Anda di halaman 1dari 101

N D A

E MA
A D
E L
O D
T IC
S
R O N
P 6
5
4 Serie 1
3 Serie 2
2 Serie 3
1
0
PRONSTICOS

Pronstico es una prediccin de eventos


futuros que se utiliza con propsitos de
planificacin.
Lee Krajewsky
(2008). Administracin De Operaciones. : Pearson
Los pronsticos son una forma de atenuar
la incertidumbre con la que deben convivir
los directivos de empresa.
Adrin Edelman
Es un clculo estimativo del nivel de la
demanda de un producto o productos por
un perodo de tiempo futuro. Todo
pronstico por ende es una hiptesis, pero
mediante el empleo de ciertas tcnicas
puede ser algo ms significativo que nos
dar un parmetro para tomar decisiones.
Otros autores expresan la importancia de diferenciar entre
los trminos de prediccin y pronstico, ya que de acuerdo
a su criterio, las predicciones se basan en la consideracin
de aspectos subjetivos dentro del proceso de estimacin de
eventos futuros, mientras que los pronsticos se
desarrollan a travs de procedimientos cientficos, basados
en datos histricos que son dados mediante mtodos
cuantitativos.

Tawfik & Chauvel, 1992, Adam & Eber, 1991, Kalenatic &
Blanco, 1993
Por qu es importante pronosticar?
Los pronsticos son vitales para toda organizacin de negocios
as como para cualquier decisin importante de la gerencia. El
pronstico es la base de la planeacin corporativa a largo plazo.
En las reas de finanzas y contabilidad, los pronsticos
proporcionan el fundamento para la planeacin de
presupuestos y control de costos.
El marketing depende del pronstico de ventas para planear
productos nuevos, compensar al personal de ventas y tomar
otras decisiones clave.
Se debe tener presente que no hay un pronstico perfecto, en
el ambiente de negocios hay demasiados factores que no se
pueden pronosticar con certeza.
IMPORTANCIA ESTRATEGICA DEL PRONSTICO
Vitales para todo organizacin mercantil y toda decisin
administrativa importante.

Representan la base de los planes a largo plazo

En rea de finanzas y contabilidad

a) Planeacin de presupuestos

b) Control de costos
En el departamento de marketing

a) Planes de productos nuevos

b) Remunerar el personal en ventas

) El personal de produccin y el de operaciones

a) Toma de decisiones de manera peridica

b) Decisiones rutinarias
Por lo tanto, en lugar de buscar un pronstico
perfecto. Es mucho ms importante establecer la
prctica de una revisin continua de los pronsticos y
aprender a vivir con pronsticos imprecisos.

Esto no quiere decir que no se trate de mejorar el


modelo o la metodologa de pronosticar, pero lo que
debe hacerse es tratar de encontrar y usar el mejor
mtodo de pronsticos disponible, dentro de lo
razonable.
DEMANDA
Lademandase define como la cantidad y calidad de bienes
y servicios que pueden ser adquiridos en los diferentes
precios del mercado por un consumidor (demanda
individual) o por el conjunto de consumidores (demanda
total o de mercado), en un momento determinado.

En trminos generales, la"demanda"es una de las dos


fuerzas que est presente en el mercado (la otra es la
"oferta") y representa la cantidad de productos o servicios
que el pblico objetivo quiere y puede adquirir para
satisfacer sus necesidades o deseos.
DEFINICIN DE DEMANDA, SEGN EXPERTOS EN
MERCADOTECNIA Y ECONOMA:
El deseo que se tiene de un determinado producto pero que
est respaldado por una capacidad de pago.

Del libro: Direccin de Marketing, Edicin del Milenio, de Kotler Philip,


Cmara Dionicio, Grande Idelfonso y Cruz Ignacio, Prentice Hall, Pg. 10.

Las cantidades de un producto que los consumidores estn


dispuestos a comprar a los posibles precios del mercado".

Del libro: Mercadotecnia, Tercera Edicin, de Fischer Laura y Espejo Jorge,


Mc Graw Hill, Pg. 240
Es la cantidad de bienes o servicios que el comprador o
consumidor est dispuesto a adquirir a un precio dado y en un
lugar establecido, con cuyo uso pueda satisfacer parcial o
totalmente sus necesidades particulares o pueda tener acceso
a su utilidad .

Del libro: Diccionario de Economa, Tercera Edicin, de Andrade Simn,


Editorial Andrade, Pgs. 215

La cantidad de un bien que los compradores quieren y


pueden comprar.

Del libro: Principios de Economa, Tercera Edicin, de Mankiw Gregory, Mc


Graw Hill, Pg. 42.
CARACTERISTICAS DE LA DEMANDA

La demanda tiene dos fuentes bsicas:


a) Demanda dependiente
b) Demanda independiente

) DEMANDA INDEPENDIENTE:
Es una demanda que no se deriva directamente de otros productos.

) DEMANDA DEPENDIENTE:
Es la demande de un producto o servicio que se deriva de otros productos
o servicios.
Una empresa no puede hacer gran cosa respecto de la demanda
dependiente, solo tiene que satisfacerla sin embargo, puede hacer
mucho respecto a la demanda independiente.

1. Adoptar un papel activo para influir en la demanda: La empresa


puede presionar a su fuerza de ventas, ofrecer incentivos tanto a los
clientes como a su personal, crear campaas para vender sus
productos y bajar precios.

2. Adoptar un papel pasivo y limitarse a responder de acuerdo con


la demanda: Puede que la compaa no tenga el poder de cambiar
la demanda debido al gasto de publicidad; es probable que el
mercado sea fijo y esttico; o que la demanda este fuera de su
control ( como en el caso de un proveedor nico).
CLASIFICACIN DE LOS PRONSTICOS

1) Cualitativos

2) Anlisis de series de tiempos

3) Relaciones causales

4) Simulaciones
MTODOS CUALITATIVOS

La suposicin aqu es que la persona que est ms cerca del


cliente o del usuario final del producto conoce mejor sus
necesidades futuras. Aunque esto no es siempre cierto, en
muchos casos, se trata de una suposicin vlida y
constituyen la base de este mtodo.
1) INVESTIGACIN DE MERCADOS

Se utiliza sobre todo para la investigacin de


productos con el objetivo de buscar nuevas ideas,
conocer los gustos y disgustos relacionados con los
productos existentes, los productos competitivos
preferidos en una clase en particular, etc. Una vez
mas, los mtodos de recopilacin de datos son sobre
todo encuestas y entrevistas.
2) GRUPOS DE CONSENSO

En un grupo de consenso, la idea es que un grupo de


personas que ocupan diversas posiciones pueden
desarrollar un pronstico ms confiable que un grupo ms
reducido.

Los pronstico en grupo se realizan por medio de


reuniones abiertas con un intercambio libre de ideas de
todos los niveles gerenciales e individuales.

El problema con este estilo abierto es que los empleados


de niveles inferiores se sienten intimidados por los niveles
mas altos de la gerencia.
3) ANALOGA HISTORICA O
ANALOGA DE CICLO DE VIDA

Al tratar de pronosticar la demanda de un nuevo


producto, una situacin ideal seria que un producto
existente o genrico se pueda utilizar como modelo.

Relaciona lo pronosticado con un articulo similar. Es


importante al planear nuevos productos en los que las
proyecciones se pueden derivar mediante el uso del
historial de un producto similar.
4) MTODO DE DELPHI(DELFOS)
Es probable que la opinin de una persona de un nivel superior
pese ms que la de una persona de nivel inferior. El peor de los
casos se presenta cuando la gente de nivel inferior se siente
amenazada y no contribuye con lo que realmente cree.
Para evitar este problema , el mtodo Delfos oculta la
identidad de los individuos que participan en el estudio. Todos
tienen el mismo peso.
Un grupo responde un cuestionario. Un modelador recopila los
resultados y formula un cuestionario nuevo que se presenta al
grupo, por lo tanto, existe un proceso de aprendizaje para el
grupo mientras recibe informacin nueva y no existe ninguna
influencia por la presin del grupo o individuos dominantes.
PASOS PARA EL MTODO DELPHI

1) Elegir los expertos a participar. Debe haber gran variedad de


personas con conocimientos en distintas reas.
2) Por medio de un cuestionario (o correo electrnico) obtener
las proyecciones ( y cualquier premisa o calificacin para el
pronstico) de todos los participantes.
3) Resumir los resultados y redistribuirlos entre los participantes
con las preguntas nuevas apropiadas.
4) Volver a resumir los resultados, refinar las proyecciones y
condiciones, y una vez ms plantear preguntas nuevas.
5) Repetir el paso 4, si es necesario. Distribuir los resultados
finales entre todos los participantes.
5) LA FUERZA DE VENTAS O EQUIPO DE VENTAS

Es el conjunto de vendedores con que cuenta una empresa.


La fuerza de ventas acta como punto de enlace entre una
empresa y sus clientes actuales y potenciales.
Por un lado representa a la empresa ante los clientes,
brindndoles a stos ltimos informacin, asesorndolos y
aclarando sus dudas.
Mientras que por otro lado, representa a los clientes ante la
empresa, comunicndole o transmitindole a esta ltima las
necesidades, preferencias, gustos, dudas y preocupaciones de
los clientes.
Para que una fuerza de ventas funcione eficazmente y
cumpla as con los objetivos de ventas de la empresa, es
necesario gestionarla o administrarla adecuadamente.
El modelo de pronsticos que una empresa debe
utilizar depende de:

1) El horizonte de tiempo que se va a pronosticar.

2) La disponibilidad de los datos.

3) La precisin requerida .

4) El tamao del presupuesto del pronstico.

5) La disponibilidad del personal calificado.


Al seleccionar un modelo de pronstico, existen otros
aspectos como el grado de flexibilidad de la empresa
( mientras mayor sea su habilidad para reaccionar con
rapidez a los cambios, menos preciso necesita ser el
pronstico).

Otro aspecto es la consecuencia de un mal pronstico.


Si una decisin importante sobre la inversin del capital
se basa en un pronstico, ste debe ser bueno.
Factores que se deben considerar para
laSeleccin de una tcnica de pronstico:
a) Datos estacionarios: Las fuerzas que generan la serie se
han estabilizado y el medio permanece relativamente sin
cambios.

Se puede lograr la estabilidad haciendo correcciones


sencillas a factores como crecimiento de la poblacin o la
inflacin.

La serie se puede transformar en una serie estable.


La serie es un conjunto de errores de pronstico, de una
tcnica que se considera adecuada.
Seleccin de una tcnica de
pronstico: Datos con tendencia
Productividad creciente y nueva tecnologa producen
cambios.

El incremento de la poblacin elevan la demanda por


productos.

El poder de compra se afecta por la inflacin.

Aumenta la aceptacin en el mercado de un producto.


Seleccin de una tcnica de
pronstico: Datos con estacionalidad

El clima influye en la variable de


inters.
El ao calendario influye en la
variable.
Seleccin de una tcnica de
pronstico: Series cclicas

Elciclo del negocio influye sobre la


variable.
Cambios en el gusto popular.
Cambios en la poblacin.
Cambios en el ciclo de vida del producto.
PROMEDIO MOVIL SIMPLE:
Se calcula el promedio de un periodo que contiene varios puntos de
datos, dividiendo la suma de los valores de los periodos entre el
nmero de estos. Por lo tanto, cada uno tiene la misma influencia.

Donde:
F t = ( A t-1 + A t-2 +At-3 + ...+A t-n ) / n

Donde:
Ft= Pronstico para el siguiente perodo
n= nmero de perodos para promediar
At-1= Ocurrencia real en el periodo pasado
At-2, At-3, y At-n= Ocurrencias reales hace dos periodos, hace tres periodos
, as sucesivamente hasta n periodos.
La principal desventaja al calcular un promedio
mvil es que todos los elementos individuales se
deben manejar como informacin porque un nuevo
periodo de pronstico comprende agregar datos
nuevos y eliminar los primeros.

Para un promedio mvil de tres a seis periodos, lo


anterior no es muy complicado.
PROMEDIO MOVIL PONDERADO:

Mientras que el promedio mvil simple da igual


importancia a cada uno de los componentes de la
base de datos del promedio mvil, un promedio
mvil ponderado permite asignar cualquier
importancia a cada elemento, siempre y cuando la
suma de todas las ponderaciones sea igual a uno.

Puede ser que algunos puntos especficos se


ponderen ms o menos que los otros segn la
experiencia.
La frmula para un promedio mvil ponderado es:

Ft = w1 A t-1 + w2A t-2 +...+wnA t-n


Donde:
W1= Ponderacin dada la ocurrencia real para el periodo t-1
W2= Ponderacin dada la ocurrencia real para el periodo t-2
Wn= Ponderacin dada la ocurrencia real para el periodo t-n
n= Nmero total de periodos en el pronstico

Aunque quiz se ignoren muchos periodos (es decir, sus


ponderaciones son de cero) y el esquema de ponderacin puede
estar en cualquier orden (por ejemplo, los datos ms distantes
pueden tener ponderaciones ms altas que los ms recientes),
la suma de las ponderaciones debe ser igual a uno.
Elecciones de ponderaciones
La experiencia y las pruebas son las formas mas sencillas
de elegir las ponderaciones. Por regla general, el pasado
mas reciente es el indicador ms importante de lo que se
espera en el futuro y, por lo tanto, debe tener una
ponderacin ms alta.

Los ingresos o la capacidad de la planta del mes pasado,


por ejemplo, serian un mejor estimado para el mes
prximo que los ingresos o la capacidad de la planta de
hace varios meses.
No obstante, si los datos son estacionales, por ejemplo,
las ponderaciones se deben establecer en forma
correspondiente.

(La venta de trajes de bao en julio del ao pasado


deben tener una ponderacin ms alta que las ventas de
traje de bao del mes de diciembre.

El promedio mvil ponderado tiene una ventaja definitiva


sobre el promedio mvil simple en cuanto a que puede
variar los efectos de los datos pasados. Sin embargo, es
mas conveniente y costoso de usar que el mtodo de
suavizacin exponencial .
SUAVIZACIN EXPONENCIAL:
En los mtodos de pronsticos anteriores (promedio mvil
simple y promedio mvil ponderado), la principal
desventaja es la necesidad de manejar en forma continua
gran cantidad de datos histricos. En estos mtodos al
agregar cada nueva pieza de datos, se elimina la
observacin anterior y se calcula el nuevo pronstico.
En muchas aplicaciones (quizs en la mayor parte), las
ocurrencias ms recientes son ms indicativas del futuro
que aquellas en el pasado ms distante. Si esta premisa es
vlida (que la importancia de que los datos disminuye
conforme el pasado se vuelve ms distante), es probable
que el mtodo ms lgico y fcil sea la suavizacin
exponencial.
Larazn por la que se llama suavizacin exponencial es
que cada incremento en el pasado se reduce (1 ).Por
ejemplo si es 0.05, las ponderaciones para los distintos
periodos seran las siguientes ( se define como):
peso en = 0.05

Peso ms reciente = (1- 0.0500


Datos de un periodo anterior = (1 0.0475
Datos de dos periodos anteriores = (1 0.0451
Datos de tres periodos anteriores = (1 0.0429

Por lo tanto, los exponentes 0, 1, 2, 3,, etc. le dan su nombre


La suavizacin exponencial es la ms utilizada de las tcnicas de
pronsticos. Es la parte integral de casi todos los programas de
pronstico por computadora, y se usa con mucha frecuencia al
ordenar el inventario en las empresas minoristas, las compaas
mayoristas y las agencias de servicios.
Las tcnicas de suavizacin exponencial se han aceptado en forma
generalizada por seis razones principales:
1.- Los modelos exponenciales son sorprendentemente precisos.
2.- Formular un modelo exponencial es relativamente fcil.
3.- El usuario puede entender cmo funciona el modelo.
4.- Se requiere muy pocos clculos para utilizar el modelo.
5.- Los requerimientos de almacenamiento en la computadora son
bajos debido al uso limitado de datos histricos.
6.- Es fcil calcular las pruebas de precisin relacionadas con el
desempeo del modelo.
En el mtodo de suavizacin exponencial, slo se necesitan
tres piezas de datos para pronosticar el futuro:

El pronstico ms reciente, la demanda real que ocurri


durante el periodo de pronstico, y una constante de
uniformidad alfa (). Esta constante de suavizacin
determina el nivel de uniformidad y la velocidad de
reaccin a las diferencias entre los pronsticos y las
ocurrencias reales.

El valor de una constante se determina tanto por la


naturaleza del producto como por el sentido del gerente de
lo que constituye un buen ndice de respuesta.
La ecuacin para un solo pronstico de uniformidad exponencial es
simplemente:

Ft = Ft1 + (At1 Ft1)

Donde:

Ft = El pronstico suavizado exponencialmente para el periodo t.


Ft1 = El pronstico suavizado exponencialmente para el periodo
anterior.
At1 = La demanda real para el periodo anterior.
= El ndice de respuesta deseado, o la constante de suavizacin

Esta ecuacin establece que el nuevo pronstico es igual al


pronstico anterior ms una porcin del error (la diferencia entre el
pronstico anterior y lo que ocurri realmente).
Para demostrar el mtodo, suponga que la demanda a largo plazo para el
producto sujeto a estudio es relativamente estable y una constante de
suavizacin () de 0.05 se considera apropiada. Si el mtodo exponencial se
hubiera usado como una poltica de continuidad, se habra hecho un
pronstico para el mes pasado. Suponga que el pronstico del mes pasado
(Ft1) fue de 1 050 unidades. Si la demanda real fue de 1 000, en lugar de 1
050, el pronstico para este mes sera:

Ft = Ft1 + (At1 Ft1)


= 1 050 + 0.05(1 000 1 050)
= 1 050 + 0.05(50)
= 1 047.5 unidades

Como el coeficiente de suavizacin es bajo, la reaccin del nuevo pronstico


a un error de 50 unidades es reducir el pronstico del prximo mes en slo 2
unidades.
Eleccin del valor apropiado para alfa

Sera ideal poder proyectar qu alfa se debe usar.

La suavizacin exponencial requiere de dar a la constante de


suavizacin alfa () un valor entre 0 y 1. Si la demanda real es
estable (como la demanda de electricidad o alimentos), sera
deseable una alfa pequea para reducir los efectos de los
cambios a corto plazo o aleatorios. Si la demanda real
aumenta o disminuye con rapidez (como en los artculos de
moda o los aparatos electrodomsticos menores), se quisiera
una alfa alta para tratar de seguirle el paso al cambio.
Pero para poder proyectar un alfa que sea adecuada a las
condiciones de la empresa se toman en cuenta dos
elementos que se tienen en contra:

En primer lugar, tomara tiempo determinar la constante


alfa que se adapte mejor a los datos reales y el proceso
sera tedioso.
En segundo lugar, como la demanda cambia, quiz
pronto sea necesario revisar la constante alfa que se
eligi esta semana.
Por lo tanto se tienen dos estrategias para controlar el valor de
alfa

1. Dos o ms valores predeterminados de alfa. Se mide la


cantidad de error entre el pronstico y la demanda real.
Dependiendo del grado de error, se utilizan distintos valores de
alfa. Si el error es grande, alfa es 0.8; si el error es pequeo,
alfa es 0.2
2. Valores calculados de alfa. Una constante de rastreo alfa
calcula si el pronstico sigue el paso a los cambios genuinos
hacia arriba o hacia abajo en la demanda (en contraste con los
cambios aleatorios). En esta aplicacin, la constante de rastreo
alfa se define como el error real suavizado exponencialmente
dividido entre el error absoluto suavizado exponencialmente.
Alfa cambia de un periodo a otro en el rango posible de 0 a 1.
Datos histricos
Basar las estimaciones de la actividad futura en la demanda
que con anterioridad tuvo un producto es uno de los mtodos
de pronstico ms utilizado y veraces de que se dispone.
Tiene la ventaja de ser cuantificable y objetivo. Pero no es
perfecto.
Las fallas resultan cuando las condiciones econmicas que
prevalecieron en el pasado ya no son operantes. El juicio
permanece con un componente necesario para cualquier
mtodo de pronstico.
Mtodos de clculo
Estableciendo la suposicin fundamental de que tenemos
datos representativos, podemos proceder a la seleccin de
un mtodo para convertirlos en un pronstico.
Principiamos haciendo una grafica de los datos a una
escala conveniente.

La grafica no necesita ser exacta debido a que todo lo que


deseamos es descifrar el patrn general. Este patrn nos
da una buena clave para el mtodo de calculo ms
apropiado. Claves posteriores resultan al familiarizarse
con los mtodos
La Generox Inc., ha estado produciendo durante 5 aos
herramientas especiales manuales para clavar. La planta ha
operado casi a su capacidad durante los ltimos 2 aos. Se
necesitan pronsticos para programar la produccin del prximo
ao y para suministrar estimaciones a fin de planear la expansin
futura de los medios de produccin. Se han tabulado los registros
de venta para los 5 aos en trimestres como se indica en la tabla
Mnimos cuadrados
En una grfica siempre que los puntos de los datos
parezcan seguir un lnea recta, podemos emplear el
mtodo de mnimos cuadrados para determinar la recta de
mejor ajuste. Esta recta es la que mas se aproxima a pasar
por todos los puntos. Otra manera de expresar lo mismo es
que la recta deseada minimiza las diferencias entre la
recta y cada uno de los puntos . Esta ultima explicacin da
lugar al origen del nombre para el mtodo de mnimos
cuadrados; da la ecuacin de la recta para la cual la suma
de los cuadrados de las distancias verticales entre los
valores reales y los valores de la recta es un mnimo.
Otra propiedad de la recta es que la suma de dichas
distancias verticales es igual a cero.
Una lnea recta esta definida por la ecuacin Y= a+ bX
Para un anlisis por serie temporal, Y es un valor
pronosticado en un punto del tiempo, X medido en
incrementos tales como aos a partir de un punto base.
Nuestro objetivo es determinar a, el valor de Y en el punto
base y b la pendiente de la recta.
Se emplean dos ecuaciones para determinar a y b .
La primera se obtiene si se multiplica la ecuacin de la
recta por el coeficiente de a y despus se suman los
trminos con el coeficiente de a igual a 1 y N como el
nmero de puntos, la ecuacin se convierte en
Y = Na + b X
Lasegunda ecuacin se desarrolla en una forma semejante.
El coeficiente de es X. Despus de multiplicar cada
termino por X y sumando todos los trminos, tenemos
XY= aX + b
Las dos ecuaciones as obtenidas se llaman ecuaciones
normales.
Las cuatro sumas requeridas para resolver las ecuaciones
Y, X, XY, , se obtienen por medio de un mtodo
tabular. Podemos simplificar los clculos seleccionando
cuidadosamente el punto base. Debido a que X es igual al
nmero de periodos a partir del punto base, se selecciona
un punto medio en la serie temporal, conforme la base
hace que X sea igual a cero.
Los nmeros ms pequeos resultantes de un punto base
centrado hacen tambin que otros productos y sumas
requeridas sean ms fciles de manipular. Despus de
que se obtienen las cuatro sumas, se sustituyen en las
ecuaciones normales y se calculan los valores de a y b.
Entonces estos valores se sustituyen en la ecuacin de La
recta para completar la formula del pronstico:
YF = a + bX
Una recta inclinada parece ser un ajuste razonable para los datos de la fig. 3.5
para ilustrar las diferentes versiones del mtodo de mnimos cuadrados,
emplearemos primero 1994 como el punto base y despus 1996. utilizando un
formato tabular con Y como ventas en incrementos de 10,000 dlares para
determinar Y, X, X2, , XY, tenemos:

Ao Y X X2 XY
1994 108 0 0 0
1995 119 1 1 119 PUNTO BASE

1996 110 2 4 220


1997 122 3 9 366
1998 130 4 16 520
Sumas 589 10 30 1225

la cual de las ecuaciones normales


589 = 5a + 10b
Estas
ecuaciones se resuelven simultneamente para dar
a= 108.4 $1,084,000
b= 4.7 $47,000
Empleando los mismos datos y formato, pero cambiando el punto base de
1994 a 1996, obtenemos:

Ao Y X X2 XY
1994 108 -2 4 -216
1995 119 -1 1 -119
1996 110 0 0 0 PUNTO BASE

1997 122 1 1 122


1998 130 2 4 260
Sumas 589 0 10 47

Los cuales permiten que a y b se calculen como:


a= = = 117.8 $1,178,000
b= = 4.7 $47,000
Una ecuacin de pronstico se desarrolla substituyendo los valores de a y b
en la ecuacin de la recta. El pronstico para 1999 est a 5 aos del punto
base de 1994 de la primera versin que nos dio la ecuacin

YF= $1,084,000 + $47,000X


Y el pronstico
Y1999= $1,084,000 + $47,000(5) = $1,319,000

De manera semejante, empleando la frmula desarrollada desde un punto


base en 1996
YF= $1,178,000 + $47,000X
El pronstico para 1999 se encuentra a 3 aos del punto base y se calcula
como:
Y1999= $1,178,000 + $47,000(3) = $1,319,000

Una comparacin de los dos pronsticos y los clculos incluidos en el


desarrollo de las ecuaciones confirma que centrado el periodo base se reduce
la aritmtica sin alterar los valores del pronstico.
EXPONENCIAL
Algunas veces una curva suave suministra un mejor ajuste para los datos que una
lnea recta. Una curva suave implica un crecimiento o disminucin porcentual
uniforme en lugar del incremento o decremento constantes ejemplificados por
una recta. La ecuacin para una curva puede tomar la forma exponencial , Y=
abx, la cual indica que Y vara con la tasa constante b en cada periodo.
Podemos determinar los valores para a y b por medio del mtodo de mnimos
cuadrados si convertimos la ecuacin exponencial a su forma logartmica:
Log Y = log a + x log b
La versin logartmica se indica como una recta en papel semilogartmico; la
escala Y es logartmica y la escala X es aritmtica. Esta propiedad nos permite
establecer ecuaciones normales en la forma descrita del ejemplo anterior.
En esta forma, las ecuaciones normales

(log Y) = N (log a) + X (log b)


( X log Y)= X (log a) +X2 (log b)

puede resolverse formando una tabla para establecer


(log Y), X, (X logY) y X2. cuando el punto base se
escoge para hacer X= 0, la solucin se reduce a calcular

log a = y log b =

Despus de resolver las ecuaciones anteriores, o


resolviendo simultneamente las ecuaciones normales
cuando X no es igual a cero, la ecuacin exponencial se
establece tomando los antilogaritmos de a y b.

Ejemplo:
Como no es obvio si una recta o una curva se ajustarn mejor a los
datos dados, una curva suave es un substituto legtimo. El
procedimiento de ajuste es anlogo al empleado para las rectas; la
variacin
Ao es el empleo
Y de
X logaritmos
X2 para
loglos
Y valores deY Y:
X log
1994 108 -2 4 2.0334 -4.0668
1995 119 -1 1 2.0755 -2.0755
1996 110 0 0 2.0414 0
1997 122 1 1 2.0864 2.0864
1998 130 2 4 2.1139 4.2278
Sumas 0 10 10.3506 0.1719

Debido a que X = 0, podemos resolver para a y b en la forma siguiente :


log a = = = 2.0701
Y, por tanto, a= 117.5 1,175,000 dlares, y

log b = = = 0.0172

Haciendo b = 1.0405 o un aumento de 4.05% en cada periodo. En esta forma, la


ecuacin de pronstico es
log Y= 2.0701 + 0.0172X

YF= $1,175,000 (1.0405)X

Los valores resultantes de una recta y de una curva deben compararse con los
datos observados. En la siguiente tabla aparece que cualquiera ecuacin se
ajusta bastante bien a los datos. Las diferencias entre las rectas ajustadas se
vuelven ms pronunciadas conforme los pronsticos se llevan ms hacia el
futuro. La frmula exponencial muestra continuamente valores superiores ms
all de 1998.
Real Ajuste de la recta Ajuste curva-recta
Ao X Y YF= 117.8 + 4.7 x YF= 117.5 (1.0405)X
1994 -2 108 108.4 108.5
1995 -1 119 113.1 112.9
1996 0 110 117.8 117.5
1997 1 122 122.5 122.3
1998 2 130 127.2 127.2
1999 3 131.9 132.3
2000 4 136.6 137.7
Cinco observaciones son muy pocos datos como para
recomendar definitivamente el ajuste de una recta sobre
la otra. En la etapa presente, quien hace el pronstico
tendra que basarse en su criterio. Si es optimista,
probablemente escoger la ecuacin exponencial que
predice un futuro ms brillante. Conforme se acumulan
datos histricos, la tendencia debe volverse mejor
definida y la validez de cualquier ecuacin ser evidente
por las desviaciones del pronstico con respecto a los
valores reales.
PROMEDIO SIMPLE

Cuando b en la ecuacin de la recta Y= a + bX es igual a


cero, la recta es horizontal. El pronstico para el
siguiente periodo se convierte entonces en el promedio
simple de todos los valores de Y hasta la fecha:

YF =
El calculo de un promedio simple para el pronstico de
tendencia es entonces un caso especial del mtodo de
mnimos cuadrados.
Los clculos del valor promedio se asocian ms a menudo con
variaciones estacionales que tienen lugar dentro de una
tendencia general. Por definicin, las variaciones de las
temporadas estn limitadas a fluctuaciones durante un solo
ao. Por tanto, debemos recoger datos para varios periodos
dentro del ao a fin de determinar los patrones de las
temporadas.

Los registros mensuales o trimestrales son los ms comunes.


Cuando se dispone de datos que cubren un nmero substancial
de aos, la media aritmtica de cada periodo dentro de un ao
tiende a amortiguar y promediar los efectos cclicos entre los
aos.
Despus de ordenar los datos de acuerdo con trimestres,
meses o cualesquiera incrementos temporales que sean
apropiados, los valores Y representativos de cada periodo
se totalizan, y la suma se divide entre el nmero de aos,
N.

La media resultante para cada periodo es la estimacin


para el prximo periodo si la tendencia incremental tiene
efectos que no son pronunciados. Cuando la tendencia es
significativa, el promedio simple puede corregirse para un
crecimiento o disminucin general.
Un patrn de fluctuaciones de las temporadas a menudo
permanece relativamente constante, aun cuando la
tendencia pueda aumentar o disminuir. El patrn puede
definirse fcilmente dividiendo el promedio simple de cada
periodo entre la suma de los promedios. La cifra resultante
es una estimacin porcentual de la magnitud de la actividad
esperada durante cada periodo.
Este ndice de temporadas se convierte en ventas u otras
unidades de demanda multiplicando el porcentaje del
periodo por el pronstico de la tendencia anual.
Ejemplo: Un examen detenido de los datos trimestrales de la Generox
inc., nos conduce a examinar las ventas del primer ao. La fase
introductoria de un nuevo producto presenta, a menudo, un patrn
muy peculiar. Despus de que han transcurrido el esfuerzo inicial de
publicidad y la respuesta del consumidor, las variaciones de las
temporadas tienden a ser ms estables. Como las ventas durante 1964
no son marcadamente diferentes con respecto a los patrones
trimestrales subsecuentes, los incluiremos como datos limpios.
Una comprobacin posterior de la conveniencia de los promedios
simples se obtiene al graficar las ventas peridicas y ajustando
visualmente una lnea de tendencia a cada periodo. Si las lneas
ajustadas son aproximadamente paralelas, no se est desarrollando un
cambio radical en la demanda experimentada en cada periodo. Cuando
las lneas ajustadas divergen significativamente los promedios para los
periodos afectados deben ser corregidos. En algunos casos, una suma
equivalente al desplazamiento aproximado puede sumarse y restarse
de los promedios afectados. En casos ms extremos puede ser
necesario calcular una formula para el periodo de la demanda.
Las lneas trazadas para las ventas trimestrales de generox
parecen ser aproximadamente paralelas en la figura
siguiente. Por tanto, podemos calcular sin correcciones las
ventas promedio para cada trimestre y el promedio para
todos los trimestre combinados:
Ao Q1 Q2 Q3 Q4 Anual

1994 190 370 300 220 1080

1995 280 420 310 180 1190

1996 270 360 280 190 1100

1997 300 430 290 200 1220

1998 320 440 320 220 1300

Sumas 1360 2020 1500 1010 5890

Promedios 272 404 300 202 294.5


Los promedios trimestrales aceptados se convierten ahora a
un ndice de temporadas. Un ndice de temporada es el
cociente obtenido de dividir el promedio simple de cada
trimestre entre el promedio de todos los trimestres:

IQ1= = 0.92 IQ2= = 1.37

IQ3= = 1. 02 IQ4= = 0.69


El ndice desarrollado en esta forma puede emplearse para
estimar las ventas trimestrales para el prximo ao. Aplicando
al pronstico de lnea recta para 1999, tenemos

FQ1= x 0.92= $303,000


FQ2= x 1.37 = $452,000
FQ3= x 1.02 = $336,000
FQ4= x 0.69= $228,000
Total $1,319,000 = Pronstico de la
tendencia para 1999
EL PROMEDIO MOVIBLE

Un pronstico de promedio movible se obtiene


sumando los datos acerca de un nmero deseado de
periodos pasados. Este nmero por regla general
abarca un ao, a fin de atenuar las variaciones de las
temporadas. La atenuacin resulta porque los valores
altos y bajos durante un ao tienden a anularse.
Extendiendo el promedio movible para que incluya ms
periodos, se aumenta el efecto de atenuacin, pero se
disminuye la sensibilidad de los pronsticos a datos
ms recientes.
Un promedio movible se distingue de un promedio simple
por la condicin de los clculos consecutivos; cada
promedio se mueve hacia adelante en el tiempo a fin de
incluir una observacin ms reciente, eliminando al mismo
tiempo el dato ms antiguo. Si un promedio movible dado,
de 12 meses, es la demanda promedio para enero de 1998
hasta diciembre del mismo ao, el siguiente promedio
movible incluye las demandas para febrero de 1998 hasta
enero de 1999. En el primer caso, el promedio movible
representa la demanda a medio ao; en el ltimo caso,
representa la demanda para el 30 de julio o el 1 de
agosto. Un promedio de los dos valores centrara la
demanda en julio.
Un promedio movible calculado para cierto nmero de datos
segn las observaciones ms recientes, rara vez es un buen
pronstico para el siguiente periodo, salvo que el patrn de
datos sea relativamente constante. Un ndice de temporada
referido al promedio movible mejora el pronstico. Un valor
del ndice se calcula dividiendo la demanda real entre el
promedio movible centrado para ese periodo. Un ndice ms
confiable se obtiene promediando varios valores del ndice
para periodos comunes. El pronstico es, por tanto, el
producto del promedio movible centrado ms reciente para
un periodo y el valor del ndice para ese periodo.
Ejemplo:

Nuevamente nos referiremos a las cifras de las ventas trimestrales de


Generox para desarrollar un pronstico trimestral para 1999. Se
empleara un promedio movible de cuatro periodos. El primer promedio
movible es un cuarto de las ventas totales para 1994 y representa un
punto en el tiempo, entre el final del segundo trimestre y el principio
del tercero. El segundo promedio movible es la suma de las ventas de
los tres ltimos trimestres de 1994 y el primer trimestre de 1995
dividida entre cuatro. Este valor esta asociado con el final de Q3, 1994,
y el principio de Q4, 1994. Un promedio de los dos nmeros obtenidos
nos da un promedio movible centrado en Q3, 1994. Este procedimiento
se repite para todos los trimestres para obtener los promedios movibles
de la siguiente tabla.
Clculo de los promedios movibles y los valores trimestrales del ndice
estacional para las ventas de Generox.

Ventas en Promedio Promedio


unidades de movible de movible ndice
Ao Trimestre $10,000 cuatro centrado temporal
periodos

1994 Q1 190
Q2 370
Q3 300 270
Q4 220 292 281 1.07

1995 Q1 280 305 298 0.74


Q2 420 307 306 0.91
Q3 310 297 302 1.39
Q4 180 295 296 1.04

1996 Q1 270 280 287 0.63


Q2 360 273 276 0.98
Q3 280 275 274 1.32
Q4 190 283 279 1.00

1997 Q1 300 300 286 0.66


Q2 430 303 301 1.00
Q3 290 305 304 1.42
Q4 200 310 307 0.94

1998 Q1 320 312 311 0.64


Q2 440 320 316 1.01
Q3 320 325 322 1.37
Q4 220
La ltima columna de la tabla es el ndice de temporada para cada
trimestre. Se obtiene dividiendo las ventas reales para un trimestre entre
el promedio movible centrado para dicho trimestre. Podemos obtener una
mejor estimacin del ndice de un trimestre promediando todos los valores
disponibles.

Antes de aplicar el ndice de temporada promedio, deben hacerse dos


comprobaciones:

1. El promedio de los ndices peridicos debe dar un total igual a 1.0.


En el ejemplo el promedio es

= = 1.0075
Por tanto, los ndices deben ajustarse; de otra manera la suma de los
pronsticos trimestrales exceder al pronstico anual implcito en 0.75%
Clculo de un ndice de temporada ajustado

Q1 Q2 Q3 Q4
1.07 0.74
0.91 1.39 1.04 0.63
0.98 1.32 1.00 0.66
1.00 1.42 0.94 0.64
1.01 1.37
Totales 3.90 5.50 4.05 2.67
ndice de temporada
promedio
0.975 1.375 1.0125 0.6675
ndice de temporada
ajustado
0.97 1.37 1.00 0.66
2. Debe darse atencin a cualesquiera tendencias obvias en un ndice
trimestral. En la tabla anterior Q1 parece estar aumentando y Q3 tiene
una tendencia definida hacia abajo.
Nuestro ndice de temporada ajustado refleja las consideraciones
anteriores. Se tom una fraccin (4.00/4.03) de cada ndice promedio y
los resultados se redondearon con respecto a la tendencia en Q3. En
esta forma, los clculos proporcionan el sistema de referencia para el
pronstico, pero los toques finales son proporcionados por el juicio.
El paso final es hacer un pronstico. Se lleva a cabo tomando el
producto del promedio movible centrado ms reciente y su respectivo
ndice temporal. Los pronsticos para los primeros trimestres de 1999
son:

Q11999 = 316 x 0.97 = 307 $307,000

Q21999 = 322 x 1.37 = 441 $441,000


Atenuacin exponencial
Cualquier mtodo cuantitativo de pronstico sirve para atenuar las
fluctuaciones en un patrn de la demanda. En la atenuacin exponencial
controlamos la caracterstica de atenuacin agregando un factor, la
constante de atenuacin llamada alfa (), la cual pone mayor nfasis a las
demandas recientes. Aunque la atenuacin exponencial puede aplicarse a
cualquier tcnica de pronstico en serie de tiempo, lo examinaremos en
relacin con los promedios.
Un pronstico que emplea la atenuacin exponencial resulta de la
ecuacin:
Fn = Yn-1 + (1-)Fn-1
La cual puede ordenarse en la forma siguiente:

Fn = Fn-1 + (Yn-1 Fn-1)


Donde:
Fn= pronstico para el periodo siguiente
Fn-1= pronstico para el periodo anterior
= constante de atenuacin (0 1)
Yn-1= valor real para el periodo anterior
En esta forma, un pronstico atenuado es igual al pronstico anterior
atenuado ms cierta fraccin de la diferencia entre los valores
pronosticados y los reales durante el periodo anterior. De acuerdo con
esta descripcin, resulta claro que debemos determinar un pronstico
anterior y el valor de antes de poder hacer un nuevo pronstico.
Cuando estn disponibles los datos pasados, el valor inicial, F n-1 puede
ser un promedio simple de las observaciones N ms recientes. Decidir
sobre el nmero de datos que se deben emplear tiene la misma
implicacin que la considerada para los promedios movibles; cuando N
es grande, la estimacin es muy estable, pero no refleja los cambios
ms recientes del patrn. Si no se dispone de datos, F n-1 se desarrolla
partiendo de opiniones respecto a lo que se supone que el proceso
debe hacer.
El razonamiento para escoger un valor de tambin es semejante al
empleado para escoger al nmero de periodos en un promedio movible, N. En
general, es algn valor entre 0.1 y 0.3.
La respuesta a un patrn variable mejora con constantes de atenuacin
mayores, exactamente como ocurre con valores ms pequeos de N. Esta
respuesta rpida se adquiere a expensas de la habilidad para suavizar las
fluctuaciones al azar. La relacin entre y N que emplea la misma duracin
para el promedio al aplicarse a los datos es = 2 / (N+1). Por tanto, si
tenemos una razn para estar satisfechos con un cierto valor de N, podemos
calcular con facilidad un valor de que nos d resultados equivalentes.
Se puede observar que la atenuacin exponencial es simplemente un
promedio ponderado siguiendo una serie de pronsticos. Si llamamos al
primer pronstico F0 y los pronsticos subsecuentes estn indicados por F 1, F2,
etc., una serie de predicciones seria la siguiente
Periodo 1: F1= Y0 + (1 - ) F0
Periodo 2: F2 = Y1 + (1- ) F1
= Y1 + (1- ) [ Y0 + (1 - ) F0]
Periodo 3: F3 = Y2 + (1 - ) F2
= Y2 + (1 - ) Y1 + (1 - )2 [ Y0 + (1 - ) F0]

O, en general,

Fn= Yn-1 + ( 1- ) Fn-1


= Yn-1 + (1- ) Yn-2 + (1- )2 Yn-3 + + (1- )n Yn-n

En donde
Fn = Pronstico para el periodo N
Y = Datos histricos
Yn- n = Pronstico inicial
= F0
La funcin anterior es una combinacin lineal de todos los datos anteriores
ponderados de acuerdo con la constante de atenuacin . Si = 0, no se incluyen
desde el pronstico inicial. Cuando = 1, el pronstico siguiente es el mismo que
el valor real ms reciente.
Ejemplo:
La frmula de atenuacin exponencial limita el pronstico a un solo periodo en el
futuro. Podemos aplicar este mtodo al pronstico de la tendencia de la siguiente
tabla. Como un promedio ponderado de los datos reunidos para estimar las
ventas totales para 1999. Primero aplicaremos una constante de atenuacin de
0.2 para obtener

Ao 1994 1995 1996 1997 1998


TRIMESTRE 1 190 280 270 300 320
TRIMESTRE 2 370 420 360 430 440
TRIMESTRE 3 300 310 280 290 320
TRIMESTRE 4 220 180 190 200 220

TOTALES 1080 1190 1100 1220 1300


F1999= ( 0.2) 1300 + ( 0.2) (0.8) 1220 + ( 0.2) (0.8)2 1100 + ( 0.2) (0.8)3 1190 +
(0.8)4 1080
= (0.2) 1300 + (0.16) 1220 + (0.128) 1100 + (0.1024) 1190 + (0.4096) 1080
= 1160 $1,160,000
A continuacin podemos hacer = 0.8, lo cual hace que la frmula responda ms a
demandas recientes, como queda indicado por

F1999= (0.8) 1300 + (0.8)(0.2) 1220 + (0.8)(0.2)2 1100 + (0.8)(0.2)3 1190 +(0.2)4 1080
= (0.8) 1300 + (0.16) 1220 + (0.032) 1100 + (0.0064) 1190 + (0.0016) 1080
= 1280 $1, 280,000

A partir de estos pronsticos significativamente distintos, podemos ver fcilmente la


importancia de una cuidadosa seleccin de
El pronstico inicial, Fn , para la atenuacin exponencial puede obtenerse tambin a
partir de otros mtodos de promediado. Podemos pronosticar las ventas para el primer
trimestre de 1999 ya sea a partir de un promedio simple o de un promedio movible para
Q1, 1997. Supondremos un valor de de 0.15 establece un balance entre la estabilidad y
la sensibilidad.
ANALISIS DE REGRESIN LINEAL

Puede definirse la regresin como una relacin funcional


entre dos o ms variables correlacionadas. Se utiliza para
pronosticar una variable con base en la otra. Por lo general,
la relacin se desarrolla a partir de datos observados.

Primero es necesario graficar los datos para ver si aparecen


lineales o si por lo menos partes de los datos son lineales. La
regresin lineal se refiere a la clase de regresin especial en
la que la relacin entre las variables forma una recta.
La recta de la regresin lineal tiene la forma Y = a + bX,
donde Y es el valor de la variable dependiente que se
despeja, a es la secante en Y, b es la pendiente y X es la
variable independiente (en el anlisis de serie de tiempo, las
X son las unidades de tiempo).

La principal restriccin al utilizar el pronstico de regresin


lineal es, como su nombre lo implica, que se supone que los
datos pasados y los pronsticos futuros caen sobre una
recta.
La regresin lineal se utiliza tanto para pronsticos de
series de tiempo como para pronsticos de relaciones
causales.
ANLISIS DE REGRESIN Y CORRELACIN

Un anlisis de correlacin examina el grado de relacin que


existe entre las variables.
La correlacin no est limitada al anlisis por serie de
tiempo.
Puede aplicarse a la investigacin de cualquier lnea de
regresin que relacione las variables. Nuestras ecuaciones
de prediccin fueron lneas de regresin que relacionaban
las ventas con el tiempo. Las ventas tambin podran estar
relacionadas con el producto nacional bruto, diagramas
habitacionales, crecimiento de la poblacin u otros
indicadores econmicos.
La correlacin simple expresa la relacin entre dos variables y est asociada
con lneas de regresin representadas en la figura siguiente.
La correlacin mltiple mide las relaciones entre ms de dos variables. Las
superficies mostradas en la siguiente figura, representan la relacin entre dos
variables independientes y una dependiente.
DETERMINACIN DE LOS COEFICIENTES
La dispersin de los datos alrededor de las lneas de regresin est
caracterizada por tres sumas de cuadrados:

( Y - )2 = ( YF - )2 + ( Y YF )2
VARIACIN VARIACIN VARIACIN

TOTAL EXPLICADA INEXPLICADA

VARIACIN TOTAL.
La desviacin ( Y - ), como se indica en la siguiente figura, es la distancia
vertical entre un punto y la media de todas las observaciones, = Y / N.
Este trmino es una medida de la variacin total de la variable dependiente y
se divide en dos partes: La variacin explicada y la variacin inexplicada.
LA VARIACIN EXPLICADA.
La variacin explicada por la lnea de regresin est representada por ( Y F - ).
En la siguiente figura est desviacin aparece como la distancia vertical entre la
lnea de regresin y una lnea horizontal en .

En esta forma, un valor cero de b en una lnea de regresin para dos variables Y F
= y la suma de los cuadrados de la variacin explicada es igual a cero. Esto
hace a la variacin total igual a la variacin inexplicada.
VARIACIN INEXPLICADA.
La suma de los cuadrados de la variacin inexplicada es el trmino familiar
empleado para calcular el error estndar de la estimacin. Debido a que S y mide
el ajuste de la lnea de regresin a los datos, lgicamente est basada en las
desviaciones inexplicadas por la lnea ajustada. Este trmino es igual a cero
solamente si todos los puntos caen directamente sobre la lnea de regresin.
Entonces, naturalmente, la lnea de regresin define explcitamente la relacin
de las variables. En el caso ms comn, donde los datos no coinciden con la
ecuacin de prediccin, cada desviacin aparece como las distancia vertical de
un punto (Y) a la lnea de regresin.
La relacin de la suma de cuadrados de la variacin inexplicada a la suma de
cuadrados de la variacin total, (Y YF)2 / (Y - )2, mide la proporcin de la
variacin total que no es explicada por la lnea de regresin. Por tanto,
1-
mide la proporcin de la variacin total explicada por la lnea de regresin. Esta
expresin es llamada el coeficiente de determinacin.
COEFICIENTE DE CORRELACIN
La raz cuadrada del coeficiente de determinacin,
r=
es el comnmente conocido coeficiente de correlacin, r.
El valor bajo el radical nunca puede ser mayor a uno ni
menor que cero. Sin embargo, debido al que el radical
tiene races positivas y negativas, el valor de r est entre
+ 1 y 1. El signo ms o menos indica solamente la
direccin de la pendiente de la lnea de regresin, como
se muestra en los siguientes diagramas.
Cuando r = + 1, todos los
puntos caen sobre una lnea
de regresin con pendiente
positiva. Cuando r est entre
+1 y 0, la lnea de regresin
an tiene una pendiente
positiva, pero los puntos
caen sobre cualquier lado de
la lnea. Mientras ms se
aproximen alrededor de la
lnea, r se acerca ms a 1.
EL CLCULO.

Cuando se dispone de suficientes datos, se puede


calcular r empleando las sumas de cuadrados, como se
indic anteriormente, o ms directamente, por medio
de la frmula

r=
Esta ecuacin es apropiada cuando los grados de
libertad no tienen que ser considerados por que existen
suficientes datos.
Cuando los datos estn limitados, las sumas de los
cuadrados se dividen cada una entre sus grados de
libertad asociados.
En el caso de los mtodos de regresin debe especificarse un modelo antes de
obtener los datos y realizar el anlisis. El caso ms simple es el modelo lineal de
una sola variable:
= a + bx
Donde:
= Demanda estimada
x = Variable independiente (que se supone ocasiona )
a = Interseccin de y
b = Pendiente

En este modelo se supone se han observado n pares de valores x y y. Se indican


estos pares (x1, y1), (x2, y2),, (xn, yn). Ntese que el smbolo y indica valores
observados de y y que el smbolo indica puntos de una lnea expresados por la
ecuacin =a + bx
La figura siguiente muestra esta situacin. Los valores de y observados
no caen exactamente sobre la lnea por los errores aleatorios en los
datos. En cada punto observado puede expresarse el error como i yi, y
la variacin total o cuadrado del error debido a todo los puntos es:

(i yi)2 = (a + bx yi)2
En el anlisis por regresin el objetivo es minimizar la ecuacin de error
mnimo utilizando el clculo, lo cual da como resultado el siguiente
grupo de ecuaciones:

a= -b (3.6)

b= (3.7)
En el caso de un grupo de n pares de datos (x i, yi), (x2,y2),,(xn,yn), se
pueden encontrar los valores de a y b a partir de las ecuaciones (3.6) y
(3.7). Estos valores describen la lnea recta (por mnimos cuadrados)
que predice mejor la demanda y basndose en la variable
independiente x.
Tambin pueden calcularse qu tan fuerte es la relacin entre y y x por
medio de r2, el coeficiente de determinacin. El valor de r 2 representa
la proporcin de variacin en y que se explica por la relacin con x, el
valor restante de la variacin 1- r2 debido al azar o a factores que no
son x. Por lo tanto, resulta deseable que el valor de r 2 se acerque lo
ms que sea posible a 1.
Un valor de r2 = 0.8 indica que el 80% de la variacin en y se pude
predecir o explicar mediante la lnea de regresin con x; slo el 20% se
debe al azar. En este caso puede obtenerse un pronstico bastante
confiable para y cuando se conoce el valor de x.
La cantidad de r2 puede calcularse como sigue:

r2=
El pronstico por regresin lineal se ilustrar con un ejemplo simple.
Suponga que nos interesa estimar la demanda de peridicos basndonos en la
poblacin local.
En la tabla siguiente se muestran la demanda de peridicos durante los ltimos 8
aos y la poblacin correspondiente de una ciudad pequea. Con los datos
disponibles, el primer paso ser calcular los valores de a y b para la lnea. Esto se
hace calculando el producto de la interseccin xy y los valores de x 2 como se
muestra en la tabla. Si se obtienen los totales de todas las columnas se tienen los
datos para utilizarlos en las ecuaciones (3.6) y (3.7). El resultado para este caso es
a = -1.34, b= 2.01. La mejor ecuacin (mnimos cuadrados) para predecir la
demanda de peridicos ser entonces, y = -1.34 + 2.01x.
AOS POBLACIN (en PERIDICOS (en miles)
miles)
1 3.00 2.00

2 3.50 2.40

3 4.10 2.80

4 4.40 3.00

5 5.00 3.20

6 5.70 3.60

7 6.40 3.80

8 7.00 4.00
i Y1 X1 X1Y1 X12 Y12
1 3.00 2.00 6.00 4.00 9.00
2 3.50 2.40 8.40 5.76 12.25
3 4.10 2.80 11.48 7.84 16.81
4 4.40 3.00 13.20 9.00 19.36
5 5.00 3.20 16.00 10.24 25.00
6 5.70 3.60 20.52 12.96 32.49
7 6.40 3.80 24.32 14.44 40.96
8 7.00 4.00 28.00 16.00 49.00
SUMAS 39.10 24.80 127.92 80.24 204.87