Académique Documents
Professionnel Documents
Culture Documents
=
n
i
n
i
i i
n
i
n
i
n
i
i i i i
x x n
y x y x n
b
1 1
2 2
1 1 1
) ( *
* * *
Mtodo de regresin lineal c | o + + = x y *
Ejemplo Modelo de regresin lineal
En base a los siguientes datos histricos de publicidad y
ventas de un producto X . se requiere proyectar las ventas
( mm$ ) , si la publicidad para un proyecto de un producto
similar ser de 25 mm$.
Si graficamos ,
Qu observamos?
Publicidad (mm$) Ventas (mm$)
5,4 40,0
6,1 45,0
6,9 46,0
8,0 49,0
9,0 52,0
10,0 50,0
11,0 58,0
12,0 60,0
13,0 64,0
14,0 60,0
15,0 70,0
16,0 73,0
16,5 78,0
18,0 79,0
19,0 82,0
21,0 84,0
20,0 88,0
22,0 89,0
Ejemplo Modelo de regresin lineal
Dado que se observa una tendencia lineal , podemos aplicar el
modelo de regresin lineal para pronosticar las ventas (y) para una
publicidad (x) de 25 mm$
Necesitamos calcular a y b
= =
= = =
=
n
i
n
i
i i
n
i
n
i
n
i
i i i i
x x n
y x y x n
b
1 1
2 2
1 1 1
) ( *
* * *
n x b y a
n
i
i
n
i
i
/ ) (
1 1
= =
=
99 , 2
) 243 ( 752 . 3 * 18
167 . 1 * 243 165 . 17 * 18
2
=
= b
53 , 24 18 / ) 243 * 99 , 2 167 . 1 ( = = a
x y * 99 , 2 53 , 24 + =
$ 99 25 * 99 , 2 53 , 24
mm y = + =
x y
Publicidad (mm$) Ventas (mm$)
5,4 40,0
6,1 45,0
6,9 46,0
8,0 49,0
9,0 52,0
10,0 50,0
11,0 58,0
12,0 60,0
13,0 64,0
14,0 60,0
15,0 70,0
16,0 73,0
16,5 78,0
18,0 79,0
19,0 82,0
21,0 84,0
20,0 88,0
22,0 89,0
Observ
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
x*y x*x
216 29
275 37
317 48
392 64
468 81
500 100
638 121
720 144
832 169
840 196
1.050 225
1.168 256
1.287 272
1.422 324
1.558 361
1.764 441
1.760 400
1.958 484
17.165 3.752
Suma 243 1.167
Si insertamos en el grafico , la recta
correspondiente al modelo aplicado ,
tenemos que podemos visualizar la
diferencia entre los valores observados y
estimados para las ventas
Y por lo tanto en base a estas diferencias ,
podemos estimar el error de pronostico
del modelo
En estudio de construccin de
estimadores , se ha determinado que el
mejor estimador del error de pronostico
del modelo lineal esta dado por la
siguiente formula ,
El que se denomina error estndar
Mtodo de Regresin lineal
i i
y y
) 2 (
) (
1
2
=
=
n
y y
s
n
i
i i
e
En el ejemplo , para calcular el error estndar ,
primero debemos calcular el valor estimado para cada x
observado, aplicando el modelo
Luego la diferencia entre el valor real y el pronosticado al
cuadrado y aplicar la formula
) 2 (
) (
1
2
=
=
n
y y
s
n
i
i i
e
Ejemplo calculo error estndar
7 , 2
16
113
= = e s
x y * 99 , 2 53 , 24 + =
X Y
Unidad Publicidad (mm$) Ventas (mm$)
1 5,4 40,0
2 6,1 45,0
3 6,9 46,0
4 8,0 49,0
5 9,0 52,0
6 10,0 50,0
7 11,0 58,0
8 12,0 60,0
9 13,0 64,0
10 14,0 60,0
11 15,0 70,0
12 16,0 73,0
13 16,5 78,0
14 18,0 79,0
15 19,0 82,0
16 21,0 84,0
17 20,0 88,0
18 22,0 89,0
Suma 243 1.167
Yest
Vtas estimadas
40,7
42,7
45,1
48,4
51,4
54,4
57,4
60,4
63,4
66,3
69,3
72,3
73,8
78,3
81,3
87,2
84,3
90,2
1.167
Y-Yest (Y-Yest)*(Y-Yest)
-0,7 0,43
2,3 5,06
0,9 0,74
0,6 0,33
0,6 0,35
-4,4 19,34
0,6 0,38
-0,4 0,14
0,6 0,41
-6,3 40,24
0,7 0,45
0,7 0,47
4,2 17,56
0,7 0,51
0,7 0,52
-3,2 10,55
3,7 13,97
-1,2 1,53
0,0 113,0
En este modelo de regresin es til adems , el empleo
de dos coeficientes :
Coeficiente de correlacin ( r ) , mide el grado de
relacin que existe entre las dos variables .
Este coeficiente varia entre -1 y 1 .-
Coeficiente de determinacin ( ) , mide cuanto del
comportamiento de la variable , esta explicada por el
modelo de regresin
Este coeficiente varia entre 0 y 1
2
r
( ) | | ( ) | |
| |
2
2
2
2
2
* * *
* * *
=
y x y x n
y y n x x n r
Mtodo de Regresin lineal
Ejemplo calculo de coeficiente de correlacin
En nuestro ejemplo, tendramos que estos indicadores son iguales a
Qu significan estos valores?
% 4 , 97 _ _ 974 , 0
% 7 , 98 _ _ 987 , 0
2
r
r
=
=
x y
Observ Publicidad (mm$) Ventas (mm$) x*y x*x y*y
1 5,4 40,0 216 29 1.600
2 6,1 45,0 275 37 2.025
3 6,9 46,0 317 48 2.116
4 8,0 49,0 392 64 2.401
5 9,0 52,0 468 81 2.704
6 10,0 50,0 500 100 2.500
7 11,0 58,0 638 121 3.364
8 12,0 60,0 720 144 3.600
9 13,0 64,0 832 169 4.096
10 14,0 60,0 840 196 3.600
11 15,0 70,0 1.050 225 4.900
12 16,0 73,0 1.168 256 5.329
13 16,5 78,0 1.287 272 6.084
14 18,0 79,0 1.422 324 6.241
15 19,0 82,0 1.558 361 6.724
16 21,0 84,0 1.764 441 7.056
17 20,0 88,0 1.760 400 7.744
18 22,0 89,0 1.958 484 7.921
Suma 243 1.167 17.165 3.752 80.005
Requieren que relacin existente entre la variable
dependiente y la(s) independientes se pueda explicar
con un modelo matemtico.
Dado que son mtodos estadsticos , es posible a
priori estimar el error de pronostico.
Requieren de informacin confiable
En resumen los mtodo de Regresin
Cualquier variable ,que conste de datos reunidos ,
registrados u observados sobre incrementos
sucesivos de tiempo se denomina serie de tiempo .
Ejemplos de series de tiempo
Tipo de cambio del dolar observado por mes Ao 2008-2010
400
450
500
550
600
650
700
.
0
1
.
0
8
.
0
3
.
0
8
.
0
5
.
0
8
.
0
7
.
0
8
.
0
9
.
0
8
.
1
1
.
0
8
.
0
1
.
0
9
.
0
3
.
0
9
.
0
5
.
0
9
.
0
7
.
0
9
.
0
9
.
0
9
.
1
1
.
0
9
.
0
1
.
1
0
.
0
3
.
1
0
.
0
5
.
1
0
.
0
7
.
1
0
.
0
9
.
1
0
Qu son las Series de tiempo ?
Tendencia Consumo de Marihuana en Chile
desde 1994 a 2008
0
5
10
15
20
25
30
1994 1996 1998 2000 2002 2004 2006 2008
Ao
%
Alguna vez en la vida Alguna vez en el ultimo ao Alguna vez en el ultimo mes
Fuente : Encuestas del Consejo Nacional para el Control de
Estupefacientes ( Conace)
Fuente : Sitio de internet
Si bien el comportamiento de cualquier serie de tiempo puede
observarse grficamente , no en todos los casos es posible
distinguir las particularidades que cada una puede contener.
La experiencia , sin embargo ha revelado que existen ciertos
movimientos o variaciones caractersticas que pueden medirse y
observarse y son causados por fenmenos distintos.
Estos movimientos o componentes bsicos son :
Tendencia
Variacin cclica
Variacin estacional
Variacin aleatoria
Comportamiento de Series de tiempo
La tendencia de una serie es el componente que en un
largo periodo :
Crece
Disminuye
Se estabiliza
Algunos factores que ayudan a explicar la tendencia de
una serie son:
Crecimiento de la poblacin
La inflacin de precios
El cambio tecnolgico
Los incrementos en la productividad .
Series de tiempo - Tendencia
La variacin cclica, es el componente que se refiere a
ascenso y descenso de una serie de tiempo en
periodos mayores de un ao.
Se reflejan en un grfico como oscilaciones de larga
duracin alrededor de la lnea o curva de tendencia
Un ejemplo de este tipo de variacin son los ciclos
de los negocios ,
cuyas fluctuaciones cclicas estn influidas por
cambios de expansin y contraccin de la
economa.
Series de tiempo -Variacin cclica
El componente estacional se refiere a fluctuaciones que
se observan en series de tiempo cuya frecuencia es
menor a un ao (trimestral , mensual, diaria ,)
aproximadamente en las mismas fechas y casi con la
misma intensidad .
Las variaciones estacionales responden
fundamentalmente a factores relacionados con :
El clima
Lo institucional
Las expectativas
Y no a factores de tipo econmico.
Series de tiempo Variacin estacional
Ejemplo de variaciones estacionales
El mayor monto de recaudaciones por impuesto a
la renta se observa en el mes de Abril
Ventas de piscina plsticas son mayores en los
meses de primavera y verano , que en los de
otoo e invierno.-
La venta efectuada por personal comisionista es
mayor en fechas cercanas al cierre mensual.
Series de tiempo Variacin estacional
La variacin aleatoria o irregular se debe a factores
imprevistos y no recurrentes que afectan a la serie de
tiempo.
Existen dos tipo de variacin irregular:
Las variaciones que son provocadas por
acontecimientos especiales, fcilmente
identificables , como inundaciones, huelgas,
terremotos , .
Las variaciones aleatorias o por casualidad, cuyas
causas no se pueden sealar en forma exacta, pero
que tienden a equilibrarse a la larga
Series de tiempo Variacin aleatoria
Dada la existencia de estos componentes , al utilizar
una serie de tiempo como mtodo de pronostico , es
necesario tener en consideracin el comportamiento
de cada uno de estos componentes.
aislando o suavizando los efectos , para lograr una
mejor estimacin .-
Mtodos de pronostico Series de tiempo
Mtodos para realizar pronsticos a corto plazo , suavizando el
efecto tendencia
Promedios mviles
Afinamiento exponencial
Mtodo para aislar el efecto estacional y realizar pronsticos a
mediano plazo
ndice o factor estacional
Mtodo de anlisis de regresin , para pronsticos a largo plazo ,
estos se pueden aplicar a una serie de promedios mviles para
suavizar el efecto de tendencia
Mtodo para realizar pronsticos considerando el efecto
estacional y la tendencia de la variable
Anlisis regresin ajustado por factores estacionales
Mtodos de pronostico Series de tiempo
Promedio mvil (PMS)
Promedio mvil es el valor promedio de k valores
contiguos de una serie .
Se construye sustituyendo cada valor de una serie
por el promedio obtenido con esa observacin y
los (k-1) valores inmediatamente anteriores .
A medida que se avanza en la serie , se agrega un
nuevo valor y se elimina el ms antiguo.
Con este promedio mvil, se pronostica el periodo
inmediatamente posterior.
k
y
PMS
i
k i
i
i
+ +
=
1
En base a la informacin de ventas pilas AA los ltimos doce meses,
se requiere pronosticar las ventas para el mes 13 , utilizando el
mtodo de promedio mvil , considerando k=3 y k=4
Ejemplo : Promedio mvil (PMS)
Cul de
estos
pronsticos
es mejor?
Mes Ventas
miles
1 15
2 15
3 20
4 20
5 30
6 40
7 42
8 46
9 40
10 40
11 40
12 43
Prom. movil
k=3
16,7
18,3
23,3
30,0
37,3
42,7
42,7
42,0
40,0
41,0
Pronostico
k=3
16,7
18,3
23,3
30,0
37,3
42,7
42,7
42,0
40,0
13 41,0
Prom. movil Pronostico
k=4 k=4
17,5
21,3 17,5
27,5 21,3
33,0 27,5
39,5 33,0
42,0 39,5
42,0 42,0
41,5 42,0
40,8 41,5
40,8
Si graficamos los pronsticos y las ventas reales.
Qu observamos?
Ejemplo : Promedio mvil (PMS)
Para cuantificar este error de pronostico , podemos
calcular la diferencia absolutas entre las ventas reales y las
pronosticadas y luego para resumir esta informacin calcular
el promedio (DAM). .
En base a
estos
resultados es
mas
conveniente
utilizar k= 3
periodos para
pronosticar el
mes 13.
Ejemplo : Promedio mvil (PMS)
Mes Ventas Pronostico
miles k=3
1 15
2 15
3 20
4 20 16,7
5 30 18,3
6 40 23,3
7 42 30,0
8 46 37,3
9 40 42,7
10 40 42,7
11 40 42,0
12 43 40,0
Error Abs
k=3
3,3
11,7
16,7
12,0
8,7
2,7
2,7
2,0
3,0
DAM 7,0
Pronostico Error Abs
k=4 k=4
17,5 12,5
21,3 18,8
27,5 14,5
33,0 13,0
39,5 0,5
42,0 2,0
42,0 2,0
41,5 1,5
DAM 8,1
Afinamiento exponencial
El promedio mvil para su pronstico solo utiliza k datos de
los disponibles , el mtodo denominado afinamiento
exponencial los considera a todos .
La formula a utilizar es :
Donde :
= pronstico del periodo (i+1)
= es un valor entre 0 y 1
= valor real del periodo i
Este calculo se traslada por todos los datos histricos que se
estn analizando , dando mayor peso a los datos ms recientes
y disminuyendo el efecto de las antiguas.
i i i
y y y
* ) 1 ( *
1
o o + =
+
1
+ i
y
i
y
Afinamiento exponencial - Seleccin
El valor de , lo define el analista , pero en general se
recomienda :
Un valor elevado de para estimar la demanda de nuevos
productos o para casos en que la demanda esta en proceso de
cambio ( por ser dinmica o inestable ) , para dar mayor
importancia a los valores mas reciente.
valores apropiados podran ser 0,7 0,8 o 0,9 .
Si la variable es muy estable y se piensa que puede ser
representativa del futuro , el analista podr optar por un valor
bajo de para disminuir cualquier ruido que hubiera podido
presentarse en forma repentina.
Valores apropiados podran ser 0,1 - 0,2 o 0,3
Cuando la variable a pronosticar es ligeramente inestable ,
coeficiente de suavizacin de 0,4 0,5 o 0,6 pueden
proporcionar datos mas precisos.
Ejemplo de mtodo Afinamiento exponencial
Dado los siguientes datos de venta para los ltimos doce meses, se
requiere pronosticar las ventas para el mes 13, considerando un
valor de alfa de 0,80
Debemos calcular para cada mes un
pronostico , empleando la formula
Para el primer mes , emplearemos como
pronostico el valor observado para ese
mes.-
i i i
y y y
* ) 1 ( *
1
o o + =
+
Mes Ventas
miles
1 15
2 16
3 20
4 20
5 30
6 40
7 42
8 46
9 40
10 40
11 40
12 43
Ejemplo de mtodo Afinamiento exponencial
Luego el resultado es el siguiente :
i i i
y y y
* 2 , 0 * 8 , 0
1
+ =
+
Pronostico
Mes Ventas Afinamiento
miles =0,80
1 15 15,0
2 16 15,0
3 20 15,8
4 20 19,2
5 30 19,8
6 40 28,0
7 42 37,6
8 46 41,1
9 40 45,0
10 40 41,0
11 40 40,2
12 43 40,0
Ejemplo de mtodo Afinamiento exponencial
Siempre es importante dar una medida que resume el error de
pronostico , podemos calcular la desviacin media absoluta.
Pronostico
Mes Ventas Afinamiento Error
miles =0,80 absoluto
1 15 15,0 0,0
2 16 15,0 1,0
3 20 15,8 4,2
4 20 19,2 0,8
5 30 19,8 10,2
6 40 28,0 12,0
7 42 37,6 4,4
8 46 41,1 4,9
9 40 45,0 5,0
10 40 41,0 1,0
11 40 40,2 0,2
12 43 40,0 3,0
DAM
13 42,4 3,9
En resumen
Para todos estos mtodos , dado que son cuantitativos , es
posible calcular el error de pronstico .-
Solo permiten proyectar el periodo siguiente .
El mes siguiente , el trimestre siguiente , .
Pero son tambin muy tiles para suavizar tendencia y emplear
estas nuevas series en mtodos de pronsticos de largo plazo.
Series de tiempo-Pronstico a corto plazo
Mtodo para aislar el efecto estacional
Consiste en calcular un nmero ndice o factor estacional
que sea representativo de cada estacin
FE (i ) = V (i ) / Promedio V (i) en donde
V(i) = valor de la variable en el periodo i
Para posteriormente incorporarlos al pronstico para
darle representacin al resultado obtenido
VP (i) = FE (i) * VT / n , en donde
VT = valor total proyectado para prximo periodo
n = nmero de estaciones
Ejemplo :Mtodo para aislar el efecto estacional
Tenemos las siguientes ventas por estacin para el ao 2011
Verano : 342
Otoo : 210
Invierno : 320
Primavera : 120
Si se estima producir para el ao 2012 , 1.680 unidades ,
Cual seria la venta proyectada por estacin?
Ejemplo :Mtodo para aislar el efecto estacional
Primero calculamos el promedio por estacin , luego los factores
estacionales
Luego aplicando la formula VP (i) = FE (i) * VT / n
Tenemos que VT = 1.680 , n = 4 ; luego 1.680/4 = 420 que
corresponde al valor promedio por estacin proyectado
Por lo tanto las ventas proyectadas por estacin para el ao 2012
serian :
Verano = 1,379 *420 = 579
Otoo = 0,847 *420 = 356
Invierno = 1,290 *420 =542
Primavera = 0,484*420 =203
Estacion Vtas (mm$) 2011 Factor
Verano 342 .342/248=1,379
Otoo 210 .210/248=0,847
Invierno 320 .320/248=1,290
Primavera 120 .120/248=0,484
Promedio 248
Ejemplo :Mtodo para aislar el efecto estacional
Si graficamos esta informacin ,
se puede ver que permanece en la proyeccin la
estacionalidad observada el ao anterior.-
Estacion Vtas (mm$) 2011 Factor Vtas proyect 2012
Verano 342 .342/248=1,379 579
Otoo 210 .210/248=0,847 356
Invierno 320 .320/248=1,290 542
Primavera 120 .120/248=0,484 203
Promedio 248 420
Series de tiempo : Anlisis de regresin
Para realizar pronostico a largo plazo , se debe estudiar
que relacin existe entre el comportamiento de la
variable y el tiempo .
Luego lo que se realiza son modelo de regresin , en
donde la variable independiente es el tiempo.
Veremos un ejemplo , aplicando regresin lineal.
Tipo de tendencia lineal
Ejemplo mtodo de regresin lineal ,
Supngase que tenemos las ventas de un producto
entre los aos 2001-2011 y se requiere pronosticar
las ventas para los prximos tres aos.
Ao Ao Ventas (mm$)
2.001 1 40
2.002 2 50
2.003 3 80
2.004 4 45
2.005 5 90
2.006 6 120
2.007 7 140
2.008 8 170
2.009 9 180
2.010 10 220
2.011 11 240
r = 0,972 97,2%
r al cuadrado 0,944 94,4%
Ejemplo Anlisis regresin lineal ,
Para pronosticar los prximos tres aos necesitamos ,
determinar los parmetros del modelo : y = a +b*x.
( )
( ) ( ) (
(
=
2
2
*
* *
x x n
y x xy n
b
n x b y a / ) * (
=
Ao Ao Ventas (mm$) x*y x*x
2.001 1 40 40 1
2.002 2 50 100 4
2.003 3 80 240 9
2.004 4 45 180 16
2.005 5 90 450 25
2.006 6 120 720 36
2.007 7 140 980 49
2.008 8 170 1.360 64
2.009 9 180 1.620 81
2.010 10 220 2.200 100
2.011 11 240 2.640 121
Suma 66 1.375 10.530 506
Ejemplo Anlisis regresin lineal ,
Por lo tanto los valores estimados de venta para tres
aos siguientes , se obtienen calculando la siguiente
formula
para x: 12 , 13 , 14
x y * 73 . 20 64 , 0
+ =
Ao Vtas proyectadas (mm$)
2012 12 249
2013 13 270
2014 14 291
Ejemplo Anlisis regresin lineal
Y podemos adems cuantificar el error de pronostico ,
calculando el error estndar.
) 2 (
(
2
)
=
n
y y
s
est
e
6 , 17
) 2 11 (
792 . 2
=
= e s
x Y Yest
Ao Ao Ventas (mm$) Vtas estimadas Y-Yest (Y-Yest)*(Y-Yest)
2.001 1 40 21,4 18,6 347,31
2.002 2 50 42,1 7,9 62,55
2.003 3 80 62,8 17,2 295,21
2.004 4 45 83,5 -38,5 1.485,75
2.005 5 90 104,3 -14,3 203,71
2.006 6 120 125,0 -5,0 25,00
2.007 7 140 145,7 -5,7 32,80
2.008 8 170 166,5 3,5 12,57
2.009 9 180 187,2 -7,2 51,58
2.010 10 220 207,9 12,1 146,19
2.011 11 240 228,6 11,4 129,13
Suma 66 1.375 1.375 0 2.792
Pronostico : considera tendencia y efecto estacional
Primero se determina la tendencia y luego se modifican los
datos proyectados considerando la estacionalidad.
Ejemplo ,
Se tienen las ventas por estacin para los aos 2010 y 2011 , y se
requiere pronosticar las ventas para el ao 2012.
Ao Estacion Periodo Vtas (mm$)
2.010 Verano 1 280
Otoo 2 180
Invierno 3 200
Primavera 4 510
2.011 Verano 5 500
Otoo 6 400
Invierno 7 380
Primavera 8 680
Ejemplo , primero se considera tendencia ( t )
Primero calcularemos , los valores de a y b , para obtener la recta
de la tendencia ( t )
n x b y a / ) * (
=
( )
( ) ( ) (
(
=
2
2
*
* *
x x n
y x xy n
b
( )
( ) ( )
3 , 52
36 204 * 8
130 . 3 * 36 280 . 16 * 8
2
=
(
= b
1 , 156 8 / ) 36 * 3 , 52 130 . 3 ( = = a
i i
x t * 3 , 52 1 , 156 + =
x y
Ao Estacion Periodo Vtas (mm$) x*y x*x
2.010 Verano 1 280 280 1
Otoo 2 180 360 4
Invierno 3 200 600 9
Primavera 4 510 2.040 16
2.011 Verano 5 500 2.500 25
Otoo 6 400 2.400 36
Invierno 7 380 2.660 49
Primavera 8 680 5.440 64
Suma 36 3.130 16.280 204
Ejemplo , segundo calcular valores de t para cada
estacin , aplicando
i i
x t * 3 , 52 1 , 156 + =
x t
Ao Estacion Periodo Vtas (mm$) Tendencia
2.010 Verano 1 280 208
Otoo 2 180 261
Invierno 3 200 313
Primavera 4 510 365
2.011 Verano 5 500 417
Otoo 6 400 470
Invierno 7 380 522
Primavera 8 680 574
2.012 Verano 9 626
Otoo 10 679
Invierno 11 731
Primavera 12 783
Ejemplo , tercero se calcula el factor vtas reales /tendencia
para cada estacin
para luego promediar los factores correspondiente a las estaciones
similares , obteniendo el factor estacional , para cada estacin
i i
t y /
x y t Factor
Ao Estacion Periodo Vtas (mm$) Tendencia vtas/tend
2.010 Verano 1 280 208 1,34
Otoo 2 180 261 0,69
Invierno 3 200 313 0,64
Primavera 4 510 365 1,40
2.011 Verano 5 500 417 1,20
Otoo 6 400 470 0,85
Invierno 7 380 522 0,73
Primavera 8 680 574 1,18
Factor
estacional
1,27
0,77
0,68
1,29
Ejemplo , y por ultimo se ajusta el valor de
tendencia calculado para el ao 2012 por el
factor estacional .
x y t Factor Factor
Ao Estacion Periodo Vtas (mm$) Tendencia vtas/tend estacional
2.010 Verano 1 280 208 1,34 1,27
Otoo 2 180 261 0,69 0,77
Invierno 3 200 313 0,64 0,68
Primavera 4 510 365 1,40 1,29
2.011 Verano 5 500 417 1,20
Otoo 6 400 470 0,85
Invierno 7 380 522 0,73
Primavera 8 680 574 1,18
Vtas pronosticadas
2.012 Verano 9 796 626 1,27
Otoo 10 523 679 0,77
Invierno 11 500 731 0,68
Primavera 12 1.011 783 1,29
Pronostico para el ao 2012 2.830
Por ultimo si graficamos se puede visualizar que
se respeto la tendencia y la estacionalidad .
0
200
400
600
800
1.000
1.200
1 2 3 4 5 6 7 8 9 10 11 12
Vtas reales y proyec con ajuste tendencia
Existen muchos mtodos de pronsticos a utilizar segn:
La validez y disponibilidad de datos histricos
La precisin deseada del pronostico
El anlisis de costo beneficio del pronostico
Los periodos futuros que se desee pronosticar
El tiempo disponible para hacer el estudio
La posibilidad real , de que a futuro , cambien las
condiciones en que se desarrolla el proyecto ,
recomienda el uso complementario de ms de una
tcnica
En resumen
Ahora a desarrollar el laboratorio N2
Prxima clase :
Actividad : 1era prueba ( ponderacin 17%)
Lugar : Sala K 20