Documentos de Académico
Documentos de Profesional
Documentos de Cultura
para la Gerencia
MBA CENTRUM PUCP
Prof. Juan Narro Lavi
Sesiones 14 y 15:
Regresión y Pronósticos
Regresión
Pronóstico
• Ocho pasos para realizar un pronóstico:
1. Determinar el uso de la técnica de pronóstico—
cuál es el objetivo que deseamos alcanzar?
2. Seleccionar los items o cantidades que serán
pronósticadas.
3. Determinar el horizonte de tiempo del
pronóstico.
4. Seleccionar el modelo o modelos de pronóstico.
5. Recolectar los datos necesarios para el
pronóstico.
6. Validar el modelo de pronóstico.
7. Ejecutar el pronóstico.
8. Implementar los resultados.
Pronóstico
Técnicas de
Pronóstico
Compuesto de Proyecciones de
Fuerza de Ventas Tendencias
Encuesta al
Decomposición
Mercado
Enfoques Cuantitativos en los pronósticos
Y 3 15
. X 8Z
Análisis de Regresión Simple
Y ' a bX
Y' 0 1 X
Análisis de regresión simple
X 3 1 2 5 4 12
10
8
Y 9 5 7 14 10 6
4
2
0
0 1 2 3 4 5 6
Análisis de regresión simple
• Mínimos cuadrados
– Técnica para encontrar la ecuación de regresión
minimizando la suma de los cuadrados de las
distancias verticales entre los valores observados
y los estimados (recta) de Y.
– Hallar los coeficientes de regresión a y b.
– Ecuaciones Normales.
Y na b X ; a Y bX
XY a X b X 2
b
XY nXY
X 2
n X 2
Recta de regresión
14
Y
12 * Y’
10 Valor Y’=2.7+2.1X
Efectivo *
8 Valor
Estimado
6
4
2
0
0 1 2 3 4 5
Significancia del coeficiente de regresión b
𝑏 −0 S y .x
𝑡= Sb
𝑆𝑏 X 2
nX 2
Gl=n-2
Análisis de regresión simple
• Error estándar de estimación
– Mide la disparidad (dispersión) promedio
entre los valores observados y los valores
estimados de Y.
Y Y '
2
S y .x n2
Y 2
a ( Y ) b ( XY )
S y .x n2
– Indicador del grado de precisión de la ecuación.
– No es la más adecuada para medir relación.
Análisis de regresión simple
1 ( X X )2
Y ' t S y . x
n X 2 nX 2
1 ( X X )2
Y ' t S y . x 1
n X 2 nX 2
– Grados de libertad : n-2
Análisis de correlación simple
r
XY nXY
( X 2 nX 2 )( Y 2 nY 2 )
Coeficiente de correlación (r)
Es la raíz cuadrada del coeficiente de determinación.
Correlación Correlación
Negativa Ninguna Positiva
Perfecta Correlación Perfecta
Correlación Correlación
Negativa Positiva
Moderada Moderada
-1 0.5 0 0.5 1
Y Y Y
X X X
r = -1 r = -.6 r=0
Y
Y Y
X X X
r = +1 r = +.3 r=0
Significancia del coeficiente de correlación
1 r2 1 2
Sr
n2
r
n 1
𝑟 − 0 𝑟 √ 𝑛 −2
𝑡= =
𝑆𝑟 √ 1− 𝑟 2
Variaciones
14
Y
* Variación no Y’
12
Explicada
10 Variación
8 Total *
Variación
6 Explicada
4
2
Y
0
0 1 2 3 4 5
Coeficiente de determinación (r2)
2
r
Var. Explicada
(Y ' Y ) 2
Var. Total (Y Y ) 2
a Y b XY nY 2
r2
Y 2 nY 2
Coeficiente de determinación (r2)
0 r 2
1
Cuanto más cerca a uno, las variables tendrán
mayor correlación.
Limitaciones del análisis de regresión lineal
• Consideraciones
– Las variables independientes y dependientes se
relacionan linealmente.
– Variable dependiente es continua.
– Debe haber homocedasticidad.
– Las observaciones de Y no deben estar
correlacionadas (autocorrelación).
– Las variables X no deben estar muy correlacionadas
(multicolinealidad).
Autocorrelación
• Correlación existente entre los • Consecuencia
miembros de una serie de
– Estimadores de MCO
observaciones ordenadas en el
mantienen características,
tiempo o en el espacio (series
pero son ineficientes
de tiempo, corte transversal).
(varianza no es mínima)
•¿Por qué?
• ¿Cómo detectarla?
Inercia, variables excluidas,
– Análisis gráfico de
función incorrecta,
residuos.
manipulación de datos.
– Prueba X2 de
independencia de
residuos.
– Prueba Durbin-Watson.
Multicolinealidad
• C. Teóricas • ¿Cómo detectarla?
– Coeficientes son – “t” no significativos y r2
insesgados. grande.
– Se mantiene varianza – Altas correlaciones por
mínima. pares de regresores
– Es un fenómeno muestral. – Análisis de correlaciones
• C. Prácticas parciales.
– Varianzas amplias para – Regresiones auxiliares.
coeficientes. • Pese a existir, puede no ser
– I. C. amplios problema si los “t” son
– “t” no significativos y r2 significativos y r2 grande.
grande.
– Sensibilidad de
coeficientes.
Análisis de varianza (ANOVA)
• Tabla ANOVA
• El Error Estándar de
Estimación Múltiple es Resumen
Total 4 46
variable dependiente.
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%
Intercepción 2.7 0.834665602 3.234828409 0.048039217 0.04372154 5.35627846
MESES (X) 2.1 0.251661148 8.34455385 0.003607877 1.29910191 2.90089809
• Es dificil de determinar
que es un valor grande
o pequeño para el error
estándar.
Coeficiente de Determinación Múltiple
Coeficiente de Determinación Múltiple
1. R 2.
2. 0 a 1.
3. No valores negativos
4. Fácil de interpretar.
R2 Adjustado
5. Número variables independientes lo incrementa.
6. Si el número de variables k = n , R2 =1.0.
7. Para balancear este efecto se usa el coeficiente ajustado.
Resumen
Estadísticas de la regresión
Coeficiente de correlación múltiple 0.979130049
Coeficiente de determinación R^2 0.958695652
R^2 ajustado 0.944927536
Error típico 0.795822426
Observaciones 5
ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
Regresión 1 44.1 44.1 69.63157895 0.003607877
Residuos 3 1.9 0.633333333
Total 4 46
Regla de decisión:
ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
Regresión 1 44.1 44.1 69.63157895 0.003607877
Residuos 3 1.9 0.633333333
Total 4 46
F,k,n-k-1
F.05,1,3
Prueba Individual de los Coeficientes de
Regresión Múltiple
• Usada para determinar que variables independientes tienen
coeficiente diferente a cero.
• Las que tienen un coeficiente igual a cero son retiradas del
análisis.
• El estadítico de prueba es t con grados de libertad n-(k+1).
• Las hipótesis son:
H0: βi = 0
H1: βi ≠ 0
Rechazo H0 si tcalc > t/2,n-k-1 or tcalc < -t/2,n-k-1
Prueba Individual de los Coeficientes de
Regresión Múltiple
Resumen
Estadísticas de la regresión
Coeficiente de correlación múltiple 0.979130049
Coeficiente de determinación R^2 0.958695652
R^2 ajustado 0.944927536
Error típico 0.795822426 -3.182 3.182
Observaciones 5
ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
Regresión 1 44.1 44.1 69.63157895 0.003607877
Residuos 3 1.9 0.633333333
Total 4 46
Técnicas de
Pronóstico
Compuesto de Proyecciones de
Fuerza de Ventas Tendencias
Encuesta al
Decomposición
Mercado
Pronóstico
• Ocho pasos para realizar un pronóstico:
1. Determinar el uso de la técnica de pronóstico—
cuál es el objetivo que deseamos alcanzar?
2. Seleccionar los items o cantidades que serán
pronósticadas.
3. Determinar el horizonte de tiempo del
pronóstico.
4. Seleccionar el modelo o modelos de pronóstico.
5. Recolectar los datos necesarios para el
pronóstico.
6. Validar el modelo de pronóstico.
7. Ejecutar el pronóstico.
8. Implementar los resultados.
Pronóstico
error pronóst.
MAD
n
Medidas de exactitud del pronóstico
VENTAS
ACTUALES VALOR ABS.
CD PRONOSTICO ERRORES(DESVIACION),
AÑO PLAYERS VENTAS (ACTUAL – PRONOST.)
1 110 — —
2 100 110 |100 – 110| = 10
3 120 100 |120 – 110| = 20
4 140 120 |140 – 120| = 20
5 170 140 |170 – 140| = 30
6 150 170 |150 – 170| = 20
7 160 150 |160 – 150| = 10
8 190 160 |190 – 160| = 30
9 200 190 |200 – 190| = 10
10 190 200 |190 – 200| = 10
11 — 190 —
Sum error |error| = 160
MAD = 160/9 = 17.8
Medidas de exactitud del pronóstico
VENTAS
ACTUALES VALOR ABS.
CD PRONOSTICO ERRORES(DESVIACION),
AÑO PLAYERS VENTAS (ACTUAL – PRONOST.)
1 110 — —
2 100 110 |100 – 110| = 10
4
error
3
pronost.
120 100
160 |140 – 120| = 20
|120 – 110| = 20
MAD 5 140
120
17 .8
6
n
170
150
140
170
9 |150 – 170| = 20
|170 – 140| = 30
MSE
( error) 2
n
• El Error medio absoluto porcentual (mean absolute
percent error – MAPE):
error
actual
MAPE 100%
n
Product Demand Charted over 4 Years, with Trend and Seasonality Indicated
Seasonal Peaks
Actual
Demand
Line
Average Demand
over 4 Years
| | | |
Year Year Year Year
1 2 3 4
Time
Componentes de la serie de tiempo
El modelo multiplicativo
Demanda = T x S x C x R
El modelo aditivo::
Demanda = T + S + C + R
Matemáticamente:
Yt Yt 1 ... Yt n1
Ft 1
n
Donde:
Ft 1
= pronostico para periodo t + 1
Yt actual value en el periodo t
= valor
n = numero de periodos a promediar
Promedios Móviles
Suministros Wallace Garden
La empreas Suministros Wallace
Garden desea pronosticar la demanda
para contenedores.
Se ha recolectado la información del
año pasado.
Ellos están usando un promedio móvil
de tres meses para pronósticar la
demanda (n = 3).
Promedios Móviles
Wallace Garden Supply
MONTH VENTAS ACTUALES PROMEDIO MÓVIL TRES MESES
January 10
February 12
March 13
April 16 (10 + 12 + 13)/3 = 11.67
May 19 (12 + 13 + 16)/3 = 13.67
June 23 (13 + 16 + 19)/3 = 16.00
July 26 (16 + 19 + 23)/3 = 19.33
August 30 (19 + 23 + 26)/3 = 22.67
September 28 (23 + 26 + 30)/3 = 26.33
October 18 (26 + 30 + 28)/3 = 28.00
November 16 (30 + 28 + 18)/3 = 25.33
December 14 (28 + 18 + 16)/3 = 20.67
January — (18 + 16 + 14)/3 = 16.00
Promedios Móviles Ponderados
Matemáticamente:
w1Yt w2Yt 1 ... w nYt n1
Ft 1
w1 w2 ... w n
donde
wi = peso para la observación ith
Promedios Móviles Ponderados
Suministros Wallace Garden
La empresa SWG, decide emplear el modelo
de promedio móvil ponderado para
pronósticar la demanda de contenedores.
Deciden seguir el siguiente esquema de
ponderación:
Matemáticamente:
Ft 1 Ft (Yt Ft )
Dónde:
Ft+1 = nuevo pronost. (para periodo t + 1)
Ft = pronost. previo (para periodo t)
= constante suavización (0 ≤ ≤ 1)
Yt = demanda actual periodo previo
TON.
DESCARGA PRONOSTICO PRONOSTICO
TRIMEST. ACTUAL =0.10 =0.50
1 180 175 175
2 168 175.5 = 175.00 + 0.10(180 – 175) 177.5
2 168 175.5
7.5.. 177.5 9.5..
3 159 174.75
15.75 172.75 13.75
4 175 173.18
1.82 165.88 9.12
5 190 173.36
16.64 170.44 19.56
6 205 175.02
29.98 180.22 24.78
7 180 178.02
1.98 192.61 12.61
8 182 178.22
3.78 186.30 4.3..
Mejor Alternativa
Sum desv. absolutas 82.45 98.63
Suavización Exponencial con ajuste de Tendencia
• Modelo de Holt.
• Como toda técnica que usa promedios, la suavización
exponencial no responde a las tendencias.
• Un modelo más sofisticado puede ser usado para
ajustar por tendencia.
• El enfoque básico es desarrollar un pronóstico
suavizado exponencialmente y luego ajustarlo por la
tendencia.
Tt 1 (1 )Tt ( Ft 1 FITt )
dónde
Tt = tendencia suavizad periodo t
Ft = pronostico suavizado para periodo
t
FITt = pronostico incluyendo tendencia
para periodo t
α =constante suavización para pronostico
= constante de suavización para
tendencia.
Selección de la Constante de Suavización
5-65
Suavización Exponencial con ajuste de Tendencia
Periodo Demand FITt+1 = Ft + 0.3(Yt– FITt) Tt+1 = Tt + 0.4(Ft+1 – FITt) FITt+1 = Ft+1 + Tt+1
(t) (Yt)
1 74 74 0 74
Yˆ b0 b1 X
Dónde
= valor
Ŷ pronosticado
b0 = intercepto
b1 = pendiente de la recta
X = periodo (i.e., X = 1, 2, 3, …, n)
Proyección de Tendencia
La ecuación de pronóstico es
Yˆ 56.71 10.54 X
Para X = 9
Repuestos Telefónicos
• Repuestos Telefónicos vende contestadoras
automáticas de teléfono.
• Los datos de las ventas de los pasados dos años
han sido recolectados para un modelo en
particular.
• La empresa desea generar un pronóstico que
incluya la estacionalidad.
Variaciones estacionales
DEMANDA
PROMEDIO INDICE
DEMANDA 2 DEMANDA ESTACIONL.
MES AÑO 1 AÑO 2 AÑOS MENSUAL PROMEDIO
January 94 0.957
80 100 90
February 94 0.851
85 75 80
March 94 0.904
80 90 85
April 94 1.064
110 90 100
May 94 1.309
115 131 123
June 94 1.223
120 110 115
July 94 1.117
100 110 105
August 94 1.064
110 90 100
1,128 Prom. Demand. 2 años
September
Promedio Mensual demanda = = 94 Indice Estacional= 94 0.957
85 12
95meses 90 Prom. Deman. Mensual
October 94 0.851
75 85 80
• Pronóstico usando los indices de estacionalidad, con
una demanda esperada de 1200 contestadoras.
1,200 1,200
Jan. 0.957 96 July 1.117 112
12 12
1,200 1,200
Feb. 0.851 85 Aug. 1.064 106
12 12
1,200 1,200
Mar. 0.904 90 Sept. 0.957 96
12 12
1,200 1,200
Apr. 1.064 106 Oct. 0.851 85
12 12
1,200 1,200
May 1.309 131 Nov. 0.851 85
12 12
1,200 1,200
June 1.223 122 Dec. 0.851 85
12 12
Variaciones estacionales con Tendencia
• Cuando ambos componentes, tendencia y estacional
estan presentes, la tarea del pronóstico es más compleja.
• Los indices estacionales deben ser calculados usando el
enfoque del promedio movil centrado (centered moving
average –CMA).
• Hay cuatro pasos para calcular los CMAs:
1. Calcular el CMA para cada observación (donde sea
posible).
2. Calcular el ratio estacional = Observación/CMA para
esa observación.
3. Promedio de los ratios estacionales para obtener los
indices estacionales.
4. Si los indices estacionales no suman el número de
estaciones, multiplicar cada indice por (Numero de
estaciones)/(Suma de indices).
Turner Industries
La tabla muestra las ventas trimestrales de los
pasados tres años de la empresa Turner
Industries en millones de dolares:
1 115.67
108 116 123
2 133.67
125 134 142
3 159.00
150 159 168
4 152.67
141 152 165
Promedio Patron
140.25
Define131.00
tendencia
140.25 149.50 estacional
Turner Industries
Para calcular el CMA para el trim 3 del año 1
comparamos las ventas actuales con un promedio
trimestral centrado en ese periodo.
Usaremos 1.5 trim antes del trim 3 y 1.5 trim
despues del trim 3 – esto es tomaremos los trim s
2, 3, y 4 y la mitad del trim 1, año 1 y trim 1, año 2.
CMA
200 –
150 –
Sales
100 –