Pronsticos

Definicin: Los pronsticos son predicciones de lo que puede suceder o esperar, son premisas o suposiciones bsicas en que se basan la planeacin y la toma de decisiones. Algunos escritores consideran que los modelos de pronsticos son tcnicas de la ciencia administrativa por varias razones: muchos mtodos de pronsticos se apoyan en tcnicas matemticas complejas; el pronstico se necesita como elemento de otros modelos y algunos pronsticos son una ayuda esencial en la planeacin y solucin de problemas. En realidad, los pronsticos no slo se utilizan como elemento de los modelos de solucin de problemas mediante la ciencia administrativa, sino que establecen adems las premisas a partir de las cuales se elaboran los planes y controles. Dos grandes tipos de pronsticos se emplean como premisas de planeacin: 1) Los pronsticos de eventos que no sern influenciados por la organizacin. 2) Los pronsticos de eventos que sern influenciados al menos en parte, por el comportamiento de la organizacin. Pronstico cualitativo. Este mtodo es apropiado cuando los datos confiables son escasos o difciles de emplear. Por ejemplo: Cuando se introduce un nuevo producto o tecnologa, la experiencia pasada no constituye un criterio seguro para estimar cules sern los efectos a corto plazo. Este pronstico implica el uso de juicios subjetivos y esquemas de clasificacin para transformar la informacin cualitativa en estimaciones cuantitativas. Pronstico cuantitativo. Este hace una extrapolacin del pasado o se utiliza cuando se cuenta con suficientes datos estadsticos o confiables para especificar las relaciones existentes entre variables fundamentales. El pronstico basado en la extrapolacin, como un anlisis de series de tiempo, recurre a las tendencias pasadas o presentes a fin de proyectar los acontecimientos futuros. As, los registros de ventas en los ltimos aos podran servir para proyectar el patrn de ventas para el prximo ao. El pronstico cualitativo no exige datos numricos ni estadsticos en la misma forma que el cuantitativo. Este ltimo puede aplicarse si se cuenta con informacin sobre el pasado, si se le puede especificar numricamente y si es posible suponer que continuar el patrn del pasado. Los elementos del pronstico cualitativo son sobre todo, resultado del pensamiento intuitivo, el juicio, y la acumulacin de conocimientos. Tcnicas de la planeacin

La finalidad de las tcnicas de la planeacin consiste en que el administrador que las utilice, tome las decisiones ms adecuadas de acuerdo a la situacin ms especfica del medio y de la organizacin en donde se acte. Las tcnicas pueden ser usadas en cualquier proyecto. Manuales de Objetivos y Polticas. Este manual, es una gua autorizada dentro de la estructura de un organismo social, contiene un grupo de objetivos a alcanzar a corto, mediano y largo plazo, clasificndolos por departamentos, con expresin de las polticas correspondientes a esos objetivos y a veces de algunas reglas muy generales que ayudan a aplicar adecuadamente las polticas. Grficas de Proceso y de flujo. La presentacin grfica de la situacin actual o de las labores a desarrollar por cualquier organismo social, puede estar contenida en un diagrama de flujo, que servir de auxiliar en la construccin de planes. Este tipo de diagramas puede ser considerado desde un punto de vista mecnico, que corresponde a lo que se va a hacer; y desde un punto dinmico, cmo se est haciendo. La grfica de flujo, es la representacin pictrica o simblica de un procedimiento administrativo. Debido a su extenso uso, sta grfica ha tenido diversas variaciones en su uso con objeto de adaptarse a problemas especiales, siendo las ms usuales: - La grfica de flujo de operaciones. - La grfica de flujo de formas. - La grfica esquemtica de flujo de diagramas. Grfica de Gantt. Es un diagrama o grfica de barras que se usa cuando es necesario representar la ejecucin o la produccin total, sta muestra la ocurrencia de actividades en paralelo o en serie en un determinado perodo de tiempo. Tcnicas de Trayectoria Crtica. Son aquellos planes en los que no solamente se fijan los objetivos y la secuencia de operaciones, sino adems el tiempo y los recursos necesarios que utilizan los sistemas que tienen como base comn el trazo de una red de actividades y que han sido colocados bajo el nombre genrico de M.E.T.R.A. (mtodo de evaluacin de trayectorias en redes de actividades) utilizando PERT, CPM, y RAMPS.

TCNICAS PARA LA ELABORACIN DE PRONOSTICOS.

Las tcnicas generalmente aceptadas para la elaboracin de pronsticos se dividen en cinco categoras: juicio ejecutivo, encuestas, anlisis de series de tiempo, anlisis de regresin y pruebas de mercado. La eleccin del mtodo o mtodos depender de los costos involucrados, del propsito del pronstico, de la confiabilidad y consistencia de los datos histricos de ventas, del tiempo disponible para hacer el pronstico, del tipo de producto, de las caractersticas del mercado, de la disponibilidad de la informacin necesaria y de la pericia de los encargados de hacer el pronstico. Lo usual es que las empresas combinen varias tcnicas de pronstico.

Juicio Ejecutivo Se basa en la intuicin de uno o ms ejecutivos experimentados con relacin a productos de demanda estable. Su inconveniente es que se basa solamente en el pasado y est influenciado por los hechos recientes. Encuesta de Pronstico de los Clientes til para empresas que tengan pocos clientes. Se les pregunta que tipo y cantidades de productos se proponen comprar durante un determinado perodo. Los clientes industriales tienden a dar estimados ms precisos. Estas encuestas reflejan las intenciones de compra, pero no las compras reales. Encuesta de Pronstico de la Fuerza de Ventas Los vendedores estiman las ventas esperadas en sus territorios para un determinado perodo. La sumatoria de los estimados individuales conforman el pronstico de la Empresa o de la Divisin. El inconveniente es la tendencia de los vendedores a hacer estimativos muy conservadores que les facilite la obtencin futura de comisiones y bonos. El Mtodo Delfos (Delphi) Se contratan expertos que hacen pronsticos iniciales que la empresa promedia y les devuelve para refinar los estimados individuales. El procedimiento puede repetirse varias veces hasta cuando los expertos - trabajando por separado lleguen a un consenso sobre los pronsticos. Es un mtodo de alta precisin. Anlisis de Series de Tiempo Se utilizan los datos histricos de ventas de la empresa para descubrir tendencias de tipo estacional, cclico y aleatorio o errtico. Es un mtodo efectivo para productos de demanda razonablemente estable. Por medio de los promedios mviles determinamos primero si hay presente un factor estacional. Con un sistema de regresin lineal simple determinamos la lnea de tendencia de los datos para establecer si hay presente un factor cclico. El factor aleatorio estar presente si podemos atribuir un comportamiento errtico a las ventas debido a acontecimientos aleatorios no recurrentes.

Anlisis de Regresin Se trata de encontrar una relacin entre las ventas histricas (variable dependiente) y una o ms variables independientes, como poblacin, ingreso per cpita o producto interno bruto (PIB). Este mtodo puede ser til cuando se dispone de datos histricos que cubren amplios perodos de tiempo. Es ineficaz para pronosticar las ventas de nuevos productos.

Prueba de Mercado Se pone un producto a disposicin de los compradores en uno o varios territorios de prueba. Luego se miden las compras y la respuesta del consumidor a diferentes mezclas de mercadeo. Con base en esta informacin se proyectan las ventas para unidades geogrficas ms grandes. Es til para pronosticar las ventas de nuevos productos o las de productos existentes en nuevos territorios. Estas pruebas son costosas en tiempo y dinero, adems alertan a la competencia.

TIPOS DE MUESTREO TIPOS DE MUESTREO Los autores proponen diferentes criterios de clasificacin de los diferentes tipos de muestreo, aunque en general pueden dividirse en dos grandes grupos: Mtodos de muestreo probabilsticos y mtodos de muestreo no probabilsticos. Muestreo probabilstico Los mtodos de muestreo probabilsticos son aquellos que se basan en el principio de equiprobabilidad. Es decir, aquellos en los que todos los individuos tienen la misma probabilidad de ser elegidos para formar parte de una muestra y, consiguientemente, todas las posibles muestras de tamao n tienen la misma probabilidad de ser elegidas. Slo estos mtodos de muestreo probabilsticos nos aseguran la representatividad de la muestra extrada y son, por tanto, los ms recomendables. Dentro de los mtodos de muestreo probabilsticos encontramos los siguientes tipos: El mtodo otorga una probabilidad conocida de integrar la muestra a cada elemento de la poblacin, y dicha probabilidad no es nula para ningn elemento. Los mtodos de muestreo no probabilsticos no garantizan la representatividad de la muestra y por lo tanto no permiten realizar estimaciones inferenciales sobre la poblacin. (En algunas circunstancias los mtodos estadsticos y epidemiolgicos permiten resolver los problemas de representatividad aun en situaciones de muestreo no probabilistico, por ejemplo los estudios de casocontrol, donde los casos no son seleccionados aleatoriamente de la poblacin.)

Entre los mtodos de muestreo probabilsticos ms utilizados en investigacin encontramos:

Muestreo aleatorio simple: El procedimiento empleado es el siguiente:

1. Se asigna un nmero a cada individuo de la poblacin 2. A travs de algn medio mecnico (bolas dentro de una bolsa, tablas de nmeros aleatorios, nmeros aleatorios

Generados con una calculadora u ordenador, etc.) se eligen tantos sujetos como sea necesario para completar el tamao de muestra requerido. Este procedimiento, atractivo por su simpleza, tiene poca o nula utilidad prctica cuando la poblacin que estamos manejando es muy grande. Ejemplo: formar el equipo de ftbol de la universidad seleccionando 11 boletas de una urna con el nombre de todos los alumnos de la universidad.

Muestreo aleatorio sistemtico: Este procedimiento exige, como el anterior, numerar todos los elementos de la poblacin, pero en lugar de extraer n nmeros aleatorios slo se extrae uno. Se parte de ese nmero aleatorio i, que es un nmero elegido al azar, y los elementos que integran la muestra son los que ocupa los lugares i, i+k, i+2k, i+3k,...,i+(n1)k, es decir se toman los individuos de k en k, siendo k el resultado de dividir el tamao de la poblacin entre el tamao de la muestra: k= N/n. El nmero i que empleamos como punto de partida ser un nmero al azar entre 1 y k. El riesgo este tipo de muestreo est en los casos en que se dan periodicidades en la poblacin ya que al elegir a los miembros de la muestra con una periodicidad constante (k) podemos introducir una homogeneidad que no se da en la poblacin. Imaginemos que estamos seleccionando una muestra sobre listas de 10 individuos en los que los 5 primeros son varones y los 5 ltimos mujeres, si empleamos un muestreo aleatorio sistemtico con k=10

siempre seleccionaramos o slo hombres o slo mujeres, no podra haber una representacin de los dos sexos.

Muestreo aleatorio estratificado: Trata de obviar las dificultades que presentan los anteriores ya que simplifican los procesos y suelen reducir el error muestral para un tamao dado de la muestra. Consiste en considerar categoras tpicas diferentes entre s (estratos) que poseen gran homogeneidad respecto a alguna caracterstica (se puede estratificar, por ejemplo, segn la profesin, el municipio de residencia, el sexo, el estado civil, etc.). Lo que se pretende con este tipo de muestreo es asegurarse de que todos los estratos de inters estarn representados adecuadamente en la Muestra. Cada estrato funciona independientemente, pudiendo aplicarse dentro de ellos el muestreo aleatorio simple o el estratificado para elegir los elementos concretos que formarn parte de la muestra. En ocasiones las dificultades que plantean son demasiado grandes, pues exige un conocimiento detallado de la poblacin. (Tamao geogrfico, sexos, edades,...). La distribucin de la muestra en funcin de los diferentes estratos se denomina afijacin, y puede ser de diferentes tipos: Afijacin Simple: A cada estrato le corresponde igual nmero de elementos mustrales. Afijacin Proporcional: La distribucin se hace d acuerdo con el peso (tamao) de la poblacin en cada estrato. Afijacin Optima: Se tiene en cuenta la previsible dispersin de los resultados, de modo que se considera la proporcin y la desviacin tpica. Tiene poca aplicacin ya que no se suele conocer la desviacin.

Muestreo aleatorio por conglomerados:

Los mtodos presentados hasta ahora estn pensados para seleccionar directamente los elementos de la poblacin, es decir, que las unidades mustrales son los elementos de la poblacin. En el muestreo por conglomerados la unidad muestral es un grupo de elementos de la poblacin que forman una unidad, a la que llamamos conglomerado. Las unidades hospitalarias, los departamentos universitarios, una caja de determinado producto, etc., son conglomerados naturales. En otras ocasiones se pueden utilizar conglomerados no naturales como, por ejemplo, las urnas electorales. Cuando los conglomerados son reas geogrficas suele hablarse de "muestreo por reas". El muestreo por conglomerados consiste en seleccionar aleatoriamente un cierto numero de conglomerados (el necesario para alcanzar el tamao muestral establecido) y en investigar despus todos los elementos pertenecientes a los conglomerados elegidos. Mtodos de muestreo no probabilsticos A veces, para estudios exploratorios, el muestreo probabilstico resulta excesivamente costoso y se acude a mtodos no probabilsticos, aun siendo conscientes de que no sirven para realizar generalizaciones, pues no se tiene certeza de que la muestra extrada sea representativa, ya que no todos los sujetos de la poblacin tienen la misma probabilidad de ser elegidos. En general se seleccionan a los sujetos siguiendo determinados criterios procurando que la muestra sea representativa. Muestreo por cuotas: Tambin denominado en ocasiones "accidental". Se asienta generalmente sobre la base de un buen Conocimiento de los estratos de la poblacin y/o de los individuos ms "representativos" "adecuados" para los fines de la investigacin. Mantiene, por tanto, semejanzas con el muestreo aleatorio estratificado, pero no tiene el carcter de aleatoriedad de aqul. En este tipo de muestreo se fijan unas "cuotas" que consisten en un nmero de individuos que renen unas determinadas condiciones, por ejemplo: 20 individuos de 25 a 40 aos, de sexo femenino y residentes en Gijn. Una vez determinada la cuota se eligen los primeros que se encuentren que cumplan esas caractersticas. Este mtodo se utiliza mucho en las encuestas de opinin.

Muestreo opintico o intencional: Este tipo de muestreo se caracteriza por un esfuerzo deliberado de obtener muestras "representativas" mediante la inclusin en la muestra de grupos supuestamente tpicos. Es muy frecuente su utilizacin en sondeos preelectorales de zonas que en anteriores votaciones han marcado tendencias de voto. Muestreo casual o incidental: Se trata de un proceso en el que el investigador selecciona directa e intencionadamente los individuos de la poblacin. El caso ms frecuente de este procedimiento el utilizar como muestra los individuos a los que se tiene fcil acceso (los profesores de universidad emplean con mucha frecuencia a sus propios alumnos). Bola de nieve: Se localiza a algunos individuos, los cuales conducen a otros, y estos a otros, y as hasta conseguir una muestra suficiente. Este tipo se emplea muy frecuentemente cuando se hacen estudios con poblaciones ESTIMACIN DE LMITES Para una poblacin con media y variancia 2, la distribucin de muestreo de las medias de todas las muestras posibles de tamao n obtenidas de una poblacin tendr una distribucin normal aproximada con la media de la distribucin de muestreo igual a y la variancia igual a 2/ n si se supone que el tamao de la muestra es suficientemente grande. PRUEBA DE HIPTESIS PARA UNA MEDIA Qu es una hiptesis? Hiptesis: enunciado acerca de una poblacin elaborada con el propsito de ponerse a prueba. Ejemplos de hiptesis acerca de un parmetro de poblacin son: la media mensual de ingresos para analistas de sistemas es $3625, el 20% de los delincuentes juveniles son capturados y sentenciados a prisin. CONCEPTO DE PRUEBA DE HIPTESIS Afirmacin acerca de los parmetros de la poblacin. Etapas Bsicas en Pruebas de Hiptesis.

Al realizar pruebas de hiptesis, se parte de un valor supuesto (hipottico) en parmetro poblacional. Despus de recolectar una muestra aleatoria, se compara la estadstica muestral, as como la media (x), con el parmetro hipottico, se compara con una supuesta media poblacional (). Despus se acepta o se rechaza el valor hipottico, segn proceda. Se rechaza el valor hipottico slo si el resultado muestral resulta muy poco probable cuando la hiptesis es cierta. Etapa 1.- Planear la hiptesis nula y la hiptesis alternativa. La hiptesis nula (H0) es el valor hipottico del parmetro que se compra con el resultado muestral resulta muy poco probable cuando la hiptesis es cierta. Etapa 2.- Especificar el nivel de significancia que se va a utilizar. El nivel de significancia del 5%, entonces se rechaza la hiptesis nula solamente si el resultado muestral es tan diferente del valor hipottico que una diferencia de esa magnitud o mayor, pudiera ocurrir aleatoria mente con una probabilidad de 1.05 o menos. Etapa 3.- Elegir la estadstica de prueba. La estadstica de prueba puede ser la estadstica muestral (el estimador no segado del parmetro que se prueba) o una versin transformada de esa estadstica muestral. Por ejemplo, para probar el valor hipottico de una media poblacional, se toma la media de una muestra aleatoria de esa distribucin normal, entonces es comn que se transforme la media en un valor z el cual, a su vez, sirve como estadstica de prueba. Definiciones Hiptesis nula H0: afirmacin acerca del valor de un parmetro poblacional. Hiptesis alterna H1: afirmacin que se aceptar si los datos mustrales proporciona evidencia de que la hiptesis nula es falsa. Nivel de significancia: probabilidad de rechazar la hiptesis nula cuando es verdadera. Error Tipo I: rechazar la hiptesis nula cuando en realidad es verdadera. Error Tipo II: aceptar la hiptesis nula cuando en realidad es falsa. Estadstico de prueba: valor obtenido a partir de la informacin muestral, se utiliza para determinar si se rechaza o no la hiptesis. Valor crtico: el punto que divide la regin de aceptacin y la regin de rechazo de la hiptesis nula. Valor p en la prueba de hiptesis Valor p: es la probabilidad de observar un valor muestral tan extremo o ms que el

valor observado, dado que la hiptesis nula es verdadera. Si el valor p es menor que el nivel de significancia, H0 se rechaza. Si el valor p es mayor que el nivel de significancia, H0 no se rechaza ANLISIS DE REGRESIN CONCEPTOS BSICOS DE SERIES DE TIEMPO Se llama Series de Tiempo a un conjunto de mediciones de cierto fenmeno o experimento registrado secuencialmente en el tiempo. El primer paso para analizar una serie de tiempo es graficarla, esto permite: identificar la tendencia, la estacionalidad, las variaciones irregulares (componente aleatoria). Un modelo clsico para una serie de tiempo, puede ser expresada como suma o producto de tres componentes: tendencia, estacional y un trmino de error aleatorio. En adelante se estudiar como construir un modelo para explicar la estructura y prever la evolucin de una variable que observamos a lo largo del tiempo.

METODO DE MINIMOS CUADRADOS

Modelo de mnimos cuadrados ordinarios El anlisis de regresin trata de la dependencia de las variables explicativas, con el objeto de estimar y/o predecir la media o valor promedio poblacional de la variable dependiente en trminos de los valores conocidos o fijos de las variables explicativas. Se trata de encontrar un mtodo para hallar una recta que se ajuste de una manera adecuada a la nube de puntos definida por todos los pares de valores mustrales (Xi,Yi). Este mtodo de estimacin se fundamenta en una serie de supuestos, los que hacen posible que los Estimadores poblacionales que se obtienen a partir de una muestra, adquieran propiedades que permitan sealar que los estimadores obtenidos sean los mejores. Pues bien, el mtodo de los mnimos cuadrados ordinarios consiste en hacer mnima la suma de los cuadrados residuales, es decir lo que tenemos que hacer es hallar los estimadores que hagan que esta suma sea lo ms pequea posible.

Los supuestos del mtodo MCO son los que se presentan a continuacin: Supuesto 1 El modelo de regresin es lineal en los parmetros: Yi = _ + _*Xi +_i La linealidad de los parmetros se refiere a que los _s son elevados solamente a la primera potencia. Supuesto 2 Los valores que toma el regresor X son considerados fijos en muestreo repetido. Esto quiere decir que la variable X se considera no estocstica. Este supuesto implica que el anlisis de regresin es un anlisis condicionado a los valores dados del (los) regresores. Supuesto 3 Dado el valor de X, el valor esperado del trmino aleatorio de perturbacin _i es cero. E ( _i/Xi ) = 0 Cada poblacin de Y corresponde a un X dado, est distribuida alrededor de los valores de su media con algunos valores de Y por encima y otros por debajo de sta. Las distancias por encima y por debajo de los valores medios son los errores, y la ecuacin antes sealada requiere que en promedio estos valores sean cero. Supuesto 4 Homoscedasticidad. Dado el valor de X, la varianza de _i es la misma para todas las observaciones. Var (_i/Xi ) = E (_i E(_i)/ Xi)2 = E (_i2/Xi ) =_ Esta ecuacin seala que la varianza de las perturbaciones para cada Xi es algn nmero positivo igual a _. Homoscedastidad significa igual dispersin, en otras palabras significa que las poblaciones Y correspondientes a diversos valores de X tienen la misma varianza. Por el contrario, se dice que existe heteroscedasticidad

cuando la varianza poblacional, ya no es la misma en cada muestra. El supuesto de homoscedasticidad est indicando que todos los valores de Y correspondientes a diversos valores de X son igualmente importantes. Supuesto 5 Dados dos valores cualquiera de X, Xi y Xj ( i " j ), la correlacin entre _i y _j cualquiera ( i " j ) es cero. Cov ( _i, _j / Xi, Xj ) = E (_i E(_i)/ Xi) (_j E (_j/Xj )) = E (_i/Xi ) (_j/Xj ) =0 Este supuesto indica que las perturbaciones no estn correlacionadas. Esto significa que los errores no siguen patrones sistemticos. La implicancia del no cumplimiento de este supuesto (existencia de autocorrelacin) implicara que Yt no depende tan slo de Xt sino tambin de _t1, puesto que _t1 determina en cierta forma a _t. Supuesto 6 La covarianza entre _i y Xi es cero, formalmente: Cov (_i/Xi ) = E (_i E(_i)) (Xi E(Xi)) = E (_i (Xi E(Xi))) = E (_i Xi E(Xi) E(_i)) = E (_i Xi) =0 Este supuesto indica que la variable X y las perturbaciones no estn correlacionadas. Si X y _ estuvieran relacionadas, no podran realizarse inferencias sobre el comportamiento de la variable endgena ante cambios en las variables explicativas. Supuesto 7 El nmero de observaciones debe ser mayor que el nmero de parmetros a estimar. Supuesto 8

Debe existir variabilidad en los valores de X. No todos los valores de una muestra dada deben ser Iguales. Tcnicamente la varianza de X debe ser un nmero finito positivo. Si todos los valores de X son idnticos entonces se hace imposible la estimacin de los parmetros. Supuesto 9 El modelo de regresin debe ser correctamente especificado, esto indica que no existe ningn en el modelo a estimar. La especificacin incorrecta o la omisin de variables importantes, harn muy cuestionable la validez de la interpretacin de la regresin estimada. Supuesto 10 No hay relaciones perfectamente lineales entre las variables explicativas. No existe multicolinealidad perfecta. Aunque todas las variables econmicas muestran algn grado de relacin entre s, ello no produce excesivas dificultades, excepto cuando se llega a una situacin de dependencia total, que es lo que se excluy al afirmar que las variables explicativas son linealmente dependientes.

BIBLIOGRAFA http://www.monografias.com/trabajos15/estadistica/estadistica.shtml#MEDICION http://www.aulafacil.com/CursoEstadistica/Lecc-3-est.htm Carpeta Estadstica. Aprenda Fcil. Grupo Patria Cultural. http://www.gestiopolis.com/recursos/experto/catsexp/pagans/eco/44/distrinormal.ht m http://server2.southlink.com.ar/vap/MEDIDAS.htm http://pdf.rincondelvago.com/metodo-de-minimos-cuadrados-ordinarios.html