fuera $4,50). En estos casos, el tamao de la muestra se obtiene a partir de casos, la siguiente frmula de clculo:
Unidad temtica II
Pgina 12
donde:
n
es el tamao de la muestra (cantidad de encuestas que deben efectuar efectuarse). es el desvo estndar (que puede calcularse utilizando una prueba piloto, tomando como referencia a otros estudios similares o bien a criloto, cri terio del propio encuestador) . es la probabilidad de fracaso (q=50%). es el nmero de errores estndar asociadas un nivel de confianza dado (su valor puede obtenerse de una tabla de probabilidades, por ejemplo: si probabilidades, se trabaja con una distribucin normal y un nivel de confianza del 95%, confianza el valor de Z es 1,96). es el error mximo tolerado (mayor diferencia permitida entre la me media de la muestra y la media del universo, es decir: X e ).
5. PROYECCIN UTILIZANDO TASAS DE CRECIMIENTO Cuando se hace una proyeccin de la demanda por medio de tasas de crecimiento, la variable independiente que generalmente se utiliza es el tiempo. 5.1. Tasas aritmticas La frmula que debe aplicarse es:
donde:
n 0
i
es el valor proyectado de la variable en el periodo n n. es el valor oringianl de la variable en el periodo 0. es la tasa aritmtica de crecimiento crecimiento. es la cantidad de periodos de tiempo.
5.2. Tasas geomtricas En este caso se recurre a la expr expresin:
donde: n 0
ig
es el valor proyectado de la variable en el periodo n. es el valor oringianl de la variable en el periodo 0. es la tasa geomtrica de crecimiento crecimiento. es la cantidad de periodos de tiempo.
Unidad temtica II
Pgina 13
6. MTODOS CAUSALES 6.1. Tipos de relaciones funcionales Antes de iniciar el desarrollo del anlisis de regresin, se presentan los principales tipos de relaciones funcionales que suelen encontrarse al analizar un proyecto de inversin. En la mayora de los casos se asume una relacin fun funcional del tipo Y = f (X), donde la variable dependiente es Y, en tanto que la variable independiente es X. ble Al realizar proyecciones de datos a partir de informacin histrica, frecuentemente la relacin que se establece es suponer que la variable dependie dependiente es la demanda (o el precio) y la variable independiente es el tiempo. Este supuesto se fundamenta en que, habitualmente, en los supuesto proyectos de inversin la variable crtica que se desea proyectar es la demanda (o el precio), en tanto que la variable ms certera en cuanto a su evolucin futura es el tiempo. A continuacin se presentan algunas relaciones funcionales tpicas, con su expresin matemtica y su representacin grfica. Asimismo se explica el procedimiento que correspondera aplicar para linealiz las funciones no lineales (este punto ser de gran linealizar les importancia prctica para simplificar la comprensin y generalizar las conclusiones que se comprensin obtengan en el anlisis de regresin lineal). 6.1.1. Funcin lineal La funcin lineal se basa en la expresin m matemtica que relaciona dos variables (siendo: Y la variable dependiente y X la variable independiente) de la siguiente manera:
En primer lugar se debe calcular los valores de los parmetros a (ordenada al origen) y b (coeficiente angular o pendiente), estimacin que se realiza a travs del anlisis de regresin que se desarrolla detalladamente ms adelante. Posteriormente se procede a reemplazar esos valores en la ecuacin general y se puede comenzar a trabajar en la prediccin del valor de las variabl variables. Los valores numricos de a y b se pueden hallar con las siguientes frmulas:
6.1.2. Funcin potencial La funcin potencial responde a la expresin
Unidad temtica II
Pgina 14
Es posible linealizar esta funcin aplicando logaritmos a ambos miembros, mediante este procedimiento se obtiene una ecuacin logartmica lineal del tipo:
log
log
log
6.1.3. Funcin exponencial La funcin exponencial respond a la expresin responde
La funcin exponencial puede tambin ser linealizada aplicando logarit logaritmos a ambos miembros, resultado de ello se tiene la relacin siguiente:
6.1.4. Funcin parablica o cuadrtica En el caso de una funcin parablica, su comportamiento se describe matemticamente por una comportamiento ecuacin de segundo grado (cuadrtica) y se representa grficamente por una curva parbola:
6.1.5. Funcin Gomportz La funcin Gomportz responde a la ecuacin:
Es posible linealizar esta funcin ap aplicando logaritmos a ambos miembros, mediante este bros, procedimiento se obtiene:
Unidad temtica II
Pgina 15
6.1.6. Funcin asinttica La funcin asinttica con pendiente negativa (indica relacin inversa entre las variables entre dependiente e independiente) responde a la expresin:
La funcin asinttica con pendiente negativa (indica relacin directa entre las variables dependiente e independiente) responde a la expresin:
6.1.7. Funcin logartmica La funcin logartmica se representa por la expresin:
ln
6.2. Anlisis de regresin La regresin es un mtodo de anlisis de los datos de la realidad econmica que sirve para poner en evidencia las relaciones que existen entre diversas variables. elaciones A travs de la regresin se estudia la relacin entre variables con el objetivo principal de predecir o estimar el valor de una vari variable con respecto a otras variables conocidas o de valores bles asumidos, las cuales se encuentran relacionadas a ella. les Para realizar estimaciones o predicciones, se debe primero identificar los estimadores apropiados para la variable de inters: Cules variables son indicadores importantes?, Pueden ser estas variables medidas al menor costo posible?, Cules de ellas proporcionan menor poca informacin? y Cules son variables redundantes? Una regresin que utiliza slo un pronosticador o estimador, es llamada regresin simple. Cuando existen dos o ms estimadores se utiliza el anlisis de regresin mltiple. El objeto de un anlisis de regresin es investigar la relacin estadstica que existe entre una variable dependiente (Y) y una o ms variables independientes (X1, X2, , Xn). Para poder realizar esta investigacin, se debe postular una relacin funcional entre las variables, de una manera implcita dicha funcional puede expresarse como:
Unidad temtica II
Pgina 16
Debido a su simplicidad analtica, la forma funcional que ms se utiliza en la prctica es la relacin lineal, que es el caso particular en que solo existe una variable independiente y donde la existe relacin funcional se reduce a una lnea recta:
El parmetro a, conocido como la ordenada en el origen, indica cul es el valor que asume Y cuando X = 0. El parmetro b, conocido como la pendiente, indica en cuanto vara (aumenta o o disminuye) Y por cada variacin (aumento o disminucin) de una unidad en X. El problema de la regresin consiste en obtener estimaciones de estos coeficientes a partir de una muestra de observaciones sobre las variables X e Y. En el anlisis de regresin, estas isis estimaciones se obtienen por medio del mto do de, Mnimos cuadrados ordinarios mtodo (MCO). En la prctica, los clculos relacionados con un anlisis de regresin se efectan por medio de programas de computadora, por lo que los clculos detallados en esta seccin se incluyen llados nicamente a ttulo de ilustracin. Para estimar los coeficientes por medio de mnimos cuadrados, se utilizan las siguientes utilizan frmulas: Para el coeficiente angular:
Para la ordenada al origen:
6.2.1. Diagrama de dispersin Antes de iniciar un anlisis de regresin es conveniente realizar un ploteo o graficacin de los datos disponibles de las variables a relacionar. Este grfico recibe el nombre de diagrama de dispersin, tambin conocido como nube de puntos. El diagrama de dispersin es una representacin grfica de pares de datos, los cuales pueden ser dibujados para obtener una visin general del problema y permite responder, entre otras, preguntas como: existe una relacin aparente entre las variables?, esa relacin es directa o esa inversa?, etc. Si los puntos descansan sobre una banda descrita por dos lneas paralelas, se podra decir que existe una relacin lineal entre los valores de X e Y. Si la tasa de cambio no se mantiene constante en general, se podra decir que los datos siguen una relacin de forma curva. podra
Unidad temtica II
Pgina 17
A este grfico se lo denomina como diagrama de dispersin, puesto que no existe una relacin matemticamente exacta entre las variables, ya que no toda la variacin en la variable dependiente Y puede ser explicada por la variacin en la variable independiente X. Si entre e estas variables existiera una relacin lineal perfecta, entonces todos los puntos caeran a lo largo de la recta de regresin o de ajuste la cual, una vez trazada, muestra la relaci promedio que relacin existe entre las dos variables. En la prctica, se observa que la mayora de los puntos no caen directamente sobre la recta de regresin o de ajuste, sino que estn dispersos en torno a ella. Esta dispersin representa la variacin en Y que no puede atribuirse a la variacin en X.
En la evaluacin de proyectos es habitual que se utilice como variable independiente al tiempo (por ejemplo: para proyectar la demanda, los precios, etc. a partir de datos histricos). En dicha situacin, al diagrama de dispersin se lo denomina diagrama de tendencia. ama 6.2.2. Regresin lineal con dos variables Si se ha determinado que existe una relacin lineal entre X (variable independiente) e Y (variable dependiente), resulta conveniente obtener una ecuacin lineal que establezca a Y como lineal funcin de X en la forma:
donde: a es la ordenada al origen (tambin llamada intercepcin) b es la pendiente (tambin llamada coeficiente angular) e es la Medida de error para todas las dems variables independientes que afec afectan a Y, pero
que no han sido incluidas como factores de prediccin (tambin incluye al impacto que factores impredecibles o incontrolables tienen sobre Y). Muchas veces este trmino no es colocado explcitamente en la ecuacin que describe la relacin lineal. lineal.
Supngase que se trata de encontrar la relacin que existe entre el tiempo y la demanda de cierto producto (uno de los casos ms frecuentes al realizar la evaluacin de un proyecto de inversin). El tiempo es totalmente independiente de cualquier situacin, por tanto, ste ser la variable situacin, independiente, en tanto que la demanda ser la variable dependiente del tiempo. El tiempo generalmente se grafica en el eje X, y la variable dependiente (demanda en este caso) en el eje Y. Para darse una idea de la posible relacin entre ambas, primero es necesario tener cierta cantidad de pares de puntos tiempo demanda, obtenidos de fuentes secundarias. Se tiempo-demanda, grafican los pares de datos y a simple vista puede ser difcil definir el tipo de relacin funcional rafican Unidad temtica II Organizacin Industrial UTN_FRB Pgina 18
existente si los puntos graficados estn muy dispersos. Pero si los puntos estuvieran ms o menos ajustados a una lnea recta (o a alguno de los tipos de relaciones funcionales analizados y que son susceptibles de linealizacin), el siguiente paso encontrar una relacin entre ambas ser ajustar esos puntos como si realmente se comportaran como una lnea recta. 6.2.3. Mtodo de los mnimos cuadrados ordinarios Para predecir la media del valor de Y para un valor X determinado, se debe encontrar una lnea que pase a travs de todos los valores medios de X e Y, y que minimice la suma entre las distancias entre cada uno de los puntos y la lnea de prediccin. Este acercamiento debera resultar en la lnea que mejor ajusta a los datos de la muestra. El mtodo de los mnimos cuadrados ordinarios alcanza este resultado mediante el clculo del promedio mnimo al cuadrado de las desviaciones entre la muestra y la lnea estimada. El procedimiento que se realiza permite encontrar los valores de a y b. Es decir que el mtodo de los mnimos cuadrados ordinarios se basa en calcular la ecuacin de una lnea recta para una serie de puntos dispersos sobre una grficas, la cual se considera el mejor ajuste, entendindose por tal a la situacin en que se cumplen las siguientes condiciones simultneamente: La suma algebraica de las desviaciones de los valores individuales respecto a la media es cero (existen varias lneas que cumplen esta funcin, por lo cual sta es una condicin necesaria pero no suficiente). La suma algebraica del cuadrado de las desviaciones de los puntos individuales respecto a la media es mnima (aqu debera encontrarse que slo una lnea cumple con esta condicin).
La ecuacin desarrollada puede ser utilizada para predecir un valor promedio sobre el rango de los datos de la muestra. Se puede considerar que el pronstico es bueno por un rango que va de corto a mediano plazo de tiempo. Para hacer pronsticos con la ecuacin obtenida y considerada como de mejor ajuste, simplemente se asignan valores futuros a la variable independiente X (por ejemplo: el tiempo) y por medio de la ecuacin se calcula el valor correspondiente de la variable dependiente Y (por ejemplo, la demanda, la oferta o los precios). 6.2.3.1. Error de la estimacin La dispersin o variabilidad alrededor de los valores de la media puede ser medida mediante el clculo de la varianza (el promedio de la desviacin al cuadrado de los valores alrededor de la media). La estimacin del error estndar es derivada mediante la raz cuadrada de este valor y es interpretado como la medida promedio en la cual los valores reales difieren de la media estimada. 6.2.3.2. Intervalo de confianza La estimacin de intervalos puede ser calculada para obtener una medida de la confianza que se tiene en la existencia de relacin en nuestra estimacin. Estos clculos se realizan utilizando la tabla de distribucin t. De estos clculos se pueden derivar bandas de confianza (un par de lneas paralelas ubicadas lo ms cercanas posible a los valores medios que expresan nuestra confianza a varios grados de la banda de valores alrededor de la ecuacin de regresin).
Unidad temtica II
Pgina 19
6.2.4. Anlisis de correlacin Una pregunta importante que se plantea en el anlisis de regresin es la siguiente: Qu porcentaje de la variacin total en Y se debe a la variacin en X? En otras palabras, cul es la variacin proporcin de la variacin total en Y que puede ser explicada por la variacin en X? Las respuestas a estos interrogantes se alcanzan a travs del anlisis de correlacin, el cual conduce al anlisis de tres estadsticos: tadsticos: Coeficiente de correlacin Coeficiente de determinacin Error estndar de la estimacin
6.2.4.1. Coeficiente de correlacin Se dice que existe correlacin entre dos variables (una independiente y otra dependiente), cuando al variar una de ellas vara tambin la otra variable. Para que la proyeccin sea ms ar acertada es necesario que el nmero de observaciones sea suficientemente amplio. Por ejemplo, en una serie de tiempo, mientras mayor cantidad de periodos sean estudiados, mayor relevancia estadstica tendr el valor del coeficiente de correlacin.
El grado de aproximacin entre las variables independiente y dependiente es mayor cuando el coeficiente de correlacin se acerca al valor mximo de 1 (indica que la existencia d una de relacin directa entre ambas variables) o al valor mnimo -1 (indica la existencia de una relacin 1 inversa entre las variables). En estos casos, se dice que existe una elevada correlacin entre X (variable independiente) e Y (variable dependiente). Cuando el coeficiente de correlacin se Cuando acerca al valor cero, se afirma que no existe correlacin entre las variables analizadas. 6.2.4.2. Coeficiente de determinaci determinacin Este coeficiente sirve para medir la relacin existente entre las variables independiente y dependiente. Es la Medida de ajuste del modelo de regresin y corresponde al cuadrado del coeficiente de correlacin, como queda expresado en la siguiente frmula:
El coeficiente de determinacin mide el porcentaje de la variacin total en la variable dependiente (Y) que es explicado por la variacin de la variable independiente (X). Su valor mximo es 1, lo cual indica que la totalidad (el 100%) de las variaciones de Y estn explicadas por los cambios en X. En el otro extremo, el valor mnimo que puede asumir el coeficiente de mnimo determinacin es cero, lo cual significa que ninguna de las variaciones de Y estn explicadas por el comportamiento de X.
Unidad temtica II
Pgina 20
6.2.4.3. Error estndar de la estimacin El error estndar de la estimacin es una medida que permite mostrar el nivel de confiabilidad que que tiene la ecuacin de prediccin e indica hasta qu punto los valores observados difieren de sus valores histricos alrededor de la lnea de regresin. Su clculo se efecta aplicando la siguiente formulacin:
Cuando el error estndar de la estimacin se aproxima a cero, entonces la ecuacin de regresin empleada ser un estimador ptimo de la variable dependiente 6.2.5. Importancia de la representacin grfica en el anlisis de regresin y correlacin La representacin grfica de las observaciones (diagrama de dispersin) y de la recta de ajuste presentacin resulta de enorme utilidad para: comprender el tipo de relacin funcional existente entre la variable dependiente y la variable independiente, analizar la forma que asumen los errores de prediccin y decidir cul es el grado de importancia que deben asignarse a los resultados obtenidos a partir de los anlisis de regresin y de correlacin de cada caso en particular. En la siguiente figura se muestran cuatro ejes de coordenadas con distintos valores posibles para coordenadas las variables dependiente e independiente, pero en los cuatro casos se advierten las siguientes particularidades: La recta de ajuste que se obtiene a partir del anlisis de regresin tiene la misma expresin (Y = 0,50 X + 3) en todos los casos presentados Y El coeficiente de determinacin es el mismo (R2 = 65%) en los cuatro casos analizados
Si no se realizara un estudio de lo que muestra la representacin grfica, se podra considerar que los cuatro casos anteriores tienen la misma cualidad explicativa, lo cual es una conclusin riores equivocada.
Unidad temtica II
Pgina 21
En efecto, en el grfico 1 se observa que los errores se encuentran aleatoriamente distribuidos, es decir que se puede presumir que no existe un sesgo ostensible en los pron pronsticos que se realicen a partir de la recta de ajuste acerca del comportamiento futuro esperado para la variable dependiente. Es decir que, en este caso, no habra inconvenientes para avanzar en la consideracin de los resultados obtenidos en los anlisis de regresin y correlacin. En el grfico 2 queda claramente evidenciado que la forma en la cual se distribuye la nube de puntos (representativa de los valores observados de las variables) se asemeja ms a una funcin de tipo potencial, asinttica o logartmica, antes que a una lnea recta. Esto puede visualizarse logartmica, claramente al analizar la distribucin de los errores de pronstico de la recta de regresin estimada (hay una sobreestimacin de pronstico en los valores centrales de la variable independiente y una subestimacin de pronstico en los valores extremos de la variable independiente). En este caso sera conveniente proceder al anlisis de regresin bajo otro tipo de relacin funcional. Por ejemplo, si en el proyecto bajo anlisis se estuviera relacionando a la relaci demanda estimada del mercado (variable dependiente) con el tiempo (variable independiente), en caso de aceptar como vlida la estimacin de un ajuste lineal, se debera pronosticar un nivel de ventas futuro creciente, cuando se advierte con claridad que el mercado se encuentra en una claridad fase declinante. En el grfico 3 aparece un valor descolgado, mientras todas las dems observaciones mantienen una relacin funcional lineal. En la distribucin de los errores de pronstico esto quedar reflejado en que para dicha observacin el error obtenido es claramente superior al calculado para las dems. Lo recomendable en este caso es buscar la explicacin de por qu se produce esta observacin atpica y, si se encuentra una base argumental slida, tal vez se pueda descartar esta observacin de los clculos. Un ejemplo podra ser lo ocurrido con las ventas de automviles cero kilmetro en Argentina en la segunda mitad de la dcada de 1990, cuando se instrument el Plan Canje y en virtud de dicho marco normativo se registr un nivel de normativo transacciones rcord. Finalmente, en el grfico 4 se observa la coexistencia de dos tendencias diferenciadas en la relacin entre las variables dependiente e independiente (la graficacin de los errores de pronstico tambin permitirn advertir claramente este fenmeno). Nuevamente aqu debera ermitirn recurrirse a un anlisis de cules han sido las condiciones de entorno que han motivado este cambio de tendencia y, si se obtiene base argumental confiable, es posible que deba eliminars eliminarse una parte de la serie de observaciones que han sido incluidas originariamente en el anlisis. Por ejemplo, en abril de 1991 Argentina puso en vigencia un programa econmico denominado convertibilidad que cambi sustancialmente las condiciones macroeconmicas (se dej atrs macroeconmicas varios aos de alta inflacin e hiperin lacin y se inici un perodo prolongado de estabilidad de hiperinflacin precios), dicho cambio de contexto macroeconmico explic la reaparicin del crdito lo cual expandi los niveles de actividad de muchos sectores que, hasta ese momento, se encontraban muchos estancados o en recesin. 6.2.6. Regresin mltiple Hasta ahora se ha considerado nicamente el caso de la regresin simple (el que relaciona a una variable dependiente con una variable independiente) pero, en el caso ms general de la regresin mltiple, existen dos o ms variables independientes:
Unidad temtica II
Pgina 22
La estimacin de los coeficientes de una regresin mltiple es un clculo bastante complicado y laborioso, por lo que se requiere del empleo de programas de computacin especializados. Sin computacin embargo, la interpretacin de los coeficientes es similar al caso de la regresin simple: el coeficiente de cada variable independiente mide el efecto separado que esta variable tiene sobre la variable dependiente. El coeficiente de determinacin, por otro lado, mide el porcentaje de la coeficiente variacin total en Y que es explicado por la variacin conjunta de las variables independientes Xi incluidas en el anlisis. Cuando se utiliza la regresin mltiple, puede emplearse simultneamente a ms de un factor de simultneamente pronstico. Esto siempre es lo ms recomendable. Sin embargo, se debe tratar de usar la menor cantidad de variables como pronosticadores para obtener una prediccin razonablemente sencilla y precisa. Las regresiones mltiples son utilizadas cuando estn envueltos dos o ms factores utilizadas independientes, y para pronsticos de corto y mediano plazo. Estos son utilizados para evaluar cules factores deben ser incluidos y cules no, as como tambin adems para desarrollar modelos alternativos con diferentes factores. s 6.2.7. Regresin no lineal La regresin lineal no siempre da buenos resultados, porque a veces la relacin entre Y y X no es lineal sino que exhibe algn grado de curvatura. Las regresiones no lineales no asumen la existencia de una relacin lineal entre las variables. Este tipo de regresiones es usado frecuentemente cuando se toma al tiempo como una variable independiente. La estimacin directa de los parmetros de funciones no lineales es un proceso bastante complicado. No obstante, a veces se pueden aplicar las tcnicas de regresin obstante, lineal por medio de transformaciones de las variables originales. Una funcin no lineal que tiene muchas aplicaciones es la funcin potencial:
donde a y b son constantes desconocidas. Al aplicar logaritmos, esta funcin tambin puede ser logaritmos, expresada como una regresin lineal:
En esta regresin (denominada regresin doble logartmica), en lugar de calcular la regresin de doble-logartmica), Y contra X, se calcula la regresin del logaritmo de Y contra el logaritmo de X. Comparando estas dos ecuaciones, se puede apreciar que la ordenada al origen es un estimador de log (a), mientras que la pendiente es un estimador de b (el exponente de la funcin potencial). Este modelo es particularmente interesante en aplicaciones economtricas, porque el exponente b en economtricas, una funcin potencial mide la elasticidad de Y respecto de X. Criterios similares para linealizar los principales tipos funcionales fueron explicados en apartados anteriores. Es importante comprender que, una vez que se ha logrado acceder por se medio de transformaciones a una forma de funcin lineal, se pueden aplicar a la misma todos los conceptos desarrollados oportunamente para las regresiones lineales.
Unidad temtica II
Pgina 23
6.2.8. Anlisis de tendencia El anlisis de tendencia utiliza regresin lineal y no lineal con el tiempo como la variable explicativa. Es utilizado donde los patrones con respecto al tiempo tienen tendencia a largo plazo. A diferencia de la mayora de las series de tiempo, el anlisis de tendencia no asume la condicin de que las series de tiempo se encuentran espaciadas igualmente. Esta es una de las tcnicas de proyeccin ms frecuentemente utilizada en los proyectos de inversin, puesto que permite establecer relaciones a largo plazo conociendo con certeza los valores que asumir la variable independiente (es decir el tiempo) en el futuro. En efecto, pueden existir dudas sobre cul ser el valor que asumir el precio del bien dentro de dos aos, o el nivel que tendr el ingreso de los consumidores dentro de tres aos, pero no habr ninguna vacilacin sobre qu ao ser dentro de diez aos. 6.2.9. Modelo de ecuaciones simultneas La especificacin tpica en economa o finanzas (y particularmente en los proyectos de inversin) es un modelo de una sola ecuacin el cual asume que las variables explicativas no son estocsticas e independientes del trmino de error. Esto permite al modelo ser estimado por el anlisis de regresin de los mnimos cuadrados ordinarios (MCO). Este tipo de modelo no deja dudas de la direccin de causa asumida, es decir, corre directamente desde las variables explicativas hacia las variables dependientes de la ecuacin. El anlisis de MCO est destinado a ajustar una ecuacin simple de regresin. En la prctica, la mayora de las relaciones econmicas interactan entre sistemas de ecuaciones simultneas, y cuando este es el caso, la aplicacin del MCO a una simple relacin aislada, conlleva a estimaciones influenciadas. No obstante, es posible utilizar el MCO para obtener estimaciones consistentes de los coeficientes de una relacin. Un modelo economtrico es un sistema de ecuaciones de regresin interdependientes que describe algn sector de actividad econmica, ventas o utilidades. La estructura general de un modelo de ecuaciones simultneas consiste en una serie de ecuaciones independientes con variables endgenas y exgenas. Las variables endgenas son determinadas dentro del sistema de ecuaciones. Las variables exgenas (conocidas generalmente bajo la denominacin de variables predeterminadas), ayudan a describir el movimiento de las variables endgenas dentro del sistema, y son determinadas fuera del modelo. Los sistemas de ecuaciones simultneas constituyen un tipo de modelos donde algunas de las variables econmicas son determinadas conjuntamente. En estos casos, debido a la correlacin potencial existente entre las variables del lado derecho de las ecuaciones (que incluye el trmino de error), no tiene sentido continuar hablando sobre variables dependientes e independientes. Por lo tanto, se hace la distincin entre variables endgenas y exgenas.
Unidad temtica II
Pgina 24
7. MTODOS DE SERIES DE TIEMPO 7.1. Mtodo grfico El anlisis grfico de descomposicin es utilizado para identificar dife rentes patrones que diferentes aparecen simultneamente en las series de tiempo. Una gran variedad de factores pueden influir en los datos. Cuando se realiza un estudio de una serie de tiempo es muy importante que las diferentes influencias o componentes sean separados o descompuestos de los datos componentes primarios.
pos En general, existen cuatro tipos de componentes en el anlisis de series de tiempo: tendencia, ciclos, estacionalidad e irregularidad:
Los tres primeros componentes son determinsticos y son llamados signos, mientras que signos, el ltimo componente es una variable aleatoria llamada ruido. 7.1.1. Tendencia Una serie de tiempo puede exhibir una tendencia temporal a largo plazo. Estas situaciones son normalmente modeladas bajos patrones de funciones lineales, cuadrticas o lineales, exponenciales. La tendencia es el crecimiento, descenso o manutenci de los datos en un perodo de tiempo manutencin determinado. Utilizando los datos desestacionalizados, puede considerarse la tendencia de crecimiento corno se advierte en una inspeccin inicial de las series de tiempo. La medicin inspeccin de los componentes de la tendencia se realiza simplemente ajustando una lnea recta o tendencia alguna otra funcin. Esta funcin ajustada se calcula mediante el mtodo de los mnimos cuadrados y representa la tendencia general de todos los datos a travs del tiempo.
Unidad temtica II
Pgina 25
7.1.2. Variaciones cclicas Son movimientos hacia arriba o hacia abajo de la serie, los cuales nor on normalmente estn relacionados a variaciones en las condiciones econmicas. Los ciclos generalmente son cambios en los datos representados por subidas y bajadas generados, por ejemplo, en el bajadas entorno econmico en general tales como recesiones y expansiones (no por efectos estacionales). Para medir cmo el efecto cclico en general afecta los niveles de los datos, se calcula una serie de ndices cclicos. Tericamente, los datos desest cionalizados todava contienen restos de desestacionalizados tendencias, ciclos y componentes irregulares. Adicionalmente, los niveles en los datos irregulares. predichos usando la frmula de tendencia slo representan efectos de tendencia. Por lo tanto, se asienta una razn para que el cociente de estos valores de datos proporcione un ndice que refleje slo los componentes cclicos e irregulares. Como el ciclo operativo de los negocios es por lo general ms largo que el ciclo estacional, se debera en entender que el anlisis cclico no se espera que sea tan preciso como el anlisis estacional. Debido a la enorme complejidad de los factores que inciden sobre el comportamiento en la comportamiento economa a largo plazo, una aproximacin general a los fac tores cclicos sera un objetivo factores ms realista. Por lo tanto, el inters principal del anlisis no debera enfocarse en los picos o (ni positivos, ni negativos), sino en la tendencia general de los efectos cclicos que mueven gradualmente hacia cualquier direccin. quier Para estudiar el movimiento cclico en genera en vez de cambios cclicos precisos (los cuales general indican falsamente mayor precisin de la que realmente est presente en esta situacin), se atenan los ploteos cclicos cuando se reemplaza cada clculo de ndices con un promedio reemplaza mvil de 3 4 perodos. Debe notarse que a medida que el promedio del nmero de periodos mviles incrementa, los datos se hacen ms homogneos y con diferencias ms menta, atenuadas. La alternativa de 3 o 4 perodos, que podra ser considerada como subjetiva, puede ser justificada por el intento de atenuar todos los picos positivos y negativos de las l acciones menores de los ndices cclicos, de manera que slo los cambios importantes permanezcan.
7.1.3. Estacionalidad Es un patrn repetitivo que se observa sobre un horizonte temporal. Los comportamientos temporal. estacionarios estn asociados con los cambios en el calendario o climatolgicos. Las variaciones estacionales suelen hallarse atadas a ciclos anuales (por ejemplo, consumo de cerveza) o mensuales (por ejemplo: nivel de gastos segn el calendario de pagos salariales).
Unidad temtica II
Pgina 26
Las estacionalidades regularmente son fluctuaciones las cuales se repiten ao tras ao con duraciones e intensidades similares. Uno de los primeros pasos para la descomposicin de una serie de tiempo es quitar los efectos estacionales en los datos. Sin desestacionalizar los datos, podra deducirse incorrectamente que los patrones de incrementos recientes se mantendrn indefinidamente. Es decir, pensar que una tendencia de crecimiento se encuentra presente, cuando real realmente dicho incremento es simplemente obtenido por la temporada del ao, o sea debido a picos estacionales regulares. Para medir efectos estacionales, se calcula un grupo de ndices estacionales. Un mtodo prctico y extensamente usado para calcular estos n ndices es utilizando los promedios mviles. De acuerdo a este ndice, se puede medir cuantitativamente a qu distancia por encima o por debajo de un perodo determinado se est con respecto al valor esperado o al curso normal del minado perodo con respecto a los datos (los datos esperados son representados por un ndice de estacionalidad de 100% o de 1,0).
7.1.4. Irregularidades Las irregularidades (componente no sistemtico o movimientos aleatorios) son cualquier fluctuacin que no est clasificada en alguno de los tres componentes anteriores. Este es un factor inexplicable de las series de tiempo y, por lo tanto, su comportamiento es impredecible. Las estimaciones de las irregularidades slo pueden ser esperadas cuando su varianza no es demasiado grande. De lo contrario, no es posible descomponer las series. Si la magnitud de la o variacin irregular es muy grande, la proyeccin de los valores futuros ser imprecisa. La mejor alternativa para descomponer las irregularidades es establecer intervalos probabilsticos para los valores futuros, sujetos a que la probabilidad dada de la irregularidad es os conocida o puede ser estimada.
Unidad temtica II
Pgina 27
7.1.5. Proyecciones con series de tiempo descompuestas Luego de haber completado el estudio de los componentes de las series de tiempo, se pueden proyectar valores futuros haciendo pronsticos para algunos perodos siguientes siguientes. De manera resumida, el proceso a seguir es el que se describe a continuacin: Calcular el nivel de tendencia futura mediante la ecuacin de tendencia. Multiplicar el nivel de tendencia obtenido en el paso anterior por el ndi cclico ndice proyectado de forma tal que se incluyan los efectos cclicos. Multiplicar el resultado del paso anterior por el ndice de estacionalidad de manera de incluir los efectos de estacio estacionalidad y se obtenga el pronstico final.
7.2. Modelo de descomposicin de Dervitsiotis Para estar capacitado a realizar un pronstico apropiado a partir de una serie de tiempo, se necesita saber a qu nivel cada componente est incluido en los datos. Por lo tanto, para entender y medir estos componentes, el proceso de pronstico primero debe remover los efectos de los componentes fuera de los datos, este procedimiento se conoce como descomposicin y suele desarrollarse aplicando los modelos de Dervitsiotis (existe un modelo aditivo y otro llarse Dervitsiotis multiplicativo). Luego que los efectos son medidos, el pronstico requiere que se reincorporen dichos componentes en las estimaciones del pronstico.
7.2.1. Mtodo aditivo Este mtodo permite calcular el comportamiento de una variable (por ejemplo, la demanda) comportamiento como la suma de los cuatro componentes de una serie de tiempo.
Unidad temtica II
Pgina 28
donde:
X T C E
I
variable en estudio (por ejemplo, la demanda) Componente tendencial componente cclico componente estacional componente irregular o aleatorio
Las principales caractersticas del enfoque aditivo son: Se aplica el criterio de Sustraccin, y la no existencia de un componente . se representa con 0 (cero). Cada componente se determina independientemente de los dems. Cada componente tiene la misma dimensin que X (por ejemplo, todos estn onente expresados en unidades monetarias).
El procedimiento determina primero y en forma independiente, la tendencia. La serie destendenciada, se expresa mediante la sustraccin de sta.
Como segundo paso, se sustrae el componente estacional, aplicando 'a la serie do desestacionalizada, una indexacin estacional, que permita separar el componente estacional. componente
Como tercer paso, se sustrae al componente cclico, aplicando a la serie una suavizacin, que permita aislar este componente y finalmente, separa el componente aleatorio.
7.2.2. Mtodo multiplicativo En este mtodo, el comportamiento de una variable se calcula como el producto de los componentes de la serie de tiempo.
El enfoque sectorial emplea una estrategia de divisin, en contrapartida a la de sustraccin lea empleada en el modelo aditivo. Las caractersticas bsicas del enfoque multiplicativo son: Aplica el criterio de divisin, y la no existencia de un componente se representa con 1 (uno). Los componentes se determinan a partir de la estacional y en forma de os dependiente (excepto la tendencia que, como en el enfoque aditivo, se determina de manera determina independiente). La tendencia tiene la misma dimensin de la serie (igual que en el enfo enfoque aditivo), pero los dems componentes son nmeros ndice, relacio relacionados con la tendencia.
Unidad temtica II
Pgina 29
El primer paso es conformar la serie desestacionalizada, mediante la apli aplicacin de suavizaciones, pero ahora, no sustrayendo de X, sino dividiendo por E, para elaborar un ndice estacional.
o
Posteriormente se desarrolla una tendencia (aplicando las metodologas para tendencia) y se obtiene el valor de T para expresar el cociente:
Aplicando los ndices de estacionalidad (a algn otro mtodo de suaviza suavizamiento) se independiza el componente cclico:
7.2.3. Extensin del modelo de Dervitsiotis A partir de estos enfoques bsicos (mtodo aditivo y mtodo multiplicativo) es posible aplicar otros, como combinaciones de los anteriores, por ejemplo:
La formulacin a utilizar depende de las preferencias del investigador, segn se juzgue su depende funcionalidad. 7.3. ndices de estacionalidad La estacionalidad es el patrn de comportamiento que se repite para cada perodo. Por ejemplo los patrones anuales de estacionalidad tienen un ciclo de 12 perodos si los mismos corresponden a los meses, 4 perodos si son trimestres. Se requiere obtener una trimestres. estimacin del ndice de estacionalidad para cada mes o cualquier otro perodo, ya sea bimestre, semana, etc., dependiendo de la disponibilidad de los datos. El ndice de estacionalidad representa el grado en el cual la estacionali estacionalidad afecta a un segmento particular del perodo temporal considerado (por ejemplo: un ano). El clculo ejemplo: envuelve una comparacin del valor esperado de un perodo especfico con respecto a la co media general. El ndice de estacionalidad mide el grado en el cual el promedio de un perodo en particular se encuentra por arriba o por debajo de la media. Por lo tanto, para obtener una estimacin precisa del ndice de estacionali estacionalidad, se calcula el promedio del primer perodo del ciclo, cula del segundo perodo, etc., y se dividen por la media general. Entonces, el factor de estacionalidad es:
Unidad temtica II
Pgina 30
donde:
Si Di D i
es el ndice de estacionalidad para el i i-simo perodo son los valores promedi de los n perodos promedio es la media general es el i i-simo perodo estacional del ciclo
Un ndice estacional de 1,00 para un mes en particular, indica que el valor esperado para ese mes es exactamente igual al promedio general de todos los meses. Un ndice estacional de ndice 1,25 indica que el valor esperado para ese mes en particular es 25% mayor que el promedio general mensual. Un ndice estacional de 0,80 indica que el valor esperado para ese mes en particular es 20% menor que el promedio general mensual mensual. 7.3.1. Proceso de desestacionalizacin La desestacionalizacin de datos (procedimiento llamado tambin ajuste estacional) es el proceso mediante el cual se remueven variaciones recurrentes y peridicas en un entorno a corto plazo, es decir, semanas, trim trimestres, meses, etc. Por lo tanto, las variaciones estacionales son movimientos regulares repeti repetidos en valores de series que pueden estar ligados a eventos recurrentes. Los datos desestacionalizados son obtenidos simplemente dividiendo cada observacin de la serie de tiempo por el ndice de estacionalidad correspondiente. a Muchas veces las series de tiempo publicadas por estadsticas de entes pblicos y privados se encuentran previamente desestacionalizadas usando el ndice de estacionalidad para descifrar la las tendencias subyacentes en los datos, los cuales podran ser causados por factores de estacionalidad. La incorporacin de la estacionalidad en los pronsticos es til cuando las series de tiempo tienen tanto tendencia como componentes de estacionali estacionalidad. El ltimo paso en el pronstico es utilizar el ndice de estacionalidad para ajustar la proyeccin de la tendencia. Una manera simple de pronosticar utilizando los ajustes de estacionalidad es usando el factor de zando estacionalidad en combinacin con una tendencia subyacente apropiada del valor total de los binacin tendencia ciclos. 7.4. Promedios mviles Este mtodo consiste en suavizar las irregularidades de la tendencia por medio de medias parciales y resulta particularmente aplicable cuando la serie es muy irregular. El inconveniente i del Uso de medias mviles es que se pierden algunos trminos de la serie y que no da una expresin analtica del fenmeno, porque no se puede hacer una proyeccin de los datos en el futuro. 7.4.1. Promedios mviles simples Este es uno de los mtodos de pronstico mejor conocidos. El mismo consiste simplemente en s tomar un cierto nmero de perodos pasados, juntarlos, y luego dividirlos por el nmero de juntarlos, perodos. Unidad temtica II Organizacin Industrial UTN_FRB Pgina 31
El mtodo de promedios mviles simples es un acercamiento eficaz y eficiente cuando las series cuan de tiempo son estacionarias tanto en media como en varianza. La siguiente frmula es utilizada para encontrar los promedios mvi de orden n para un perodo mviles
donde n es el nmero de observaciones utilizadas en los clculos. El pronstico para el perodo t+1 es el pronstico para todos los perodos Futuros. Sin embargo, tico este pronstico es revisado cuando nuevos datos se encue encuentran disponibles. 7.4.2. Promedios mviles ponderados Los promedios mviles ponderados son bastante poderosos y econmicos. Son ampliamente utilizados donde los mtodos de repeticin de pronsticos son requeridos, tales como los pronsticos mtodos de suma de dgitos y ajuste de tend tendencias. Como un ejemplo de un pronstico utilizando promedios mviles ponderados de orden tres (es ponderados decir que se consideran tres perodos previos para realizar el clculo del promedio ponderado) realizar se tiene:
donde las ponderaciones son cualquier nmero positivo tal que:
Una ponderacin tpica para este ejemplo es:
7.5. Afinamiento exponencial Uno de los mtodos de pronstico ms exitosos es la tcnica de atenuacin, alisamiento o o atenuacin, suavizacin exponencial. De hecho, el mtodo de promedios mviles simples es un caso promedios especial del afinamiento exponencial. Adicionalmente, este mtodo puede ser modificado para Adicionalmente, modifica ser utilizado de manera eficiente en series de tiempo con patrones de estacionalidad. Tambin es ciente relativa mente fcil de ajustar a partir de los errores pasados para el subsiguiente pro pronstico, lo cual lo hace ideal para situaciones donde varios p pronsticos deben ser preparados. Diferentes formas son utilizadas dependiendo de la presencia de variaciones cclicas o de variaciones tendencias. En resumen, un alisamiento exponencial es una tcnica de promedio que utiliza pesos desiguales. No obstante, por regla ge ral, las ponderaciones aplicadas a las general, observaciones pasadas suelen decrecer en una forma exponencial.
donde:
Unidad temtica II
Pgina 32
Di AE t
es el valor actual es el valor pronosticado por la tcnica de afinamiento exponencial para el perodo actual (es decir, el resultado del ltimo pronstico realizado) es el factor de ponderacin, el cual oscila entre O y 1 es el perodo de tiempo actual
Como puede advertirse, el valor atenuado del actual perodo (t) se convierte en el pronstico convierte para el prximo perodo (t+1). Un pequeo proporciona un atenuante visible y detectable, mientras que cuando es grande, proporciona una respuesta rpida de los cambios recientes en la serie de tiempo, y un monto ms pequeo de atenuaciones. Las tcnicas de atenuacin exponencial y de p promedios mviles simples generarn pronsticos con el mismo promedio de tiempo siempre que el promedio mvil de orden n sea la parte entera de:
Un afinamiento exponencial sobre una serie de tiempo ya atenuada con anterioridad es llamada atenuacin exponencial doble. En algunos casos sera necesario extender este proceso hasta una nencial atenuacin exponencial triple. Mientras que la atenuacin exponencial simple requiere de la Mientras condicin de inmovilidad (estacionaria), la atenuacin exponencial doble podra capt dad capturar tendencias lineales, y la atenuacin exponencial triple puede manejar casi todas las dems series de tiempo del negocio. Las tcnicas de atenuacin, tales como la de promedios mviles y afinamiento exponencial son afinamiento satisfechas para pronsticos con un p perodo por anticipado. 7.6. Evaluacin estadstica de los mtodos de proyeccin Cuando se utiliza cualquier modelo de pronstico se deben realizar mediciones de manera de asegurar la calidad del mtodo. El mtodo ms sencillo para evaluar la exactitud de un pronstico es plotear o graficar los valores observados y el pronstico de un periodo adelantado en la identificacin de comportamientos residuales a travs del tiempo. La desviacin absoluta media y la varianza son las medidas ms frecuentemente utili utilizadas. Sin embargo, la desviacin absoluta media no se presta para realizar mayores inferencias, pero el error estndar s. Para los propsitos del anlisis de errores, la varianza es preferida porque la varianza de errores independientes (no relacionados) es aditiva; sin embargo, la desviacin absoluta media no es aditiva. A continuacin se presenta una serie de herramientas que habitualmente se emplean para medir estadsticamente la confiabilid de diferentes mtodos de proyeccin. En todos los casos se confiabilidad utiliza la siguiente nomenclatura comn:
Unidad temtica II
Pgina 33
Fi Di n i t
es el valor pronosticado es el valor real o dato es el tamao de los pronsticos que se realizan es un subndice que indica al perodo i i-simo es un subndice que indica variabilidad del valor a lo largo del tiempo (cuando no se indica este subndice significa que el error se calcula para un nico perodo temporal).
7.6.1. Error absoluto de proyeccin Es un indicador que realiza un anlisis para un periodo de tiempo determinado, midiendo en tiempo valores absolutos el comportamiento real de una variable, respecto del valor pronosticado (mediante alguna tcnica de proyeccin) para el comportamiento de la misma. Cuanto menor comportamiento sea su valor, mayor ser la aproximacin entre el comportamiento real de la variable y el pronstico realizado. Tiene las desventajas de permitir la compensacin de errores (en defecto y en exceso) verificados en distintos momentos de tiempo y no ser apropiado para comparar entre distintas situaciones (por ejemplo: entre tcnicas de proyeccin alternativas).
7.6.2. Porcentaje del error de proyeccin Es una variante del indicador anterior, que permite analizar en trminos porcentuales (valores relativos) la diferencia entre los valores reales del comportamiento de la variable en estudio portamiento respecto al pronstico realizado por una tcnica de proyeccin. Si bien permite realizar comparaciones (entre distintas tcnicas de proyeccin que incluyan la misma cantidad de periodos de tiempo en sus pronsticos), mantiene la limitante de no evitar la intercompensacin pronsticos), de los errores de pronstico que pueden verificarse en distintos momentos de tiempo.
7.6.3. Error medio absoluto Es un indicador promedio de los errores surgidos por las diferencias entre todos los valores reales observados y todos los valores proyectados por las tcnicas para un periodo de tiempo determinado. Este indicador mantiene las mismas limitaciones que el error absoluto, siendo su principal ventaja la de posibilitar tener un valor promedio del error para el total de perodos de tiempo analizados.
7.6.4. Varianza del error Es un indicador de todos los errores cometidos en la proyeccin en un perodo n de tiempo para el cual se realiza el anlisis. Mientras mayor sea el valor de la varianza, ms alto es el grado de za, variacin que se Observa. Este indicador evita la compensacin de errores (al elevar al cuadrado
Unidad temtica II
Pgina 34
a cada uno de los errores individuales), pero no facilita la evaluacin comparativa entre tcni tcnicas de proyeccin que trabajan con p periodos de tiempo diferentes entre s.
7.6.5. Error medio cuadrtico Este es el indicador de ausencia de error en el ajuste ms utilizado en los procedimientos de proyeccin estadstica. Esta medida es muy sensible ante cualquier error inesperado (tambin inesperad denominado outlier) en comparacin con el error medio absoluto. Esto se debe a que los valores atpicos grandes tendrn un impacto importante sobre el valor de error medio cuadrtico.
7.6.6. Porcentaje del error medio cuadrtico Es una variante del error medio cuadrtico que tiene la ventaja de presentar su resultado en e cuadrtico, sentar trminos porcentuales, lo cual facilita la c comparabilidad entre distintas tcnicas de pronstico.
7.6.7. Raz del error medio cuadrtico o desvo tpico Esta medida permite realizar estimaciones comparativas entre las bonda ealizar bondades del ajuste proveniente de distintas tcnicas de proyeccin, incluso cuando la cantidad de observaciones vlidas disponibles para realizar los comparativos entre los diferentes mtodos pueda diferir. En la prctica es uno de los indicadores ms recomendados para medir los errores de pronstico. a indicadores
7.6.8. Porcentaje de la raz del error medio cuadrtico Este indicador es similar al desvo tpico, con la diferencia de presentar su resultado en trminos porcentuales.
7.6.9. Caractersticas de las herramientas utilizadas para la evaluacin estadstica Los instrumentos empleados para la evaluacin estadstica de los diver diversos mtodos de proyeccin poseen ciertas caractersticas. Se distinguen tres aspectos fundamentales que inciden damentales para determinar las ventajas y las desventajas de cada instrumento en particular: desventajas Unidad temtica II Organizacin Industrial UTN_FRB Pgina 35
Es preferible utilizar herramientas de medicin estadstica que no permitan la compensacin entre los errores en defecto y en exceso de las estimaciones emanadas de los distintos mtodos de proyeccin. Es por ello que se considera una ventaja cuando la herramienta de evaluacin estadstica procede a elevar al cuadrado a los errores antes de proceder a realizar la sumatoria de los mismos. Es preferible emplear herramientas de medicin estadstica que posibiliten su comparacin con otros instrumentos de evaluacin estadstica, aun cuando ambos no puedan recurrir a la misma cantidad de observaciones para calcular los errores de pronstico. Como se explic en apartados anteriores, los mtodos de proyeccin suelen proveer diferentes cantidades de observaciones para evaluar su desempeo (por ejemplo: promedio mvil de orden tres y promedio mvil de orden cinco) y: ello no debera representar una barrera al momento de tener que decidir cul es la herramienta de evaluacin ms apropiada. Por ello, se recomienda recurrir a mtodos donde la sumatoria de los errores se encuentra dividida por la cantidad de observaciones. Es preferible trabajar con instrumentos de evaluacin estadstica que pro- vean de resultados expresados en trminos de tasa o porcentaje, en lugar de hacerlo en valores absolutos. De esta manera se facilita la comparacin entre indicadores similares aplicados a situaciones diversas. Por tal motivo, se entiende que es ventajoso cuando el dispositivo aplicado divide al error de cada periodo por el valor del dato real observado. Este aspecto slo tiene relevancia cuando se comparan proyecciones formuladas sobre dimensiones diferentes o bases de clculos no comparables en valores absolutos (aunque se encuentren expresadas en la misma dimensin).
En la siguiente tabla se muestran las principales caractersticas de los ocho instrumentos de evaluacin estadstica de los mtodos de pronstico que se presentaran en los apartados anteriores:
Indicador Evi ta co mpensar entre errores por defecto y por exceso? NO Per mi te comparar e n tre m t od os co n d i st i n t a c a n t i d a d d e observaciones? NO Per mi te co mparar entre mediciones expresadas en distintas di mensiones? NO
Error absoluto de proy e cci n Porcenta je del error de p r o ye c ci n Er r o r me d i o a b solu t o
NO
NO
SI
NO
SI
NO
Va r i a n za d el er r or
SI
NO
NO
Er r o r me d i o cu a dr ti co Po rcent a je del err or me d io cu a d r ti co Ra z d el e rr o r me d i o cua dr tico ( de svo t pi co) Po r ce n t a je d e la r a z d e l error medio cuadrtico
SI
SI
NO
SI
SI
SI
SI
SI
NO
SI
Si
SI
Figura 3.15: Caractersticas de las herramientas utilizadas para la evaluacin estadstica
Unidad temtica II
Pgina 36

Técnicas de Pronóstico - UT - N°II

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Técnicas de Pronóstico - UT - N°II

Cargado por

Copyright:

Formatos disponibles

TECNICAS DE PRONSTICO UNIDAD TEMTICA N II

Organizacin Industrial UTN_FRB

Organizacin Industrial UTN_FRB

Organizacin Industrial UTN_FRB

Organizacin Industrial UTN_FRB

Organizacin Industrial UTN_FRB

Organizacin Industrial UTN_FRB

Organizacin Industrial UTN_FRB

Organizacin Industrial UTN_FRB

5.2. Tasas geomtricas En este caso se recurre a la expr expresin:

Organizacin Industrial UTN_FRB

6.1.2. Funcin potencial La funcin potencial responde a la expresin

Organizacin Industrial UTN_FRB

6.1.3. Funcin exponencial La funcin exponencial respond a la expresin responde

6.1.5. Funcin Gomportz La funcin Gomportz responde a la ecuacin:

Organizacin Industrial UTN_FRB

6.1.7. Funcin logartmica La funcin logartmica se representa por la expresin:

Organizacin Industrial UTN_FRB

Para la ordenada al origen:

Organizacin Industrial UTN_FRB

Organizacin Industrial UTN_FRB

Organizacin Industrial UTN_FRB

Organizacin Industrial UTN_FRB

Organizacin Industrial UTN_FRB

Organizacin Industrial UTN_FRB

Organizacin Industrial UTN_FRB

Organizacin Industrial UTN_FRB

Organizacin Industrial UTN_FRB

Organizacin Industrial UTN_FRB

Organizacin Industrial UTN_FRB

Organizacin Industrial UTN_FRB

Organizacin Industrial UTN_FRB

donde las ponderaciones son cualquier nmero positivo tal que:

Una ponderacin tpica para este ejemplo es:

Organizacin Industrial UTN_FRB

Organizacin Industrial UTN_FRB

Organizacin Industrial UTN_FRB

Error absoluto de proy e cci n Porcenta je del error de p r o ye c ci n Er r o r me d i o a b solu t o

Figura 3.15: Caractersticas de las herramientas utilizadas para la evaluacin estadstica

Organizacin Industrial UTN_FRB

También podría gustarte