Este documento describe diferentes metodologías para realizar pronósticos. Explica los pronósticos de series de tiempo, que utilizan solo información pasada, y los pronósticos causales, que consideran variables explicativas. También cubre métodos como promedios móviles, curvas de tendencia y regresión para determinar las relaciones entre variables y realizar pronósticos futuros.
0 calificaciones0% encontró este documento útil (0 votos)
32 vistas6 páginas
Este documento describe diferentes metodologías para realizar pronósticos. Explica los pronósticos de series de tiempo, que utilizan solo información pasada, y los pronósticos causales, que consideran variables explicativas. También cubre métodos como promedios móviles, curvas de tendencia y regresión para determinar las relaciones entre variables y realizar pronósticos futuros.
Este documento describe diferentes metodologías para realizar pronósticos. Explica los pronósticos de series de tiempo, que utilizan solo información pasada, y los pronósticos causales, que consideran variables explicativas. También cubre métodos como promedios móviles, curvas de tendencia y regresión para determinar las relaciones entre variables y realizar pronósticos futuros.
Este documento describe diferentes metodologías para realizar pronósticos. Explica los pronósticos de series de tiempo, que utilizan solo información pasada, y los pronósticos causales, que consideran variables explicativas. También cubre métodos como promedios móviles, curvas de tendencia y regresión para determinar las relaciones entre variables y realizar pronósticos futuros.
Descargue como PPT, PDF, TXT o lea en línea desde Scribd
Descargar como ppt, pdf o txt
Está en la página 1/ 6
PRONOSTICOS
Objetivos ▫ Ser capaces de pronosticar variables utilizando diversas metodologías. ▫ Determinar qué metodologías son más apropiadas en determinados casos. Importancia de los pronósticos • El cálculo de un buen pronóstico es de suma importancia para toda empresa. • Las empresas necesitan contar con pronósticos de muchas variables: como ventas. • En algunos casos, se toman los pronósticos sobre variables macroeconómicas. • 2 tipos: ▫ Pronósticos de Series de tiempo ▫ Pronósticos causales
1. Pronósticos de series de tiempo
• Solamente con información pasada de “ventas” y la tendencia temporal. • Es útil si los valores pasados de “ventas” brindan suficiente información para realizar pronósticos de valores futuros de “ventas”. • Métodos: ▫ 1) Promedios móviles ▫ 2) Curva o línea de tendencia 1) Promedios móviles • Se calculan promedios de observaciones pasadas. • Esos promedios serán un pronóstico del comportamiento futuro de la variable. • Se pueden calcular promedios con 2 observaciones, 3, 4, 5, etc. • Ejemplo: Si deseamos pronosticar las ventas 2017, podemos: ▫ Calcular la tasa de crecimiento promedio anual entre el 2013 y el 2016 (promedio a 3 años). ▫ Asumir que las ventas en el 2017 crecerán a esa tasa. ▫ Tasa de crecimiento prom. anual = (Ventas 2016 / Ventas 2013)^(1/3) - 1
• Podemos escoger promedios a 3, 4 , 5 años o cualquier otro número de años.
• ¿Cuántos años? Depende de las condiciones del mercado en los últimos años. • Si creemos que las condiciones del mercado en el 2016 serán similares a las de los últimos 3 años, entonces podemos usar promedios a 3 años para pronosticar ventas.
• ¿Qué tan bueno es el pronóstico?
• Podemos utilizar el error porcentual medio absoluto (EPMA) • El EPMA es el promedio de los valores absolutos de los errores de pronósticos pasados • Ejemplos: Casos 1 y 2. 2) Curva de tendencia Ventas (miles) • Consiste en determinar si existe una tendencia de largo plazo de las ventas. 2002 21.6 • Es muy útil para realizar pronósticos a varios años. ( Caso 3). 2003 22.9 2004 25.5 • Contamos con la siguiente información de ventas. Seguiremos los pasos: 2005 21.9 ▫ Gráfico de dispersión. 2006 23.9 ▫ Generar una curva de tendencia. 2007 27.5 2008 31.5 ▫ Añadir ecuación. 2009 29.7 2010 28.6 2011 31.4 2012 32.6 2013 35.1 2014 36.2 2015 36.9 2016 37.1
• Ecuación: Y = 1.1779 X – 2336.8 / R2 = 0.92
• Y = Ventas / X = Año -> Ventas = 1.1779 (Año) – 2336.8 • Para pronosticar las ventas, reemplazamos el año en X: Ventas del 2017 (miles) = 1.1779 (2017) – 2336.8=39.02 (Podemos pronosticar más años) • R2 representa el coeficiente de “bondad de ajuste”. • Indica qué tan buena es la ecuación para explicar el comportamiento de las ventas.
• Es el % de la varianza de las ventas que es explicado por la ecuación.
• R2 toma valores entre 0 y 1. • R2 = 0.92: -> la ecuación explica el 92% de la varianza de las ventas (% alto). 2. Pronósticos Causales • Pronóstico de una variable “dependiente” (Y) usando información de “independientes” (X). • Las independientes explican la dependiente. • Se debe primero hallar la relación causal entre la dependiente y las independientes. • El crecimiento de la demanda (unidades vendidas) de un producto depende del crecimiento de la economía. • El crecimiento de la demanda puede ser expresado como una función del crecimiento PBI. • Una vez que estimamos una ecuación, podemos pronosticar el futuro, a partir de proyecciones del PBI (casos 4, 5, 6) PBI Ventas 2005 6.60% 6% • Tabla: Datos de crecimiento de ventas y de PBI. 2006 7.80% 5.40% 2007 8.10% 4.70% • Podemos hacer el gráfico de dispersión y ver si existe una relación 2008 6.10% 1.90% clara entre crecimiento de ventas y crecimiento de PBI. 2009 0.10% -1.30% 2010 3.50% 3.20% • Podemos además trazar una línea de tendencia. 2011 6% 5.40% • Además, podemos estimar la ecuación de la línea y el R2. 2012 6.30% 4.70% 2013 6.50% 5.10% 2014 2.40% 3.10% 2015 2.30% 3.00% Ecuación es: % Ventas = 0.6372 (% PBI) + 0.0057 2016 3.10% 3.05% •Si contamos con pronósticos de PBI, podríamos pronosticar las ventas para los próximos años. •Ejm: Si se estima que el PBI crezca el 2016 en 5%, entonces podemos pronosticar que las ventas crecerán en 0.6372 (5%) + 0.0057 = 3.756%. •Alternativamente, podemos utilizar: Opciones: ANALISIS DE DATOS/REGRESION. •Identificamos las variable: X, Y •Esta opción nos dará los coeficientes de la ecuación. Resumen 7%
6% y = 0.6372x + 0.0057 R² = 0.6342 Estadísticas de la regresión 5% Coeficiente de0.79638231 correlación múltiple 4%
Grados de libertad Suma de cuadrados Promedio de los cuadradosF Valor crítico de F Regresión 1 0.00284073 0.00284073 17.3391947 0.00193625 Residuos 10 0.00163833 0.00016383 Total 11 0.00447906
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95.0%Superior 95.0% Intercepción 0.00565116 0.0083594 0.67602417 0.51435517 -0.01297475 0.02427707 -0.01297475 0.02427707 Variable X 1 0.63722127 0.15302973 4.16403586 0.00193625 0.29624979 0.97819275 0.29624979 0.97819275 • Es importante la última tabla. • Aparecen los mismos coeficientes: 0.0057 como “Intercepción” y 0.6372 como “X1”. • Intercepto es el valor que va solo en la ecuación y X1 se refiere al % PBI.
• % Ventas =0.0057 + 0.6372 %PBI.
• La ventaja de este método es que podemos incorporar varias variables X al mismo tiempo. • Podríamos tener, una ecuación de las ventas que dependa no solo del PBI sino además de otras variables que influyen sobre las ventas (Tasa de interés, competencia, etc). • Pruebas de hipótesis: Determinar si el efecto de X en Y es estadísticamente significativo (si la variable X es importante o no). • Modelo: %Ventas = a + b %PBI Testearemos la hipótesis: b = 0
• Si se acepta esta hipótesis -> PBI no tiene impacto significativo en las ventas. • Si se rechaza esta hipótesis -> PBI tiene impacto significativo en las ventas. • Valor “Probabilidad”: Si < 0.05 (5%) -> con un 95% de confianza el coeficiente de X es diferente de cero. • Para X1 es 0.0019< 0.05. Entonces: % PBI tiene un efecto significativo en el % Ventas. Coeficientes Error típico Estadístico t Probabilidad Intercepción 0.00565116 0.0083594 0.67602417 0.51435517 Variable X 1 0.63722127 0.15302973 4.16403586 0.00193625 • Los valores “Inferior 95%” y “Superior 95%” son el intervalo de confianza al 95% para el coeficiente de X1. • El coeficiente se encuentra con un 95% de confianza entre 0.296 y 0.978. Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Intercepción 0.00565116 0.0083594 0.67602417 0.51435517 -0.01297475 0.02427707 Variable X 1 0.63722127 0.15302973 4.16403586 0.00193625 0.29624979 0.97819275 • Note que el valor cero no se encuentra dentro del intervalo de confianza. • Entonces, con un 95% de confianza decimos que el coeficiente de X1 es <> 0. • Es decir, X1 (% PBI) es importante para explicar Y (% Ventas). Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Intercepción 0.00565116 0.0083594 0.67602417 0.51435517 -0.01297475 0.02427707 Variable X 1 0.63722127 0.15302973 4.16403586 0.00193625 0.29624979 0.97819275
