FINANZAS CORPORATIVAS

UNIDAD 3 PRONOSTICOS FINANCIEROS

SEMANA 6.
TEMA: 6. MTODOS DE PRONSTICOS1
Los mtodos de pronstico se pueden clasificar en dos grupos: mtodos
cualitativos y mtodos cuantitativos
CUALITATIVOS
Mtodo Delphi

Consenso de un panel

Estudio o
mercado

Analoga histrica

Pronstico
visionario
construccin de escenarios.

investigacin

CUANTITATIVOS
Anlisis de series de tiempo:
Promedios mviles
Suavizacin exponencial
Mtodo de Box-Jenkins
de Descomposicin de series de
tiempo
Modelos causales o explicativos
Modelos de regresin
o Tasa de crecimiento
Crecimiento exponencial
Modelos economtricos
Modelos de insumo-producto o
entrada-salida

6.1 MTODOS CUALITATIVOS

Se basan en el criterio, las creencias, las expectativas y los juicios subjetivos de
quien elabora el pronstico para obtener estimaciones cuantitativas del
comportamiento de una variable a partir de informacin cualitativa. Se utilizan
cuando no existen datos suficientes para elaborar un pronstico o cuando stos
son difciles de manipular numricamente.
Los elementos que intervienen en los pronsticos cualitativos son: el pensamiento
intuitivo, el juicio y la acumulacin de conocimientos,2 por lo que para elaborar
este tipo de pronsticos es comn recurrir a especialistas de diversas disciplinas
que puedan aportar juicios basados en la experiencia que sean tiles para los
fines del pronstico.
Los principales mtodos cualitativos de pronsticos son los siguientes:

Mtodo Delphi

Tomado y adaptado de Alemn Castilla mara, Gonzlez Zabaleta Edmundo, MODELOS

FINANCIEROS EN EXCEL, CECSA, ITM; Edic. 1, Mxico, 2003
2
Ob, cit, Stoner: pg. 211.

Se utiliza para pronosticar variables a largo plazo y para pronsticos tecnolgicos.

Para aplicar este mtodo se requiere un grupo de expertos relacionados con el
pronstico que se desea realizar y un coordinador del grupo que enva a los
expertos una serie de cuestionarios diseados para obtener informacin sobre el
pronstico deseado. Los expertos no tienen contacto personal pero a partir de las
respuestas a cada cuestionario llegan a un contacto y generan el pronstico

Consenso de un panel

Se utiliza para elaborar pronsticos de ventas de productos nuevos, pronsticos a

largo plazo y pronsticos tecnolgicos y consiste en formar un panel de expertos
para que dialogue sobre el tema de estudio hasta llegar a un consenso que
equivale al pronstico. Una de las desventajas del mtodo es que ciertos factores
sociales como la falta de disposicin de las personas para escuchar a los dems,
la resistencia a ceder, as como las jerarquas entre los miembros de panel,
pueden impedir que se llegue al consenso.

Estudio o investigacin de mercado

Es un procedimiento formal para validar una hiptesis sobre el comportamiento de

un producto nuevo en el mercado. Se basa en el uso de encuestas y cuestionarios
para obtener informacin de los consumidores y en el anlisis estadstico de las
variables del mercado.
Para Merdenhall, Reinmuth y Beaver, el mtodo consiste en identificar a la
poblacin de compradores potenciales de un producto, seleccionar una muestra
representativa de dicha poblacin y, a travs de encuestas de opinin, encontrar la
proporcin p de la muestra que estara dispuesta a comprar el producto. El
pronstico de ventas se obtiene multiplicando N*p, donde N es el nmero de
compradores potenciales del producto.3
Generalmente las encuestas de opinin utilizan una forma de respuesta que
permite obtener informacin probabilstica de los encuestados, quienes para
responder a las preguntas seleccionan una palabra descriptiva como poco
probable, medianamente probable o altamente probable, entre otras, que
manifieste su intencin de compra del producto. Cada palabra se encuentra
asociada a una probabilidad de compra y el promedio de las probabilidades de
compra se utiliza como estimador de p, la proporcin de los que compraran el
producto.

Analoga histrica

Este mtodo supone que el comportamiento futuro de una variable se puede

determinar a partir de su comportamiento histrico. Se utiliza para conocer la
3

Mendenhall, William; Reinmuth, James; Beaverm Robert J. Statistics for Management and
Economics, 7 ed. Ed. Duxbury Press. California, U:S:A: 1978. Pg. 709.

probabilidad de que un producto nuevo tenga xito, tomando como parmetro las
ventas histricas de un producto similar introducido en el pasado, por lo que slo
se puede aplicar paras analizar productos pertenecientes a ambientes de mercado
similares.

Pronstico visionario o construccin de escenarios

Consiste en desarrollar hiptesis sobre la ocurrencia de eventos futuros que

permitan anticipar las consecuencias de diversos acontecimientos, respondiendo a
sientonces. Sin embargo, cuando la construccin de escenarios se basa
nicamente en la intuicin personal, el mtodo puede ser muy subjetivo y poco til;
pero cuando existe informacin relevante que respalde la construccin de los
escenarios, se pueden obtener pronsticos confiables.
La siguiente tabla relaciona los parmetros de exactitud y costo de los mtodos
cualitativos de pronstico.
MTODO DE PRONSTICO
Delphi
Consenso de un panel
Investigacin de mercado
Analoga histrica
Construccin de escenarios

EXACTITUD
Mala Regular Buena
X
X
X
X
X

Bajo

COSTO
Medio
X

Alto
X
X

X
X

6. 2 METODOS CUANTITATIVOS
Los mtodos cuantitativos son ms exactos que los cualitativos debido a que la
informacin que utilizan se puede manipular de manera numrica, por lo que es
conveniente aplicarlos cuando:
a) Existen datos numricos referentes al comportamiento histrico de la
variable que se desea pronosticar.
b) Se cuenta con informacin estadstica que permite especificar las
relaciones existentes entre las variables dependientes e independientes
que son relevantes para el pronstico.
c) Existe una suposicin de consistencia; es decir, se puede suponer que el
patrn de comportamiento de una variable se repetir en el futuro.
Los mtodos cuantitativos de pronstico se clasifican en anlisis de series de
tiempo y modelos causales.
6.2.1. Anlisis de series de tiempo

Una serie de tiempo es un conjunto ordenado de observaciones cuantitativas de

una misma variable registradas a lo largo del tiempo. En una serie de tiempo, la
variable independiente es el tiempo y la dependiente es la variable cuyas
observaciones se registran de manera sucesiva.
Los anlisis de series de tiempo se basan en la extrapolacin; es decir, recurren a
tendencias pasadas o presentes a fin de proyectar tendencias futuras.4 Por lo
tanto se utilizan cuando se cuenta con datos histricos referentes al
comportamiento de la variable que se desea pronosticar y cuando la tendencia de
la misma es estable.
A diferencia de los modelos causales, que pretenden explicar relaciones de causaefecto entre las variables, el objetivo de analizar series de tiempo es descubrir el
patrn de variacin que sigue la serie de datos histricos y extrapolar o proyectar
ese patrn hacia el futuro.
6.2.1.1

Componentes de una Serie de Tiempo

La variacin de una serie de tiempo est en funcin de cuatro componentes:

Serie de tiempo = f (tendencia, ciclo, estacionalidad) + error
Tendencia o variacin secular
Es un movimiento ascendente o descendente que, a largo plazo y de manera
sostenida, presenta una serie de tiempo. La tendencia u orientacin general de
una serie de tiempo es explicada por el comportamiento de otra variable. Por
ejemplo, la tendencia que sigue el Producto Interno Bruto (PIB) es resultado del
crecimiento en la produccin nacional o de cambios tecnolgicos

Variacin cclica
4

Pb, cit. Stoner: pg. 209.

Es un movimiento oscilatorio no peridico que debido a fluctuaciones econmicas

se registra a los largo de la tendencia en el mediano plazo; es difcil medir la
duracin de los ciclos, aunque a veces es superior a un ao. Por ejemplo, los
ciclos de auge y recesin que ocurren en los negocios se deben a variaciones en
la oferta y la demanda de los productos.

Variacin estacional o peridica

Es un cambio peridico o regular que se debe a factores fsicos, como el clima,
econmicos o de mercadotecnia ya que se registra en la serie de tiempo en el
corto plazo; casi nunca es mayor a un ao y dada su regularidad, es posible
precisar cundo ocurrir una variacin estacional. El auge que se presenta en la
venta de juguetes en la poca navidea es un ejemplo de variacin estacional

Variacin irregular, aleatoria o error

Son cambios que se presentan en una serie de tiempo y que se atribuyen a

factores especficos, impredecibles e incontrolables como las guerras, las
tormentas o las huelgas .

Los mtodos de pronstico basados en el anlisis de series de tiempo se dividen a

su vez en dos grupos; el primero est integrado por el mtodo de promedios
mviles, la suavizacin exponencial y el mtodo de Box-Jenkins, los cuales parten
de la identificacin del patrn completo que sigue la serie de tiempo para despus
proyectarlo hacia el futuro y pronosticar el comportamiento de la variable de
estudio, y el segundo grupo que incluye al mtodo de descomposicin de series
de tiempo, el cual, a diferencia de los mtodos que integran el grupo anterior,
consiste en aislar los cuatro componentes de la serie de tiempo, analizar por
separado el patrn de movimiento de cada uno y finalmente integrar los patrones
en un modelo para pronosticar el comportamiento de la variable.
6.2.1.2. Mtodos de pronsticos basados en el anlisis de series de tiempo
1. Mtodo de promedios mviles
Consiste en calcular el promedio de un conjunto de valores recientes de una
variable y utilizarlo como estimacin del valor que tendr la variable en el siguiente
periodo. Se utiliza el trmino de promedios mviles porque cada vez que se
tiene disponible una nueva observacin, puede calcularse un promedio nuevo,
eliminado la observacin ms antigua e incluyendo la ms reciente para realizar el
pronstico. De esta manera, el nmero de datos que incluye el pronstico es
siempre constante y contiene las observaciones ms recientes.5
El nmero de observaciones incluidas en el promedio y denotadas por N se debe
determinar de tal manera que se eliminen las variaciones estacionales o aleatorias
que presenta la serie de tiempo. Sin embargo, si el nmero de observaciones
incluidas en el promedio es muy grande, el pronstico ser poco sensible a las
variaciones presentadas en los datos y la serie proyectada al futuro seguir un
5

Ob, cit. Burs; pg. 21

patrn horizontal; por el contrario, si el valor de N es muy pequeo, la serie

proyectada seguir el mismo patrn que la serie actual pero retrasado algunos
periodos. Por lo tanto, se recomienda realizar pruebas con diferentes tamaos de
N para encontrar el nmero de observaciones que permitan obtener un pronstico
ms preciso.
El mtodo de promedios mviles tiene la desventaja de que slo permite
pronosticar el valor de la variable para un periodo y cada valor pronosticado se
debe incluir en el promedio para estimar el valor del siguiente periodo, por lo que
este mtodo se utiliza comnmente para elaborar pronsticos a corto plazo y para
hacer estimaciones de ventas futuras.
La frmula general para calcular un promedio mvil es la siguiente:

Pt 1

( X 1 X t 1 X t 2 ... X t N 1 )
N

donde::
Pt+1
Xt
N

= valor pronosticado para el periodo t + 1 (periodo futuro)

= valor de la variable en el periodo t (periodo actual)
= nmero de valores de la variable incluidos en el promedio

2. Mtodo de suavizacin exponencial

La suavizacin exponencial es similar al mtodo de promedios mviles, excepto
en que a los datos ms recientes se les da mayor ponderacin. En este mtodo el
pronstico nuevo es igual al pronstico del periodo anterior ms una correccin
proporcional al ltimo error observado.6 De la misma manera que el periodo de
promedios mviles, el mtodo de suavizacin exponencial se utiliza para realizar
pronsticos de ventas a corto plazo, especialmente en industrial maduras.
La frmula general en la que se basa este mtodo es la siguiente7:

Pt 1 aX 1 (1 a) Pt
Donde:
Pt+1
a
6

= valor pronosticado para el periodo t + 1 (periodo futuro)

= alfa, constante de suavizacin; puede tomar valores entre 0 y 1

Ob, cit, Burs; pg. 22.

Para poder utilizar esta frmula es necesario un valor de inicio, por lo que este mtodo parte del
supuesto de que el pronstico del primer periodo es igual a la observacin registrada en ese mismo
periodo; es decir P1 = X1.
7

Xt
Pt

= valor de la variable en el periodo t (periodo actual)

= valor pronosticado de la variable para el periodo t (periodo actual)

El grado de suavizacin que se produzca en la serie depender del valor que se le

asigne a la constante de suavizacin. En general, mientras ms voltil sea una
serie de tiempo, ms pequeo debe ser el valor de a. De manera similar, para
series de tiempo ms estables deben utilizarse valores de a grandes.8
La principal desventaja del mtodo de suavizacin exponencial es que el valor de
a se debe calcular por prueba y error. El mejor valor de a ser el que muestre la
serie ms suavizada y arroje el menor error cuadrado medio o varianza, que es
igual a la suma del cuadrado de los diferencias entre los valores reales de la
variable y los valores pronosticados, dividido entre el nmero de observaciones
menos uno.
3. Mtodo de Box-Jenkins
Tambin se le conoce como Modelo ARIMA, por sus siglas en ingls
(Autoregressive Integrated Moving Average Model). Consiste en encontrar por
computadora el modelo matemtico que mejor se ajuste a la serie de tiempo; es
decir, el que arroje el menor error cuadrado medio. Para encontrar el modelo
ptimo, primero se debe eliminar por diferenciacin cualquier tendencia que
presente la serie; el grado de diferenciacin requerido para estacionarizar una
serie se denota por d. Posteriormente, se debe definir el nmero de trminos
autorregresivos, denotaros por p,9 as como el nmero de trminos de promedios
mviles, denotados por q,10 que incluir el modelo. Una vez definidos los
parmetros p, d, q, el modelo resultante se conoce como Modelo ARIMA (p, d, q) y
se utiliza para pronosticar valores futuros de la variable de estudio.
El mtodo de Box-Jenkins se usa para pronosticar a corto plazo (de tres meses a
un ao) aspectos como produccin, control de inventarios y datos financieros. Se
caracteriza por su alto grado de exactitud pero es una tcnica compleja y de alto
costo.
4. Descomposicin de series de tiempo
Consiste en analizar individualmente cada uno de los componentes de la serie de
tiempo (tendencia, ciclo, estacionalidad y error) para aislar e identificar el patrn
de comportamiento de cada uno y construir un modelo matemtico que permita
proyectar la serie hacia el futuro, considerando todos sus componentes. El anlisis
separado de cada componente de la serie permite obtener pronsticos muy
8

Ob, cit. Mendenhall; pg. 635.

Un modelo autorregresivo es aquel que tiene como variables independientes a las variables
dependientes rezagadas. El nmero de trminos autorregresivos se refiere al nmero de variables
dependientes rezagadas que deben incluirse como variables independientes en el modelo.
10
El nmero de trminos de promedios mviles se refiere al nmero de errores rezagados que
deben incluirse como variables independientes en el modelo.
9

exactos; sin embargo, es un mtodo complejo y requiere personal especializado

para realizarlo.
6.2.2. Modelos causales o explicativos
Se utilizan cuando la variable que se va a pronosticar o variable dependiente,
mantiene una relacin explicativa con una o ms variables independientes. Por
ejemplo, el volumen de ventas (variable dependiente) puede explicarse por o estar
en funcin del ingreso de los consumidores, de los gastos en publicidad o del
precio de los productos (variables independientes).
Los modelos causales permiten identificar la naturaleza de la relacin que guardan
entre s las variables y la utilizan para obtener una ecuacin de prediccin a partir
de la cual se puedan estimar los valores futuros de la variable dependiente.
Los principales modelos causales son los siguientes:
1. Modelos de regresin
Se utilizan para identificar la relacin que existe entre una variable dependiente y
y una o ms variables independientes x. El modelo bsico de regresin es el
siguiente:

Y = f(x) + E
Donde:
y = variable dependiente (explicada por la variable independiente)
x = variable independiente (explica a la variable dependiente)
E = error o residuo (factores aleatorios que explican a la variable dependiente)
El anlisis de regresin es una tcnica que permite estimar, mediante el mtodo
de mnimos cuadrados, una ecuacin que se puede utilizar para pronosticar el
valor de una variable dependiente a partir del valor de una o ms variables
independientes. Las ecuaciones de prediccin que se obtienen con los modelos de
regresin son como la siguiente:

y 1 x1 2 x2 3 x3 ... n xn
Donde:
y = variable dependiente que se desea pronosticar
= ordenada al origen
n = parmetro de estimacin; muestra la relacin que existe entre la variable
independiente

xn ya la variable dependiente.
xn = variable independiente (pueden existir de 1 a n variables independientes)
(.) Excel permite calcular automticamente el valor de la ordenada al origen y
de los parmetros, as como generar la ecuacin de prediccin en la que deben
sustituirse los valores futuros de las variables independientes para calcular el valor
pronosticado de la variable dependiente. Las funciones estadsticas de Excel
PRONSTICO y TENDENCIA, se pueden utilizar para generar ecuaciones de
prediccin con el mtodo de mnimos cuadrados.
Por lo general, los modelos de regresin se usan para pronosticar ventas y
variables financieras como las tasas de inters.
2. Tasa de crecimiento
Permite encontrar el valor futuro de una variable a partir de un valor inicial de
dicha variable y de una tasa de crecimiento esperada, que generalmente se
expresa en trminos porcentajes. La expresin matemtica que caracteriza a este
mtodo de pronstico es la siguiente:

xn = x1(1 + r)n-1
Donde:
xn = valor pronosticado de la variable para el periodo n
x1 = valor inicial de la variable (periodo 1)
r = tasa de crecimiento esperada para la variable
n = periodo para el cual se realiza el pronstico
Es muy comn utilizar la tasa de crecimiento para pronosticar niveles de ventas,
costos y gastos.
3. Crecimiento exponencial
Este mtodo utiliza observaciones histricas de la variable que se desea
pronosticar para generar una ecuacin a partir de la cual puedan proyectarse sus
valores futuros. A diferencia del mtodo de regresin lineal, el crecimiento
exponencial supone que el patrn de comportamiento de la variable sigue una
tendencia exponencial no lineal.
En Excel existe la funcin estadstica CRECIMIENTO, que permite generar
pronsticos con el mtodo de crecimiento exponencial a partir de la siguiente
ecuacin:

y = aebx

Donde:
y = variable dependiente que se desea pronosticar
a, b = parmetros de estimacin
e = base de los logaritmos naturales, su valor es 2.7182
x = variable independiente
El mtodo de crecimiento exponencial se utiliza para hacer pronsticos
poblacionales y de ventas.
4. Modelos economtricos
Son sistemas que contienen mltiples ecuaciones de regresin interdependientes.
Su principal objetivo es expresar las interrelaciones complejas que existen entre
los factores que afectan la economa en su totalidad, o a las ventas de una
empresa o industria en particular.11 Debido a la gran cantidad de variables y
ecuaciones que involucran, estos modelos generan pronsticos muy exactos,
aunque su desarrollo es muy costoso y requiere de mucho tiempo y de
especialistas en la materia.
5. Modelos de insumo-producto o de entrada-salida
Son matrices que muestran la relacin que existe entre las entradas y salidas de
una industria y las entradas y salidas de otra; es decir, muestran los insumos
requeridos por una industria para generar productos, que a su vez se convierten
en insumos para otra industria, y as sucesivamente. Estos modelos son tiles
para determinar el flujo de bienes y servicios interindustrial dentro de una
economa, o interdepartamental dentro de una organizacin. El desarrollo de los
modelos de insumo-producto es muy costoso y, dada su complejidad, requiere de
especialistas pero permite generar pronsticos buenos a mediano y a largo plazos,
especialmente para industrias como la automotriz, la qumica y la minera.
La siguiente tabla muestra el grado de exactitud y la magnitud del costo que
representa cada uno de los mtodos cuantitativos de pronstico.

11

Anderson, Rolph; Hair, Joseph; Bush, Alan. Administracin de Ventas y Publicidad. Tr. Ma.
Guadalupe Cevallos Almada. 2 ed. Ed. McGraw-Hill. Mxico. 1995. Pg. 150.

MTODO DE PRONSTICO
Mala
Promedios mviles
Suavizacin exponencial
Box-Jenkins
Descomposicin de series de
tiempo
Modelos de regresin
Tasa de crecimiento
Crecimiento exponencial
Modelos economtricos
Modelos de insumo-producto

EXACTITUD
Regular Buena
X
X
X
X

Bajo
X
X

Alto

X
X

X
X
X

COSTO
Medio

X
X
X

X
X

X
X

Para incrementar el grado de exactitud de los pronsticos es conveniente utilizar

los mtodos cualitativos en combinacin con los mtodos cuantitativos.
6.2.3 INDICES ESTACIONALES
Algunas variables, como las ventas de determinados productos, tienen un
comportamiento estacional durante el ao; existen meses en los que sus valores
se incrementan considerablemente y meses en los que la tendencia se revierte y
se presenta una disminucin. En ocasiones, los pronsticos que se realizan para
conocer los valores que se espera que se tomen estas variables en el futuro se
alejan de los valores reales que dichas variables adquieren porque no consideran
sus variaciones estacionales.
Por esta razn, cuando se trabaja con series de tiempo que presentan un
comportamiento estacional es til calcular ndices estacionales que permitan
ajustar los pronsticos al comportamiento estacional de las variables, de tal
manera que los valores pronosticados reflejan la tendencia de la variable pero
considerando su comportamiento estacional. Los ndices estacionales se pueden
calcular a partir del comportamiento histrico de las variables.
6.2.3.1. Metodologa para calcular ndices estacionales12
Supngase que se desean pronosticar las ventas de juguetes para el ao 2003 y
que se cuenta con datos histricos correspondientes a los aos 2001 y 2002,
mostrados en la siguiente tabla.

12

Esta metodologa fue tomada de Render, Barry; Heizer, Jay. Principios de Administracin de
Operaciones. Tr. Juan Purn Mier y Tern. Ed. Pearson Educacin. Mxico, 1996. 624 pp .

Mes

Ventas (en pesos)

2001
2002
Enero
$1.700
$1.600
Febrero
800
600
Marzo
700
600
Abril
1.000
900
Mayo
900
800
Junio
800
700
Julio
700
600
Agosto
700
600
Septiembre
600
500
Octubre
700
700
Noviembre
1.200
1.300
Diciembre
1.900
2.000
Promedio de ventas promedio por mes

Ventas promedio
por mes
(2001-2002)
$1.650
700
650
950
850
750
650
650
550
700
1.250
1.950
942

ndice
Estacional
1.752
0.743
0.690
1.009
0.903
0.796
0.690
0.690
0.584
0.743
1.327
2.071

El primer paso consiste en utilizar los datos histricos para calcular las ventas
promedios por mes, como se muestra en la tercera columna de la tabla.
El segundo paso es calcular el promedio de las ventas promedio por mes:
mes12

Promedio de ventas promedio por mes

Promedio de ventas promedio por mes

ventas promedio

mes1

12
$11.300
$942
12

Por ltimo, se utiliza la siguiente frmula para calcular los ndices estacionales
correspondientes a cada mes del ao:

Indice estacional

Ventas promedio del mes 2001 - 2002

Promedio de ventas promedio por mes

Por ejemplo, el ndice estacional correspondiente al mes de enero es igual a:

Indice estacional de enero

$1.650
1.752
942

Los ndices estacionales se utilizan para ajustar los valores pronosticados de la

variable. Por ejemplo, si se utiliza el mtodo de regresin lineal para estimar las
ventas de juguetes para el ao 2003, los valores pronosticados pueden ajustarse

al comportamiento estacional multiplicando el pronstico obtenido para cada mes

por el ndice correspondiente. La tabla, a continuacin, muestra los pronsticos de
ventas ajustadas con los ndices estacionales.
Mes

Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre

Pronstico13 de
ventas 2003
(en pesos)
$1.076
1.096
1.117
1.138
1.158
1.179
1.200
1.220
1.241
1.261
1.282
1.303

ndice
estacional
promedio
1.752
0.743
0.690
1.009
0.903
0.796
0.690
0.690
0.584
0.743
1.327
2.071

Pronstico de ventas
ajustado 2003
(en pesos)
$1.885
815
771
1.148
1.046
939
828
842
725
938
1.702
2.698

De esta manera los pronsticos han quedado ajustados y reflejan el

comportamiento estacional de las ventas, como se puede apreciar en la grfica

Los ndices estacionales se pueden utilizar para ajustar los pronsticos obtenidos
con los mtodos de promedios mviles y regresin lineal, lo cual incrementa la
confiabilidad y exactitud de los valores estimados.
13

Estos pronsticos se obtuvieron utilizando el mtodo de regresin lineal y considerando como

variable dependiente a las ventas promedio del mes (2001-2002). El clculo se hizo en Excel
utilizando la funcin estadstica PRONSTICO.