Professional Documents
Culture Documents
1. INTRODUCCIN
Diariamente los dueos de empresa se ven enfrenta- estacinales, con el fin de poderlas reproducir a travs
dos al problema de pronosticar el nivel futuro de su de modelos estadsticos. Este campo de los modelos
actividad econmica. Pronsticos de ventas, utilidades, estadsticos ha crecido al mismo ritmo del desarrollo
inversiones y costos entre otros, se constituyen en ele- de los computadores de tal forma, que existe una gran
mentos importantes de la planificacin de los negocios; cantidad de modelos de pronsticos. Unos sencillos,
sin embargo para lograrlos, se necesita conocer y dis- como los que inicialmente se consideran en este do-
poner de informacin confiable y suficiente del pasado; cumento y de gran despliegue en los textos clsicos de
estudiarla y detectar tendencias, variaciones cclicas y la Estadstica bsica, los tradicionales de la regresin
Resumen Abstract
En el siguiente documento se desarrollan algunos mo- This document develops some basic models of forecast
delos bsicos de pronstico con base en series crono- based on time series, linear regression and exponential
lgicas, regresin lineal, exponencial y parablica de and parabolic regression, known widely in classic sta-
amplio despliegue en los textos clsicos de la Esta- tistics textbooks, and their usages are supported with
dstica, utilizando en todos los casos las herramientas an Excel worksheet.
que ofrece la hoja electrnica Excel. Este trabajo resal- The importance of knowing the evolution and tenden-
ta la importancia de conocer la evolucin y tendencia cy of the main variables in businesses are highlighted
de las variables principales de los negocios, conoci- in this paper. These concepts are managed intuitively
mientos que manejan de manera intuitiva los dueos for owners of median and small businesses, however it
de pequeas y medianas empresa, pero que algunas is necessary to translate them to abstract models by
veces es necesario traducirlos a lenguajes abstractos, using statistical models. This type of models genera-
mediante modelos estadsticos, que permitan genera- lizes different kind of situations and can be used easy
lizar y puedan ser utilizados de manera fcil y econ- and economical way, as a tools to make decisions in
mica como instrumento para la toma de decisiones en future events.
situaciones futuras.
36
mltiple, otros ms sofisticados como los modelos de 3. MARCO TERICO
1 Box, G. E. P. y Jenkins G. M. (1976). Time series analysis, forecasting and control. San Francisco: Holden Day Inc. Pag. 1.
2 Bowerman, B. L.; O`Connell, R. T. y Koehler, A. B. (2007). Pronsticos, series de tiempo y regresin. Mxico: Torzn. Pg. 10.
37
El mtodo Delphi se basa en el concurso de un grupo 4. METODOLOGA
Panorama No. 4. Tecnologas de sistemas para pymes
Estas tcnicas necesitan el estudio de informacin his- Los economistas han identificado tres diferentes tipos
trica para estimar los valores futuros de la variable de variaciones: tendencia secular, variaciones cclicas y
de inters. Estos modelos se pueden agrupar en dos variaciones estacionales.
clases: univariados y causales.
La tendencia secular describe la naturaleza general de
la serie en periodos largos de tiempo y son debidas a
3.2.1. Modelos univariados fuerzas importantes como crecimiento de la poblacin,
cambios en tecnologa y en los hbitos de consumo de
Predicen el futuro de una serie con base en su compor- los consumidores, entre otras. Estas situaciones pueden
tamiento histrico propio; son muy tiles si el patrn desembocar en tendencias ascendentes, descendentes
detectado en el pasado se mantiene hacia el futuro, de e incluso ninguna.
lo contrario no son aconsejables. Los modelos integra-
ted autoregressive moving average model (ARIMA mo- Variaciones estacionales se efectan cuando las obser-
del) son representativos de este grupo5. vaciones son realizadas en intervalos inferiores a un
ao (semanas, meses, trimestres); estas pueden refle-
3.2.2. Modelos causales jar comportamientos estacionales que se repiten de la
misma manera y con la misma regularidad ao tras
Requieren la identificacin de otras variables que se re- ao. El trmino estacional proviene de los pases con
lacionan de la manera causa efecto con la variable que estaciones; estas pueden influir en la evolucin de los
se desea predecir. Una vez identificadas estas variables negocios; en nuestro medio dependen de las costum-
relacionadas, se construye un modelo estadstico que bres y hbitos que se manifiestan durante el ao.
pretende describir la relacin entre estas variables y la
variable que se desea pronosticar. Los modelos de re- Variaciones cclicas corresponden a fluctuaciones a lar-
gresin lineal simple y los modelos de regresin lineal go plazo, ms o menos peridicas que se repiten regu-
mltiple son los ms conocidos de este grupo. larmente cada cierto nmero de aos, en las actividades
econmicas en periodos de crisis y de recuperacin.
3 Rowe, G. y Wright, G. (2001). Expert opinions in forecasting: The role of the Delphi technique. En: Principles of forecasting: A handbook
for researchers and practitioners. Boston: Kluwar.
4 Gerstenfeld, Arthur (1971). Technological forecasting. En: Journal of Business. Vol. 44, No. 1.
5 Pindick, R. S. y Rubinfeld, D. L. (1991). Econometric models and economic forecasts. Sinagpore: McGraw Hill. Ver introduccin. Pg. XVII.
6 Zuwaylif, F. H. (1977). Estadstica general aplicada. Mxico: Fondo Educativo Interamericano. Pg. 333.
38
Variaciones aleatorias se refieren a los factores que la empresa XX entre enero de 1999 y diciembre del
El modelo de regresin lineal es el apropiado para rea- 4.2.2.1. Obtencin del modelo de regresin lineal
lizar pronsticos cuando la tendencia es lineal.
A partir de los datos obtenidos que se presentan en la
El objetivo del modelo de regresin de dos variables, el Tabla N.1 y realizando un cambio de base para la va-
lineal, es la comprensin de la naturaleza probabilstica riable tiempo, como es tomar el ao 1999 como perio-
del modelo de regresin de tal manera que, a partir do cero 0, el ao 2000 como 1 y as sucesivamente
de un valor observado de X (variable independiente), hasta el ltimo periodo de estudio, se obtiene la ecua-
logremos observar varios valores posibles de Y (varia- cin de regresin lineal, utilizando el men Herramien-
ble dependiente). El ejemplo desarrollado por Zuwaylif tas/Analizar Datos/Regresin que posee la hoja Excel.
considera las ventas hipotticas efectuadas en millones Los resultados se presentan en el Anexo N. 2, en la
de pesos mensualmente. Estas probablemente variarn hoja Ec_t_a.
cada ao, debido a la situacin cambiante de los nego-
cios, las preferencias de los clientes, la competencia, Del anexo N.2 obtenemos los parmetros de regresin
y en general, a los hechos que acompaan el desarro- para construir el modelo de regresin o la ecuacin de
llo normal de las empresas. A no ser que se disponga tendencia anual (Ecta) para los diversos aos de la serie:
de informacin adicional, supondremos que para cada
observacin de X (aos), los comportamientos de Y
Ecuacin de tendencia anual
(ventas) diferirn de forma aleatoria. Usamoscomo
componente de error aleatorio. (1)
Para tal efecto se tom una serie con periodicidad men- Y^ Ventas_mill$ = 0 + 1 * Xaos +
sual del valor hipottico de las ventas mensuales de
39
Donde:
Panorama No. 4. Tecnologas de sistemas para pymes
^
Mediante la ecuacin (1), se pretende la comprensin YVentas_men_mill$ = (0 /12 + 1 /144 * X mes_jun/jul
)
de la naturaleza probabilstica del modelo de regresin,
en este caso, la ecuacin de tendencia anual de mane-
ra que, cada observacin Y es una variable aleatoria, * (-5,5) + 1/144 * X mes_enero
+
el valor de X es fijo (conocido por el investigador) y
es la componente de error aleatorio cuyo compor-
tamiento se basa en una distribucin de probabilidad
subyacente7. Con esta ecuacin determinamos los valores de ten-
dencia mensual haciendo un cambio de base X=0 para
El objetivo de obtener esta ecuacin radica en que a enero de 1999; X=1 para febrero de 1999; X=59 para
partir de los datos reales mensuales podamos obtener diciembre del 2003. Ver Anexo No. 3 columna VTMi
los resultados anuales, con el fin de estudiar y verificar valor de tendencia mensual. En atencin a que la ecua-
la tendencia secular; es decir, el movimiento de la serie cin anterior (2) nos llev a un mes que estaba com-
de tiempo en el periodo analizado y de esta manera puesto por das de junio y julio, por comodidad se tras-
predecir las ventas anuales en aos futuros. Estas esti- lada al mes inicio del ao, enero.
maciones sern razonables si existe una regularidad es-
tadstica que haya prevalecido en el pasado y contine En resumen la ecuacin 3 permite obtener los valores
manifestndose aproximadamente de la misma forma de tendencia mensual de la variable de estudio, calcu-
en el futuro. Estas predicciones deben ser consideradas lados por el modelo de acuerdo con los parmetros de
como informacin aproximada, razn de peso para la regresin 0 , 1 modificados.
construccin de los respectivos intervalos de confianza
dentro de los cuales se espera que est el valor real de Divisin de los valores reales de cada mes yi
la variable de estudio, con una confianza que establez- por el respectivo valor de tendencia mensual VTMi
ca el propio investigador.
Se toman uno a uno los valores reales entre enero de
Es importante que cada ecuacin de tendencia est 1999 y diciembre de 2003 y se dividen por sus cor-
acompaada del nombre y de la unidad de medida de la respondientes valores de tendencia mensual para ob-
variable tanto dependiente como de la independiente. tener la columna yi / VTMi . Ver Anexo N. 3 columna
40
yi / VTMi . Este procedimiento elimina la variacin por
rpmi = /n
j=1 i=1
vtmij 8 0,99492287 0,99597704
9 0,95329536 0,95430543
Donde: 10 1,02658246 1,02767018
41
comportamiento de la poblacin o la evolucin de una rio, situaciones de incertidumbre con las utilidades y
Panorama No. 4. Tecnologas de sistemas para pymes
enfermedad (propagacin de virus). Las variables finan- los ingresos, se acostumbra trabajar con una curva de
cieras, captacin, prstamos que involucran el clculo segundo grado.
de rendimientos e intereses peridicos compuestos.
La ecuacin general del modelo de regresin parab-
La ecuacin general del modelo de regresin exponen- lica es:
cial est dada por la siguiente expresin:
^
Donde: Y = 0 + 1 * X +2 X + 2
^ X
Y = 01 +
Las ecuaciones normales en este caso seran:
m
m
m
2
X X
m
m
m
m
2 3
X X X
1 : Parmetro de regresin o tasa de creci-
miento o decrecimiento.
y = 0 + 1 + 2
m
m
m
2 2 3 4
m
X X X X
X : Variable independiente.
42
5. CONCLUSIONES Y DISCUSIN BIBLIOGRAFA
Anexo N. 1. Ventas
y
rpmi = i
/n
j=1 i=1
vtmij
Fecha Ventas en Fecha Ventas en Fecha Ventas en
millones de $ millones de $ millones de $
fuente: Fadil H. Zuwaylif. Estadstica General Aplicada. Mxico: Fondo Educativo Interamericano. Pg. 353
43
Panorama No. 4. Tecnologas de sistemas para pymes
Anexo
Anexo N.
N. 2.2.
Resumen
Estadsticas regresin
Coeficiente 0,993 Anlisis de los residuales
correlacin Observaciones Pronstico Residuos Rdos.
Coeficiente 0,986 y estndares
determinacin 1 217,82 0,88 0,300852503
R^2 ajustado 0,982 2 233,49 1,81 0,618798898
Error tpico 3,378 3 249,16 -2,86 -0,977770635
Observaciones 5 4 264,83 -3,23 -1,104265437
5 280,5 3,4 1,162384671
Anlisis de varianza
Gra Suma Pro. de F Vr crtico F
libertad cuadrados cuadrados
Regresin 1 2455,489 2455,489 215,2490 0,0007
Residuos 3 34,223 11,40766667
Total 4 2489,712
1 = 15,67
xi yi ^
y Residuos
i
44
Prediccin con series de tiempo y regresin
Anexo N. 2.
1 / 12 = 0,10881944
0 = 17,5531597
1 = 0,10881944
Origen: 31/01/99
Unidad de x: mensual
y: ventas mensuales
45
Panorama No. 4. Tecnologas de sistemas para pymes
46
Prediccin con series de tiempo y regresin
Anexo N. 3.
3 0,97347949 0,97451094
pronstico
4 0,99387255 0,99492561
5 1,03139259 1,0324854 71 12/01/2004 25,2793403 22,8147634*
6 1,02382464 1,02490943
7 0,9948741 0,99592822 * Valor estimado de las ventas para el periodo x =71,
8 0,99492287 0,99597704
es decir, 12 de enero de 2004, por ejemplo:
^
9 0,95329536 0,95430543
Y = 0 + 1 x +
10 1,02658246 1,02767018
11 1,02144751 1,02252978 25,2793 = 17,5531 + (0.1088 * 71) +
12 1,21927259 1,22056447
total 11,9872989 12 clculo del valor desestacionalizado estimado de
las ventas en enero de 2004
^
22,8147 = Y + iei
22,8147 = 25,2793 * 0,9025
47
Panorama No. 4. Tecnologas de sistemas para pymes
Anexo N. 4.
A. Clculo manual
b1=((n*suma_xy)-(suma_x*suma_y))/((n*suma_xy)-(suma_y*suma_y))
bo=(suma_y/n)-(b1*(suma_x/n))
r=((n*suma_xy)-(suma_x*suma_y))/(((n*suma_x**2)-((suma_x)^2))*((n*suma_y**2)-
((suma_y)^2)))^(1/2)
n 60,00 b1 0,123457
SUMA(xy) 40218,50 b0 16,998
SUMA(x) 1830,00 r 0,76131
SUMA(y) 1245,80 r^2 0,57959
SUMA(x**2) 73810,00 Syx 3,43
SUMA(y**2) 26340,18
Estimacin para x = 60,00
y estimado ser: 24,41
48
Prediccin con series de tiempo y regresin
Anexo N. 4.
49
Panorama No. 4. Tecnologas de sistemas para pymes
Anexo N. 4.
b. clculo excel
Resumen
Anlisis de varianza
Gra Suma Pro. de F Vr crtico
libertad cuadrados cuadrados d
Regresin 1,00 274,27 274,27 79,96 0,00
Residuos 58,00 198,95 3,43
Total 59,00 473,22
50
Prediccin con series de tiempo y regresin
Anexo N. 4.
51
Panorama No. 4. Tecnologas de sistemas para pymes
Anexo N. 4.
A. Clculo manual
^
Y = 0 + 1 x +I Log y^ = Log0 + x Log1 +i
52
Prediccin con series de tiempo y regresin
Anexo N. 4.
53
Panorama No. 4. Tecnologas de sistemas para pymes
Anexo N. 4.
b. clculo excel
Resumen
Anlisis de varianza
Gra Suma Pro. de F Vr crtico
libertad cuadrados cuadrados d
Regresin 1,00 0,12 0,12 87,19 0,00
Residuos 58,00 0,8 0,00
Total 59,00 0,20
54
Prediccin con series de tiempo y regresin
Anexo N. 4.
55
Panorama No. 4. Tecnologas de sistemas para pymes
Anexo N. 5.
clculo MANUAL
Ecuaciones normales para la regresin parablica
n 60,00 B2 B1 Bo
SUMA(xy) 38972,70 1 1246 = 70210 1770 60
SUMA(x) 1770,00 2 38973 = 3132900 70210 1770
SUMA(y) 1245,80 3 1592560 = 149111998 3132900 70210
SUMA(x^2) 70210,00
Valores estimados de los parmetros de la regresin
SUMA(x^3) 3132900,00
SUMA(x^4) 149111998,00 B2 = 0,00086
SUMA(x^2*y) 1592559,70 B1 = 0,07297
Bo = 17,6094
X 2004,00 71,00
Estimacin 27,10
y = B 2 X 2 + B 1X + B o
yEST = 0,00086 (71)2 + 0,07297(71) + 17,61
ventas estimadas dic-04 = 27,10
56
Prediccin con series de tiempo y regresin
Anexo N. 5.
57
Anexo N. 5.
Panorama No. 4. Tecnologas de sistemas para pymes
yest = B2X^2+B1X+B0+
suma(y)= B2*suma(x^2)+B1*suma(x^2)+n*Bo
suma(xy)= B2*suma(x^3)+B1*suma(x^2)+B0*suma(x)
Reemplazando por sus equivalentes tenemos las ecuaciones normales para la regresin parablica:
-59,00
4 -131074,40 = -62640595,00 B2 -1061705,00 B1
5 134766,07 = 66954596,33 B2 1061705,00 B1
suma 3691,67 = 4314001,33 B2 0,00 B1
Despejamos B2
luego B2 0,000856
Tomamos la ecuacin 4 y le reemplazamos el valor de b2
tomamos 4 2221,60 = 1061705,00 B2 17995,00 B1
reemp B2 2221,60 = 908,54 17995,00 B1
Despejamos B1
luego B1 = 0,07
58