Vous êtes sur la page 1sur 625

\

N E. HANKE ARTHUR C. REITSCH

Pronsticos en negocios los negocios

Pronsticos en Pronsficos los negocios negocios


Quinta edicin Quintci
JOHN E. HANKE JOHN. E. HANKE ARTHUR G. ARTHUR G. REITSH Eastem University Eastern Washington University

Traduccin: Tradiiccin.

SERGIO KOURCHENKO BARRENA Traductor

Revisor tcnico:

JUAN ANTONIO TORRE MARINA ANTONIO Ingeniero Mecnico Electricista Universidad Anhuac

-----PEARSON

Educacin

Costa Mexico Argentina Brasil Colombia Costa Rica Chile Ecuador Mxico Argentina Espaa Guatemala Panam Per Puerto Rico Uruguay Venezuela Espaa Guatemala PanamaPeru Puerto Rico Uruguay Venezuela

Edicin en ingls: en ingls:


Editorial Production Supervision: Maryland Composition Editorial I Production Supervision: Maryland Composition Acquisition Editor: Richard Wohi Richard Wohl Cover Designer: Wendy Ailing Judy Designer: Alling Production Coordinator: Marie McNamara Marie McNamara

PRON()Sl1COS EN LOS NEGOCIOS 51E HANKE: PRONOSTICOS EN LOS NEGOC'JOS 5/E

del ingls de la obra: Business Forecasting Traducido dci ingls (Ic l ohia: l3usiiiess Forecasting AIl Rights Reserved. Authorized translation from English langu:tie All Rights Reserved. Authorized translation from English languaje edition publishcd Prentice Hall lnc. published by Prentice Hail inc. los Derechos rescrvados. Traduccin autorizada de la edicin en Todos los l)ereclios reservados. TraducciOn autoriz1Hla de Ia edicin en ingls publicada por Hall lnc. puhi icada por Prentice Hall Inc.

All rights reserved. No part of this hook may be reproduced or transmitted in AIl reserved. boo\.; be reproduced or transmitted fonn or by any means, electronic or mechanical, including photocopyng any form or by any means, electronic or mechanical, including photocopyng recording or by any information storage retrieval system, without permission in by any information storage retrieval system, without pennission in from the publisher. writing from the puhl isher.
Prohibida la reproduccin total parcial de esta obra, Prohibida Ia reproduccion total o parcial (IC esta obra, por cualquier medio medio metodo sin autorizacin pot escrito del editor. mtodo sin aiilorizacion por escrito dcl editor.
Derechos reservados <0 1996 respecto a Ia primera edicin en espaol publicada Dcrcchos reservados 1996 la primera edicin en espaol publicada

Atlacomulco Niim. 500-5 Piso Nm. Col. Industrial Atoto 53519, Naucalpan de Jurez, Edo. de Mxico Naucalpan de Jurez, Edo. Mexico
ISBN 96N-NNO-6Nl-l ISBN 968-8O-6Ki-1
Original English Languaje Edition Published by Prentice Hall Inc. Original Fnglish Languaje Editioll Published by Prentice Hall Inc. Copyright K" MCMXCV Copyright MCMXCV All Rights Rcscrvcd AII Rights Reserved ISBN 0-205-16005-0 ISBN Impreso en Mexico I Printed in Mexico Mxico Printed in Mexico Inipreso

Dedicado a: Dedicado Harry, Geny, [rene fJaniy, Gerry, Jack e Irene (quienes no /1 ecesitan leerlo); no necesitan Ieer1o,; Judy y Judy Jl((I)) 3) J1I(/y (quien /0 leer y ('quien lo leer y probablemente desear leerlo, respectivamente); no (leseara leerlo, respectiva in en Jill, Anzy, Julie, Katrina y Kevin Amy, Julie, y Kevin (qi lienes podran leerlo,,); podrIan leerlo); (quienes a todos los estudiantes y a todos los estudiantes (que i;is vale que lo lean,). que lo lean). (que ms

Contenido

Prefacio

xv

1 1

INTRODUCCION A LOS PRONOSTICOS A LOS PRONSTICOS


1 1 Actividad I los pronsticos 1 Historia de los pronsticos de pronosticar 2 La necesidad de pronosticar pronstico 4 Tipos de pronstico macroeconmico 4 Pronstico rnacroeconmico Seleccin del mtodo de pronstico 5 Seleccin del 5 6 seguir en el pronstico Pasos a seguir en el pronstico de pronstico 7 Administracin del proceso de pronstico 7 cmputo pronstico 8 Paquetes de crnputo para pronstico 11 Resumen 11 Resuinen estudio 1.1: Mr. Tux 11 Caso de estudio 1.1: Mr. Tux estudio 1.2: Consumer Credit Counseling Caso de estudio 1.2: Consumer Credit Counseling Versin Forecast Plus 13 Version estudiantil de Forecast Plus de clculo 14 Pronstico mediante hojas de clculo paquete de cmputo Introduccin al paquete de crnputo MINITAB paquete de cmputo SAS 18 Introduccin al paquete de cmputo SAS 18 Bibliografa 20 Bibliografia

1 1

12

16

REVISiN DE CONCEPTOS ESTADSTICOS BSICOS 2 REVISION DE CONCEPTOS ESTADISTICOS BASICOS


22 Actividad Estadstica descliptiva 22 Estadistica descriptiva 26 probabilidad Distribuciones de probabilidad muestrales 30 Distribuciones niuestrales 31 31 Estimacin hiptesis 33 Prueba de hiptesis la bondad de ajuste Prueba de Ia bondad de ajuste 37 de cOlTelacin 39 Anlisis de colTelacin

22

viii

Contenido

Diagramas de dispersion dispersin 39 Coeficiente de correlacin 43 47 Aplicacin en Ia adrninistraciOn la administracin AplicaciOn 48 Glosario Fnnulas clave Frimilas dave 49 Problemas 50 Caso de estudio 2.1: Alcam Electronics 2.1: Alcam Electronics Caso de estudio 2.2: Mr. Thx Tux 57 Paquete de cOmputo MINITAB cmputo 58 Bibliografia 60 Bibliograt1a

55

3 FUENTES DE DATOS FUENTES DE DATOS

61

Introduccin IntroducciOn 61 62 Tipos de datos datos Tipos Fuentes de datos datos 63 Fuentes secundarias de datos secund31ias 64 Fuentes extemas externas 64 Datos propios 66 Fuentes primarias de datos 67 Aplicacin en Ia administraciOn en la administracin 73 Glosario 75 Problemas 75 Caso de estudio 3.1: Argyl Food Products Food Products 76 3.2: Jewehy Caso de estudio 3.2: Solomon's Jeweliy 79 Tux 80 Caso de estudio 3.3: Mr. Tt,x de estudio 3.4: Caso (IC estudio 3.4: Consumer Credit Counseling 80 de Estudio t~lctibilidad mercado Caso dc estudio 3.5: Estudio de factibilidad de mercado Versin estudiantil Forecast Plus Version estijdiantil de Forecast Plus 89 Pronstico mcdiante hojas de calculo PronOstico iiiediaiitc hojas clculo 94 Paqucte de cOmputo MINITAB 95 Paquctc de cmputo MIN 11'AB Bibliografa Bibliografia 96

82

EXPLORACiN DE LOS PATRONES DE DATOS SELECCiN 4 EXPLORACION DE LOS PATRONES DE DATOS YYSELECCIN DE LA TECNICA DE PRONSTICO TCN ICA PRONSTICO 97 DE
Actividad
97 Componentes de series 98 Componcn-tcs (IC series de tiempo dc patrones de datQs mcdiante anlisis de autocOlTelacin 100 Exploracin de patrones de datos mediante anlisis de autocorrelacin 100 Seleccin de una tcnica de pronslico pronstico 114 Seleccin de 1 14 pronstico para datos estacionarios Tcnicas de pronostico para datos estacionarios 11 5 115 Tcnicas de pronstico para datos con una tendencia pronstico una tendencia 116 Tcnicas de pronstico Tcnicas de pronostico para datos con estacionalidad con estacionalidad 116

Contenido

ix

Tcnicas de pronstico para series ciclicas cclicas 117 Tcnicas Otros factores por considerar al elegir una considerar al Otros factores tcnica de pronstico 117 tcnica Medicin del error en el pronstico el pronstico Medicin 119 Determinacin de lo adecuado de una tcnica de pronstico tcnica de pronstico Determinacin de Aplicacin en Ia administracin en la administracin 124 Glosario 125 Fnnulas dave Formulas clave 125 126 Problemas estudio 4.1: Murphy Brothers Furniture 131 Caso de estudio 4.1: Murphy Brothers Furniture Tux 134 Caso de estudio 4.2: Mr. Tux 136 estudio 4.3: Conswller Credit Counseling Caso de estudio 4.3: Consumer Credit Counseling Versin estudiantil de Forecast Plus Forecast 136 Version Pronstico mediante hojas de clculo clculo 139 PronOstico mediante hojas El problema 139 La soluciOn mediante hoja de clculo solucin mediante hoja 139 Paquete de cmputo MINITAB cmputo MINITAS 141 Paquetes de cOmputo SAS cmputo 143 Paqiietes

122

5 PROMEDIOS MVILES Y METODOS DE ATENUACIN PROMEDIOS MVILES Y MTODOS DE ATENUACiN


Actividad 146 151 formales Modelos no formales 151 promedio Modelos de promedio simples 151 Promedios simples 152 Promedios mviles 154 Promedios mvil doble de atenuacin exponencial 158 Mtodos de atenuacin exponencial 158 161 Rastreo doble Atenuacin exponencial doble 163 Atenuacin exponcncial ajustada a la tendencia: Mtodo de Atenuacin exponencial ajustada a la tendencia: Mtodo de Holt Atenuacin exponencial ajustada a Ia tendencia y a Ia variacion estacional: exponencial ajustada la la valiacion estacional: Modelo de Winter 172 Modelo Aplicacion en Ia administracin la administracin 176 Glos3lio 177 Glosario 1 78 Frmulas clave 178 Frnmlas dave Problemas 179 Caso Caso de estudio 5.1: The Solar Alternative Company Solar Company 184 Caso de estudio 5.2: Mr. Tux Caso 185 Caso de estudio 5.3: Consumer Credit Counseling 5.3: Consumer Credit Counseling 186 Caso Caso de estudio 5.4: Proyeccin de ingreso quinquenal para Proyeccin quinquenal Downtown Radiology 187 Versin Forecast Plus 196 Version estudiantil de Forecast Plus 1 96 Pronstico mediante hojas de clculo de clculo 199 Pronstico 1 99 Bibliogratla 202 Bibliografia

146

168

Contenido

6 ANALISIS DE REGRESIN ANLISIS DE REGRESiN

203

Lnea 205 LInea de regresin Error estndar de Ia estirnacin de la estimacin 208 Y 209 Prediccin de Y 213 determinacin Coeficiente de determinacin 217 Residuos 220 hiptesis Prueba de hiptesis 223 Salida de cmputo Transfonnacin 226 Transforrnacin de variables en la administracin 230 Aplicacin en Ia adrninistracin 232 Glosario Fnnulas clave 232 Formulas dave 233 Problemas Caso de estudio 6.1: Tiger Transports 239 Caso estuJio 6.1: Caso de estudio 6.2: Butcher Products, Inc. 6.2: Butcher Products, Inc. 241 Caso estudio 6.3: Departamento Caso de estudio 6.3: Departarnento de Personal de Ace estudio 6.4: Mr Tux 244 Caso de estudio 6.4: Mr Tux Caso de estudio 6.5: Consumer Credit Counseling 245 6.5: Caso Versin de Forecast Plus 246 Version estudiantil de Forecast Plus 249 Pronstico mediante hojas PronOstico mediante hojas de clculo de cmputo MINITAB 250 Paquete de cOmputo MINITAB 252 Paquete Paquete de cmputo SAS cmputo Bibliografa 254 BibliografIa

243

REGRESiN MLTIPLE REGRESION MULTIPLE

255

255 Actividades Variables de predicciOn de prediccin 255 Matriz de correlaciOn correlacin 256 Ecuacin de regresin mltiple 257 EcuaciOn de regresiOn miItiple 260 Coeficientes de regresin Coeficientes Inferencia estadIstica en Ia regresiOn multiple estadstica la regresin mltiple 261 Residuos En"or estndar de Ia estimaciOn de la estimacin Error 263 Salida de cmputo 264 Salida Variables ficticias 266 Validacin del modelo 271 ValidaciOn del Heteroscedasticidad 271 Colinealidad 272 SelecciOn de Ia Seleccin de la mejor ecuacin de regresiOn de regresin Todas las regresiones posibles regresiones 277 Regresin por pasos 279 RegresiOn Notas finales sobre Ia regresin por pasos la regresin Notas finales

261

274

283

Contenido

xi
284

Uso de Ia regresin para pronosticar datos estacionales la regresin para pronosticar datos estacionales Pronsticos econorntricos economtricos 287 289 Sobreajuste Aplicacin en la adrninistracin la administracin 289 Glosario 291 Formulas dave Frmulas clave 291 292 Problemas Problernas Caso de estudio 7.1: El Mercado de Valores Mercado de Valores 299 Caso de estudio 7.2: Ventas de restaurante restaurante 302 Caso de estudio 7.3: Mr. Tax estudio 7.3: Mr. Tux 305 Caso de estudio 7.4: Consunier Credit Counseling Consumer 307 308 Version estudiantil de Forecast Plus Versin estudiantil de Forecast Plus Pronstico mediante hojas de clculo clculo 312 Paquete de cmputo MINITAB cmputo MINITAB 314 de cmputo 315 Paquete de cOmputo SAS 3 15 BibliografIa Bibliograt1a 317 3 17

289

ANLISIS DE SERIES DE TIEMPO 8 ANALISIS DE SERIES DE TIEMPO

318

318 Actividades 319 Descomposicin 319 ndice precios 320 Indice de precios Tendencia 322 Tendencia no lineal lineal 327 cclica 330 Variacin cIclica 338 estacional Variacin estacional estacional 342 Tendencia estacional fonna estacional Datos ajustados en forma estacional 346 347 COlio plazo cclica e irregular Variaciones de corto plazo cIclica e irregular 349 estacional Pronstico estacional mtodo de descomposicin Census II 350 El mtodo de descomposicin Census II en la administracin 351 Aplicacin en Ia administracin 353 Glosario Frmulas dave 353 Formulas clave Problemas 353 Prohleiiias 358 estudio 8.1: The Small Engine Doctor Caso de estudio 8.1: The Small Engine Doctor 360 estudio 8.2: Mr. Tux Caso de estudio 8.2: Mr. Tux 365 estudio 8.3: Consumer Credit Counseling Caso de estudio 8.3: Consumer Credit Counseling Versin estudiantil de Forecast Plus 366 Version estudiantil Pronstico mediante hojas clculo 367 PronOstico mediante hojas de clculo 371 Paquete de cmputo MINITAB MINIT AB Bibliografa Bibliogratia 373

xii

Contenido

REGRESION DE DATOS DE SERIES DE TIEMPO REGRESION DE DATOS DE SERIES DE

374

Actividad 374 la regresin El problema de heterosedasticidad durante Ia regresin El selies de tiempo 374 de series de tiempo El problerna de correlacin serial durante Ia regresin cOIl"elacin serial la El problema de datos de series de tiempo series de tiempo 377 Prueba Prueba de Durbin-Watson para correlacin serial Durbin- Watson correlacin 380 Soluciones problemas Soluciones a probiemas de correlacin serial correlacin serial 383 EITor especificacin el modelo (omisin de Error de especiflcacin en ci modelo (ornision de una variable) 384 Regresin Regresin de cambios porcentuales 387 392 autorregresivos Modelos autorregresivos Mnimos 393 MInimos cuadrados generalizados diferenciacin 396 Primera di fcrenciacin El enfoque iterativo El 398 Aplicacin en Ia administracin 400 Aplicacin la administracin Giosario Glosario 401 Friimlas clave Frmulas dave 401 Problcmas Problemas 402 Caso de estudio 9.1: La conipafIa de su eleccin compaiia de su eleccin 408 Caso Caso de estudio 9.2: Indice de actividad empresarial del condado de Spokane ndice empresarial del Caso de estudio 9.3: Mr. Tux Caso 9.3: 415 Caso de esludio 9.4: Consumer Credit Counseling estudio 9.4: Consumer Credit Counseling 416 Caso Version estudiantil Versin estudiantil de Forecast Plus 417 Pronstico mediante hoja de clculo cllculo 421 Pronstico mediante hoja Paquete de cmputo MINITAB MIN ITAB 424 Paquete de cmputo SAS 426 Paquete 428 de TSP Ejemplo de TS1 [3ihliografIa 430 Bibliograf1a

409

10 LA METODOLOGIA BOX-JENKINS (ARIMA) LA METODOLOGA BOX-JENKIN5 (ARIMA)

431

Actividad 431 Tcnica de I3ox-Jenkins de Box-Jenkins 43 431I 436 parciales Autocorrelaciones parciales 436 Modelo autorregresivo Modelos de promedio mOvil de promedio mvil 439 Modelos autorregresivos de promedio mvil 438 mvil Modelos autorregresivos AplicaciOn de la metodologa Aplicacin de Ia metodologia 439 1: Identificacin del modelo Etapa 1: IdentifIcacin del modeio 439 Etapa 2: Estimacin dcl modelo adecuacin Etapa 2: Estimacin del modelo y prueba de su adecuacin Etapa 3: Pronstico con ci modelo el modelo Etapa 3: 441 465 Un anlisis estacional Un anllisis estacional

440

Contenido Aplicacin en Ia administracin la administracin Aplicacin 478 480 Glosario Frmulas clave 480 Formulas dave Problemas 480 Caso de estudio 10.1: Ventas de restaurante 10.1: Ventas de restaurante 487 488 Caso de estudio 10.2: Mr. Tux 10.2: Caso de estudio 10.3: Consumer Credit Counseling 10.3: Consumer Credit Counseling 490 Caso de estudio 10.4: Lydia E. Pinkharn Medicine Company 10.4: Lydia E. Pinkham Medicine Company 491 Caso de estudio 10.5: Demanda diaria de permisos para pesca de Caso 10.5: Demanda diana permisos pesca de trucha 495 Versin estudiantil de Forecast Plus 507 Version estudiantil 511 cmputo MINITAB Paquete de cmputo MINITAB de cmputo SAS 514 Paquete de cOmputo SAS Bibliogratia 519 Bibliografla

xiii

11

Ii

ELEMENTOS DE JUICIO EN LOS PRONOSTICOS ELEMENTOS DE JUICUO EN LOS PRONSTICOS


520 Actividad Pronstico juicio 520 PronOstico de juicio de crecimiento Curvas de crecimiento 522 mtodo Delphi 523 El mtodo Delphi Formulacin de escenarios FormulaciOn de 523 Combinacin pronsticos 524 Comhinacin de pronsticos Los pronOsticos y las redes neurales Los pronsticos y las redes 525 527 de la pronstico de juicio Resumen de Ia pronOstico de juicio elementos de juicio en los pronsticos 528 Otros elementos de juicio en los pronOsticos Administracin dcl proceso 533 AdrninistraciOn del proceso de pronstico de pronstico 533 El proceso de pronstico de los pronsticos Monitoreo de los pronOslicos 536 Revisin los pasos de pronstico Revision de los pasos dc pronOstico 539 en los pronsticos 540 La responsabilidad en los pronsticos de los pronsticos 541 Costo de los pronOsticos los pronsticos 542 Administracin en los pronsticos pronsticos y ci informacin administraiva Los pronOsticos y el sistema de informacin administraiva 542 El los pronsticos 543 El futuro de los pronosticos 544 Glosario 544 FOrmula clave Frmula dave 544 estudio 11.1: Electronics Caso de estudio 11 .1: Boundary Electronics Caso de estudio 11.2: Golden Gardens Restaurant 11.2: Golden Gardens Restaurant 545 Caso de cstudio 11.3: Busby Associates estudio 11.3: Busby Associates 545 Caso de estudio 11.4: Mr. Tux 11.4: 550 Caso de estudio 11.5: Consumer Credit Counseling 11.5: Consumer Credit Counseling 552 Caso de estudio 11 .6: Nueva visita a Lydia E. Pinkham Medicine 11.6: Nueva visita a Lydia E. Company 552 Bibliograf1a Bibliografia 555

520

xiv

Contenido

APNDICES APENDICES

557

A
B

C C D E E

559 DERIVACIONES GRFICAS DE PROPORCIN O SEMILOGARTMICAS GRAFICAS DE PROPORCiN 0 SEMILOGAR1TMICAS TABLAS 567 PARA EL CASO DE ESTUDIO 7.1 580 DATOS PARA EL CASO DE ESTUDIO 7.1 CONJUNTOS DE DATOS Y BASE DE DATOS DE DATOS Y BASE DE DATOS 583 598

562

NDICE INDUCE

Prefacio

contina siendo el mismo que El objetivo de la quinta edicin de Pronstico Empresarial, continua siendo el mismo que en las ediciones anteriores: presentar las tcnicas estadIsticas bsicas para que las empresas, estadsticas las empresas, de manera individual, elaboren pronsticos y planes a largo plazo. El libro se escribi en individual, elaboren pronsticos y planes a largo plazo. libro se escribi en un estilo directo y utiliza en forma arnplia ejempios prcticos de algunas empresas. Con el utiliza fonna amplia ejemplos Con el fin proporcionar estudiante el enlace necesario entre conceptos tericos las fin de proporcionar al estudiante ci enlace necesario entre los conceptos tericos y las aplicaciones en la vida real, al final de cada uno de los capItulos, se incluyen casos de los captulos, incluyen casos de aplicaciones en Ia vida real, al final de cada uno estudio, los cuales forman lill total de cuarenta y tres. Se hace nfasis en la aplicacin cuarenta tres. Se hace nfasis en la aplicacin estudio, los cuales forman un total gerencial de las tcnicas, para Ia torna de decisiones. Se supone que los estudiantes poseen la toma de decisiones. Se supone que gerencial infonnacin adquirida en cursos introductorios tanto de estadIstica como de computacin. introductorios tanto estadstica inforrnacin adquirida en

ORGANIZACIN ORGANIZACIN
Todos los capItulos se revisaron para mejorar la claridad del texto e incrernentar la Todos los captulos se revisaron para mejorar Ia claridad del texto incrementar efectividad de Ia ensefianza-aprendizaje. El contenido est organizado en seis secciones. efectividad la enseanza-aprendizaje. El contenido est organizado en seis secciones. La primera seccin (capItulos 1 y 2) presenta material que se necesita para estudiar seccin (captulos 1 y material necesita estudiar pronsticos. La naturaleza de los pronsticos y un breve repaso de los conceptos estadsticos de los estadisticos establecen la etapa para la cobertura de las tcnicas, que comienzan en bsicos establecen Ia etapa para Ia cobertura de las tcnicas, que comienzan en la segunda seccin. En la segunda seccin (capItulos 3 y 4) se enfatizan los mtodos de recopilacin de seccin (captulos 3 y la exploracin patrones seleccin una tcnica de pronstico. datos, Ia exploracin de patrones de datos y la seleccin de una tcnica de pronstico. (captulo atenuacin. La tercera seccin (capitulo 5) cubre las tcnicas de promedio y atenuacin. la cuarta seccin (captulos 7) se abarcan las tcnicas de pronstico causal, En la cuarta seccin (capitulos 6 y 7) se abarcan las tcnicas de pronstico causal, la correlacin, anlisis de regresin mltiple. tales como la correlaciOn, regresin y anlisis de regresin multiple. (captulos 10) comprende al La quinta seccin (capitulos 8 a 10) comprende las tcnicas que involucran a! anlisis de tiempo. de series de tiempo. captulo final del libro (captulo 11) estudian pronstico de El capItulo final del libro (capItulo 11) se estudian las tcnicas de pronstico y de con lilla exposicin de la administracin y monitoreo del proceso de pronstico. juicio, junto con ma exposicin de Ia adrninistracin y monitoreo del proceso de pronstico.

CAMBIOS EN LA QUINTA EDICION CAMBIOS EN LA QUINTA EDICIN


la se incorporaron los siguientes aspectos: En Ia presente edicin, se incorporaron los siguientes aspectos: Como Corno parte del paquete del libro de texto, se puede adquirir un paquete de pronstico del del texto, para microcomputadora denominado Forecast Plus, de Walonick Associates. Al final microcomputadora denominado Forecast Plus, de Walonick Associates. Al final

xvi

Prefacio

de cmo utilizar este paquete para de cada capItulo se incluye una demostracin de crno utilizar este paquete para captulo incluye una demostracin problemas de pronstico. resolver problernas de pronstico. Al final de cada capItulo, se incluye tambin un ejemplo de crno usar el paquete cada captulo, incluye tambin un ejemplo de cmo usar paquete Al final MINITAB en situaciones de pronstico. MIITITAB en la utilizacin del final de los captulos 1, 4, 6, 7, 9 y 10 se Al final de los capItulos 1, 4, 6, 7, 9 y lOse presentan ejemplos de Ia utilizacin del SAS para resolver problemas de pronstico. paquete SAS para resolver problemas de pronstico. Tambin, se muestran ejemplos del uso de Lotus 1-2-3 para la solucin de problemas de problemas Tarnbin, 1-2-3 de pronstico, al final de cada capItulo. final de cada captulo. Mediante una solicitud, se encuentra disponible, un nuevo disco de datos, el cual Mediante una solicitud, se encuentra disponible, un nuevo disco de datos, el cual su utilizacin en prcticas estudiantiles. contiene numerosos conjuntos de datos para su utilizacin en prcticas estudiantiles. numerosos y casos nuevos de estudio. Se incorporaron adems diversos ejercicios y casos nuevos de estudio. se Se agregaron dos casos globales se desarrollan en los captulos 1 Se agregaron dos casos globales que se desarrollan en los capItulos 1 al 3 y se 3 resuelven al final de cada uno de los capItulos sucesivos. En el capItulo 11 se incluy de los captulos sucesivos. el captulo 11 se incluy redes neuronales. una breve exposicin de las redes neuronales.

EL PAPEL DE LA COMPUTADORA EL PAPEL DE LA COMPUTADORA


primeras la En las prirneras cuatro ediciones, se reconoci que Ia computadora constituye una poderosa herrarnienta en los pronsticos. Hoy en dia, herramienta en los pronsticos. Hoy en dia, con gerentes modernos que aprovechan la gerentes modernos aprovechan disponibilidad efectuare travs de microcomputafacilidad y disponibilidad para efectuare pronsticos complejos a travs de microcomputaescritorio, la computadora es am ms importante. doras de escritorio, la computadora es a(m ms importante. Como resultado de las muchas horas de insomnio que pasaron tratando de decidir qu Corno resultado de las muchas horas de insornnio que pasaron tratando de decidir qu hacer con respecto a la computadora, los autores condujeron un estudio a nivel nacional (en EVA) todas las instituciones miembros AACSB, determinar qu que EUA) de todas las instituciones miembros de la AACSB, para determinar qu era lo que hacan cuerpos docentes respecto al de las computadoras la enseanza los haclan los cuerpos docentes respecto al uso de las computadoras en la enseflanza de los lo siguiente: resultados pronsticos. Los resultados mostraron lo siguiente: l. La mayora de los cuerpos docentes asignados a pronstico (94.2%) intenta proporcionar mayorIa de los cuerpos docentes asignados a pronstico (94.2%) experiencia al estudiante en el uso de la computadora. 2. En la encuesta se mencionan diversos paquetes estadsticos para macrocomputadoras y mencionan diversos paquetes estadisticos para macrocomputadoras y especficos paquetes especIficos de pronstico para computadoras personales. Los paquetes mencionados con mayor frecuencia fueron: MINITAB, SAS, micro TSP y LOTUS 1-2-3. fi'ecuencia y LOTVS 1-2-3. Los autores decidieron emplear los siguientes enfoques para ayudar a cuerpos Los autores decidieron emplear los siguientes enfoques para ayudar cuerpos docentes y estudiantes a utilizar la computadora con fines de pronstico: fines docentes estudiantes l. Es posible adquirir, jlmto con el libro de texto, el paquete de pronstico para microcommicrocomjunto putadora Forecast Plus, de Walonick Associates. 2. Al final de cada capItulo y a lo largo de los captulos relevantes del libro, se presentan captulo capItulos relevantes del libro, se presentan instrucciones para utilizar el paquete MINITAB. 3. Al final de cada capitulo, se incluyen instrucciones de Lotus 1-2-3. captulo, de 1-2-3.

Prefacio

xvii

4. Casi al final del capItulo 1, se incluy una breve lista general de los paquetes de Casi al final del captulo 1, incluy una breve lista general de los paquetes de pronstico. 5. A to largo del texto se insertaron diferentes ejemplos de salidas de computadora. lo

AGRADECIMIENTOS AGRADECIM IENTOS


alrededor Los autores estn en deuda con los diversos instructores airededor del mundo que utilizaron cuatro primeras ediciones y proporcionaron sugerencias invaluables mejorar el las cuatro prirneras ediciones y proporcionaron sugerencias invaluables para mejorar el libro. Agradecemos en especialmente at Profr. Frank Frost (Marquette Univesity); a! Profr. en especialmente al Profr. Frank Frost (Marquette Univesity); al Profr. William Darrow (Towson State University); al Profr. William C. Struning (Seton Hall William Darrow (Towson State University); al Profr. William C. Struning (Seton Hall (N0I1hwestern University); a Susan Winters (Northwestern State University); al Profi-. Mark Craze (Eastem a! Profr. Mark Craze (Eastern Washington University); a! Profr. Shik Chun Young (Eastern Washington University); a Washington University); al Profi". Shik Chun Young (Eastern Washington University); a a Dorothy Mercer por su aportacin de casos de estudio y a Jennifer Dahl Judy Johnson y a Dorothy Mercer por su aportacin dc casos de estudio y a Jennifer Dahl el ndice. por elaborar el Indice. autores aprecian sinceramente el tiempo dedicado 1. Scott Annstrong, Los autores aprecian sinceramente el tiempo dedicado por J. Scott Armstrong, Judy Essam Johnson y Essani Muhoud, quienes aportaron valiosos materiales. Tambin, partes del texto, particular varios conjuntos de datos, son adaptaciones los que aparecieron en la en particular varios conjuntos de datos, son adaptaciones de los que aparecieron en La segunda edicin de nuestro libro Understanding Business Statistics, publicado por Richard segunda edicin de Statistics, publicado Itwin, Inc., a quien damos aqu credito por su reutilizacin. D. Irwin, Inc., a quien damos aquI credito por su reutilizacin. Agradecemos adems los revisores Jeffery (University South Alabama); Agradecemos adems a los revisores Arthur B. Jeffery (University South Alabama); Bany Laiss (California State UniversityFresno); Leo P. Mahoney (Bryant College); Bariy P. Laiss (California State University-Fresno);Leo P. Mahoney (Bryant College); Nelson (Brigham Young Univesity); William C. Struning (Seton Hall University); Ray Nelson (Brigham Young Univesity); William C. Struning (Seton Hall University); & University) College Marietta Tretter (Texas A & M University) y a Theodore Tsukahara (Saint Mary's College ofCalifomia), sus constructivos comentarios en la revisin del libro. Si hubisemos of California), por sus muy constructivos comentarios en Ia revision del libro. Si hubisemos el tenido et talento suficiente para concretar todo lo que sugirieron nuestros revisores, el libro todo nuestros revisores, el 100%. Tal como est, realizamos mejor habra mejorado se habrIa mejorado en un 100%. Tat como est, realizamos nuestro mcjor esfuerzo. Por ltimo, agradecemos a nuestras computadoras y nos preguntamos cmo fue que ltimo, nuestras computadoras nos preguntamos cmo fue que escribimos un libro de texto sin una. Cualquier error es atrihuible a nosotros, no a las escribimos un libro de texto sin una. Cualquier error es atribuible nosotros, no las computadoras. comput a doras.

CAPTULO CAP1TULO

Introduccin a los pronsticos lntroduccin a los pronsticos

ACTIVIDAD
este libro se centra en el proceso del pronstico empresarial. Lo cual incluye El inters de este libro se centra en ci proceso del pronstico empresarial. Lo cual inciuye el estudio de datos histricos para descubrir sus patrones y tendencias fundamentales. Este datos histricos para descubrir sus patrones y tendencias fundamentales. Este ci conocimiento se utiliza para proyectar los datos a periodos futuros como pronsticos. La pronsticos. conocirniento se utiliza para proyectar los datos a penodos futuros modificacin de resultados numricos, mediante un juicio acertado tambin representa un numricos, mediante tambin representa un modificacin componente clave de pronstico efectivo. Al hacerse ms complejo el mundo de los pronstico efectivo. Al hacerse ms complejo el mundo los componente dave negocios, aumentado racional, el futuro; negocios, ha aunientado la necesidad de asegurar, sobre cierta base racional, el futuro; por lo que el proceso de pronstico ha adquirido una posicin prominente en ci proceso de lo que el pioccso de pronstico ha adquirido una posicin prominente en el proceso de administracin de empresas. adrninistracin

HISTORIA DE LOS PRONOSTICOS IIISTORIA DE LOS PRONSTICOS


Muchas de las tcnicas de pronstico que se utilizan actualmente y que se exponen en este tcnicas Muchas de pronstico que se utilizan actualmente y que se exponen en este regresin. En libro se desarroliaron en ci siglo XIX; un ejemplo de ello son los anlisis de regresin. En libro desatTollaron en el contraste, slo recientemente fue que algunos de los temas de este libro se desarroliaron y desarrollaron y contraste, sOlo recienternente fue que aigunos de los temas de atencin. En esta categorla Box-Jenkins. recibieron atenciOn. En esta categora se encuentra el procedimiento de Box-Jenkins. Con el desarrollo de tcnicas de pronstico ms complejas, junto con ci advenimiento el ci desan'ollo compiejas, aos las computadoras, los pronsticos recibieron ms y ms atencin durante de las computadoras, lOs pronsticos recibieron ms y ms atencin durante los aflos recientes, Este desarroilo es en especial cierto desde Ia proliferacin de Ia pequefia especial cierto desde la proliferacin de la pequea recientes. Este desarrollo es utilizar computadora personal. Ahora, todos los administradores poseen la capacidad computadora personal. Ahora, todos los administradores poseen la capacidad de utilizar tcnicas anlisis de datos muy complejas para fines de pronstico, y una comprensin tcnicas de anlisis de datos muy complejas para fines de pronstico, y una cornprensin tcnicas es esencial hoy en da para los administradores de empresas. de dichas tcuicas es esencial hoy en dia para los administradores de empresas. Al crecer la preocupacin los administradores por proceso de pronstico, se Al crecer Ia preocupacin de los administradores por el proceso de pronstico, se continan desarrollando nuevas tcnicas de pronstico. Esta atencin se enfoca de continiian desarrollando nuevas tcnicas de pronstico. Esta atencin se enfoca de manera particular en los errores, que son parte inherente de cualquier procedimiento de particular en los errores, que son parte inherente de cualquier procedimiento de pronstico. Es raro los pronsticos coincidan al pie de el futuro, una vez pronstico. Es raro que ios pronsticos coincidan al pie de la letra con ci futuro, una vez llegado slo los inevitables errores sean tan liegado ste; quienes pronostican solo pueden intentar que los inevitables errores sean tan pequeos coino pequeflos como sea posible.

Introduccin a los pronOsticos lntroducciOn pronsticos

CapItulo 1 Captulo 1

LA NECESIDAD DE PRONOSTICAR
En vista de las imprecisiones inherentes al proceso, por qu es necesario pronosticar? imprecisiones inherentes al proceso, por qu es necesario pronosticar? En vista La todas las organizaciones operan en una atmsfera de incertidumbre La respuesta es que todas las organizaciones operan en una atmsfera de incertidumbre y que, a pesar de este hecho, se deben tomar decisiones que afectan el futuro de Ia que, a pesar de este hecho, se deben tomar decisiones afectan futuro de la organizacin. Para los gerentes de organizaciones, las conjeturas acadmicas son ms de organizaciones, las conjeturas acadmicas son ms organizacin. Para valiosas que las no acadrnicas. Este libro expone varias formas de realizar pronOsticos, acadmicas. expone varias formas de realizar pronsticos, en mtodos lgicos de manipulacin de datos que se generaron por sucesos que se basan en mtodos lgicos de rnanipulacin de datos que se generaron por sucesos histricos. quiere decir que el pronstico intuitivo sea malo. Al contrario, los Lo anterior no quiere decir que el pronstico intuitivo sea malo. Al contrario, los sentimientos quienes administran organizaciones, con frecuencia proporsentirnientos instintivos de quienes administran organizaciones, con frecuencia proporcionan el mejor pronstico disponible. Este libro expone las tcnicas de pronstico que cionan mejor pronstico disponible. Este libro expone las tcnicas de pronstico que pueden emplearse para complementar el sentido comn y la capacidad administrativa de pueden emplearse para cornpiementar ci sentido cornn y la capacidad administrativa de los que toman decisiones; en el captulo 11 se abordan los elementos de juicio en el proceso decisiones; en ci capItulo 11 se abordan los elementos dejuicio en el proceso los de pronstico. En nuestra opinion, quienes toman decisiones lo harn mejor si a partir de partir de de pronstico. En nuestra opinin, quienes toman decisiones lo harn mejor la cornprensin de las tcnicas de pronstico, Ia comprensin de las tcnicas de pronstico, tanto cualitativas como cuantitativas, las utilizan de manera adecuada, en vcz de forzados planear el futuro sin el utilizan de manera adecuada, en vez de que se vean forzados a planear el futuro sin el beneficio de esta valiosa informaciOn compiementaria. esta valiosa informacin complementaria. beneficlo En los iltimos aos, ci papel dci pronOstico con base en el juicio ha cambiado. Antes ltimos aos, el papel del pronstico la llegada las tcnicas modernas de pronstico las computadoras, de Ia llcgada de las tcnicas modernas dc pronstico y del poder de las computadoras, el juicio del administrador la nica herramienta pronstico disponible. No existe juicio del administrador era Ia iinica herramienta de pronstico disponibie. No existe pronsticos basados solo enjuicios no sean tan evidencia de quc los pronOsticosbasados slo en juicios no sean tan precisos como aquellos como aquellos la cabal aplicacin cuantitativas: que emplean Ia cabal aplicaciOn de tcnicas cuantitativas:
humano posee conocimiento nico infom1acin interior que no estn disponibles en El ser huniano iiosec un coiiocimicnto iinico e informacin interior que no estn disponibles en sorprendente, empricos los mtodos cuantitativos. Sin embargo, de manera sorprendente, estudios empIricos y experimentos de laboratorio han demostrado que sus pronsticos no son ms prccisos que los de los laboratorio pronsticos son ms precisos que los de los mtodos cuantitativos. El ser humano tiende a ser optirnista y subestimar la incertidumbre del optimista mtodos citantitativos. El ser huniano tiende futuro. Adems, el costo dcl pronOstico con mtodos de juicio Cs a menudo considerablemente del pronstico con mtodos dcjuicio es a menudo futuro. ms alto que se utilizan cuantitativos. rnIs alto que cuando se utilizan mtodos cuantitativos)1

Creemos que quicn pronostica de manera rns efectiva es capaz de formular una hbil quien ms cfectiva es hbil dc fom1Ular mezcla de huen juicio y tcnicas de pronOstico cuantitativas, as como el cvitar ci caso y tcnicas de pronstico cuantitativas, asI corno ci evitar el caso mezcia de buen extremo de la total dependencia en alguno de ellos. En un extremo encontramos al ejecutivo extrerno de Ia total dependencia en alguno de cilos. un que por ignorancia y miedo a las tcnicas cuantitativas y a las computadoras, se basa solo las tcnicas cuantitativas a las computadoras, se basa slo que en la intuicin y ci sentir. En ci otro extrerno est el pronosticador capacitado en las ltimas el el extremo est ci en capacitado en las iltimas tcnicas de nianipulacinde datos, quc no cs capaz o no desea rclacionar ci proceso de tcnicas de manipulacin dc datos, que no es capaz no desea relacionar el proceso pronstico con las necesidades de Ia organizcin y con quienes toman decisiones sta. pronstico con las necesidades dc la organizacin y con quienes tornan decisiones en sta. las tcnicas de pronstico cuantitativo que sc exponen en libro slo ci Opinamos que las tcnicas de pronOstico cuantitativo que se exponen en este iibro son sOlo el

1 S. Makridakis, "The Art and Science of Forecasting" Inlernational Jaurnal aJ Forecasting, Vol. 2 s Makridakis, "The Art and Sciencc of Forecasting" International Journal of Farecasling, Vol. (J98), p. 17. (1')), p. 17.
I

La necesidad de pronosticar La necesidad de pronosticar

3 3

en el pronstico efectivo resultados importantes organizacin: punto de partida en ci pronstico efectivo de resultados importantes para la organizacin: el anlisis, los juicios, ci sentido cornn y la experiencia empresarial deben aplicarse en el empresarial deben aplicarse el sentido comn estas tcnicas importantes generado sus resultados. punto donde estas tcnicas irnportantes han generado sus resultados. siempre ha sido cambiante el que operan las organizacioDebido a que siempre ha sido cambiante el mundo en el que operan las organizaciones, siempre existido la necesidad de hacer pronsticos. embargo, los ltimos nes, siempre ha existido la necesidad de hacer pronsticos. Sin embargo, en los ltimos incrementado la confianza en las tcnicas que abarcan manipulaaos se aflos se ha incrernentado la confianza en las tcnicas que abarcan una compleja manipulacin datos. Una nueva tecnologa y nuevas disciplinas aparecieron de la noche la cin de datos. Una nueva tecnoiogIa y nuevas disciplinas aparecieron de la noche a la maana; la actividad gubernarnental se intensific en todos los niveles; Ia competencia gubernamental se intensific los niveles; la competencia maana; cerrada muchas reas; casi las industrias implant el comercio se hizo ms cerrada en muchas areas; en casi todas las industrias se impiant ci cornercio internacional; crecieron crearon agencias ayuda y servicios. Estos factores internacional; crecieron y se crearon nuevas agencias de ayuda y servicios. Estos factores organizacional que es ms compiejo, con una dinmica se combinaron para crear un clima organizacional que es ms complejo, con una dinmica ms rpida y rns competitiva que mmca. Las organizaciones que no puedan reaccionar con ms que nunca. Las organizaciones que no puedan rapidez a las condiciones cambiantes y prever ci futuro con alg(in grado de precision, estn condiciones cambiantes prever el futuro con algn de precisin, estn condenadas a la extincin. extincin. Las computadoras, junto con las tcnicas cuantitativas que hacen posible, se han tcnicas cuantitativas que hacen posible, han Las computadoras, junto con vuelto ms que recomendables en las organizaciones modernas: se han vuelto esenciales. recomendables las organizaciones modernas: vuelto esenciales. vuelto ms Las dificultades antes expuestas generan una enorme cantidad de datos y una trernenda tremenda Las dificultades antes expuestas generan una enorme cantidad de datos y necesidad de extraer inforrnacin til de estos datos. Las herramientas modernas de necesidad de extraer infonnacin til de estos datos. Las herramientas modernas de pronstico, junto con Ia capacidad de la computadora se han hecho indispensables para las la capacidad las pronstico, junto organizaciones que operan en el mtmdo moderno. el mlmdo organizaciones Quin requiere Quin requiere hacer pronsticos? Casi cualquier organizacin, grande y pequefla, pronsticos? Casi cualquier organizacin, grande pequea, explcito implcito, que casi todas pblica privada, utiliza el pronstico pblica y privada, utiliza el pronOstico ya sea explIcito o impilcito, debido a que casi todas las organizaciones deben planear cOrnoenfrentar las condiciones futuras de las cuales tiene cmo enfrentar las condiciones futuras de las cuales tiene las conocimiento imperfecto. Adems, la necesidad de hacer pronsticos cruza todas un conociniiento imperfecto. Adems, la necesidad de hacer pronsticos cruza todas las lIneas funcionales lo lneas funcionales lo mismo que todo tipo de organizaciones. Se requiere hacer pronsticos en las areas de finanzas, cornercializacin, personal y de produccin, tanto en organizacioreas finanzas, comercializacin, personal y de produccin, tanto en gubernamentales bsqueda de ganancias, corno en pequenos clubes sociales nes gubernarnentales y de biisqueda de ganancias, como en pequeos clubes sociales y en los p31tidos polticos nacionales. Considere las siguientes preguntas que sugieren la los partidos politicos nacionales. Considere las siguientes preguntas que sugieren la algunos procedimientos de pronstico: necesidad de algunos procedirnientos de pronstico:

Si incrementamos nuestro presupuesto de publicidad en un 10%, cmo afectar a las Si incrernentamos nuestro presupuesto de publicidad en un 10%, cOmo a las ventas?

Qu ingresos en rentas pblicas puede esperar el gobierno del estado durante Qu ingresos en rentas pblicas puede esperar el gobierno del estado durante los prximos dos aflos? aos? prxirnos
Cuntas unidades deberernos vender para recuperar nuestra inversiOn fija en equipo de deberemos recuperar nuestra inversin Cuntas produccin? Qu factores podemos identificar que ayuden a explicar Ia variabilidad de las ventas la las ventas Qu factores podernos mensuales unitarias? Cul es ci pronOstico ao por aflo del saldo total de prstamos de nuestro banco en los ao del nuestro banco en los Cul el pronstico diez aos? prximos diez aflos?

,Habr Habr una recesin? Si es asI, cundo empezar?, qu tan severa ser? y cundo as, cundo empezar?, qu ser? y ,cundo terminar? terrninar?

Introduccin pronsticos Introduccin a los pronOsticos

Captulo 1 Capitulo 1

TIPOS DE PRONSTICO TIPOS DE PRONOSTICO


organizaciones tomar decisiones Cuando los gerentes de organizaciones se enfrentan con la necesidad de tomar decisiones qu tipos de pronstico tienen disponibles? En primer en una atmsfera de incertidumbre, ,qu tipos de pronstico tienen disponibles? En primer se deben clasificar los procedimientos pronstico o corto plazos. Los trmino, se deben clasificar los procedimientos de pronstico de largo o corto plazos. Los a largo plazo son necesarios para establecer el curso general de la organizacin pronsticos a largo plazo son necesanos para establecer el curso general de la organizacin para un largo periodo; de ahI que conviertan en enfoque particular de alta para un largo periodo; de ah que se conviertan en el enfoque particular de la alta direccin. corto plazo se utilizan para disear estrategias inmediatas direccin. Los pronsticos a corto plazo se utilizan para diseflar estrategias inmediatas que usan los administradores rango medio de primera lnea enfrentar y que usan los administradores de rango medio y de primera lInea para enfrentar las necesidades del futuro inmedi ato. del futuro inmediato. Tambin se podria clasificar a los pronsticos en trminos de su posicin en el entorno podra el

micro-macro, es decir, segn el grado en que intervienen pequeflos detalles vs. grandes micro-macro, es decir, segn el grado en que intervienen pequeos detalles vs. grandes valores resumidos. Por ejemplo, el gerente de una planta pudiera estar interesado valores resumidos. Por ejemplo, el gerente de una planta pudiera estar interesado en el nmero de trabajadores que requerir en los prximos meses (un micropropronosticar ci nimero de trabajadores que requerir en los prximos meses (un inicropronstico), mientras que ci gobiemo federal est pronosticando el nmero total de personas federal pronosticando nmero de personas nstico), mientras que el macropronstico). De nuevo, diferentes niveles empleadas en toda Ia nacin (un macropronstico). De nuevo, los diferentes niveles de empleadas en toda la nacin administracin en tilla organizacin tienden a enfocar diferentes niveles del entorno administracin en uria organizacin tienden a enfocar diferentes niveles del entorno micro-macro. Por ejemplo, Ia alta direccin estara interesada en pronosticar las ventas de ejemplo, la alta direccin estarla interesada en micro-macro. toda la compaIa, en tanto que los vendedores individuales estarlan mucho ms interesados compaa, estaran ms interesados en pronosticar su propio volumen de ventas. en Los procedimientos de pronstico pueden tambin clasificarse de acuerdo con tambin de acuerdo con Los procedimientos
su tendencia a ser ms cuantitativos o cualitativos. En uno de los extremos, una los extremos, una su tendencia ser ms cuantitativos cualitativos. En uno tcnica puramentecualitativa es aquella que no requiere de una abierta manipulacin tcnicapuramente cualitativa es aquella que no requiere de una abierta manipulacin de datos, solo se utiliza el "juicio" de quien pronostica. Desde luego, incluso aqul, slo se utiliza el "juicio" de quien pronostica. Desde luego, incluso aqu, de del pronosticador es en realidad el resultado de la manipulacin mental el "juicio" del pronosticador es en realidad el resultado de Ia manipuiacin mental de datos histricos pasados. En ci otro extremo, las tcnicaspuramente de datos histricos pasados. En el otro extremo, las tcnicas puramente cuantitativas no requieren de elementos de juicio; son procedimientos mecnicos que producen no requieren de elementos de juicio; son procedimientos mecnicos que producen resultados cuantitativos. supuesto, ciertos procesos cuantitativos requieren de resultados cuantitativos. Por supuesto, ciertos procesos cuantitativos requieren de una manipulacin de datos mucho ms compleja que otros. Este libro hace una manipuiaciOn de datosmucho ms compleja que otros. Este libro hace hincapi en las tcn icas pronstico cuantitativas, ya que es necesario un mayor hincapi en las tcnicas dede pronstico cuantitativas,ya que es necesario un mayor entendimiento de estos tiles procedimientos en la administracin efectiva de las entendimientode estos tiles procedimientos en la administracin efectiva de las organizaciones modernas. No obstante, debemos enfatizar de con los organizaciones modernas. No obstante, debemos enfatizar de nuevo que junto con los mecnicos manipulacin deben emplear elementos de procedimientos rnecnicos y de rnanipulacin de datos, se deben emplear elementos de juicio y sentido comn. Slo en esta forma se puede llevar a cabo un pronstico juicio y sentido comiin. SOlo en esta forma se puede lievar a cabo un pronstico inteligente.

PRONSTICO MACROECONMICO PRONSTICO MACROECONOMICO


Por 10 regular pensamos en los pronsticos en trminos de pronosticar variables importantes lo importantes para una compaia individual ooquiz para una parte de una compafiIa. Ejemplos de ello para compaa individual quiz para una parte de una compaa. Ejemplos de ello son ventas mensuales de la empresa, las ventas unitarias de una las tiendas de la son las ventas mensuales de Ia empresa, las ventas unitarias de una de las tiendas de la compafa y las horas de ausencia por empleado y mes en una fbrica. compaiIa y las horas de ausencia por empleado y mes en una fbrica.

del mtodo de pronstico Seleccin del mtodo de pronOstico

En contraste, existe 1m creciente inters en el pronstico de importantes variables para un inters el pronstico de importantes variables para nacin. Se ha realizado gran trabajo la evaluacin de este tipo la economla de una nacin. Se ha realizado un gran trabajo en la evaluacin de este tipo economa econmico global, denominado macroeconmico. de pronstico econrnico global, denominado pronstico macroeconniico. Ejemplos que EVA ndice desempleo, el interesan a! gobierno federal de EUA son el Indice de desempleo, el producto nacional bruto al gobiemo y la tasa lIder de inters. tasa lder de inters. la poltica econmica se basa en proyecciones de importantes indicadores En parte, la poiltica econmica se basa en proyecciones de importantes indicadores econmicos, como los tres mencionados anteriormente. Por este motivo, hay un gran inters gran inters en mejorar los mtodos de pronstico que enfocan tales mediciones globales del compormtodos de pronstico que enfocan tales mediciones globales del comportamiento econmico de un pals. En la actualidad, los mtodos de pronstico se pueden la actualidad, los mtodos de pronstico se pueden tamiento econmico de un pas. enfoques tradicionales dividir en forma genrica en dos enfoques; 1) mtodos que usan los enfoques tradicionales de anlisis de series de tiempo y 2) mtodos menos estructurados que se enfocan en las anlisis series de tiempo y 2) mtodos menos estructurados se enfocan en las estadsticas las mediciones describen en este propiedades estadIsticas de las mediciones histricas. Ambos enfoques se describen en este libro. Una de las principales dificultades para el desalTollo de pronsticos precisos de la las principales dificultades para desalTollo de pronsticos precisos de la Una actividad econrnica global, consiste en cambios significativos en algn factor econrnico econmica global, significativos en algn factor econmico clave. Entre tales factores se encuentran los cambios significativos en los precios del dave. Entre tales factores se encuentran los cambios significativos en los precios del sbitas de la inflacin, los cambios de poltica global en el gobierno petrleo, variaciones sbitas de la inflacin, y los cambios de polItica global en el gobierno de otro pals que afectan la economla propia. pas afectan la economa de La posibilidad de dichos cambios significativos en el escenario econmico ha La posibilidad de dichos cambios significativos en el escenario econmico ha pregunta clave en el pronstico macroeconmico: deberan modificarse los generado una pregunta dave en el pronstico macroeconrnico: 4,deberIan modificarse los pronsticos generados mediante el procedimiento de pronstico utilizando el juicio de quien procedirniento de pronstico utilizando eljuicio los produce? Esta pregunta aparece a menudo en el trabajo que se realiza en la actualidad los produce? Esta pregunta aparece a menudo en el trabajo que se realiza sobre la metodologla de pronstico. pronstico. sobre metodologa En materia de pronstico rnacroeconrnico se sigue desarrollando 1m gran esfiierzo tanto matelia macroeconmico esfilerzo un tetico como ejemplar del 01 Forecasting nm. terico corno prctico. Un ejemplar del International Journal of Forecasting (Vol. 6, nm. 3, octubre de 1990), est dedicado a este terna. Considerando la importancia de un pronstico este tema. de un pronstico econmico preciso para la forrnulacin de la polItica nacional, se puede esperar una econrnico preciso para la formulacin de la poltica nacional, se puede esperar una contnua tipo de pronstico en el futuro. continua atencin sobre este tipo de pronstico en el futuro.

SELECCIN DEL MTODO DE PRONSTICO SELECCION DEL METODO DE PRONSTICO La exposicin anterior sugiere varios factores a considerar en la seleccin de un mtodo
Se debe contemplar el nivel de detalle. Se requiere de un pronstico de pronstico. Se debe contemplar el nivel de detalle. ,Se requiere de un pronstico detalles especIficos (un micropronstico)? O se necesita conocer el estado futuro de de detalles especficos (1m micropronstico)? se necesita conocer el estado futuro de algn factor global general (un macropronstico)? ,Se precisa el pronstico algn algn factor global o general (un macropronstico)? Se precisa el pronstico de algin el futuro punto en el futuro cercano (un pronstico aa corto plazo), oo para un punto en el futuro punto en futuro cercano (un pronstico corto plazo), para un punto distante (un pronstico a largo plazo)? y, hasta qu grado son apropiados los mtodos pronstico largo plazo)? distante hasta qu grado son apropiados los mtodos cualitativos (de juicio) y cuantitativos (de manipulacin de datos)? cuantitativos manipulacin de cualitativos (de La consideracin que se impone en Ia seleccin de un mtodo de pronstico es la de consideracin impone la seleccin de un mtodo que los resultados deben facilitar el proceso de toma de decisiones de los administradores facilitar el proceso de toma de decisiones de los administradores de Ia organizacin. Por lo tanto, el requerimiento esencial no es que el mtodo de pronstico la proceso matemtico complicado o que sea lo .iItimo en complejidad. En vez comprenda un proceso matemtico complicado o que sea lo ltimo en complejidad. En vez de ello, el mtodo elegido deber producir un pronstico que sea preciso y comprensible mtodo elegido pronstico que comprensible para los administradores, de modo que pueda ayudar aaproducir mejores decisiones. los administradores, de modo que pueda ayudar producir mejores decisiones. para

a los pronsticos Introduccin a los pronOsticos

Captulo 1 CapItulo 1

Adems, utilizacin del procedimiento pronstico producir un beneficio Adems, la utilizacin del procedirniento de pronstico debe producir un benef'icio que exceda al costo asociado con su uso. exceda

PASOS A SEGUIR EN EL PRONSTICO EL PRONSTICO PASOS A


Todos los procedimientos formales de pronstico comprenden la extension de las experienfonnales extensin ah Ia suposicin de que las cias del pasado al futuro incierto. De ahI la suposicin de que las condiciones que generaron del los datos anteriores son indistinguibles de las condiciones futuras, con excepcin de aquellas las condiciones futuras, con excepcin aquellas variables reconocidas de manera explcita por el modelo de pronstico. Por ejemplo, si se pronstico. se variables reconocidas de manera explIcita por el modelo est pronosticando el ndice de desempeilo de los empleados en el trabajo, usando solo est pronosticando ci Indice de desempeo de los empleados en el trabajo, usando slo como pronstico la calificacin del examen de admisin, se asume que el indice de corno pronstico Ia caliticaciOn del examen de admisin, se asume que el ndice desernpeo en el trabajo de cada persona se afecta slo por dicho examen. Considerando desempeo en el trabajo de cada persona se afecta solo por dicho examen. Considerando que la suposicin de pasado y futuro indistinguibles no se cumple, resultarn pronsticos suposicin de pasado y futuro indistinguibles no se cumple, resultarn pronsticos imprecisos, a menos que se modifiquen a juicio de quien pronostica. modifiquen de quien pronostica. imprecisos, menos La aceptacin de que las tcnicas de pronstico funcionan sobre datos generados en aceptacin pronstico funcionan sobre datos generados en sucesos histricos pasados conduce a Ia identificacin de cuatro pasos en el proceso del sucesos histricos pasados conduce a la identificacin de cuatro pasos en el proceso del pronstico: pronOstico: l. RecopiiaciOn de datos. Recopilacin 2. Reduccin o condensacin de datos. 3. Construccin del modelo. Construccin modelo. 4. Extrapolacin dci modelo (ci pronstico en si). del (el en s). El paso I sugiere Ia importancia de obtener los datos adecuados y asegurarse que son 1 sugiere la imp0l1ancia son El correctos. Con frecuencia este paso es el mayor reto de todo el proceso de pronstico y el correctos. Con frecuencia este paso es ci mayor reto de todo el proceso de pronstico y el efectan ms dificil de controlar, ya que los pasos siguientes se efectan sobre los datos, sean o no relevantes para el problema en cuestiOn. Siempre que se hace necesario obtener datos percuestin. Siempre que se hace relevantes tinentes cii una organizacin, abundan los problernas de recopilacin y control de calidad. en una organizacin, problemas de recopilacin y control de calidad. El paso 2, Ia reduccin de datos con frecuencia es necesaria ya que en el proceso de la reduccin de datos con frecuencia es necesaria ya que en ci proceso de El pronstico es posible tener muchos o muy pocos datos. Algunos datos pueden no ser pronstico es posible tener muchos o muy pocos datos. Algunos datos pueden no ser pertinentes al problerna, por lo que reducirian Ia precision del pronstico. Otros datos pertinentes al problema, por lo que reduciran la precisin del pronstico. Otros datos pueden ser Los adecuados, pero slo en ciertos periodos histricos. Por ejemplo, en el pueden ser los adecuados, pero solo en ciertos periodos histricos. Por ejemplo, en pronstico de las ventas de automOviles compactos podra desearse emplear slo datos de automviles compactos podrIa desearse emplear solo datos de pronstico ventas de automviies a pat1ir del embargo petrolero de la dcada de 1970, en vez de datos ventas automviles partir dcl embargo petrolero de Ia dcada de 1970, en vez de datos ai105. ltimos de los ltirnos 50 aos. El paso 3, Ia construccin del modelo, implica el ajustar los datos reunidos en un 3, la constmccin del modelo, implica el ajustar los datos reunidos en un El el adecuado minimizar el modelo de pronstico que sea ci adecuad para minimizar el error en el pronstico. Entre modelo ms sencillo sea ci modelo, ser rnejor para lograr la aceptacin del proceso por parte de ms sencillo sea el modelo, ser mejor para lograr Ia aceptacin del proceso por parte de los administradores que toman las decisiones en la empresa. Con frecuencia se debe los administradores que toman las decisiones en Ia empresa. Con frecuencia se debe establecer un balance entre un enfoque de pronstico complejo que ofrezca ligeramente ms ofrezca ligeramente ms precisin y un enfoque sencillo que sea facil de entender y ganar el apoyo de quienes tornan toman precisiOn y un enfoque sencillo que sea thcil de y ci las decisiones, de manera lo utilicen efectivamente. Es obvio los elementos las decisiones, de manera que lo utilicen efectivamente. Es obvio que los elernentos de forman parte de este proceso de seleccin. Ya que el libro expone diversos modelos juicio forman parte de este proceso de selcccin. Ya que ci libro expone diversos modelos

del proceso de pronstico Administracin del proceso de pronOstico

su aplicabilidad, confiamos la de pronstico y su aplicabilidad, confiarnos en Ia capacidad del lector para ejercitar el buen la eleccin y uso apropiado de los modelos de pronstico, capacidad que juicio en la eleccin y uso apropiado de los modelos de pronstico, capacidad que se

incrernentar despus de estudiar este material. incrementar estudiar este material. El paso 4 consiste en Ia extrapolacin en si del modelo de pronstico, lo cual ocurre consiste en la extrapolacin s modelo de pronstico, lo cual ocurre una vez que se recolectaron y tal vez redujeron, los datos adecuados y que se seleccion que se recolectaron tal vez redujeron, los datos adecuados que se seleccion un modelo de pronstico apropiado. Es comn que quien realiz el pronstico revise la modelo de pronstico apropiado. Es comn realiz el pronstico revise la precisin del proceso mediante el pronstico de periodos recientes de los que se conocen proceso mediante pronstico periodos recientes de se conocen precision histricos reales. Es entonces cuando se observan se los valores histOricos reales. Es entonces cuando se observan los errores de pronstico y se algn CieIios procedirnientos resumen de algn modo. Ciertos procedimientos de pronstico suman los valores absolutos
de los en-ores y pueden reportar esta suma, dividirla entre el nmero de intentos de de los errores y pueden reportar esta surna, o dividirla entre el nmero de intentos de pronstico para obtener el error de pronOstico prornedio. Otros procedimientos obtienen la el error de pronstico promedio. obtienen la suma los errores, que se compara luego con cifras similares de mtodos surna de cuadrados de los errores, que se compara luego con cifras sirnilares de mtodos de pronstico alternativos. Algunos procedirnientos tambin rastrean y reportan la magnitud de los altemativos. procedimientos los pronstico. los patrones error conduce tnninos de error sobre el periodo de pronstico. El examen de los patrones de error conduce trminos eITor analista la modificacin del procedimiento de pronstico, ci genera con frecuencia al analista a la modificacin del procedirniento de pronstico, el cual genera frecuencia despus pronsticos ms precisos. Los mtodos especficos de medicin de elTor en el despus pronsticos rns precisos. Los mtodos especIficos de rnedicin de error en pronstico pronstico se abordan al final del capItulo 4. captulo

ADMINISTRACIN DEL PROCESO DE PRONSTICO ADMINISTRACION DEL PROCESO DE PRONOSTICO


La exposiciOn en este captulo tiene como objeto subrayar nuestra creencia de que la La exposIclOn en este capItulo tiene como objeto subrayar nuestra creencia de que Ia capacidad administrativa y el sentido comIm deben fomlar palie del proceso de pronstico. comm deben formar parte Se debe pensar en quien pronostica como en un asesor de la direccin, en vez del monitor pronostica corno en un asesor de Ia direccin, en vez del de un dispositivo automticode toma de decisiones. Por desgracia, este ltimo es el caso en autorntico de toma de decisiones. Por desgracia, este ltimo es la prctica, en especial en el entorno de Ia computadora. De nueva cuenta, las tcnicas en el Ia prctica, en especial en el entorno de la computadora. De nueva cuenta, las tcnicas en el proceso de pronstico utilizaran proceso de pronOstico deben ser vistas como lo que en realidad son, herramientas que utilizarlan corno los administradores para llegar a mejores decisiones. a mejores decisiones. los
Se puede mejorar la utilidad de los pronsticos si los administradores adoptan una actitud ms actitud ms utilidad de los pronsticos silos administradores realista. No se debe ver al proceso corno un sustituto de la profeca, sino como la mejor forma de de profecIa, sino corno la mejor forma de como identificar y extrapolar patrones o relaciones establecidos con el fin de pronosticar. Si se admite relaciones establecidos con el fin de pronosticar. Si se admite tal actitud, se deben considerar inevitables los errores de pronstico e investigar las circunstancias de pronstico e investigar las circunstancias los generan. 2 que los generan.2

Dicho lo anterior, si el proceso de pronstico se va a conducir de la manera adecuada, deben siempre surgir diversas preguntas clave. diversas preguntas dave.
Por Por qu se requiere de los pronOsticos? requiere de los pronsticos?
Quin utilizar los pronSticos y cules son sus requerirnientos especIficos? sus requerimientos especficos? Quin utilizar los pronsticos

Qu nivel adecuado en el Qu nivel de detalle o agregacin se requiere y cual es el horizonte adecuado en el agregacin se requiere y cual es tiempo?
2 2 Ibid.,

33. p. 33.

Introduccin a los pronOsticos pronsticos

Captulo 1 CapItulo 1

,Que datos Qu datos hay disponibles? Lsern suficientes para generar el pronstico que se disponibles? sern suficientes para generar el pronstico se requiere? Cul del Cul ser el costo del pronstico? Qu Qu tan preciso podemos esperar que sea el pronstico? Se Se har a tiempo el pronstico para ayudar a! proceso de toma de decisiones? al Quien pronostica, tiene un claro entendimiento de cmo se usar el pronstico en la claro entendimiento pronostica, ,tiene usar organizacin? Hay disponible Hay disponible un proceso de retroa!imentacin para evaluar el pronstico una vez retroalimentacin hecho y ajustar el proceso de acuerdo con ello?

PAQUETES DE CMPUTO PARA PRONSTICO PAQUETES DE COMPUTO PARA PRONOSTICO


En la dcada pasada el desarrollo que ha tcnido el mayor impacto en el pronstico es el de desarrollo que ha tcnido el mayor impacto en el pronstico es el de los paquetes de programas de cmputo diseflados especIficamente para tratar en forma los paquetes de programas de cmputo diseados especficamente para tratar en directa diferentes mtodos de pronstico. Hay dos tipos de paquetes de cmputo de inters pronstico. cmputo de inters diferentes para los pronosticadores: 1) paquetes estadIsticos que incluyen anlisis de regresin y otras estadsticos regresin y otras tcnicas que se utilizan con frecuencia en los pronsticos; y 2) paquetes de pronstico frecuencia en los pronsticos; 2) paquetes de pronstico tcnicas que utilizan diseados especIficamente tipo. diseflados especficamente para aplicaciones de este tipo. estadsticos macro Se han desarrollado cientos de paquetes estadIsticos y de pronstico tanto para macro Se (o computadoras a las que con frecuencia se les llama como microcomputadoras (o computadoras personales, a las que con frecuencia se les llama PCs). administradores sobre sus escritorios y el conocimiento de tcnicas de PCs). Los administradores con PCs sobre sus escritorios y ci conocimiento de tcnicas de pronstico, ya no dependen de un equipo de trabajo para realizar sus pronsticos. Los pronstico, ya no dependen de un equipo de trabajo para realizar sus pronsticos. Los administradores modemos estn aprovechando Ia la facilidad y disponibilidad administradores modernos estn aprovechando la ventaja de Ia facilidad y disponibilidad de pronstico que proporcionan las computadoras personales. de mtodos complejos de pronstico que proporcionan las computadoras personales. seccin, se mencionan los paquetes de cmputo estadsticos y de En esta seccin, se mencionan algunos de los paquetes de cmputo estadisticos y de pronstico utilizados. frecuencia utilizan paquetes estadsticos funcionan pronstico ms utilizados. Con frecuencia se utilizan paquetes estadIsticos que funcionan . en macrocomputadoras ee incluyen partes que tratan directamente varios mtodos de macrocomputadoras incluyen partes que tratan directamente varios mtodos de pronstico. los populares pronstico. Tres de los paquetes ms populares son: 1. Minitab: Vanse ejemplos de instrucciones y salidas a lo largo del texto y al final de Minitab: ejemplos de instrucciones y salidas a lo largo dci texto y cada capItulo. captulo. Paquete estadstico para las ciencias 2. Statistical Package for the Social Sciences (SPSS). Paquete estadIstico para las ciencias sociales. estadstico. ejemplos de 3. Statistical Analysis System (SAS). Sistema de anlisis estadIstico. Vanse ejemplos de Sistema salidas a! final de Ia mayorIa de los capItulos. al la mayora los captulos. Un til resurnen de 48 paquetes estadIsticos para macrocomputadoras fue compilado por 48 paquetes estadsticos para macrocomputadoras compilado por Un til resumen Mahmoud, Rice, McGee y Beaumont (1 986). Desafortunadamente, estas subrutinas de Mahmoud, Rice, McGee Beaumont (1986).3 Desafortunadamente, estas subrutinas pronstico requieren, para su aplicacin, de un conocimiento total del paquete y de un pronstico requieren, para su aplicacin, de un conocimiento total del paquete y de analista altamente calificado.

3 E. Mahmoud, G. Rice, V. E. McGee y C. Beaumont, "Mainframe Multipurpose Forecasting Software: Rice, V. E. McGee y C. Beaumont, "Mainframe Multipurpose Forecasting Software: A Survey", JOlll7la/ of Forecasting, Vol. 5 (1986), pp. 127-137. (1986), 127-137. A Survey", Journal o/

Paquetes de cOmputo para pronstico cmputo

aos recientes, se desarroll nuevo tipo de paquete de cmputo para macroEn aos recientes, se desarroll un nuevo tipo de paquete de cmputo para macrocomputadoras, dirigido especficamente computadoras, dirigido especIficamenteaa las necesidades de los administradores. las necesidades de los administradores. SibyI/Runner, propiedad de Applied Decisions Systems, que tarnbin proporciona asesorla, tambin asesora, Sibyl/Runner, propiedad utilizado amplia aceptacin la dcada de 1990. ha ganado una amplia aceptacin al principio de la dcada de. 1990. Ha sido utilizado con xito tanto por compaas como por instituciones acadmicas. Un paquete con xito tanto por compaias como por instituciones acadmicas. Un paquete ms FuturCast: Spyros reciente denominado FuturCast: The Total Forecasting System desarrollado por Spyros Makridakis y Robert Carbone, es otro buen ejemplo un paquete interactivo de Makridakis y Robert Carbone, es otro buen ejemplo de un paquete interactivo de para administradores. Este paquete lo com~rcializa Futurion Assopronstico diseado para administradores. Este paquete lo comercializa Futurion Associates, lnc. Otros dos paquetes que se usan ampliamente en el pronstico econmico ciates, Inc. Otros dos paquetes que se usan ampliamente en el pronstico econmico ejemplo salida al final del captulo Shazam. til resumen son TSP (vase el ejemplo de salida a! final del capItulo 9) y Shazam. Otro til resumen paquetes de pronstico para macrocomputadora fue compilado por Mahmoud, Rice, de 37 paquetes de pronstico para macrocomputadora fue compilado por Mahmoud, Rice, Beaumont (1986).4 McGee y Beaumont (1986). Minitab, SPSS, TSP (MicroTSP) y Sybil/Runner han creado recientemente versiones que funcionan en computadoras personales. Statpro, StatPac, Daisy, Decision nes que funcionan en computadoras personales. Statpro, StatPac, Daisy, Decision Support Modeling, VisiTrend/Plot, Graph Ca1c, Expert Choice, Nuametrics, Support Modeling, VisiTrend/Plot, Graph N' Calc, Expert Choice, Nuametrics, mtodos SYSTAT y Xtrapolator son paquetes similares a Minitab, que contienen varios mtodos utilizado de pronstico y que pueden funcionar en computadoras personales. El muy utilizado de pronstico que pueden funcionar en computadoras personales. El paquete de ajuste estacional Xl IARJMA/88, se encuentra disponible tanto para macroestacional X11ARIMA/88, para macropaquete computadoras como para PCs. para PCs. desarrollaron especficamente diseados Se desarrollaron diversos paquetes especIficamente diseados para funcionar en microcomputadoras. Por ejemplo, Walonick Associates ofrece Plus (vanse niicrocomputadoras. Por ejemplo, Walonick Associates ofrece Forecast Plus (vanse ejemplos de instrucciones y salidas al final de cada capitulo). Otros paquetes de final cada captulo). Otros paquetes de ejemplos de instrucciones y salidas programas diseados para microcomputadorasque se comercializan en la actualidad programas diseados para microcomputadoras que se comercializan en actualidad son: AutoBox 3.0 de Automatic Forecasting Systems, lnc. Inc. Autocast II de Levenbach Associates Il Forecasting: de John Wiley Business and Economic Forecasting: Decision Support System Software de John Wiley & Sons & Easy Forecaster Plus 1 o II del Institute of Business Forecasting Forecaster Plus J JI lnstitute ofBusiness Forecasting Economics Software Program (ESP) de Chase Econometrics Inc. Express Easycast de Management Decisions Systems, lnc. Inc. ET (Econometrics Toolkit) de Econometric Software, lnc. Forecast Master de Scientific System, Inc. Master de Scientific System, lnc. 4 Cast de Scientific Systems, Inc. de Scientific Systems, lnc.

dc Forecasting de Hewlett Packard Forecast Pro de Business Forecast Systems, Inc. Systems, lnc. Micranal de Gwilym Jenkins & Partners, Ltd Micranal & Partners,
Micro-BJ de Stratix

'<1

E. Mahnioud, G. Rice, V. E. McGee yyC. Beaumont, "Mainframe Specific Purpose Forecasting E. Mahmoud, G. Rice, V. E. McGee C. Beaumont, "Mainframe Specific Purpose Forecasting

Software: A Survey", Journal oI Forecasting, Vol. 5 (1986), pp. 75-83. Software: A Survey", JOllrnal of Forecasting, Vol. 5 (1986), pp. 75-83.

10 10

lntroducciOn Introduccin a los pronOsticos pronsticos

Capitulo 1 Captulo 1

MICCROFIT3 MlCCROFlT3 de Oxford University Press


Series Program) MTS (the Multiple Time. Series Program) de Automatic Forecasting Systems Systems
Pro*Cast de Fleming Software +Forecast de Computer Software Consultants, Inc. RATS de Var Econometrics Val' Econometrics Smartforecasts II de Smart Software, Inc. II Smart Software, lnc. SORITEC de Sorites Group SORlTEC Tirnestat Timestat de Timestat, Inc. lnc. SCA Statistical System de Scientific Computing Associates Corp. The Forecaster de Wadsworth Electronic Publishing Company Com)any ySTAT de Ming Telecomputing, Inc. lnc.

muy til de muchos de estos Se puede encontrar un anlisis muy t'itil de muchos de estos paquetes en el ejemplar del 14 de marzo de 1989 de PC Magazine,5 Otro til resumen de 94 paquetes de del 14 de marzo de 1989 de pe Magazine. 5 Otro til resumen de 94 paquetes de pronstico para computadoras personales fue compilado por Beaumont, Mahmoud y pronstico para computadoras personales fue compilado por Beaumont, Mahmoud y McGee (1985).6 (1985).6 1-2-3 (vanse ejemplos Se debe mencionar adems que los paquetes integrados Lotus 1-2-3 (vanse ejemplos tinal captulo), e instrucciones al final de cada capItulo), Excel, Quattro Pro, Framework, Symphony, Visi 717 Offce On, Lisa 7/7 Office System y otros similares, se pueden usar para pronsticos. Ninguno de On, Lisa 717), realiza pronsticos estos paquetes intcgrados (con Ia posible excepcin del Lisa 7/7), realiza pronsticos estos paquetes integrados (con la posible excepcin s mismo, pero uno puede modificarse con facilidad para realizarlas. completos por Si mismo, pero cada uno puede modificarse con facilidad para realizarlas. completos Algunas adaptaciones que se pueden hacer a Lotus 1-2-3 son: 1-2-3 Algunas adaptaciones que sc pueden hacer

ForeCaic ForeCa1c de Business Forecast Systems Forecast! de Intex Solutions, Inc. lntex lnc. Forecast/DSS y Lotus-FORM AN, ambos de John Willey & Sons, Inc. Lotus-FORMAN, & Sons, lnc. Add a Stat y Multitit, ambos de Abacus Scientific Software Company Abacus Scientific Software Company STAT-PACKETS de Statpac, Inc. de Statpac, lnc. Spreadsheet Forecaster de Levenbach Associates. Associates.

exposicin Para una excelente exposicin sobre las adaptaciones de pronstico para Lotus 1-2-3, adaptaciones pronstico consulte la seccin de software de los ejemplares de marzo y junio de 1992 del International seccin de software de los ejemplares de marzo yjunio de 1992 del International Journal 01 Forecasting. Journal of Forecasting.77 Para otra excelente exposicin sobre los programas en general de pronstico empreexcelente exposicin programas general de pronstico empresarial, consulte el artculo "Choosing and Using Business Forecasting Software" el sarial, consulte el artIculo "Choosing and Using Business Forecasting Software" en el de 1985 de Creative Computing. 8 ejemplar de enero de 1985 de Creative Computing.8

Forecasting", PC Magazine, 1989), pp. 225-241. 5 "Statistical Analysis Forecasting", PC Magazine, Vol. 8(5) (marzo, 1989), pp. 225-24 1. 6 C. Beaumont, F. Mahmoud y V. F. McGee, "Microcomputer Forecasting Software: A Survey", Jouma! 6 C. Beaumont, E. Mahmoud E. McGcc, Forecasting Software: A Survey", Journal ofForecastin& Vol. 4 (1985), pp. 305-311. ofForecastir-z&.Vol. 4 (1985), pp. 305-311. 7 L. Tashnian-y R. Whitycornhe, "Software Rcviews", lnternationa! Jouma! ofForecasting, Vol. 7 (1992), Tashman--y R. Whitycombe, "Software Reviews", International Journal of Forecasting, pp. Y Vol. 8 (1992), pp. "21127. pp. 543-553 y Vol. 8 (1992), pp. 121-127. 8 K. Keating, "Choosing and Using Business Forecasting Software", Creative Computing, 11 (1) (enero, 8 K. Keating, "Choosing and Using Business Forecasting Software", Creative Computing, 11 (1) (enero, 1985), pp. 119-135. 119-135. 1985),

Captulo 1 CapItulo 1

Caso de estudio Caso de estudo

11

RESUMEN
El propsito del pronstico consiste en reducir el margen de incertidumbre dentro del que consiste El propsito se deben efectuar los juicios de la adrninistracin. Este propsito sugiere dos reglas se deben efectuar los juicios de la administracin. Este propsito sugiere dos reglas principales a las que debe adherirse el proceso de pronstico: que debe adherirse el proceso de pronstico:

conecto l. El pronstico debe ser tcnicamente correcto y producir predicciones precisas.


2. El procedimiento de pronstico y sus resultados deben ser presentados con efectividad a la adrninistracin, de modo que los pronsticos se utilicen en ci proceso de toma de administracin, de modo el decisiones en beneficio de la empresa; tambin los resultados deben ser justificados con Ia empresa; tarnbin los resultados deben serjustificados con su costo-beneficio. base en su costo-beneficio. ltima consideracin a menudo se malinterpreta y puede frustrante los La ltirna consideracin a menudo se malinterpreta y puede ser frustrante para los pronosticadores profesionales. Aun cuando los pronsticos se usen en beneficio de pronosticadores profesionales. Aun cuando los pronsticos se usen en beneficio de la empresa, deben ser utilizados por aquellos que tienen la autOlidad en la toma de decisiones. utilizados por aquellos que tienen Ia autoridad en la toma de decisiones. De este hecho surge la pregunta de lo que podrIa liamarse Ia "poltica" de los pronsticos. podra llamarse la "poiltica" pronsticos. Con frecuencia, los gastos sustanciales y en ocasiones mayores y la distribucin de recursos fi-ecuencia, de recursos dentro de la empresa recaen sobre la vision de Ia administraciOn en los sucesos futuros. empresa recaen sobre la visin de la administracin los sucesos futuros. dentro Corno el movirniento de recursos y ci poder dentro de la organizacin se basa menudo Como el movimiento de recursos y el poder dentro de la organizacin se basa a menudo en el rumbo que se percibe del futuro (pronsticos), no es de sorprender que haya una cierta haya una cierta cantidad intliga alrededor del proceso de pronstico. Esta consideracin subraya la cantidad de intriga airededor dcl proceso de pronstico. Esta consideracin subraya la importancia de la segunda regla primaria: los pronsticos generados dentro de Ia empresa primaria: pronsticos generados la empresa importancia de deben ser entendidos y apreciados por quienes toman las decisiones, de manera que deben ser entendidos y apreciados por quienes toman las decisiones, de manera que encuentren su via en Ia administracin de la empresa. la administracin la empresa. encuentren va resto de este libro aborda varios modelos y procedimientos pronstico. El resto de este libro aborda varios modelos y procedirnientos de pronstico. En primer trmino se presenta un repaso de los conceptos estadisticos bsicos, seguido de una repaso los conceptos estadsticos una exposicin de los procedimientos de anlisis de regresin. A continuacin se expone el procedimientos de anlisis de regresin. continuacin expone el exposicin de pronstico con series de tiempo datos y en los siguientes captulos, tcnicas ms pronstico con series de tiempo de datos y en los siguientes capItulos, tcnicas ms avanzadas prediccin. El captulo final del libro trata sobre el pronstico avanzadas de prediccin. El capItulo final del libro trata sobre ci proceso de pronstico y su relaciOn con quienes toman las decisiones en la enipresa. la empresa. su relacin con quienes tornan las

ESTUDIO 1.1 CASO DE ESTUDIO 1.1

MR. MR. TUX


John 101m Mosby es propietario de varias tiendas Mr. Tux de renta de ropa de etiqueta, la mayorIa de ellas mayora se ubican en las areas de Spokane y Seattle, Washington.9 Su tienda de Spokane tambin hace carnisas reas y Washington. 9 hace camisas cuales distribuye a las tiendas de renta a lo largo del pas. Ya que la actividad de renta de etiqueta, las cuales distribuye a las tiendas de renta a lo largo del pals. Ya que Ia actividad de renta varIa de tiempo en tiempo dcbido a graduaciones, reuniones y otras actividades, John sabe que su vara tiempo debido a graduaciones, reuniones otras actividades, 10hn sabe que su la es de temporada. A le gustarIa medir este efecto de temporada, tanto para ayudarle negocio es de temporada. A ll le gustaramedir este efecto de temporada, tanto pam ayudarle en la adrninistracin de su negocio como pam utilizarlo en la renegociacin de pagos de su prstamo con el banco. Ia renegociacin de pagos de su prstarno con ci banco. administracin para
9 Estamos en deuda con John Mosby, propietario de las tiendas de renta de ropa Mr. Tux, por su ayuda Estarnos en deuda con John Mosby, propietario de las tiendas de renta de ropa Mr. Tux, en la preparacin de este caso. John fue estudiante nuestro, y aunque aos ms tarde no record los detailes la preparacin este caso. John fue estudiante nuestro, y aunque aos ms tarde no record los detalles especficos de las tcnicas de pronstico, sabia que con alguna ayuda podria desarroliar diversos modelos de especiticos de tcnicas pronstico, saba que con ayuda podra desarrollar diversos modeios de pronstico ayudaran. sensacin latente dc que se podia extraer informacin itiI pronstico que le ayudaran. Esta sensacin latente de que se poda extraer informacin til de datos sin procesar es, es, en nuestra opinln, ci veidadcro valor de los estudios cuantitativos en ci curricu]o de administracin. nuestra opinin, el verdadero valor de los estudios cuantitativos en el currculo administracin.

12

Introduccin pronsticos IntroducciOn a los pronOsticos

Captulo 1

An de mayor inters para John es encontrar una forma de pronosticar sus ventas mensuales. Su Aiin de inters para John es encontrar una forma de pronosticar sus ventas mensuales. Su contina creciendo, lo que a su vez requiere de mayor capital y deuda a largo John tiene negocio continua creciendo, lo que a su vez requiere de mayor capital y deuda a largo plazo. John tiene fuentes para ambos tipos de financiamiento de su crecimiento, pero los inversionistas y los bancos estn inversionistas y los bancos estn f0n11a concreta de pronosticar ventas futuras. Aunque confan en John, su opinin interesados en una forma concreta de pronosticar ventas futuras. Aunque confian en John, su opinion de el de que el futuro del negocio "Se ve estupendo" no les convence del todo. dcl "se ye estupendo" Como primer paso en la eiaboracin de un modelo de pronstico, John se Como primer paso en Ia elaboracin de un modelo de pronstico, John se dirige a una de sus sus empleadas, Perot, ltimos aos. En los empleadas, Virginia Perot, para recopilar los datos de ventas mensuales de los ltimos aos. En los capitulos que siguen, se utilizan varias tcnicas de pronstico con estos datos captulos que siguen, se utilizan varias tcnicas de pronstico con estos datos para Mr. Tux. Los Tux. Los esfuerzos se concretan en ei capItulo 11 y John Mosby intenta elegir Ia tcnica de pronstico que mejor la se concretan en el captulo 11 cubra sus necesidades.

CASO DE ESTUDIO 1.2 1.2

CREDIT CONSUMER CREDIT COUNSELING


Consumer Credit Counseling (CCC) (Consultora dc crdito al consumidor), es una corporacin privada (Consultorla de crdito al consumidor), es una corporacin privada sin fines de lucro, fundada en 1982.10 Los objetivos de CCC eran proporcionar asistencia a los CCC eran proporcionar asistencia los sin fines de lucro, fundada en 1982. 10 Los objetivos consumidores en la plancacin seguimiento de presupuestos, asistir a los consumidores en consumidores en Ia planeacin y seguirniento de presupuestos, asistir a los consumidores en la aJTcglos morosas impartir cursos negociacin de arreglos con los otorgantes de crdito para cubrir obligaciones morosas e impartir cursos sobre Ia administracin de dinero. la adrninistracin La consultoria financiera privada se proporcionaba sin costo a familias o individuos que tienen consultora financiera privada se proporcionaba sm costo familias individuos que tienen querlan mcjorar hahilidad en ci manejo de dinero. Los programas educativos dificultades financicras o que queran mejorar su habilidad en cl manejo de dinero. Los programas educativos financieras impartlan escuelas, grupos comunitarios y empresas. ofrecia un programa de administracin de dinero se impartan a escuelas, grupos comunitarios y empresas. Se ofreca un programa uria altemativa a la bancarrota. A travs de este programa, CCC negociaba con sobre manejo de deuda como una alternativa a la bancarrota. A travs de este programa, CCC negociaba con a1Teglos especiales de Luego el cliente haca un pago palic los acreedores por parte del cliente para obtener arreglos especiales de pago. Luego el cliente hacIa un pago global a CCC, y sta a su vcz distribuIa este pago entre los acreedores. sta a su vez distlibua pago entre los acreedores. tena CCC tenla una mezcla de personal pagado y voluntario; de hecho, el personal voluntario superaba niezcla voiuntario; el personal voiuntario superaba ino. Un grupo de siete empleados pagados cubra las necesidades de al pagado en proporcin de tres a ,Uno. Un grupo de siete empleados pagados cubrIa las necesidades de consultoras. servicio administracin y de oficina y certa de la mitad de las consultorlas. La otra mitad de este servicio era adrninistracin y de oficina y cerca de mitad de por veintin consultores cubierta por vei ntiuin consultores voluntarios. dependa principalmente de servicios. CCC dependia principalmente de los fondos corporativos para cubrir su operacin y servicios. cubrir su El "Programa de distrihucin equitativa de fondos" permiti que los acreedores que recibieron pagos distribucin equitativa de fondos" permiti que los acreedores que recibieron pagos provenientes de los programas de administracin de deuda, donaran a CCC una parte de los fondos que de deuda, donaran a CCC una parte de los fondos que programas. les fueron cubiertos a travs de estos programas. Una gran parte dcl apoyo corporativo provenia de una utilidad local, Ia que proporcionaba fondos proporcionaba fondos palie del provena de una utilidad local, la el puesto de un consultor de tiempo completo, asI como espacio de oficina para dar para sostener ci pllest() de 1m consultor de tiempo completo, as como espacio de oficina para dar consultora las oficinas. consultorIa en todas las oficinas. Adems, las cuotas de los clientes eran una fuente de fondos. Los clientes que participaron en la administracin de deuda pagahan una cuota mensual de 15 dlares ayudar a cubrir el costo adrninistracin de deuda pagaban una cuota mensual de 15 dlares para ayudar a cubrir ci costo administrativo dci programa. (Las cuotas se redujeron o se exentaron a los clientes que financieramente del no podIan cubrirlas.) podan Estos antecedentes se empiern en los captulos sucesivos, al enfrentar CCC dificultades relacioemplern capItulos al con el pronstico estratgicas. nadas con ci pronOstico de variables estratgicas.

10 Estarnos en deuda con Mark Harnishfeger, Director Ejecutivo de Consumer Credit Counseling de 10 Estamos en deuda con Mark Hamishfeger, Director Ejecutivo de Consumer Credit Counseling Spokane y con Dorothy Mercer, Presidente de la Mesa Directiva, por su ayuda en Ia operacin de este caso. la operacin Spokane y con Dorothy Mercer, Presidente de la Mesa Directiva, por ayuda este caso. fue estudiante nuestra la maestra en administracin de consultor de tiempo completo, as como Dorothy fue estudiante nuestra en Ia maestria en adrninistracin de consultor de tiempo completo, asI como espacio de oficina para ilar consultorla en todas las oficinas. de oficina para dar consultorla en todas las oficinas.

Versin estudiantil de Forecast PIus VersiOn estudiantil de Forecast Plus

13

VERSIN ESTUDIANTIL DE FORECAST PLUS VERSION ESTUDIANTIL DE FORECAST PLUS


Forecast Plus es un paquete completo de pronstico estadIstico que maneja todas las paquete completo pronstico estadstico que maneja todas las Forecast Plus es fases del aniisis de pronsticos. La version estudiantil contiene un disco de adminisanlisis de pronsticos. La versin estudiantil contiene un disco de adminisfases datos (Data Management (Main System tracin de datos (Data Management Disk) y un disco del sistema principal (Main System Disk). El paquete se dise para minimizar Ia necesidad de intercambiar discos. El disco del la sistema principal contiene todos los programas de pronstico. El disco de administracin administracin sisterna principal contiene todos los programas de pronstico. El de datos contiene todos los programas necesarios para crear, modificar y manipular archiprogramas as conjunto completo de programas de exploracin. vos de datos asI como un conjunto completo de programas de exploracin. Si usted utiliza una unidad de disco duro, podr copiar en l todos los programas y utiliza unidad disco duro, podr los programas Si tendr que intercambiar discos. no tendr que intercambiar discos. Los Los pasos para ejecutar Forecast Plus son los siguientes: ejecutar Forecast Plus son los siguientes: l. Cree un archivo de datos. 2. Use ci paquete de expioracin para desarrollar accesos a los datos. el exploracin desalTollar 3. Seleccione una tcnica de pronstico apropiada. apropiada. 4. Utilice ci paquete de pronstico para modelar los datos. el 5. Ejecute ci modelo de pronstico hasta encontrar los mejores parrnetros. el parmetros. paso en cualquier procedimiento pronstico consiste en recopilar datos El primer paso en cuaiquier procedimiento de pronstico consiste en recopilar datos la computadora. El de administracin de permitir crear, capturarlos y capturarlos en Ia computadora. El disco de administracin de datos le permitir crear, archivos de datos. contener ya sea una sola modificar y transformar archivos de datos. Dichos archivos pueden contener ya sea una sola variable mltiples variables. Los programas de administracin de datos son al mismo variable o im'iltipies variables. Los programas de administracin de datos son al mismo complejos fciles de usar. tiempo compiejos y fciles de usar. segundo es tener una comprensin los datos. Diferentes tcnicas El segundo paso es tener una cornprensin general de los datos. Diferentes tcnicas apropiadas di ferentes los datos (por ejemplo, de pronstico son apropiadas para diferentes tipos de patrones en los datos (por ejemplo, estacionales). exploracin (en el disco de administracin vs. estacionales vs. no estacionales), El paquete de exploracin (en ci disco de administracin importante Forecast Plus, de datos) es una parte muy importante de Forecast Plus, ya que le ayuda a comprender los Ic ayuda los datos, modo que elegir de pronstico adecuada. patrones en los datos, de modo que pueda usted eiegir una tcnica de pronstico adecuada. ltimo paso consiste en modelar los datos con un procedimiento de pronstico El ltimo paso consiste en modelar los datos con un procedimiento de pronstico elegir diferentes especfico. El paquete de pronstico Ic da a eiegir entre trece diferentes procedimientos de especIfico. El paquete pronstico le pronstico. varan complejidad, tcnica aplicabilidad, dependiendo del conjunto pronstico. Estos varlan en compiejidad, tcnica y apiicabilidad, dependiendo del conjunto cuantitativo consiste en que se est analizando. Con frecuencia, el de datos quc se est analizando. Con frecuencia, ci pronstico cuantitativo consiste en un mtodo de prueba y error para encontrar buenas constantes de atenuacin; asI que es posible as que requiera muchas veces procedimiento especfico de pronstico antes que requiera ejecutar muchas veces un procedimiento especIfico de pronstico antes de descubtir modelo. descubrir el mejor modelo. Plus almacenados secuencial Todos los archivos de Forecast Pius estn aimacenados en formato ASCII secuencial delimitado comas: de ah que, si es usted delimitado por comas: de ahI que, si es usted un programador, podr con facilidad leer los programador, podr con facilidad leer los datos con su propio programa en BASIC. Tarnbin podr utilizar los archivos creados con datos Tambin podr utilizar los archivos creados con cualquier archivo que est otros programas. Forecast Plus tiene la capacidad de leer cualquier archivo que est otros programas. Forecast Plus tiene ia capacidad de almacenado en f01111ato ASCn secuencial deiimitado por comas, como archivos aimacenado en fonnato ASCII secuencial delimitado por comas, como los archivos que dicho fonnato. dBase almacena en dicho formato.

14

Introduccin a los pronsticos lntroduccin

Captulo 1 CapItulo 1

Introduccin
inicializar Forecast Plus en sistema tpico de dos unidades requiere Para inicializar Forecast Plus en un sisterna tIpico de dos unidades de disco, se requiere los siguientes pasos: seguir los siguientes pasos: 1. Inserte el disco del sistema operativo (DOS) en la unidad A y reinicialice Ia computadora. ci del sisterna operativo (DOS) en launidad A yreinicialice la 2. Jntroduzca Ia fecha y hora. (Forecast Plus utilizar esa fecha.) En Ia pantalla aparece el Introduzca la fecha y hora. la fecha.) indicador de comandos A. 3. Insetie el Data Management Disk de Forecast Plus en Ia unidad A. la Inserte ci 4. Inserte un dico formateado en la unidad B. 5. Teclee FP. 6. En Ia pantalla aparecer5 ci ment'i principal de Forecast Plus. la pantaila aparecer el men Plus.

men El menu principal


Forecast Plus est dividido en cuatro componentes. El men principal de seieccin se ye Forecast Plus esti dividido en cuatro componentes. El menu principal de seleccin se ve la siguiente manera: de Ia siguiente manera: 1. Data Management (Administracin de datos) Manngement 2. Expioratoiy Package (Paquete de expioracin) ExploratOlY exploracin) 3. Forecasting Analysis (Aniisis de pronOsticos) Analysis (Anlisis de pronsticos) 4. End of the Program (Fin del programa) ofthe Puede usted elegir cuaiquiera de las cuatro secciones tecleando ci niirnero corresponcualquiera el nmero corresponterminar el programa regresar al diente y presionando <Enter>. Si desea terminar ci programa Forecast Plus y regresar a! diente presionando <Enter>. Si sistema operativo (DOS), teclee ci rn'imero cuatro (4). Forecast Pius terminar y el sisterna teclee el nmero cuatro (4). Plus y el sistema sistenia regresar a DOS. regresar DOS.

PRONSTICO MEDIANTE HOJAS DE CAL CULO PRONOSTICO MEDIANTE HOJAS DE CLCULO


Los paquetes de hojas de ciculo como Lotus 1-2-3, Excel y Quattro Pro se emplean en la clculo 1-2-3, Excel emplean la Los paquetes solucin de diversas aplicaciones en los negocios. Debido a que almacena gran solucin de diversas aplicaciones en los negocios. Debido a que se almacena una gran cantidad de las hojas de clculo, es necesario que aprendamos cmo usarlas de cantidad de datos en las hojas de clcuio, es necesario que aprendamos crno usarias de el proceso de pronstico. manera eficiente en ci proceso de pronstico. En muchos de nuestros ejempios usaremos Lotus 1-2-3, ya que Ia mayorIa de los nuestros ejemplos usaremos Lotus 1-2-3, ya la mayora los En muchos archivos de Lotus se pueden leer en otros paquetes de pronstico. La pantaila principal de otros paquetes de pronstico. La pantalla principal de archivos 1-2-3 (que se muestra en Ia fig. 1 .1) contiene una hoja de clcuio tabular que se utiliza para la fig. 1.1) contiene una clculo se utiliza para 1-2-3 almacenar datos. aiiiiacenar y organizar datos. hoja de clculo consiste en cuadrcula compuesta de columnas renglones La hoja de ca/cub consiste en una cuadrIcula compuesta de columnas y rengiones llenan etiquetas nmeros. A Ia interseccin de cada columna y rengln se que se Ilenan con etiquetas y nImieros. A la interseccin de cada colwnna y rengln se le denomina ce/da. Cada celda respresenta una posicin uinica para almacenar una purcin de celda. respresenta posicin nica para aimacenar una porcin de

PronOstico mediante Pronstico mediante hojas de clculo


modo Indicador de modo /

15
Menu principal Men principal de 1-2-3 1-2-3
\ \

Apuntador Al: ---------------'-------------~ MENU: Al: MENU: de menu men --,..... Worksheet Range Copy Move File Move File Print Graph Data System Add-In Data Quit Column Erase Titles ~ ~ Global Column Erase Window Status Insert Delete Window Status Page Leam Learn Cornandos Comandos -W BCD lE PO H B D F C F H G sublnen .... del subrnenii Worksheet (hoja) (hoja) ~
4 5

./

Sy

6 7
8

9 10 11 12 13
14

15 16 17 18 19 20 13-Aug-91 03:02 PM 13-Aug-91 03:02

Figura 1.1 Figura 1.1

Hoja de clculo Lotus 1-2-3 Lotus 1-2-3

datos. Las celdas se identifican mediante la letra de la columna seguida del nmero del identifican mediante la letra de columna seguida del nmero datos. Las celdas rengln. Por ejemplo, a la celda ubicada en la interseccin de la columna A y el rengln 1 ubicada rengln. ejemplo, Ia interseccin de la columna A y figura 1.1 que celda actual Al se le denomina A l. Observe en la figura 1.1 que la celda actual A1 est resaltada y que el denomina Al. Observe apuntador de celda est ubicado ahI. Adems, en la primera Ilnea se indica que la direccin ah. lnea que la direccin de la celda actual es Al. actual es El panel de control es un area de tres ilneas en Ia parte superior de la pantalla, que control es un rea de tres lneas en la parte superior pantalla, El presenta informacin sobre la celda actual y el menu principal. informacin sobre actual men presione la (diagonal). men principal de Para activar el men principal, presione Ia tecla / (diagonal). El menu principal de Para activar men 1-2-3, a partir del cual se introducen todos los comandos, se exhibir en la segunda lInea introducen la segunda lnea 1-2-3, a del (vase fig. 1.1). Una barra rectangular, denominada apuntador de rnen, aparece resaltando fig. rectangular, denominada apuntador men, aparece resaltando al comando Worksheet (hoja). Los cornandos posibles son: Los comandos son: al
Worksheet (Hoja) Range (Rango) Copy (Copiar) Move (Mover) File (Fichero) Print (Imprimir) Graph (Grfico) Data (Datos) System (Sistema) Quit (Salir) la Comandos que afectan a toda Ia hoja Comandos que afectan partes especIficas de Ia hoja especficas la Copia una celda o Ufl rango de celdas 0 un Desplaza una celda o un rango de celdas Comandos que afectan a archivos almacenados o por almacenar en disco que afectan a archivos almacenados o por almacenar en disco Imprime una hoja de clculo Comandos que exhiben en forma grfica datos de la hoja de clculo datos de la hoja de clculo Comandos para manipulacin especial de datos sistema (slo en la versin 2) Regresa temporalmente al sisteina operativo (DOS) (solo en la version 2) Tennina Ia sesin de 1-2-3 y regresa al sistema principal Termina la

La tercera lInea es un submen que enlista los comandos disponibles para cualquiera lnea es sub,nen los comandos disponibles cualquiera 1.1 de los comandos del menu principal que est resaltado. La figura 1.1 muestra los comandos men de submen disponibles a travs del comando principal Worksheet (Hoja). submen disponibles principal Worksheet (Hoja).

16

lntroducciOn Introduccin a los pronOsticos pronsticos

Captulo 1 CapItulo 1

Lotus utiliza Ia tecla de funcin Fl como tecla de ayuda. Siempre tenga dudas Lotus utiliza la tecla de funcin FI corno tecla de ayuda. Siempre que tenga dudas sobre un cornando, oprima FI. comando, FL La seccin "Pronsticos mediante hojas de clculo" al final del capitulo 3, muestra seccin "Pronsticos mediante hojas de clculo" al final captulo 3, muestra cmo introducir datos en una hoja de clculo. Las secciones al final de Ia mayorIa de los clculo. Las secciones final de la mayora de los cmo introducir datos capitulos captulos muestran cmo utilizar las hojas de clculo para pronosticar. las hojas de clculo para pronosticar.

INTRODUCCINAL PAQUETE INTR9DUCCION AL PAQUETE DE CMPUTO MINITAB DE COMPUTO MINITAB


Minitab es uno de los paquetes de software ms populares que se utilizan para el anlisis los paquetes de software ms populares que se utilizan para el anlisis Minitab estadstico. Este paquete, disponible tanto para macro como para microcomputadoras, es macro como para microcomputadoras, es estadIstico. Este paquete, disponible uno de los paquetes de cmputo a los que se hace referencia a lo largo del libro. Se supone Se supone que se ejecut Minitab para cada ejemplo de Minitab que se presenta en el texto. Al tener Minitab cada ejemplo de Minitab que se presenta en ci texto. Al tener xito una funcin, aparece en la pantalla el indicador de comandos MTB >. El tipo de comandos MTB >. tipo de xito una funcin, aparece en pantalla indicador informacin que Minitab espera que usted teclee, le ser solicitado por el informacin que Minitab espera que usted teclee, le ser solicitado por ci indicador comandos en el extremo izquierdo de la pantalla. de cornandos que aparezca en el extrerno izquierdo de la pantalla. Minitab reconocido estructura comandos directos es lo que Minitab ha sido reconocido por su estructura de cornandos directos y esto es lo que lo largo del texto. No obstante, para mejorar facilidad Minitab se presentar a lo largo del texto. No obstante, para mejorar la facilidad de uso, Minitab tiene una nueva version para microcomputadoras denominada Release 9 (Version 9), la cual versin denominada Release 9 (Versin 9), la cual presenta rnens y cuadros de dilogo, manteniendo el lenguaje de comandos para agregar presenta mens cuadros dilogo, manteniendo el lenguaje de comandos para agregar velocidad. flexibilidad y velocidad. clculo Minitab la clave para utilizar este programa. La comprensin de la hoja de clculo Minitab es Ia dave para utilizar este programa. contiene columnas (variables) renglones (observaciones). columnas les La hoja contiene columnas (variables) y renglones (observaciones). A las coiurnnas se les nombra CI, C2, etc., se les puede asignar tambin nombres de variables como ventas, nombra Cl, C2, etc., yyse les puede asignar tambin nombres de variables como ventas, de comandos a discutir se referirn de clculo tpica precio o peso. Los ejemplos de comandos a discutir se referirn a una hoja de clculo tipica EXAMPLE.X:XX, la manera siguiente: de nombre EXAMPLE.XXX, de la manera siguiente:

CI Cl
l

COLUMNAS 0 VARIABLES COLUMNAS O VARIABLES C2 C3 C4 CS C5

C6

Renglones u observaciones

3 3
4 4

S 5 6

Introduccin al de cmputo IntroducciOn al paquete de cOmputo Minitab

17

Como ejemplo, se presentan los comandos de Minitab para resolver el siguiente caso: considrense los siguientes valores de X- Y. considrense los siguientes valores de X- Y.
x
5 5
y Y

4 4
9 9 8 8

7 7
3 3

O 0

5 5
3 3

10 10 2 2

9 9

1. Encontrar las siguientes surnas: LX; LY, LXY sumas: X, Y, Lk'Y 2 2. Mostrar que LX no es igual a (Lk)2 igual a (LXf

MTB MTB DATA DATA MTB DATA DATA MTB MTB

'EXAMPLE.PRN' > > OUTFILE 'EXAMPLE.PRN' > C1 > SET Cl 2 > 5 7 3 o 10 2 >5 3 0 > END > END > SET > SET C2 > 4 9 8 5 3 9 >4 9 8 5 3 9 > END > END > LET C3 > LET C3 = C1*C2 > > PRINT C1-C3
7

C2

Fila Fila
1 1

Cl Cl
5 5
7 7

C2
4 4
9 9

C3

2 2
3

3 3
O 0
10 10

8 8
5 5
3 3 9 9

20 63 63 24
O 0 30 30

4 5 5

6 6

2 2

18 18

MTB MTB MTB MTB Ki K1 K2 K3 K3 MTB MTB

K1 SUM (C1) > LET Ki = SUM(C1) > K2 SUM(C2) > LET K2 = SUM(C2) > > LET K3 = SUM(C3) K3 SUM(C3) > > PRINT K1-K3 > 27.0000 27 .0000 38.0000 155.000 EXAMPLE.DAT' C1-C3 > WRITE 'EXAMPLE.DAT' C1-C3 > > STOP > STOP

18

Introduccin a los pronOsticos lntroduccin a los pronsticos

Captulo 1 Capitulo 1

todos los El comando OUTFILE se utiliza para almacenar todos los comandos y resultados que se muestran en la pantalla en el archivo especificado con el nombre EXAMPLE.PRN, con el nombre EXAMPLE.PRN, la hasta terminar Ia sesin de Minitab con el comando STOP. El comando SET se emplea para introducir datos en la columna 1 (Cl) de la hoja de comando emplea introducir datos en Ia columna (CI) de la hoja de clculo. datos, dejando por lo menos un espacio El subcomando DATA se usa para introducir los datos, dej ando por lo menos un espacio entre los valores de los datos. El subcomando END se utiliza para indicar que est completo el registro de datos para l. Ia la columna 1. El comando LET se emplea para realizar clculos aritmticos mediante expresiones comando LET se emplea para realizar clculos aritmticos mediante expresiones y almacenar el resultado en C3. Tambin se algebraicas corno multiplicar Cl por C2 y almacenar el resultado en C3. Tambin se algebraicas como multiplicar Cl puede utilizar para modificar un archivo de datos. Por ejemplo, cambiar el valor del puede utilizar para modificar un archivo de datos. Por ejemplo, cambiar el valor del rengln 6, columna 2, de 9 a 64. 64.

MTB MTB

> LET C2 (6) = 64 64 > LET C2

El comando PRiNT se usa para imprimir el contenido de las columnas 1 a 3. PRINT se imprimir el las 1 a 3. emplea para sumar (SUM) la columna CI el resultado El comando LET se emplea para sumar (SUM) la columna Cl y almacenar el resultado en el rengln K 1. rengln Kl. El cornando WRITE guarda los datos en una hoja de clculo de nombre de clculo de nombre El comando WRITE guarda los datos en una EXAMPLE.DAT. Para su uso futuro, la hoja podr siempre accesarse mediante el siempre accesarse mediante EXAMPLE.DAT. Para su uso futuro, comando READ EXAMPLE.DAT Cl-C3. cornando C1-C3.

INTRODUCCIN AL PAQUETE DE CMPUTO SAS INTRODUCCIN AL PAQUETE DE CMPUTO SAS


Statistical Analysis System (SAS) (Sistema de Anlisis EstadIstico) es uno El paquete Statistical Analysis System (SAS) (Sistema de Anlisis Estadstico) es uno de negocios los paquetes de software ms populares que se emplean en la industria y los negocios para ms populares que se emplean en Ia industna estadstico. macro corno para microcomputadoras, ste es el anlisis estadIstico. Disponible tanto para macro como para microcomputadoras, ste es paquetes cmputo los referiremos uno de los paquetes de crnputo a los que nos referiremos a lo largo del libro. un problema estadIstico con SAS, se deben primero Para resolver tin problema estadstico con SAS, se deben primero definir los datos y los procedimientos estadsticos Al ejecutar progradespus especificar los procedimientos estadIsticos (PROCS) a utilizar. Al ejecutar programas SAS se dehen observar ciertas reglas. Algunas de las reglas bsicas de SAS son las mas SAS deben observar ciertas reglas. Algunas de las reglas bsicas de SAS son

siguientes:
1. Las declaraciones de SAS deben terminar siempre con un punto y coma (;). tenninar 2. Los nombres deben comenzar con una letra y tener ocho o menos caracteres. 3. Las declaraciones en SAS tenninan en la columna 72, las que excedan dicha columna declaraciones SAS terminan en columna 72, las que excedan dicha se deben continuar en la siguiente ilnea. lnea.

cmputo SAS Introduccin al paquete de cmputo SAS

19

4. Se deben definir los datos antes de ejecutar un procedimiento. Las lIneas que contienen m procedimiento. Las lneas que contienen datos no terminan con un punto y coma, pero es recomendable incluir el punto y coma al final de la ltima imnea de datos. de la ltima lnea 5. Se pueden realizar diversos procedimientos agregando declaraciones de procedimiento procedimiento mltiple. mltiple.

6. Se debe incluir el punto decimal a! introducir datos con decimales (1.89). al decimales (1.89).
7. En un programa SAS se deben incluir declaraciones de tipo JCL (lenguaje de control declaraciones tipo trabajos, siglas ingls), cuales especficas para un sistema de trabajos, por sus siglas en ingles), las cuales son especIficas para un sistema en particular, ya que permiten que el programa SAS se ejecute correctamente. El siguiente ejemplo muestra el uso de cornandos SAS. Considrense los siguientes valores comandos de X-Y. deX-Y.

x x
5

y Y

4 4
9
8 8

7 3 3
O 0

5 5
3 3

10 2

l. Encontrar las siguientes sumas: LX; L.Y, YXY EY, ITY. 2. Demostrar que Y.X2 no es igual aa(EX)2. Demostrar que LX2 igual (IXf

L 54 9 79 38 3 8 O 5 05 10 3 3 2 9 29

$ SAS $ SAS OPTIONS PAGESIZE=60 LINESIZE8O; OPTIONS PAGESIZE6O LINESIZE=80; TITLE "SAS SOLUTION TO EXAMPLE 0"; O"; TITLE "SAS DATA EXAMPLE; INPUT X Y; X Y; XYX*Y; Xy=x*y; CARDS;
5
7

PROC PRINT DATA=EXAMPLE; PROC PRINT DATAEXAMPLE; SUM X Y XY; X Y XY; ENDSAS;

20

Introduccin a los pronOsticos a los pronsticos

CapItulo I Captulo 1

La declaracin OPTIONS indica que el tamao de pgina de la salida ser de 60 lneas OPTIONS el tamao Ia salida ser de 60 lineas y que cada lInea tendr 80 espacios. cada lnea espacios. La declaracin TITLE da nombre al programa SAS. La declaracin DATA proporciona el nombre del archivo de datos. datos.

las La declaracin INPUT nombra las variables e indica el orden correcto de los distintos campos en las lneas variables (X y Y), y que se crear campos en las Ilneas de datos. Ntese que se leern dos variables (Xy 1'), y que se crear Ntese que leern una nueva variable multiplicando stas (XY=X*Y). ima nueva variable multiplicando stas (XY=X*Y).
La declaracin CARDS indica a SAS que a continuacin se presentan los datos de declaracin CARDS indica que a continuacin se presentan los datos de lneas datos. entrada. Las siguientes seis ilneas contienen los valores de los datos. declaracin PROC PRINT produce un listado de los datos en archivo EXAMPLE. La declaracin PROC PRINT produce un listado de los datos en el archivo EXAMPLE. La declaracin SUM especifica las variables a totalizar. totalizar. primera lnea es declaracin de tipo JCL. resultado de la ejecucin este La primera Ilnea es una declaracin de tipo JCL. El resultado de la ejecucin de este programa muestra la tabla 1.1. programa SAS se muestra en la tabla 1.1.

1.1 Tabla 1.1 BS OBS


1
1

Salida ejemplo Salida de SAS para el ejemplo


X X

y Y

XY
20 63 24
O 0
30

5 5
7

4
9

2 3 3

3 3
O 0

8 8 5 5

4 4 5 6

10 2 2 27

3 3
9 38

18 155

BIBLIOGRAFA BIBLIOGRAFIA
ADAMS, F. G.111C Business Forecasting Revolution. Nueva York: Oxford University Press, 1986. ADAMS, F. G. The Business Forecasting Revolution. Nueva York: Oxford University BEAUMONT. c., MAHMOUD, y y MCGEE, E. "Microcomputer Forecasting Software: a BEAUMONT, C.,MAHMOUD, E. E. MCGEE, V. V. E. "Microcomputer ForecastingSoftware: a Survey." Journal of Forecasting, 4(1985): 305-311. ofForecasting, 4 (1985): 305-311. GEORGOFF.D. M. y y MARDICK, R. G. "Manager's Guide of Forecasting." Harvard 1 GEORC;OFF.D. M. MARDICK, R. G. "Manager's Guide ofForecasting." Harvard Business Review, I 110-120. (1986): 110-120. HOGARTII, R. M. Y MAKRIDAKIS, S. S. "Forecasting and Planning: An Evaluation." Management Science, HOGARTI!, R. M. y MAKRIDAKIS,"Forecasting and Planning: An Evaluation." Management Sence,

27(2)(1981): 115-138. 27 (2) (1981): 115-138.


KEATING, K. "Choosing and Using Business Forecasting Software." Creative 'omputing, 11 (1) (1985): KEATING, K. "Choosing and Using Business Forccasting Software." Creative Computing, 11(1) 119-135. MAK,RlDAKIS, S. "Thc Art and Science ofForecasting". International Journal ofForecasting, 2 (1986): MAKRIDAKIS, S. "The Art and Science of Forecasting". Intern ational Journal ofForecasting, 2 (1986): 15-39.

BIBLIOGRAFIA BIBLIOGRAFA

21

MAKRlDAKIS, S. "Forecasting in the 21 st Century." International Journal ofForecasting, 7 (2) (1991): MAKRIDAKIS, S. "Forecasting in the 21St Century." International JournalofForecasting, 7 (2) (1991): 123-126. MAHMUD, E., RICE, G., McGEE, V. E. y BEAUMNT, C. "Mainframe Multipurpose Forecasting MAHMOUD, E.,RICE, G., McGEE, V. E. y BEAUMONT, C. "Mainframe Multipurpose Forecasting Software: ofForecasting, 5 (1986): 127-137. Software: A Survey." Journal ofForecasting, 5 (1986): 127-137. MAHMOUD, E., RICE, G., McGEE,V. E. y BEAUMONT, C. "Mainframe SpecificPurpose Forecasting MAHMUD, E., RICE, G., McGEE, V. E. y BEAUMNT, C. "Mainframe Specific Purpose Forecasting Software: A Survey." Journal ofForecasting, 5 (1986): 75-83. Software: Survey." Journal ofForecasting, 5 (1986): 75-83. REID,R.A. "The Forecasting Process: Guidelines for the MIS Manager." Journal ofSystems ManageREm,R. A. "The Forecasting Process: Guidelines for the MIS Manager." Journal of Systems Management (noviembre, 1986): 33-37. ment(noviernbre, 1986): 33-37. WRlGHT, G. y AYTN, P. eds. Judgemental Forecasting. Nueva York: John Wiley & Sons, 1987. WRIGHT, G. y AYTON, P. eds. Judgemental Forecasting. Nueva York:John Wiley & Sons, 1987.

CAPTULO CAP1TULO

Revisin de conceptos Revision estadIsticos estadsticos bsicos

ACTIVIDAD A CT! VIDAD


mayora las tcnicas de pronstico se basa en conceptos estadsticos fundamentales La mayoria de las tcnicas de pronstico se basa en conceptos estadisticos fundamentales tema estadstica as que constituyen el terna de textos sobre estadIstica en los negocios, asI como de cursos de introduccin introduccin a la estadIstica. En este captulo se revisan algunos de los conceptos bsicos estadstica. En este capitulo revisan algunos de que servirn de fundamento para gran parte del material del resto del texto. fundamento material resto del texto. La mayorIa de los procesos estadIsticos hacen inferencias sobre los elementos de mayora los procesos estadsticos inferencias sobre elementos de inters denominadospoblacin, despus de seleccionar yy medir un subgrupo de estos estos inters denominados poblacin, despus de seleccionar medir un subgrupo elementos llamado muestra. El cuidado en la seleccin de una muestra representativa y la elementos liamado muestra. El cuidado en Ia seleccin de una muestra representativa y la importantamao de muestra lo suficientemente grande, utilizacin de un tamao de muestra lo suficientemente grande, son componentes importanun proceso de inferencia estadstica con un grado de riesgo aceptablemente bajo. tes de un proceso de inferencia estadistica con un grado de riesgo aceptablemente bajo. Junto con Ia inferencia estadIstica, la estadIstica descriptiva constituye la otra gran la inferencia estadstica, estadstica descriptiva constituye gran Junto subdivisin de la estadistica. Los procedimientos de estadIstica descriptiva se emplean para estadstica. estadstica subdivision resumir datos, de manera que sus componentes resumir o describir en forma breve conjuntos de datos, de manera que sus componentes forma breve conjuntos esenciales se hagan obvios y se puedan utilizar en el proceso de toma de decisiones. utilizar proceso decisiones. esenciales se hagan obvios

ESTADSTICA DESCRIPTIVA ESTADISTICA


La finalidad de los procedimientos de estadistica descriptiva consiste en describir brevefinalidad los procedimientos estadstica descriptiva consiste describir brevemente un gran conjunto de mediciones con unos cuantos valores clave resumidos. La forma mediciones con unos cuantos valores dave resumidos. forma ms comn lograr esto es promediando los valores. En estadstica, el proceso de ms cornn de lograr esto es promediando los valores. En estadIstica, el proceso de promediar se lleva a cabo regularmente mediante el clculo de Ia media, lo que comprende la sumar todos los valores y dividir entre el nmero de valores. Debido a que tanto la poblacin el nmero tanto como la muestra que se extrae de ella poseen una media, existen dos fOrmulas para calcular ella media, existen dos frmulas sta. sta. La fOrmula apropiada depende de que los valores reunidos constituyan todos los fnnula apropiada depende de que los valores reunidos constituyan todos los inters (la poblacin) o un conjunto parcial de ellos (una muestra). valores de inters (la poblacin) o un conjunto parcial de ellos (una muestra).

Las estadstica descriptiva comprende Ia descripcin de conjuntos de datos por la por estadIstica medio de algunos valores clave resumidos. medio alglillos valores dave resumidos.

Estadstica descriptiva Estadistica

23

Por lo regular, los valores de la poblacin o parmetros se identifican utilizando letras Ia poblacin o parmetros se identifican utilizando letras griegas. smbolo elegido para la poblacin es la letra griega u (mu). La formula para la griegas. El sImbolo elegido para la poblacin es la letra griega f.1 (mu). La frmula para la la poblacin es media de la poblacin es
J.L = N
~x

(2.1 ) (2.1)

en donde donde

LX = la suma de todos los valores de la poblacin = = el tamao la poblacin N = el tamaflo de la poblacin


se calcula smbolo para media de la muestra (media muestral) es X (X-barra) El sImbolo para la media de la muestra (media muestral) es X (X-barra) y se calcula ecuacin 2.2: utilizando la ecuacin 2.2:

~X x=n
en donde
LX = la suma de todos los valores de la muestra muestra EX = n = el tamaflo de la muestra tamao

(2.2)

Adems de medir la tendencia central de un grupo de valores mediante el clculo de tendencia central de grupo Adems de lo regular es de inters el grado en el que los valores se encuentran dispersos la media, por lo regular es de inters el grado en el que los valores se encuentran dispersos

desviacin estndar alrededor de media. propsito se puede calcular airededor de la media. Para este propsito se puede calcular la desviacin estndar de cualquiera de ambos grupos. Se puede pensar en la desviacin estndar como en la cualquiera de ambos grupos. Se puede pensar en Ia desviacin estndar como en la
diferencia tpica frmulas siguientes diferencia tIpica o estndar entre los valores de un grupo y su media. Las formulas siguientes la desviacin estndar poblacional (o-) y corresponden a Ia desviacin estndar poblacional (cr) Y muestral (s):

(X )2
N
2

(X)2
N
(2.3)

(X)2
n

s =

ni

- X)2

(2.4 ) (2.4)

en donde los numeradores representan la suma de las diferencias cuadradas entre los valores de las diferencias cuadraths sus medias. medidos y sus medias. Por ltimo, muchos procedimientos estadsticos hacen uso de la varianza poblacional poblacional ltirno, procedimientos estadIsticos hacen uso de
de la varianza muestra1. La varianza de un conjunto de mediciones es la desviacin o de la varianza muestral. La varianza de un conjunto de mediciones es la desviacin De ah que la (d) y de la muestral (S2) estndar estndar al cuadrado. De ahi que la varianza poblacional (&) y de la muestral (s2) se calculen como:

24

Revisin de conceptos estadIsticos bsicos estadsticos Revision

Captulo 2 Capitulo 2

X 2

()2 (Ix)2
N

(2.5)

(X-X)2

n-i

(X)2 X 2 _ (X)2 n
nn-i1

(2.6)

Ejemplo 2.1

el conjunto de edades de personas, en donde se considera que los valores Considrese el siguiente conjunto de edades de personas, en donde se considera que los valores son una muestra de Ia poblacin, en vez de Ia poblacin misma: la de la poblacin misma: son
23,38,42,25,60,55,50,42,32,35 23, 38, 42, 25, 60, 55, 50, 42, 32, 35 Para esta muestra, muestra,

x=

IX = 402 = 40.2 402 =40.2 n n 10

Corno 2.1, Ia media muestral es 40.2 aflos, la varianza muestral es Como se muestra en Ia tabla 2.1, la media muestral es 40.2 aos, la varianza muestral es 148.84 la

muestral y Ia desviacin estndar muestral es 12.2 aos. Si el conjunto de datos originales Se hubiera la aos. Si el conjunto de datos originales se hubiera
identificado corno una poblacin en vez de una muestra, los clculos habrIan sido los mismos, como de una muestra, los clculos habran sido los mismos, desviacin estndar, que sera excepto por el denomiador en el clculo de la varianza y la desviacin estndar, que serla excepto por ci denominador en el clculo de varianza 10(N) en lugar de 9(n-1). Al trmino n-I se le conoce como grados lOeN) en lugar de 9(n-l). Al tnnino n-l se le conoce como grados de libertad. libertad.

El trmino grados de libertad se utiliza para indicar el nmero de elernentos de datos libertad se utiliza para indicar el nmero de elementos de datos El trmino que son libres de otros en el sentido de que no pueden deducirse de otros, y por tanto, libres sentido de que no pueden deducirse de otros, y por tanto, que

TABLA 2.1 TABLA 2.1

(5< =40.2) CALCULO DE S (X = 40.2)

x
23 38 38 42 42 25 25

X-X x-x
-17.2 -2.2 1.8 -15.2 19.8 19.8 14.8 14.8 9.8 1.8 1.8 -8.2 -5.2

(X-X)2
295.84 4.84 3.24 3.24 231.04 392.04 219.04 96.04 3.24 67.24 27.04

60 55 50 42 32 35

s2

= -

1,339.6
10 - 1

ex - X)2 = X)2 = = 148.84 = 148.84

1,339.60 1,339.60

s = \/148.84 = 12.2 = V148.84 = 12.2

Estadstica descriptiva EstadIstica

25

constituyenpiezas ilnicas de informacin. Por ejemplo, suponga que se hacen las siguientes constituyenpiezas nicas de informacin. Por se hacen las siguientes declaraciones:

nmero 5. Pienso en nmero 7. nmeros en que Pienso en el nthnero 5. Pienso en el nmero 7. La suma de los dos n,neros en que suma de pens es 12. es 12.

A primera vista, se presentan tres piezas de informacin. No obstante, si se conocen dos de informacin. No obstante, si declaraciones, deducirse. podra las tres declaraciones estas declaraciones, la otra puede deducirse. Se podrIa decir que en las tres declaraciones slo hay dos piezas nicas de informacin o, para usar el trmino estadIstico, que solo hay nicas estadstico, slo solo de libertad. dos grados de libertad. el ejemplo que se presenta en la tabla 2.1, las edades de las diez personas En el ejemplo que se presenta en la tabla 2.1, las edades de las diez personas podra constituyen una muestra con diez grados de libertad. Cualquier edad podrIa haberse incluido la muestra, ah de las edades sea libre de variar. Al calcular la media, en Ia muestra, de ahi que cada una de las edades sea libre de variar. Al calcular la media, las diez edades para contabilizar edad media total de 40.2 aos. se usan las diez edades para contabilizar una edad media total de 40.2 aos. la desviacin estndar muestral, clculo difiere. Al calcular la desviacin En la desviacin estndar muestral, el clculo difiere. Al calcular la desviacin muestral, estndar muestral, se utiliza una estimacin de la media de la poblacin (la media muestral X). Se introduce un sesgo debido a que el valor l:(X- X)2 es un valorminimo para cualquier ). Se introduce un sesgo debido a que el valor (X)2 es un valor mnimo para distribuciOndada. Si a cada elemento de la distribucin se hubiera restado cualquier otro distribucin dada. Si a cada elemento de Ia distribucin se hubiera restado cualquier otro valor distinto de 40.2 y estas diferencias se elevaran al cuadrado y se sumaran, la suma valor distinto de 40.2 estas diferencias se elevaran al cuadrado y sumaran, Ia suma sera total de cuadrados serla mayor de 1 339.6. Al utilizar en el clculo la media muestral como muestral como una estimaciOn de la media poblacional, por lo regular se obtendr una desviacin estndar estimacin de la media poblacional, por lo menor que la desviacin estndar poblacional. Sin embargo, este sesgo se puede corregir desviacin estndar poblacional. Sin embargo, este sesgo se puede corregir )2 dividiendo nmero adecuado de grados de libertad. dividiendo el valor de l:(X -- X)2 entre el nilimero adecuado de grados de libertad. Ya que (X muestral estimacin de la media poblacional en el clculo de la media muestral se us como una estimaciOn de la media poblacional en el clculo de la de variar. Si se conocen desviacin estndar muestral, slo nueve de las edades son libres de variar. Si se conocen muestral, solo nueve nueve edades, se puede contabilizar la dcima, ya que que (X) debe ser igual aacero. Solo nueve edades, se puede contabilizar la dcima, ya 1:(X - X) debe ser igual cero. Slo nueve edades para contabilizar totalidad de la informacin. general, se requiere de nueve edades para contabilizar la totalidad de Ia informacin. En general, siempre un clculo estadstico muestra como siempre que se utilice en un clculo un estadIstico de la muestra corno una estimacin de un parrnetro de Ia poblacin, se pierde un grado de libertad (vase tabla 2.2.). parmetro de la poblacin, se pierde un grado

nmero elementos libertad en un conjunto Los grados de libertad en un conjunto de datos indican el nmero de elementos de datos que son independientes de los otros y que se constituyen como piezas independientes otros y que se constituyen como piezas nicas de informacin. informacin. iinicas

TABLA 2.2 2.2 CARACTERSTICAS DE LA POBLACION POBLACiN CARACTERISTICAS DE LA MUESTRA Y DE LA MUESTRA


CARACTERSTICA CARACTERISTICA
Media Media Varianza Desviacin estndar

POBLACiN POBLACION

MUESTRA
X
52 S2
S

Ii fL
(T 0

2 rr

26

Revisin de conceptos estadsticos bsicos RevisiOn de conceptos estadIsticos

Captulo 2 Cap Itulo

DISTRIBUCIONES DE PROBABILIDAD DE PROBABILIDAD


Se denomina variable aleatoria a aquella cantidad que puede tomar diferentes valores entre a aquella Se denomina variable valores entre otra de un experimento, el resultado exacto de una oportunidad o evento una prueba y otra de un experimento, el resultado exacto de una oportunidad o evento aleatorio. Si slo son posibles ciertos valores especficos, la variable aleatoria se denomina aleatorio. Si solo especIficos, la variable aleatoria se denomina variable discreta. Ejemplos de ello son el niimero de habitaciones de una casa, el nmero Ejemplos de ello son el nmero de habitaciones casa, el nmero llegan la hora nmero de personas que Ilegan a Ia caja de un supermercado a cierta horn y el nmero de unidades defectuosas en un lote de partes electrOnicas. Si es posible que la variable aleatoria tome partes electrnicas. Si es posible defectuosas en dentro cualquier valor dentro de cierto rango, se le denomina variable continua. Ejemplos de este cierto rango, se denomina la manufacturada y el tipo de variable son los pesos de las personas, Ia longitud de una pieza manufacturada y el de llegadas caseta de cobro. tiempo entre ilegadas de automviles a una caseta de cobro.

Una variable aleatoria discreta puede suponer solo ciertos valores especIficos, aleatoria discreta puede suponer slo ciertos valores especficos, aleatoria continua puede suponer cualquier enteros; por lo regular enteros; un variable aleatoria continua puede suponer cualquier . valor numrico dentro de algn rango. dentro de algtn rango.

Si se considera una variable aleatoria, su distribucin de probabilidad enlista todos variable aleatoria, su distribucin de enlista Si puede tomar, con la probabilidad cada uno. los valores posibles que puede tomar, junto con Ia probabilidad de cada uno.

Ejemplo 2.2

El nrnero de das El nmero de dIas sin yenta de un vendedor durante un mes se podrIa describir mediante venta vendedor durante un mes se podra describir mediante la distribucin de probabilidad que se muestra en la tabla 2.3. Estos valores se basan en la Ia distribucin de probabilidad que se muestra en la tabla 2.3. Estos valores se basan en la
experiencia pasada del vendedor y se usarn para pronosticar la actividad de ventas en el futuro. Ia actividad de ventas en el futuro. (das venta) la columna La columna X enlista todos los valores (dIas sin yenta) posibles, mientras que la columna P(X) enlista las probabilidades correspondientes. Ntese que ya que se enlistan todos los valores valores enlista las probabilidades correspondientes. Ntese que ya que se enlistan posibles de X, las probabilidades suman 1.00 o 100%. Esto es correcto para todas las posibles de X, las probabilidades surnan 1.00 o 100%. Esto correcto para todas las distribuciones de probabilidad, ignorando los errores de redondeo. redondeo. distribuciones de probabilidad, ignorando

El valor esperado de una variable aleatoria es el valor promedio que supone la variable de una variable aleatoria el valor promedio El esperado variable la distribucin de despus numerosas pruebas. El despus de numerosas pruebas. El valor esperado de una variable con la distnbucin de

TABLA 2.3 2.3 DISTRIBUCiN DE LA DISTRIBUCION DE PROBABILIDAD

X x

P(X)

1 1 2 3 3
4 5

.10 .20

.25
.15

.30

P(X)c = 1.00 1.00

probabilidad Distribuciones de probabilidad

27

probabilidad multiplicando cada posible X probabilidad discreta se puede encontrar multiplicando cada posible valor de X por su probabilidad y sumando despus estos productos. La ecuacin 2.7 muestra este clculo: muestra este clculo:
E(X) = E(X) = I[xp(X)] [XP(X)]

(2.7)

Para la distribucin de probabilidad dada en la Tabla 2.3, el valor esperado es Pam distribucin de probabilidad dada en la Tabla 2.3, el valor esperado es
E(X) = (l)(.1O) + (2)(.20) + (3)(.25) + (4)(.15) + (5)(.30) E(X) = (1)(.10) (4)(.15) + (5)(.30)

3.35 = 3.35 tanto, si se observ a este vendedor por un periodo largo de meses y se registraron Por lo tanto, si se observ a este vendedor por un periodo largo de meses y se registraron los dIas sin ventas, el promedio serIa 3.35. das promedio sera 3.35.

valor esperado de una variable aleatoria es el valor promedio de la variable El valor esperado de una variable aleatoria es ci valor promedio de La variable en muchas pruebas u observaciones. u observaciones.

Para una distribucin continua la probabilidad de obtener un valor especifico se distribucin continua la probabilidad de obtener un valor especfico se Pam aproxima a cero. ejemplo, probabilidfad de que alguien pese 68 se podra aproxima a cero. Por ejemplo, la probabilidfadde que alguien pese 68 kg se podrIa esto significara que este peso es exactamente 68.000, sin considerar cero, ya que esto significaria que este peso es exactamente 68.000, Sin importar que tan precisa sea la escala utilizada. Las distribuciones continuas se manejan mediante la continuas localizacin de Ia probabilidad de que un valor quede en alguin intervalo al extraerlo en localizacin de la probabilidad un valor quede en algn intervalo al extraerlo en aleatoria de distribucin. Por ejemplo, se podrIa calcular la probabilidad de que el forma aleatoria de la distribucin. Por ejemplo, se podra calcular la probabilidad de que el peso de una persona quedara en el intervalo de 63 a 68 kg. persona intervalo 63 Algunas distribuciones tericas suceden una y otra vez en aplicaciones estadsticas estadisticas razn importante propiedades aplicaciones. prcticas, y por esta razn es importante examinar sus propiedades y aplicaciones. Una distribuciones importantes es distribucin binomial, frecuencia se de estas distribuciones importantes es la distribucin binomial, que con frecuencia se usa para representar una variable aleatoria discreta. Los requisitos pam un experimento representar una variable aleatoria discreta. Los requisitos para un experimento binomial son: l. Existen n pruebas idnticas, que tienen solo uno de dos resultados posibles. slo 2. La probabilidad de xito de cada resultado permanece fija entre prueba y prueba. 3. Las pruebas sOl)'independientes. soi independientes. ocurrencias n pruebas, en El inters est en encontrar la probabilidad de x ocurrencias exitosas en las n pruebas, en encontrar la probabilidad manera arbitraria dos resultados posibles. donde una ocurrencia se define de manera arbitmria como uno de dos resultados posibles. Los diversos valores de x, junto con sus probabilidades, forman Ia distribucin binomial. x, con sus probabilidades, forman la distribucin binomial. Estas probabilidades se pueden obtener por medio de la siguiente formula binomial: probabilidades frmula binomial: obtener medio

P(x) = Ci(l -

7T)n_x

para x = 0,1,2, oo., parax = 0, 1, 2, ..., n

(2.8)

28

Revisin de conceptos estadsticos bsicos Revision conceptos estadisticos

Capitulo Captulo 2

en donde

e';==elel nmero de combinaciones de n objetos tomados x a Ia vez la C nOmero de combinaciones de n objetos tomados
;re = Ia probabilidad de xito en cada prueba ir = la probabilidad de

x = ci nmero particular de xitos de inters = el nmero n = ci nmero de pruebas el nmero de pruebas


fcil de obtener probabilidades binomiales consiste en referencia Una forma ms fcil de obtener probabilidades binomiales consiste en hacer referencia a de distribucin binomial, como la que se encuentra en el Apndice e, tabla C.l. una tabla de distribucin binomial, como Ia que se encuentra en el Apndice C, tabia C. 1. columnas con probabilidades estn agrupadas en bloques que representan a n Las probabilidades estn agrupadas en bloques que representan a n y tiene columnas con (o ;re) como encabezado y renglones p (o ir) como encabezado y rengiones indicados con x.
Suponga que se extraen ocho elementos de una linea de producciOn de la que se sabe produce lnea produccin de la que se sabe partes defectuosas el partes defectuosas el 5% del tiempo. LCul es Ia probabilidad de obtener exactamente cero tiempo. Cul la probabilidad obtener exactamente elementos defectuosos? La respuesta, aa partir de la tabla binomial del Apndice C es .6634 .6634 elernentos defectuosos? La respuesta, partir de Ia tabia binomial del Apendice (aqu n = 8, r==.05,x=O). (aquIn=8, Jr .05, x = O).

Ejemplo 2.3

normal es una importante distribucin continua, que por medio de ella, La distribucin normal es una importante distribucin continua, ya que por medio de ella, se pueden aproximar muchas pobiaciones tiles. Para identificar la distribucin normal se poblaciones tiles. distribucin se requiere conocer la media la desviacin estndar. Una curva normal es simtrica y requiere conocer la media y la desviaciOn estndar. Una curva normal es simtrica y en forma muestra en la figura 2.1. Esta distribucin representa forma de campana, como Ia que se muestra en Ia figura 2.1. Esta distribucin representa campana, como la muchas variables de vida real escala continua. muchas variables de la vida real que se miden en una escaia continua. Las probabiiidades de que los valores extraldos de una distribucin normal queden en probabilidades extrados queden en estndar varios intervalos, se encuentra convirtiendo primero todos los intervalos a unidades estndar denominadas valores estandarizados. El valor estandarizado de cualquier valor de X es denominadas valores estandarizados. El valor estandarizado de cualquier valor de X es el nmero de desviaciones estndar desde el valor central de la curva (J1) a ese valor. De ahi ah nOmero de desviaciones estndar desde ci valor central de Ia curva (ji) a ese valor. que la fOrmula sea: la fnnula sea:

z= X-..L z= X;1tt
(T

(2.9)

Figura 2.1 nonnal Figura 2.1 Distribucin normal

Distribuciones de probabilidad probabilidad

29

en donde
X = el valor del inters X= el valor del inters = J1 = la media (J = Ia desviacin estndar a la desviacin
Despus de calcular el valor estandarizado, se puede consultar Ia tabla de la curva normal estandarizado, la la curva normal Despus 1m rea curva, (jl) y el valor de inters X para encontrar un area bajo la curva, entre el centro de la curva (a) y ci valor de inters X.

Ejemplo 2.4

Una poblacin formada con los pesos de piezas que elabora cierta mquina, tiene una elabora cierta mquina, tiene una Una poblacin formada con los pesos de piezas distribucin normal con una media de 10 libras y una desviacin estndar de 2 libras. Cul distribucin normal con una media de 10 libras y una desviacin estndar de 2 libras. ,Cul es Ia probabilidad de que una pieza elegida al azar pese entre 9 y 12 libras? En la figura 2.2 la probabilidad de que una pieza elegida al azar pese entre 9 y 12 libras? En la figura 2.2 se muestra Ia curva normal con el area correspondiente sombreada. la normal con el rea correspondiente sombreada. Ya que las tablas de curvas normales estn disefiadas para dar reas desde el centro de la curva diseadas para dar areas desde el centro Ia hasta cierto punto, se deben localizar dos reas separadas: una a cada lado de Ia media y hasta cierto punto, se deben localizar dos areas separadas: una a cada lado la media y sumarlas juntas. Este proceso producir la probabilidad de que un valor quede en este intervalo. Ia Los dos valores estandarizados son: estandarizados son:
ZI

= --- =

10 9 - 10
2 2

-.50 --.50

Z?
2

= 12 10 = 1.00 z = 12 -- 10 1.00

2 2

Se ignora el signo negativo del primer valor estandarizado, ya que simplemente indica signo negativo del primer valor estandarizado, ya que simplemente indica que inters X, es menor que la media de la (10). que el valor de inters de X, (9) es merior que Ia media de Ia curva (10). Estos dos valores estandarizados se llevan a la tabla de curva normal del Apndice C, tabla C2, para encontrar estandarizados se llevan a Ia tabla de curva normal del Apndice C, tabla C2, encontrar las suman las dos areas, niismas que se suman reas, mismas
ZI

= -.50~

1915 .50 1915


~

Z2 =

= 1.00 \.00

.3413 3413 .5328

Se concluye que existe una posibilidad de alrededor del 53%, de que una pieza elegida al azar posibilidad de alrededor del 53%, de poblacin entre 9 y 12 libras. en esta poblacin pese entre 9 y 12 libras.

Poblacin de peso de de las piezas de las piezas

12

11= 10 != 10

n= 2 cr= 2

Figura 2.2 Area de Ia curva normal rea la curva nonnal

30

Revisin de conceptos estadIsticos bsicos estadsticos Revision

Captulo 2 CapItulo

Por ltimo, la distribucin t se utiliza con frecuencia en pruebas estadIsticas cuando ltimo, se utiliza con frecuencia en pruebas estadsticas cuando se emplea una muestra pequea y cuando se puede suponer que la poblacin que se investiga se puede que la poblacin que se investiga Apndice tomados de la tiene una distribucin normal. La tabla C.3 del Apndice C, muestra valores tomados de la distribucin slo se requiere especificar un valor antes de consultar la tabla, distribucin t. Ntese que solo se requiere especificar un valor antes de consultar la tabla, a saber, los grados de libertad [abreviado df(degrees of freedom). Una vez conocidos los gra[abreviado df(degrees offreedom). dos libertad, pueden encontrar los valores de que excluyen la curva los pordos de libertad, se pueden encontrar los valores de t que excluyen de la curva los porcentajes deseados. 14 de libertad, centajes deseados. Por ejemplo, si la distribucin tt de inters tiene 14 grados de libertad, ejemplo, si distribucin un valor de 2.145 cada lado del centro de la curva comprender al 95% de sta, un valor t de 2.145 aa cada lado del centro de la curva comprender a! 95% de sta, restante. adelante en este captulo se presentar un ejemplo del uso excluyendo el 5% restante. Ms adelante en este capItulo se presentar un ejemplo del uso distribucin t. de la distribucin t.

DISTRIBUCIONES MUESTRALES DISTRIBUCIONES MUESTRALES


mayora estadsticas poblacin que se investiga, una En la mayorIa de las aplicaciones estadIsticas se toma de la poblacin que se investiga, una muestra se formulan muestra aleatoria, se calcula un estadistico de los datos de muestra aleatoria, se calcula un estadstico de los datos de la muestra y se formulan conclusiones para poblacin con base muestra. conclusiones para la poblacin con base en esta muestra. Una distribucin muestral es la distribucin distribucin de todos posibles valores estadstico la muestra, que se pueden distribucin de todos los posibles valores del estadIstico de la muestra, que se pueden la poblacin para un determinado tamao de muestra., Por ejemplo, se podra obtener de la poblacin para un determinado tamafio de muestra., Por ejemplo, se podrIa tomar una poblacin muestra aleatoria 100 personas y pesarlas para calcular tornar de una poblacin una muestra aleatoria de 100 personas y pesarlas pam calcular X, como si se hubieran despus la media de su peso. Se puede pensar en esta media muestral ~ como si se hubieran extrado para muestras de tamao extraldo de la distribucin de todas las medias muestrales posibles, para muestras de tamao forma similar, estadstico 100 que pudieran tomarse de la poblacin. En forma similar, cada estadIstico muestral que calculado, partir de datos muestrales, considerarse como que sido pueda ser calculado, a partir de datos muestrales, puede considerarse como que ha sido extrado de una distribucin muestral. distribucin extraldo

Una distribucin muestral es el arreglo de todas los estadIsticos posibles de de todas los estadsticos posibles distribucin la muestra que pueden extraerse de una poblacin, para un tamafio de muestra de una poblacin, para un tamao dado.

El teorenza del lImite central establece que, al hacerse ms grande la muestra, Ia muestra, la El teorema del lmite central establece que, a! hacerse ms grande distribucin de muestreo de las medias de la muestra tiende hacia la distribucin normal, la muestra tiende hacia la distribucin normal, distribucin de muestreo de la media de esta distribucin normal es la media de la poblacin y que la desviacin y que la media de esta distribucin normal es ,, la media de la poblacin y que la desviaciOn estndar es d'T (a este valor le conoce como error estndar de la distribucin estndar es aI~ (a este valor se le conoce como error estndar de la distribucin forma de muestra!). Esta distribucin muestral tender hacia la normalidad, sin importar la forma de inuestral). la distribucin de la poblaciOn de la que se extrajeron los elementos de la muestra. La figura poblacin de la que se extrajeron los elementos de la muestra. muestra cmo lucira dicha distribucin muestral. 2.3 muestra cmo lucirla dicha distribuciOn muestral. El teorema del limite central es de particular importancia en las estadIsticas, ya que lmite de particular importancia en las estadsticas, que El analista calcular la probabilidad diversos resultados muestras a travs del permite al analista calcular la probabilidad de diversos resultados de muestras a travs del conocimiento probabilidades la curva normal. conocirniento de las probabilidades de la curva normal.

Estimacin

31

= Media = Ji.

2.3 Distribucin muestral de Figura 2.3 Distribucin muestral de X

Ejemplo 2.5

Cual es Laprobabilidad de que la media de una muestra aleatoria de 100 pesos, extraIdos de 100 pes(;s, extrados de ,Cual la probabilidad de que Ia media de una

una poblacin, se encuentre en un margen de dos libras de la media real del peso de Ia poblacin, se encuentre en un margen de dos libras de Ia media real del peso de la poblacin, si Ia desviacin estndar de la poblacin se estima en 15 libras? La figura 2.4 poblacin, si la desviacin estndar de Ia poblacin se estima en libras? figura 2.4
la distribucin apropiada. muestra Ia distribucin apropiada. El error estndar af..n l5hTi = 1.5.1.5. Luego= 2/1.5 = = 1.33, con 10 quese obtiene error estndar df= = 15/-JIOO = Luego z z = 2/1.5 1.33, con lo que se obtiene rea de .4082 en la tabla de la curva normal. Duplicando esta rea para contabilizar ambos un area de .4082 en Ia tabla de Ia curva normal. Duplicando esta area para contabilizar ambos de la media, da por resultado un rea de .8164. lados de Ia media, da por resultado un area de .8 164. la media probabilidades de que la media muestral est en un margen Las probabilidades de que Ia media muestral est en un margen de 2 libras de la media real, es de alrededor del 82%, reflejando un tamafio de muestra de 100 y Ia variabilidad real, de alrededor del 82%, reflejando tamao muestra 100 Y la variabilidad poblacin a = 15. Como se ver, esta capacidad para calcular probabilidades estimada estimada de la poblacin a = 15. Como se vera, esta capacidad para calcular probabilidades de resultados de muestras permitir al analista liegar a titiIes resultados en Ia estimacin y en muestras llegar tiles la en la prueba hiptesis. Ia priieba de hiptesis.

II

Figura 2.4 rea de Ia distribucin muestral 2.4 Area la

ESTIMACiN ESTIMACIN
estimado parmetro poblacin, valor individual Un punto estirnado de un parmetro de una poblacin, es un valor individual calculado a datos de la muestra, que estima el desconocido de la poblacin. La tabla 2.4 partir de datos de Ia muestra, que estima el valor desconocido de la poblacin. La tabla 2.4 contiene una lista de varios parrnetros poblacionales y los estadIsticos de Ta muestra que de varios parmetros poblacionales los estadsticos de la muestra contiene de estimacin correspondientes. proporcionan puntos de estimacin correspondientes. Un intervalo de esti,nacin o un intervalo de confianza es un intervalo dentro del cual estimacin de es un intervalo dentro del cual se ubique el parmetro de inters de la poblacin. Se encuentra formando es probable que se ubique el parmetro de inters de Ia poblacin. Se encuentra formando estimacin un intervalo alrededor del punto de estimacin y se calcula ya sea mediante la distribucin nonnal t. ocasiones normal o la distribucin t. En ocasiones se utilizan el punto de estimacin y el intervalo de utilizan el punto estimacin

32

Revisin de conceptos estadsticos bsicos Revision de conceptos estadisticos


TABLA 2.4 VALORES POBLACIONALES y MUESTRALES TABLA 2.4 VALORES POBLACIONALES Y MUESTRALES
PARAMETROS DE LA POBLACION PARAMTROS POBLACIN
Media (j.J) Media (p) Desviacin estndar (a) Desviacin estndar (a) Varianza (2) Varianza (d) Proporcin (it) Proporcin (1l)

Captulo 2 CapItulo

ESTADSTICO DE LA MUESTRA (ESTIMACION) (ESTIMACIN) ESTADISTICO DE

X, muestra! X, media muestral s, desviacin estndar muestral muestra! s2, varianza muestral muestra! s2, proporcin !a muestra p, proporcin de la muestra

estimacin como estimaciones aproximadas de valores importantes. (Vase el de estimacin como estimaciones aproximadas de valores importantes. (Vase el caso de estudio Mr. Tux al final de este capItulo.) estudio Mr. final de este captulo.)

Ejemplo 2.6

Se desea obtener un intervalo de estimacin de la media de una poblacin. El tamaflo de la intervalo estimacin media de una poblacin. El tamao la muestra es 400, la media muestral (el punto de estimacin o) es de 105 libras y la desviacin muestral (el punto estimacin de 105 libras y la desviacin estndar muestral (una estimacin de ) es de 10 libras. j,En qu intervalo es un 92% probable muestral (una estimacin de) de 10 libras. En qu intervalo es un 95% probable que u se ubique? Se puede encontrar formando un intervalo alrededor de X, utilizando que f.1 se ubique? Se puede encontrar formando un intervals> alrededor de X, utilizando estndar 1.96 la desviaciones estndar de 1.96 en Ia distribucin de muestreo de X (a 1.96 desviaciones estridar X(a 1.96 desviaciones estndar lado de la media de cualquier curva normal abarcar aproximadamente el a cada lado de la media de cualquier curva normal abarcar aproximadamente el 95% de los valores). Los clculos son clculos son

XZ ~ X Z
105 1.96 105 1.96

(2.10)

~ v406 \/400

105 .98 105 .98

104.02 104.02 a 105.98


As, es 95% probable que la media muestral fuera elegida de una distribucin muestral tal que AsI, es 95% probable media muestral fuera elegida de una distribucin muestral tal que la media real de la poblacin se encuentre en el intervalo de 104.02 a 105.98. 104.02 105.98. Ia media real de poblacin se encuentre en ci irtervalo En fom1a similar, se pueden formar intervalos de confianza alrededor de puntos de En forma similar, se pueden formar intervalos de confianza alrededor de puntos de estimacin de la proporcin de la poblacin, utilizando la siguiente formula utilizando siguiente frmula estimacin de
P
+-

jz IT(1IT)
7T(l n- 7T)
n

(2.11)

En Ia prctica Ia proporcin de Ia poblaciOn, iz se estima por lo regular con p, Ia la En la prctica la proporcin de la poblacin, 1r, se estima por regular con proporcin de Ia muestra, en el clculo de Ia desviacin estndar de Ia distribucin muestral clculo de la desviacin estndar la distribucin proporcin de la muestra, (error estndar de la proporcin). la proporcin).

Ejemplo Ej emplo 2.7

Un intervalo de confianza del 99% para ci porcentaje real it de la poblacin, que sea familiar el porcentaje Jr de la poblacin, que sea familiar se puede formar alrededor del punto de estimacin Jr = .23 con n = 150. con un producto, se puede formar alrededor del punto de estimacin IV= .23 con n = 150.

.23 2.58 .23 2.58


.23 .089 .23 .089 .141 to .319 .141

(.23)(.77) 150

Prueba de hiptesis hiptesis

33

En este ejemplo el punto de estirnacin de iC es .23. Dado un tamao de muestra de 150, es ejemplo estimacin de Jr es .23. Dado un tamano de muestra de 99% probable que la muestra fuera extrada de tal forma que el valor real de ir se encuentra 99% probable que Ia muestra fuera extralda de tal forma que ci valor real de iC en el intervalo de .141 aa.3 19. intervalo de .141 .3 19.

Un puilto de estirnacin es una estimacin valuada individualmente de un punto de estimacin es una estimacin valuada individualmente un
estimacin es parmetro de la poblacin; un intervalo de estirnacin es un intervalo numrico intervalo numrico dentro del cual es probable que se ubique el parmetro de la poblacin. ubique el parmetro de la poblacin. dentro del

PRUEBA DE HIPTESIS PRUEBA DE HIPOTESIS


En muchas situaciones estadsticas el inters se centra alguna afinnacin sobre la En muchas situaciones estadIsticasel inters se centra en alguna afinriacin sobre la poblacin, en vez de en la estimacin de aigunos de sus parmetros. A este procedimiento la estimacin algunos sus parmetros. este procedimiento poblacin, en se le denomina prueba de hiptesis y comprende los siguientes pasos: denomina de hiptesis y comprende los siguientes pasos:
Paso 1 Paso 1 Establezca la hiptesis que se desea probar (llamada la hiptesis nula con el sImbolo smbolo Ha) y establezca la hiptesis alterna (a Ia que se llega en conclusion si se descarta H0) Y establezca la hiptesis alterna (a la que se llega en conclusin si se descarta H0, ci smbolo es H 1). Ha, el sImbolo es H1). Paso 2 Suponga que Ia hiptesis nula es cierta y consulte la distribucin muestral de Ia cual Suponga que la hiptesis nula es cierta y consulte la distribucin muestral de la cual las estadsticas de la muestra bajo esta suposicin. se extrajeron las estadIsticas de la muestra bajo esta suposiciOn. Paso 3 Reina una muestra aleatoria de elementos de la poblacin, mIdalos y calcule las la poblacin, mdalos y calcule las Paso Rena una muestra aleatoria de elementos estadisticas correspondientes a Ia muestra. estadsticas la muestra. Calcule la probabilidad de que tal estadstica de muestra pudiera haber sido extrada Paso 4 Calcule Ia probabilidad de que tal estadIstica de muestra pudiera haber sido extralda distribucin muestra!. de esta distribucin muestral. Paso 5 Si esta probabilidad es alta, no rechace Ia hiptesis nula; si esta probabilidad es 5 Si esta probabilidad es alta, no rechace la hiptesis nula; si esta probabilidad es baja, baja, se puede rechazar Ia hiptesis nula con una baja probabilidad de error. la hiptesis probabilidad error.
2.5 TABLA 2.5 RESULTADOS DE LA PRUEBA DE HIPOTESIS PRUEBA DE HIPTESIS RESULTADOS
No No rechazar H0 JIo
Ho H0 verdadera Estado de la Ja naturaleza H o falsa H0 falsa

Rechazar
l/o "0

Decisin Decision COlTecta correcta

ElTor tipo I, ElTor tipo 1, probabilidad: a probabilidad: a

Error tipo II, ElTor tipo 11, probabilidad: /3 f3

Decision Decisin correcta COlTecta

Al seguir estos pasos, pueden presentarse dos tipos de error, como se muestra en Ia pasos, pueden presentarse dos tipos de error, como se la tabla 2.5. Siempre se espera alcanzar Ia decision correcta con respecto a la hiptesis nula, Siempre se espera alcanzar la decisin correcta con respecto despus de exarninar La evidencia de la muestra, pero siempre existe Ia posibilidad de examinar la evidencia de Ia muestra, pero siempre la posibilidad de despus rechazar una H0 verdadera y de no rechazar una H0 falsa. Las probabilidades de estos rechazar una Ha verdadera y no rechazar una Ha falsa. Las probabilidades de estos como y beta (13), respectivamente. Tambin se conoce eventos se conocen corno alfa (a) y beta (/3), respectivarnente. Tarnbin se conoce a alfa nivel de signIcancia de la prueba. como el nivel de significanciade Ia prueba.

34

Revisin Revision de conceptos estadsticos bsicos conceptos estadisticos bscos

CapItulo Captulo 2

Ejemplo
2.8

el peso promedio de las piezas que produce cierta mquina Se desea probar la hiptesis de que el peso promedio de las piezas que produce cierta mquina se mantiene en 50 libras, que es el peso promedio de las piezas en los ltimos aos. Se toma mantiene libras, ltimos las una muestra aleatoria de 100 piezas. Se supone que la desviacin estndar del peso de las muestra aleatoria de 100 piezas. Se supone que desviacin estndar del peso piezas es de 5 libras sin importar Ia media del peso, ya que este valor ha permanecido constante la constante en estudios pasados. Si Se asume que la hiptesis nula es correcta (la hiptesis nula establece pasados. se asume que Ia hiptesis nula es correcta (Ia hiptesis nula establece de las piezas es de 50 libras), la distribucin de muestreo apropiada es que Ia media del peso de las piezas es de 50 libras), la distribucin de muestreo apropiada es la la distribucin normal, de acuerdo con el teorema del lmite central. La prueba se demuestra Ia distribucin normal, de acuerdo con el del lImite central. La prueba se demuestra en Ia figura 2.5. la figura 2.5. La regla de decision de esta prueba es: decisin esta prueba es: del peso de entre 49.02 libras y 50.98 libras, no se rechaza Si la media del peso de la muestra est entre 49.02 libras y 50.98 libras, no se rechaza la hiptesis nula. Si est fuera de este intervalo, se rechaza. intervalo, Ia hipOtesis nula. Si est fuera de

H0: J.l = 50 libras (Ia hiptesis nula) H o: p = 50 (la H1: J.l 50 libras (la hiptesis alterna) libras (Ia hiptesis altema) 50 H: p

Rechazar H0 Rechazar Ho
4

No rec iazar 1E0 rechazar lo

Rechazar H o Rechazar H0

{La distribucin muestral tLa distribucin suponiendo supornendo que H0 es verdadera Ho

.025

.025

2=-1.96 z-1.96
a a

z = 196 z= 1.96

J.l=SO
O" S a 5 ..[Ti = {fOO = .S

a yb: 50 1.96 (.5) y b: 50 1.96 (.5) 49.02 y 50.98 Y 50.98


Figura 2.5 Figura 2.5

a=.OS a =05

(El nivel de (El sigrnficancia elegido) significancia elegido)

Prueba de hiptesis -- ejemplo 2.8 hiptesis ejemplo 2.8

Al establecer de esta forma Ia regla de decision, Ia probabilidad de rechazar la fonna la regla de decisin, la probabilidad de rechazar la Al establecer de hiptesis nula cuando es verdadera, es decir, cometer un error de Tipo es de 5% (a = hiptesis nula cuando es verdadera, es decir, cometer un error de Tipo 1,I, esde 5% (a = tin area de .025 .05). la .05). Esto puede apreciarse en la curva de Ia figura 2.5, que muestra un rea de .025 a cada extremo de Ia distribucin de muestreo. la muestreo. Para completar ejemplo 2.8, si resulta que media muestral es 50.4, no Para completar el ejemplo 2.8, Si resulta que la media muestral es 50.4, no rechazarlamos Ia hiptesis nula y se concluiria que poblacin an conserva rechazaramos la hiptesis nula y se concluira que la poblacin an conserva una media en el peso de 50 libras. Por otra parte, si la media muestral resultara de 48,1 libras, se 48.1 libras, se en peso de 50 libras. Por otra parte, si la media muestral resultara contluira que Ia media de la poblacin ha caIdo por debajo de las 50 libras. la cado de las 50 libras. concluirla

Prueba de hiptesis de hiptesis

35

tabla 2.6 resume las cuatro pruebas hiptesis ms utilizadas. En La tabla 2.6 resume las cuatro pruebas de hiptesis ms utilizadas. En cada una de estas pruebas se calcula ci estadIstico de la muestra que se indica, se consulta la distribucin consulta la distribucin se calcula el estadstico despus de suponer que la hiptesis nula es correcta, se forma la regla muestral apropiada despus de suponer que Ia hiptesis nula es correcta, se forma La regla decisin lmite estadstico de decision que especifica el ilmite donde es ms probable que se ubique el estadIstico y llega a una decisin de rechazar o no la hiptesis nula. se ilega a una decision de rechazar o no Ia hiptesis nula.
TABLA 2.6 RESUMEN DE PRUEBAS DE HIPOTESIS 2.6 RESUMEN DE PRUEBAS DE HIPTESIS
ESTADISTICO DE ESTADSTICO LA MUESTRA
DISTRIBUCION DISTRIBUCIN MUESTRAL
Nonnal o/ Normal 01 LA PARMETROS PARAMETROS DE LA DISTRIBUCIN DISTRIBUCION MUESTRAL
and J.tand
(T CT

H0 Ha

= 50' J.t = 50*

,1

VII

= .30* 71' = .30


L J.t, - IL = O J.tz 0

P p

Nonnal Normal

71' and an

(I-7I') (l d~
)

11

XX2 X, -Xz
p -P 2 P, p2

Nonnal o I Nonnalot

/L1_/L2and_!. +
nI

/11.2

CT2

n2

71', - 71'2 = O -

Normal Nonnal

+ (1 71'I - 71'Z and )71'0 - 71')(-.L + -.L) 11, I/z

\n1

h121

Valores de ejemplo. *Valores

Ejemplo 2.9

Por varios aos, el 30% de la poblacin ha tenido una impresin favorable de nuestro Por varios aos, ci 30% de La poblacin ha tenido una impresin favorable de nuestro producto. conducen a sospechar que este porcentaje pudiera haber disminuido. Eventos recientes nos conducen a sospechar que este porcentaje pudiera haber disminuido. Para probar Ia hiptesis de que ci porcentaje an es del Para probar la hiptesis de que el porcentaje an es del 30%, se toma una muestra de 50 toma una muestra de 50
H o: lt = .30 Ho: it .30 H1: ir< .30

Resultados de la muestra: n = 50 50 Resultados de Ia muestra: p=.27 p =27

a=.02 = .02

Distribucin muestral Ho suponiendo que H0 es verdadera

.02

z=-2.05
Rechazar
Ho H0 a

No rechazar
Ho H0

it = lt=

.30

Jit(l - it) J
I lt(l -lt)

(.3 x .7) (.3 X .7) 50

= .065 - .065

a = .30 -2.05(.065) .30 -.13 = .17 a=.30-2.05(.065) = .30.13.17


2.6 Figura 2.6 hiptesis - ejemplo 2.9 Prueba de hiptesis - ejemplo 2.9

36

Revisin de conceptos estadIsticos bsicos RevisiOn de conceptos estadsticos bsicos

Captulo 2 Cap itulo

personas y se encuentra que ci 27% de ellas tiene una buena impresin de nuestro producto. se encuentra el 27% de ellas tiene una buena impresin de nuestro producto. conclusin? Con base en Ia evidencia que se muestra en la figura 2.6, cul es la conclusion? la evidencia que se muestra en figura 2.6, cul Con
Regla de decision. decisin. Regia Si p < .17, rechazar H0 Si p .17, rechazar H o

Conclusin. Ya que p = .27, no se rechaza H0. Con base en la evidencia de esta muestra, la rechaza H o. Con base Conclusion. Ya que p = Ia evidencia de muestra, Ia hiptesis de que la proporcin de Ia poblaciOn es .30 no puede rechazarse a un nivel de hiptesis de la proporcin la poblacin es .30 no rechazarse un nivel de

2%. No evidencia en muestra para decir que ha disminuido significancia del 2%. No existe suficiente evidencia en la muestra para decir que ha disminudo la proporcin de personas que favorecen nuestro producto. personas que favorecen nuestro producto.

Ej emplo Ejemplo 2.10

Considrese una prueba dc hipOtesis en donde ci tamaflo de la muestra es pequeo y cuya Considrese una prueba de hiptesis en donde el tamao de la muestra es pequeflo y cuya distribucin muestral apropiada es la distribuciOn t. Suponga que se desea probar la hiptesis distribucin 1. Suponga que se desea distribucin muestral de que Ia media de la calificaciOn obtenida por estudiantes en un examen a nivel nacional es la media de la calificacin obtenida es estudiantes en tin 500, contra la hiptesis alterna de quc es menor de 500. Se toma de Ia poblacin una muestra 500. Se toma de la poblacin una muestra 500, altema que 15 estudiantes, arroja una media de 475. La desviacin estndar poblacional aleatoria de 15 estudiantes, que arroja una media de 475. La desviacin estndar pobiacional aieatoria se cstima mediante la desviacin estndar de los 15 elementos de Ia muestra, que es 35. Se los 15 elementos de la muestra, que es 35. se estima mediante la desviacin estndar supone que Ia poblacin de calificaciones de exmenes siguc una distribuciOn normal. la calificaciones de exmenes sigue una distribucin normal. La distribucin t es Ia distribucin muestral apropiada cuando n es pequea (como regla de distribucin I la distribucin muestral apropiada cuando n es pequefla (como regia de oro, mcnor oro, menor de 30), se desconoce a (y se estima mediante s), y se puede suponer que la 30), se desconoce (J' (y estima mediante s), y puede suponer la poblacin tiene aproximadarnente una distribuciOn normal. El mimero correcto poblaciOn tiene aproximadamente una distribucin normal. El nmero correcto de grados de grados de libertad (d/) para esta prueba es ii - 1. La estadIstica de prueba es (X - p)/(s/\f7). La prueba prueba es (X - j.i)/(s/-r). La prueba n 1. La estadstica libertad (dJ para esta se muestra en Ia figura 2.7, suponiendo un nivel de significancia de .05. la figura suponiendo nivel de significancia de .05.
Regla de decision. Si t < -1.761,rechazar H0 decisin. Si 1.761, rechazar H o

Conclusion. Ya que t = -2.77,Se rechaza H0.. La evidencia de la muestra apoya ci rechazo Conclusin. Ya que = 2.77, se rechaza H o La evidencia la muestra apoya el rechazo la la pobIacin es 500 a un nivel de significancia del 5%. Se de Ia hiptesis de que Ia media de Ia poblacin es 500 a un nivel de significancia del 5%. Se la hiptesis de concluye que la media dc Ia ealificaciOn obtenida por estudiantes en ci exarnen nacional ha la media de la calificacin obtenida estudiantes el examen nacional ha concluye disninuido. disminuido.
H o:.t=500 H0:p.= 500

t Distribucin I

Resultados la muestra: Resultados de ia muestra: n

= 15 15

H: .t < 500 H1: t <500

df= 14

= 475 X =475

s =35 = 35

a= .05 a=.05

Distribucin de muestreo de (x(x - p)/(s/'R) DistribuciOn de muestreo de - f.J)/(sl{;) supomendo que H0 es verdadera suponiendo que Ho es verdadera y que la poblacion presenta una distribucin normal nonnal

a=.05 a =05

t=-1.761

RechazarH o ..------1 Rechazar H0 (


t (de Ia tabla t con la f I
a=.05 y df=n- 1=14) u=.05 = 1.761

df=n

475-500 =-2.77 x-.t = 475-500 - 2.77 sl{n - 35/ffi 35/


Prueba de hiptesis - ejemplo 2.10 - ejemplo 2.10 Prueba

Figura 2.7

Prueba de Ia bondad de ajuste la

37

PRUEBA DE LA BONDAD DE AJUSTE BONDAD DE AJUSTE PRUEBA DE A menudo resulta de inters determinar si los datos de la muestra se ajustan a una A menudo resulta de inters determinar si los datos de la muestra se ajustan una
distribucin conocida, sospechada terica. Se extrae ima muestra de poblacin de distribucin conocida, sospechada oo terica. Se extrae una muestra de la poblacin de inters y se observan las categorias en las que se ubican estos elementos. Si las frecuencias categoras frecuencias inters y las estos elementos. observadas se encuentran rnuy cerca de lo que teOricamente se veria bajo la distribucin vera bajo la distribucin observadas encuentran muy de lo que tericamente

hipottica de la poblacin, se acepta la formulacin hipottica de la poblacin; si se hipottica de poblacin, se acepta la formulacin hipottica de poblacin; se
observan grandes diferencias, esta formulacin se rechaza. esta formulacin rechaza.

Ejemplo
2.11

que la gente no tiene preferencia con respecto a las cuatro marcas de leche que puede comprar el supermercado. esta hiptesis entonces compradores en el supermercado. Si esta hiptesis es verdadera, entonces en una muestra de compradores podria esperarse que exactamente la cuarta parte de ellos, en promedio, elegiria cada una de podra exactamente Ia cuarta parte ellos, promedio, elegira de marcas. 100 esperara las cuatro marcas. Si se elige al azar una muestra de 100 compradores, se esperarla que 25 de las cuatro Suponga se tom la muestra que ellos comprara cada una de las cuatro marcas. Suponga que ya se tom La muestra y que sta revela la informacin de preferencia que se presenta en Ia tabla 2.7. informacin preferencia la 2.7. Resulta obvio que una cuarta parte de Ia poblacin no eiigi cada marca, sin embargo, solo cuarta la eligi embargo, slo pequea de compradores. Surge Ia pregunta ,hay se examin una muestra pequefia de compradores. Surge la pregunta hay suficiente evidencia la muestra para rechazar la hiptesis La hiptesis es en Ia mtiestra para rechazar Ia hipOtesis nula? La hipOtesis bajo prueba es H0: La poblacin de Ia que Se extrajo la muestra est distribuida de manera uniforme. Ro: La la se extrajo Ia muestra uniforme. Bajo esta hiptesis, un nOmero igual de personas de la poblacin prefiere cada marca. La marca. hiptesis, nmero igual de personas de Ia poblacin prefiere la ser 10 suficientemente concepto. evidencia de Ia muestra puede o no ser lo suficientemente fuerte para rechazar este concepto. A partir de la evidencia, no resulta aparente si existe preferencia por una u otra marca en Ia la evidencia, resulta preferencia por otra marca en la o si las diferencias que se observan en la muestra se deben a un error en el muestreo poblacin, 0 silas diferencias que se observan en Ia muestra se deben a un error en ci muestreo aleatorio.
TABLA 2.7 2.7 PREFERENCIAS DE MARCAS -- EJEMPLO 2.11 PREFERENCIAS DE MARCAS EJEMPLO 2.11
A

e C
18

D D

TOTAL
100 lOO

Suponga la Suponga la hiptesis de hiptesis

Nmero de compradores Nmero de compradores 20

35

27

Suponga que las observaciones reales estn dispuestas de acuerdo con las frecuencias que las observaciones reales estn dispuestas de acuerdo con las frecuencias esperadas si Ia hiptesis nula fuera verdadera, como se muestra en la figura 2.8. Ahora se esperadas la hiptesis fuera verdadera, como se muestra en figura 2.8. ajuste las frecuencias esperadas. Se puede puede apreciar la bondad de ajuste entre las frecuencias observadas y esperadas. Se puede estadstico a partir de comparaciones de tabla 2.8; le conoce como la calcular un estadIstico a partir de las comparaciones de la tabla 2.8; se le conoce como Ia distribucin ji-cuadrada. La ecuaciOn 2.12 muestra ei clculo: La ecuacin el clculo:

(fa - 1e)2

x2 =
todas las categorias todas categorlas

fofe2
fe fe

(2.12)

en donde

fa = frecuencia observada = le = frecuencia esperada =

38
TABLA 2.8 2.8

Revisin de conceptos estadIsticos RevisiOn de conceptos estadsticos bsicos


PREFERENCIAS DE MARCAS-HIPTESISNULA CORRECTA PREFERENCIAS DE MARCASHIPOTESIS NULA CORRECTA
A A
B
C

Captulo 2 CapItulo

D
27 25

TOTAL
100 lOO lOO 100

Real Real (observado) (esperado) Terico (esperado)

20 25

35

25

18 25 25

Se puede emplear la ecuacin 2.12 pam calcular el estadIstico de ji-cuadrada para el para estadstico la ejemplo 2.11. En Ia tabla 2.9 se muestran los clculos que dan por resultado una estadstica resultado estadistica de ji-cuadrada de 7.12. 7.12. deji-cuadrada Ahora, el valor de ji-cuadrada, calculado con la ecuacin 2.12, se compara con el Ahora, de ji-cuadrada, calculado con ecuacin 2.12, compara la tabla de ji-cuadrada correspondiente. Si el valor de la tabla de ji-cuadrada correspondiente. Si el valor calculado es menor que el de calculado es menor que el la tabla, indica un buen ajuste y no se rechaza Ia hiptesis nula sobre la poblacin en estudio. la el la tabla, indica mal ajuste y la hiptesis nula Si ci valor calculado es mayor que el de Ia tabla, indica un mal ajuste y Ia hiptesis nula se rechaza. Para obtener un valor tabulado de la tabla de ji-cuadrada, es necesario conocer el tabulado de tabla de ji-cuadrada, necesario conocer el Pam obtener un libertad, nmero de libertad (df>. nmero de grados de libertad (dJ). Para el ejemplo 2.11, se pierde un grado de libertad, ya 2.11, que las frecuencias esperadas deben sumar 100, que es el nmero original de datos. De este el nmero de datos. De este modo, df= k -1 = 4 - 1 = 3 (k es el niimero de categorlas). De la tabla de ji-cuadrada, 1 = 3 (k es el nmero de categoras). De la tabla de modo, df=

x205 = X~05 = 7.81473


X~025 x025 = 9.34840

para di = 3 para df 3

x1 ==11.3449 X .~I 11.3449


valor calculado (7.12) menor que cualquiera de los Debido a que el valor calculado (7.12) de ji-cuadrada es menor que cualquiera de los la valores tabulados, incluso al nivel de significancia de .05, no es posible rechazar Ia hiptesis niveles. comn las pruebas estadsticas, resultado nula a estos niveles. Como es comn en las pruebas estadIsticas, este resultado no prueba que la hiptesis nula sea correcta; simplemente establece que no hay evidencia suficiente hiptesis nula sea correcta; simplemente hay evidencia suficiente para rechazarla. Se concluye que la muestra indica que no hay marca de preferencia en Ia rechazarla. la concluye que muestra indica que poblacin, utilizando cualquiera de los niveles de significancia indicados. niveles de significancia indicados. En resumen, se pueden comparar las distribuciones observadas con las distribuciones tericas, mediante la prueba de la bondad de ajuste. Se debe calcular y comparar con los ajuste. comparar tericas, mediante la prueba de la distribucin frecuencias esperadas de Ia poblacin terica, si existen mismos valores Ia distribucin de frecuencias esperadas de la poblacin terica, si existen grandes diferencias entre categorlas, resultarla un valor grande de ji-cuadrada y se grandes diferencias entre categoras, resultara un valor grande de ji-cuadrada y se
TABLA 2.9 CALCULOS DE 2.9 CLCULOS DE

i
U;, - f)2 (ffe
25 100 49 4

fa fo

le fe
25 25 25 25

f o -fe fofe

(f, (f

- fe)2"fee fY/f
1.00 l.oo

20 35 18
27

5 10 -7 7
-5
10

4.00

X 2 = 7.12 x2= 7.12

l.96 1.96 .16

Anlisis de correlacin

39

rechazara rechazaria la hiptesis con respecto a la poblacin. Si las frecuencias reales estn muy cerca poblacin. frecuencias reales de los valores esperados entre las categorlas, resultar un valor pequeo de ji-cuadrada y categoras, resultar un valor pequeno de ji-cuadrada y no podr rechazarse la hiptesis relativa a Ia poblacin. la hiptesis relativa a la poblacin.

de la bondad de ajuste determina si se puede suponer que los La prueba de la bondad de ajuste determina si se puede suponer que los elementos de una muestra hayan sido extrados de una poblacin que sigue una elementos hayan sido extraldos de una poblacin que sigue una distribucin especIfica. especfica.

bondad de ajuste se pueden formular muy diversas hiptesis En una prueba de bondad de ajuste se pueden formular muy diversas hiptesis de prueba distribucin de la poblacin. A menudo Ia prueba se realiza para una distribucin normal la distribucin distribucin de poblacin. de la poblacin, ya que muchas pruebas estadIsticas suponen tal distribucin de la de la poblacin, ya que muchas pruebas estadsticas suponen tal distribucin de la una poblacin. Las pruebas de bondad se utilizan tambin determinar poblacin. Las pruebas de bondad de ajuste se utilizan tambin para determinar si una variable es de Poisson o est distribuida en forma exponencial. En el capItulo 10 se usar distribuida exponencial. En captulo lOse variable es Box-Jenvariante de esta prueba para determinar si son adecuados una variante de esta prueba para determinar Si SOfl adecuados los modelos de Box-Jende se la distribucin kins. La bondad de ajuste se usa adems para probar datos actuales contra la distribucin registrada en periodos anteriores, contra una norma de la industria, o contra valores registrada en periodos anteriores, contra una norma de industria, o contra valores precisin de objetivos deseados. Por ltimo, se utiliza la bondad de ajuste para probar la precision de objetivos deseados. Por ltimo, se utiliza la bondad de ajuste importe ventas mensuales). los valores de pronstico con los valores reales (como el importe de ventas mensuales).

ANLISIS DE CORRELACIN ANALISIS DE CORRELACION


Un objetivo comn en las aplicaciones de pronstico consiste en examinar la relaciOn entre comn en las aplicaciones de pronstico consiste en examinar la relacin dos variables. Este tema se aborda aqui, mientras que su extensiOn, el anlisis de regresiOn se aborda aqu, mientras que su extensin, el anlisis de regresin Adems, captulos y se expone en los capItulos 6 y 7. Aderns, Los capItulos 9 y 10 consideran casos especiales captulos de correlaciOn y regresin. correlacin y la conelacin El nfasis en Ia correlacin y la regresin se justifica en virtud del amplio uso de estas sejustifica en virtud del amplio tcnicas todo tipo de aplicaciones estadsticas, incluyendo pronsticos. Adems, tcnicas en todo tipo de aplicaciones estadIsticas, incluyendo los pronsticos. Adems, la ampliacin de los conceptos bsicos de correlaciOn y regresin en reas ms complejas se correlacin y regresiOn en areas ms ampliaciOn de los conceptos bsicos muchos otros procedimientos de pronstico. consideran en muchos otros procedimientos de pronOstico. Se supone que las variables bajo investigacin son mediciones numricas, es decir, las variables bajo investigacin son mediciones numricas, es decir, miden mediante dispositivo procedimiento que genera nimeros reales que se miden mediante un dispositivo o procedimiento que genera nmeros reales en vez categoras datos de intervalos escala proporcional). de categorlas (se utilizan datos de intervalos o escala proporcional).

dispersin Diagramas de dispersion


relacin variables de la relacin Un estudio de la relacin de variables comienza con el caso ms sencillo, el de la relacin variables. Suponga que se toman dos mediciones existente entre dos variables. Suponga que se toman dos mediciones a cada uno de varios entre determinar medibles denominada Y, objetos. Un analista desea determinar cul de estas variables medibles denominada Y, tiende vara. a aumentar o disminuir mientras que la otra variable, llamadaX, varIa. Por ejemplo, suponga variable, edad el ingreso de varios individuos, la que se miden la edad y el ingreso de varios individuos, como se muestra en Ia figura 2.10. Qu decir acerca de la relacin entre X y Y? j,Que se puede decir acerca de la relaciOn entre X y 1'?

40
TABLA 2.10 2.10

Revisin de conceptos estadIsticos bsicos estadsticos bsicos Revision


MEDIC IONES DE INGRESO MEDICIONES DE INGRESO Y EDAD

Captulo CapItulo 2

PERSONA NUMERO NMERO


1

y ($) Y INGRESO ($)


7,800 8,500 10,000 15,000 16,400

X EDAD (A14OS) (AOS)

22
23 26 27 35

2
3 4 5

A partir de Ia tabla 2.10 resulta aparente que Y y X tienen uria relacin definida. Al la tabla 2.10 resulta aparente que Y X una relacin definida. Al muestra de cinco personas aumentar X, Y tiende tambin a aumentar. Al observar esta muestra de cinco personas aumentar X, Y tiende tambin a aumentar. Al observar persona ingresos tendr. Desde pudiera ser tentador el concluir que entre mayor sea pudiera ser tentador ci concluir que entre mayor sea una persona ms ingresos tendr. Desde luego, es peligroso liegar a conciusiones con base en un tamao de muestra inadecuado, un llegar conclusiones en un tamao de muestra inadecuado, un = 5), aparentemente tema a tratar ms adelante. Aun asI, con base en las observaciones (n = 5), aparentemente adelante. as, en las observaciones existe una relacin definida entre X y Y. relacin definida entre X y Y. Estos cinco puntos se pueden graficar en una escala de dos dimensiones, con los Estos cinco puntos pueden graficar una escala de dos dimensiones, con los horizontal los valores Y en el eje vertical. A grfica valores de X en el eje horizontal y los valores de Y en el eje vertical. A esta grfica se le valores de X en denomina diagraina dispersin aparece la figura 2.8. denomina diagrama de dispersion y aparece en la figura 2.8.

Un diagrarna de dispersiOn grafica los puntos de datos X- Y en una grfica diagrama de dispersin grafica los puntos de datos X-Yen una grfica
bidimensional.

Un diagrama de dispersin ayuda a ilustrar lo que sugiere la intuicin, al observar por diagrarna de dispersion ayuda a io que sugiere al los datos sin procesar, digamos, la apariencia una relacin lineal entre X y primera vez los datos sin procesar, digamos, Ia apariencia de una relacin lineal entre X y Y. A esta relacin al incrementarse incrementa Y. Y. A esta relacin se le llama positiva ya que al incrementarse X tambin se incrementa Y.
y Y

$20,000

0 o

0 ~
$10,000

o 0

:...,. >;

0 o

0 o

o 0

$0 '---_ _----l'---_ _----l $0 30 20 30

---L

----'-_ _

x x

40

X, Edad

Figura 2.8 Diagrama de dispersion de edad e ingreso Figura 2.8 dispersin de edad e ingreso

Anlisis de correlacin Anlisis de correlaciOn

41

otras situaciones que comprenden a dos variables, pueden surgir diferentes En otras situaciones que comprenden a dos variables, pueden surgir diferentes dispersin. Considrense las grficas patrones de diagramas de dispersion. Considrense las grficas de la figura 2.9. figura sugiere que se llama una relacin lineal positiva El diagrama (a) de la figura 2.9 sugiere lo que se llama una relacin lineal positiva perfecta. Al aumentar.x, aumenta tambin Y y en una forma perfectamente predecible. Esto perfecta. Al aumentarX, aumenta tambin Yy en una forma perfectamente predecible. Esto es, que los puntos X y Y aparentemente se ubican sobre una lInea recta. El diagrama (b) los puntos X y Y aparentemente lnea recta. El diagrama (b) es, sugiere lineal negativa perfecta. Al aumentar X, Y una forma sugiere una relacin lineal negativa perfecta. Al aumentar X, Y disminuye en una forma predecible. Las figuras 2.9(c) y (d) ilustran relaciones lineales imperfectas positiva y negativa. imperfectas y negativa. Las figuras Al aumentar X en estos diagramas de dispersion, Y aumenta (c) o disminuye (d), pero no diagramas dispersin, Y aumenta (c) o disminuye (d), X de manera perfectamente predecible. De ah que Y pudiera ser ligeramente mayor o menor predecible. ahI pudiera ser ligeramente lnea que "lo esperado". Esto es, los puntos X-Y no se ubican sobre una linea recta. esperado". Esto es, los puntos X- y no

y Y

o 0

o 0

o 0

o 0

0 o

0 o 0 o
0 o

o 0 o 0

(a) Lineal, positiva, perfecta


y Y

x
(b) (h) Lineal, negativa, perfecta
y

X x

O 0 O 0

0 O

0 O
O 0 O

0 O
0 O

0 O

0 O

0 O

00
O O
3( ~

(c) Lineal, positiva, imperfecta


y y

x X
(d) Lineal, negativa, imperfecta

O 0 O 0 O 0

0 O O 0

O 0

O 0

0 O
O 0

O 0

0 O
O
O 0

O O 0

0 O

0 O

0 O
(e) Curva

'-------------X x
Sin relacin (f) Sin relacin

X x

Figura 2.9 2.9

Patrones para las grficas de datos X-Y. grficas de datos X-Y.

42

Revisin de conceptos estadsticos bsicos Revision de conceptos estadisticos

Captulo Capitulo 2

diagramas de dispersion en las figuras 2.9(a) a la ilustran conoce Los diagramas de dispersin en las figuras 2.9(a) a la (d) ilustran lo que se conoce como relacin lineal. La relaciOn X- y, sea perfecta o imperfecta, se puede resumir mediante relacin lineal. La relacin X-Y, sea perfecta o imperfecta, se puede resumir mediante una ilnea recta. En comparacin, en el diagrama (e) aparece una relacin curva. lnea comparacin, diagrama (e) aparece una relacin curva. ltimo, diagrama (f) de la figura 2.9 sugiere que no Por ltimo, el diagrama (t) de la figura 2.9 sugiere que no existe relacin de ninguna clase entre las variables X y 1'. Al aumentar X, Yno parece aumentar o disminuir en forma entre las variables Xy Y. Al aumentarX, Y no en forma predecible alguna. evidencia la muestra que aparece en el diagrama (f), predecibie alguna. Con base en la evidencia de Ia muestra que aparece en el diagrama (f), se podria concluir que en el universo que contiene todos los puntos X y Y, no existe relacin podra contiene todos los puntos Y, no otra, entre las variables X y Y. lineal u otra, entre las variables X y Y. Considrense ahora los dos diagramas de dispersion de Ia figura 2.10. Ambos Considrense ahora los dos diagramas de dispersin de la figura 2.10. Ambos diagramas de dispersion sugieren relaciones lineales positivas imperfectas entre Y y X La dispersin diagramas positivas imperfectas entre Y y X La diferencia consiste en que esta reiacin parece ser ms fuerte en Ia figura 2.10(a) ya que relacin parece fuerte la figura 2.1O(a) ya que diferencia consiste en que de datos estn muy cerca de la lnea recta que pasa a travs todos sus puntos de datos estn muy cerca de la Imnea recta que pasa a travs de ellos. En Ia figura 2.10(b) se sugiere una reiacin ms dbil. Los puntos de datos estn ms alejados la figura 2.1 O(b) relacin estn ms alejados de Ia Ilnea recta que los atraviesa, sugiriendo una relacin lineal ms dbil. Ms adelante la lnea los atraviesa, sugiriendo relacin dbil. Ms adelante en este capItulo se mostrar cmo medir la fuerza de Ia relacin que existe entre dos captulo mostrar cmo medir Ia fuerza de la relacin existe dos en variables. Como sugieren los dos diagramas de dispersiOn de Ia figura 2.10, con frecuencia es los diagramas de dispersin la con frecuencia es deseable resumir la relacin entre dos variables ajustando una lnea recta a travs de los deseable resurnir Ia relaciOn entre dos variables ajustando una lInea recta a travs de los puntos Usted hacerlo adelante, el momento se puede puntos de datos. Usted aprender a hacerlo ms adelante, pero por el momento se puede decir que se puede ajustar una Ilnea recta a los puntos del diagrama de dispersin, de modo lnea recta los puntos del diagrama de dispersi6n, de modo que resulte un buen ajuste. La cuestin que se sugiere ahora es qu tan rpido aumenta o resulte ajuste. cuestin que sugiere ahora es ,qu tan rpido aumenta disminuye la lnea recta? disrninuye Ia pendiente de esta ilnea recta?
y Y

y Y

0 o

0
0

0 0

0 0 0

0000
o 0
0 o

o 0

o 0

o 0

0
0

0 o

x '-------------x
(a) Fuerte

x '-------------x
(b) Dbil

Figura 2.10 Graficacin de relaciones fuerte y dbil de datos X-Y. relaciones fuerte y dbil de datos x-y. Figura 2.10

Responder esta pregunta requiere de pendiente lnea. Responder esta pregunta requiere de calcular la pendiente de la Ilnea. La pendiente de cualquier Ilnea recta se define como el cambio en Y asociado con el cambio en X. La lnea recta cambio Y asociado cambio en X lnea la figura 2.11. pendiente de una Ilnea se muestra en Ia figura 2.11. figura 2.1 1(a), Y entre los puntos datos es 1, mientras que En la figura 2.11(a), el cambio en Yentre los dos puntos de datos es 1, mientras que el la ci cambio en X es 2; por lo que Ia pendiente de Ia lInea es 1/2. En Ia figura 2.l1(b) la iInea Xes 2; por 10 que la pendiente de la lnea 112. 2.11(b) lnea

Anlisis de correlacin Anlisis de correlaciOn


Pendiente Pendiente =

43
t.y L,Y t.X
1 1 1 1 1 1 1

/~~]AH
1 1 1 I I I

-------1

t.y = -1.2 EY=

1"

--,

I I I I 1 I ) j.( ~, t.X= 11 =
Pendiente = (b) Pendiente = -1.2

t.X=2 AX=2

(a) Pendiente (a) Pendiente = = 4 = .5 = .5

Figura 2.11 la recta. Fgura 2.11 Pendiente de Ia recta.

negativa. incrementarse X en que la tiene una pendiente negativa. Al incrementarse X en 1, Y disminuye en 1.2, por lo que la disminuye en 1.2, pendiente es de -1.2. -1.2. Para la Pam resumir, en Ia investigacin de una relacin entre dos variables, primero se debe de relacin entre dos variables, relacin lnea recta) o curva. Si es lineal, saber la saber saber si la relacin es lineal (una linea recta) o curva. Si es lineal, se desear saber si Ia relacin es positiva o negativa y cul es la inclinaciOn de la lnea que se ajusta a los puntos y cul es la inclinacin Ia Ilnea que la relacin, esto es, qu de datos. Por ltimo, se necesita el grado de Ia relacin, esto es, qu tan cerca estn los datos. ltimo, se necesita el grado puntos de la lInea que mejor los ajusta. lnea los ajusta. puntos

Coeficiente de correlacin Coeficiente


Se necesita una forma de medir la cantidad de relacin lineal que existe entre dos variables relacin lineal que dos de inters. Para usar la terminologa correcta, se desea una medicin de la correlacin que inters. Pam Ia terminologla correcta, se desea una medicin de la correlacin comnmente relacin existe entre dos variables. La medicin que se utiliza comnmente para esta relacin es existe el coeficiente de correlacin. el coejiciente de correlacin. Dos variables con una relacin negativa perfecta tienen un variables con una relacin negativa perfecta tienen un variables con ma relacin coeficiente de correlacin igual 1. En el otro extremo, coeficiente de correlacin igual a a-l. En el otro extremo, dos variables con una relacin coeficiente de correlacin igual a +1. que el coeficiente positiva perfecta tienen un coeficiente de correlacin igual a + 1. Por lo que el coeficiente perfecta tienen de correlacin vare entre -1 y +11inclusive, dependiendo de la cantidad de correlacin entre corrclacin varIe entre 1 y + inclusive, dependiendo de la cantidad de correlacin entre se midan. variables las dos variables que se midan.

El coeficiente de correlacin mide el grado al cual se relacionan en forma lineal de s. dos variables entre si.

44

Revisin de conceptos estadsticos bsicos Revision estadIsticos

Captulo 2 CapItulo

dispersin figura 2.9 ilustra una situacin que producira El diagrama de dispersion (a) de la figura 2.9 ilustra una situacin que producirla un coeficiente de correlacin de +1, mientras que el diagrama de dispersin (b) tiene un coeficiente de correlacin de +1, mientras que el diagrama de dispersion (b) tiene un coet1ciente de correlacin de 1. Los diagramas (e) y (f) grafican dos variables que no coeficiente de correlacin de -1. Los diagramas (e) y (f) grafican dos variables que no relacin lineal. Los coeficientes de correlacin de estas relaciones son igual O, presentan relacin lineal. Los coeficientes de correlacin de estas relaciones son igual a 0, no existe relacin lineal. es decir, no existe reiacin lineal. Tambin Tarnbin es importante distinguir entre los dos grupos de puntos de datos con los que importante distinguir entre los dos grupos de puntos de datos est interesado pronostica. la poblacin que contiene todos los puntos X- y de est interesado quien pronostica. En la poblacin que contiene todos los puntos X-Y de inters, existe un coeficiente de correlacin cuyo smbolo es p (la letra griega rho). Si se inters, existe un coeficiente de correlacin cuyo simbolo es p (Ia letra griega rho). Si lma de estos puntos de datos X-Y, coeficiente correlacin de extrae una muestra de estos puntos de datos X-Y, al coeficiente de correlacin de esta muestra de datos se le denomina En la tabla 2.11 se presenta un resumen las muestra de datos se le denomina r. En la tabla 2.11 se presenta un resumen de las caractersticas importantes de r. caracteristicas iniportantes de p y r.
TABLA 2.11 TABLA 2.11

CORRELACiN LA POBLACION y DE LA MUESTRA CORRELACION DE LA POBLACION Y DE LA MUESTRA


MUESTRA

POBLACIN POBLACION

Coeficiente de correlacin: p (-1 1) Coeficiente de correlacin: p (-1 " r" 1) Coeficiente de correlacin: r (-1 " r" 1) 1) Coeficiente de cOlTelacin: (-1 p = 1: correlacin negativa perfecta = -1: correlacin negativa perfecta r = -1: Correlacin negativa perfecta r = 1: Correlacin p = 0: sin correlacin = o: sin correlacin r = O: sin colTelacin cOlTelacin 0: p = 1: correlacin positiva perfecta = 1: correlacin positiva perfecta = 1: r = 1: correlacin positiva perfecta perfecta correlacin positiva

Ejemplo
2.12

Considere un conjunto especifico de valores de X-Y y suponga que estos puntos constituyen Considere conjunto especfico X-Y y suponga que constituyen la poblacin completa de dichos puntos de datos. En la composicin de los datos de la tabla poblacin completa de dichos puntos de datos. En la composicin de los datos de la tabla representa nmero cursos capacitacin en ventas tomados y Y representa el 2.12, X representa el nrnero de cursos de capacitacin en ventas tomados y V representa ci nmero de das sin venta por mes, de los cinco vendedores del personal de la compaa. nimero de dIas sin yenta por mes, de los cinco vendedores del personal de la compafiIa. Aparentemente existe una relacin Aparentemente existe una relacin negativa en los datos ya que, mientras X se mueve en ya que, mientras X se mueve en una direccin (hacia abajo), Y se mueve precisamente en otra (hacia arriba). De ah que para direccin abajo), Y se mueve precisamente en otra (hacia arriba). Dc ahi que para esta poblacin de plmtos de datos se espera que sea aproxirnadarnente-1. esta poblacin de puntos de datos se espera que sea aproximadamente 1. Con frecuencia, X y Y se miden en unidades diferentes, tales como libros y diares, miden en unidades diferentes, como libros y dlares, Con frecuencia, X y Y unidades vendidas y ventas en dlares, unidades vendidas y ventas en diares, tasa de desempleo y Producto Nacional Bruto en de desempleo y Producto Nacional Bruto en dlares. Haciendo a un lado estos diferentes mtodos para medir X y Y sigue siendo importante dlares. Ilaciendo lado estos diferentes mtodos para mcdirXy Y, el alcance de su relacin entre si. Esta rnedicin se hace convirtiendo primero las mediciones su relacin s. Esta medicin hace convirtiendo ci de los datos de Ia muestra a unidades estndar. de la muestra unidades estndar. de X-y sc convierten estandarizados, se multiplican Las mediciones de X-Y se convierten a valores estandarizados, los cuales se multiplican para cada medicin de X- y, obteniendo productos cruzados para cada niedicin de X-Y, obteniendo productos cruzados para cada elemento o persona. cada elemento o persona.
TABLA 2.12 DATOS EJEMPLO TABLA 2.12 DATOS PARA EL EJEMPLO 2.12: CURSOS y DIAS SIN VENTAS CURSOS Y DAS
DAS SIN VENTAS DfAS SIN VENTAS VENDEDOR
A B
(Y)

CURSOS CURS OS (X)

3 4

C D E

5
6 7

7 6 5 5 4
3

Anlisis de correlacin Anlisis de correlaciOn

45 45

Estos productos cruzados son de inters ya que la media Estos productos cruzados son de inters ya que la media de estos valores corresponde al estos valores corresponde al coeficiente de correlacin. La ecuacin 2.13 muestra que la media de los productos cruzados los productos cruzados coeficiente de correlacin. ccuacin 2.13 muestra que de los valores estandarizados para dos variables es el coeficiente de correlacin. estandarizados para dos variables es correlacin.
p=-_.-

Iz z x
y

(2.13)

de correlacin El clculo del coeficiente de correlacin p mediante los productos cruzados de los valores los valores estandarizados siempre producir el valor correcto, aunque en la mayora de los casos existe estandarizados siempre producir el valor correcto, aunque en Ia mayorIa de los casos existe una forma ms fcil de realizar los clculos. La ecuacin 2.14 es equivalente a encontrar p de realizar los clculos. equivalente mediante ci ciculo de valores estandarizados. mediarite el clculo de la media de los productos cruzados de los valores estandarizados.
~-Y_\

Izz
N

p=

NIxy (X)(Y) NXY -- (IX)(IY) \/NIX2 - (X)2 VNY2 - (fl2

(2.14)

una prueba de esta relacin.) (Vase el apndice A para una prueba de esta reiacin.) tabla valores. Para el ejemplo calcular mediante Para caicular p mediante esta ecuacin, se requiere una tabia de valores. Para ci ejemplo 2.12, los clculos se ilustran ella tabla 2.13. clcuios se ilustran ella tabla 2.12, Ahora, tenemos todos los elementos necesarios para resolver Ia ecuacin 2.14; Ahora, tenemos todos los elementos necesarios para resolver la ecuacin 2.14; la clculos son sustitucin y los ciculos son

p= =

-Vr(=5)=(l~3=5)~-=25::::::2:-vr(5==)=(I=35=)=-===25:=:;2 \/(5)(135) - 252V(5)(l35) - 252


-50 v5()2 \/502

(5)(115) (25)(25) (5)(I 15) -- (25)(25)

575 - 625 575 - 625

- V5oV5o V56V56

50

= = -1 - 50 --1

-50

Al examinar un conjunto de puntos de datos, se debe emplear ianjuicio para decidir puntos datos, un juicio para decidir Al examinar un conjunto p es lo suficientemente grande para considerar que variables cundo el valor de p es lo suficientemente grande pam considerar que las dos variables cundo ci tienen una alta correlacin lineal. Aunque en Ia mayora de los casos comprende un conjunto la mayorIa de puntos X- y de una poblacin, se puede usar Ia ecuacin 2.15 para encontrar ci coeficiente la ecuaciOn 2.15 para el coeficiente X-Y de una poblacin, de correlacin que mida hasta qu grado las dos variables se mueven juntas en forma lineal. correiaciOn que mida hasta qu grado las dos variables se muevenjuntas en forma lineal. Es comn el Es comn ci caso que se haya extraIdo una muestra de puntos de datos de manera que se haya extrado puntos de datos de manera aleatoria, estudio. utiliza la ecuacin 2.14 despus aleatoria, de una poblacin bajo estudio. En este caso, se utiliza la ecuacin 2.14 despus remplazar tamao de Ia poblacin, por n, el As, frmula de rempiazar N, el tamaflo de la poblacin, por n, el tamao de la muestra. AsI, la formula correlacin se convierte en para obtener el coeficiente de correlacin de la muestra se convierte en
TABLA 2.13 2.13

CLCULOS NECESARIOS PARA UTILIZAR LA CALCULOS NECESARIOS

ECUACION 2.14 PARA LOS DATOS DEL EJEMPLO 2.12 ECUACiN 2.14 PARA LOS DATOS DEL EJEMPLO 2.12
VENDEDOR
A B B
C e
Y

Y
3 3 4 5 5 6

X X
7 7

Y'
6 6
5 5

X'
49 36

XV XY
21 21 24 25 24 21 115

D E

Sumas Surnas

25

4 3 3 25

9 16 25 36 49 135

25 16 9 9 135

46

Revisin de conceptos estadsticos bsicos Revision estadIsticos

CapItulo Captulo 2

r = Ejemplo Ej emplo 2.13

nIXY (X)(,Y) nIXY - - (IX)(IY)

VnX2 - (X)2 VnY2

- (Y)2

(2.15 ) (2.15)

Si se estudia Ia reiacin entre edad e ingreso (tabla 2.10), pudiera ser de inters el conocer el la relacin inters el conocer el Si valor de rr para estos datos. Los clculos requeridos aparecen en Ia tabla 2.14. para estos datos. Los clculos requeridos aparecen en la tabla 2.14. En Ia tabla se puede apreciar que ci coeficiente de correlacin confima lo que se observ En la tabla se puede apreciar que el coeficiente de correlacin confirma lo que se observ la tabla en la figura 2.8. El valor de es positivo, sugiriendo una relacin lineal en Ia labIa 2.10 y en Ia figura 2.8. El valor de rres positivo, sugiriendo una relacin lineal positiva cntre cdad e ingreso. Adems, en una escala del Oal 1, el valor de res aceptabiemente entre edad e ingreso. Adems, en una escala del 0 all, r es aceptablemente alto (.89). Este resultado sugiere una fuerte relaciOn lineal y no una dbil. La pregunta que Este resultado fuerte relacin lineal y una dbil. La pregunta que saber la combinacin del tamao de Ia muestra y ci coeficiente de correlacin es lo resta es saber si Ia combinacin del tamao de la muestra y el coeficiente de correlacin es lo suficientemente fuerte para hacer declaraciones significativas respecto a la pobiacin de la que poblacin la que suficientcmente fuerte se extrajo Ia muestra. cxtn~jo la

Ahora, al abordar la correlacin, se deben sefialar dos p.mtos importantes. Ahora, la correlacin, se deben sealar dos puntos importantes. Primero, siempre debe tenerse presente que se est midiendo la correlacin y no la Prirnero, siempre debe tenerse presente que se est midiendo Ia correlacin y causalidad. Podria ser perfectamente vlido que dos variables estuvieran correlacionadas Podra ser perfectamente vlido que dos variables estuvieran correlacionadas con base en un coeficiente de correlacin alto. Pero podra o no ser vlido decir que una con base en lm coeficiente de correlacin alto. Pero podrIa o no ser vlido decir que una variable causa el movimiento de la otra; sta es una cuestin para el juicio del analista. Por catesa ci rnovirniento de la otra; sta es cuestin ci Por ejemplo, podra ser cierto que el volumen de ventas de una tienda rural en un area poco un rea poco ejemplo, podria ser cierto que el volwnen de ventas poblada estuviera altamente relacionada con el precio promedio del mercado accionario de relacionada poblada Ia ciudad de Nueva York. Despus de exarninar una muestra grande de estas dos variables, la ciudad de York. examinar grande se podria concluir que tal conelacin alta existe. Probablemente sea falso que una de estas podra tal correlacin alta existe. Probablemente estas dos variables est causando el movimientode la otra. De hecho, es probable que ci dos variables est causando ci movimiento de la otra. hecho, probable que el movimiento de cstas dos variables est producido por una tercera, el estado general de la de la rnovirniento de estas dos variables est producido una tercera, econornia. Es frecuente que polticos, publicistas y otras personas cometan error de economa. Es frecuente que politicos, publicistas y otras personas cometan el error de base en la correlacin. suponer causalidad con base en Ia correiacin.

TABLA TABLA 2.14 CALCULOS PARA LA CORRELACION ENTRE EDAD CLCULOS LA CORRELACiN EDAD E INGRESO DEL EJEMPLO 2.14 2.14 INGRESO DEL
PERSONA NUM. NM.
1 1 2 2 3 4 4 5 5

V Y

y2 y2
60,840,000 72,250,000 100,000,000 225,000,000 268,960,000 727,050,000

Xl x2

Xy xy

7,800 8,500
10,000 15,000 16,400 57,700 57,700

Sumas Surnas

22 22 23 23 26 27 27 35 133

484 529 529 676 729 729 1.225 1,225 3,643 3.643

171,600 171.600 195,500 260,000 260,eXlO 405,000 574,000 1,606,100

(5)(1,606.100) (133)(57,700) (5)(1,606,100) - (133)(57,700) (133)2 Y(5)(727.050,000) (57,700)' V(5)(3,643) -- (133)2 V(5)(727,050,000) --(577(X))2 8,030,500 - 7,674,100 8,030,500 - 7,674,100 (22.93)(17,491.71 ) (22.93)(17,491.71) 356,400 401,084.90 401.084.90

.89 = .89

Aplicacin en Ia administraciOn en la administracin

47

Segundo, ntese que la correlacin mide una relacin lineal entre dos variables. Si Segundo, ntese que la correlacin mide una relacin lineal entre dos variables. Si fuera el caso de un coeficiente de correlacin bajo, se podrIa concluir que las dos variables coeficiente de correlacin podra variables no guardan una estrecha relacin en forma lineal. PodrIa ser que si tuvieran una estrecha lineal. Podra ser tuvieran estrecha relacin de manera curva o no lineal. De ahI que un coeficiente de correlacin bajo no manera curva lineal. ah que un coeficiente correlacin bajo relacin de signifique que correlacin entre dos variables, solamente que no aparente signifique que no hay correlacin entre dos variables, solamente que no es aparente que exista una relacin lineal o recta. recta.

APLICACIN EN LA ADMINISTRACIN APLICACIN ADMINISTRACION


Muchos de los conceptos de este capItulo de repaso se podrIan considerar como material captulo podran considerar como material Muchos necesario para comprender las tcnicas ms avanzadas de pronstico que se encuentran a comprender las tcnicas avanzadas de encuentran a necesario lo largo del resto del texto. Sin embargo, los conceptos de este capItulo tienen tambin, resto del texto. embargo, este captulo tienen tambin, s mismos, valor en muchas aplicaciones estadsticas. Mientras que algunas por si mismos, valor en muchas aplicaciones estadIsticas. Mientras que algunas de estas aplicaciones pudieran no quedar bajo el tItulo de "pronsticos", abarcan sin embargo el uso ttulo sin embargo el uso de datos reunidos para responder preguntas sobre la incertidumbre de la operacin la operacin de datos reunidos para responder preguntas sobre la incertidumbre empresarial, en especial a la incertidumbre de los resultados futuros. incertidumbre resultados futuros. empresarial, Los procedimientos estadstica descriptiva mencionados con anterioridad se Los procedimientos de estadIstica descriptiva mencionados con anterioridad se ampliamente dondequiera que cantidades de datos, de utilizan ampliamente dondequiera que se deben describir grandes cantidades de datos, de manera que se puedan asimilar y utilizar en el proceso de toma de decisiones. SerIa casi asimilar y utilizar en proceso decisiones. Sera casi manera que imposible pensar en una sola area que comprenda mediciones numricas, en la que no se rea comprenda mediciones numricas, en la que no se imposible pensar en resuman rutinariamente los conjuntos de datos mediante estadstica descriptiva. Este hecho conjuntos mediante estadIstica descriptiva. Este hecho en menor se aplica en particular a la media, a Ia que comuinmente se llama "promedio" y, en menor particular a la media, a la que comnmente se grado, a Ia desviacin estndar. Cualquiera entiende el promedio de conjuntos de datos y datos y grado, la desviacin estndar. Cualquiera entiende el promedio hecho durante muchos aos para proporcionar medicin central de arreglos de se ha hecho durante muchos aos para proporcionar una medicin central de arreglos de datos. Las mediciones de dispersion como Ia desviacin estndar estn ganando terreno al dispersin la desviacin datos. ms comprensibles tales mediciones. hacerse ms comprensibles tales mediciones. Las distribuciones binomial y normal son buenos ejemplos de distribuciones tericas distribuciones binomial y normal son buenos ejemplos de distribuciones tericas representan buenos modelos muchas situaciones de real. Como tales, su que representan buenos modelos para muchas situaciones de la vida real. Como tales, su amplio en muchas aplicaciones, incluyendo pronstico. Por ejemplo, el pronstico uso es amplio en muchas aplicaciones, incluyendo el pronstico. Por ejemplo, el pronstico del porcentaje de partes defectuosas en un lote, se podrIa encontrar mediante la utilizacin defectuosas en lote, podra del mediante utilizacin una distribucin binomial. de una distribucin binomial. La estimacin y las pruebas de hiptesis son los dos pilares de las aplicaciones pruebas hiptesis son dos pilares de las aplicaciones La estimacin y estadsticas bsicas. valores de una poblacin de inters estadIsticas bsicas. El pronstico o estimacin de los valores de una poblacin de inters ampliamente difundido a travs de la medicin de ima muestra aleatoria, est ampliamente difundido en donde las de la medicin de una muestra restricciones fuerzan la dependencia en resultados muestras restricciones de tiempo y dinero fuerzan Ia dependencia en resultados de muestras para la informacin para la decisiones. muestreo difundido en particular en el informacin para Ia toma de decisiones. El muestreo se ha difundido en particular en el la auditora contable. prueba de hiptesis se usa ampliamente para comparar proceso de la auditorla contable. La prueba de hiptesis se usa ampliamente para comparar valores la poblacin en periodos anteriores con valores actuales; para comparar los valores de la poblacin en periodos anteriores con valores actuales; para comparar los valores parmetro de dos distintas ramas ubicaciones de negocio detectar valores del parrnetro de dos distintas ramas o ubicaciones de un negocio y para detectar cambios mediciones dave de procesos productivos. Esta ltima aplicacin, los cambios en mediciones clave de procesos productivos. Esta ltima aplicacin, conocida clave de los esfuerzos de como control de produccin es, en muchos casos, el componente dave de los esfuerzos de una empresa para mejorar su calidad. em;Jresa mejorar calidad. La prueba de la bondad de ajuste se usa con frecuencia para verificar la validez de con frecuencia prueba suposiciones con respecto a distribuciones de poblacin. Este proceso es especialmente suposiciones con respecto a distribuciones de poblacin. Este proceso es especialmente

48

Revisin de conceptos estadsticos bsicos Revisin estadIsticos

Captulo 2 Cap Itulo

importante a! utilizar ciertos modelos de simulacin que requieren, ejemplo, la importante al utilizar ciertos modelos de simulacin que requieren, por ejemplo, Ia suposicin Dichas suposicion de procesos de Poisson, para que los resultados del modelo sean vlidos. Dichas simulaciones se emplean para modelar situaciones reales y, despus de validarlas, para validarlas, para simulaciones se emplean para modelar situaciones reales y, despus pronosticar los resultados de cambios en el sistema sobre resultados de salida. resultados sistema sobre resultados salida. La con'elacin tiene un amplio uso en examen las relaciones pares de La correlacin tiene un amplio uso en el examen de las relaciones de pares de variables numricas. Como se ver variables numlicas. Como se vera en capItulos posteriores, estas relaciones son de gran captulos posteriores, estas relaciones son gran importancia para los pronsticos, ya que el pronstico de una variable a menudo comprende ya que el pronstico de una variable a menudo comprende el intento de encontrar variables relacionadas, Tanto el anlisis de regresin como el de intento encontrar variables relacionadas, Tanto el anlisis regresin de regresin mltiple se basan en la correlacin en este proceso. regresin mltiple la correlacin en este proceso.

GLOSARIO
Coeficiente de correlacin Medicin que indica hasta qu grado se relacionan linealmenMedicin te dos variables numricas entre si. numricas s. te de dispersin X-Yen espacio bidimensional. Diagrama de dispersion Una grfica de puntos X-Y en un espacio bidimensional. DistribuciOn muestral Una distribucin muestral es la disposicin de todas las estadIstiDistribucin las estadstimuestral cas posibles de Ia muestra, que se pueden extraer de una poblacin, para un tarnaflo la muestra, que se pueden extraer de una poblacin, para un tamao de muestra dado. dado. EstadIstica Estadstica descriptiva Mtodos que se usan para describir conjuntos de datos con unos Mtodos conjuntos cuantos valores de resurnen. resumen. Grados de lihertad Los grados de libertad en un conjunto de datos indican el rnimero de libertad Los nmero de elementos de datos independientes s nicas elernentos de datos que son independientes entre Si y que representan piezas nicas informacin. de informacin. Intervalo de estimacin Un intervalo de estimacin es un intervalo numrico, dentro del lntervaio de estimaciOn Un intervalo de estimacin es un intervalo numrico, dentro del probable se ubique un parmetro de la poblacin. cual es probable que se ubique un parrnetro de la poblacin. de la de la se puede Prueba de Ia bondad de ajuste La prueba de Ia bondad de ajuste determina si se puede suponer muestra de elementos hayan extrados una poblacin que suponer que una muestra de elernentos hayan sido extraldos de una poblacin que
sigue una distribucin especI fica. Si gue una distribucin especfica.
Punto de estiniacin Un punto de estirnacin es una estirnacin con un solo valor, de estimacin estimacin es estimacin con un parmetro de la poblacin. un parimetro de la poblacin. esperado Valor esperado

El valor esperado de una variable aleatoria corresponde al variable aleato El valor esperado de una valor

la variable en muchos intentos u observaciones. promedio de la variable en muchos intentos u observaciones. Variable aleatoria continua Una variable aleatoria continua puede tomar cualquier Variable aleatoria continua Una variable aleatoria continua puede tomar cualquier valor numrico dentro de cierto intervalo. intervalo. numrico dentro
Variable aleatoria discreta variable aleatoria discreta slo puede tomar ciertos Variable aleatoria discreta Una variable aleatoria discreta solo puede tomar ciertos

valores especIficos, por lo regular enteros. valores especficos,

2 CapItulo 2

Frmulas clave

FOrmulas dave

49

FRMULAS CLAVE FORMULAS CLAVE

Media poblacional poblacional

.t = -

IX
N

(2.1 ) (2.1)

Media muestral X = s/n muestral X = sin

IX

(2.2)

Desviacin estndar DesviaciOnestndar poblacional

()2
/
V

(X

IL)2

(2.3)

Desviacin estndar muestral s = Desviacin muestral s =

J
N

(X - Xl' I l(X - X)2


n - 1

/
\J

(X)2

(2.4)

()2
Varianza poblacional poblacional
o2

1x2

(2.5)

(X)2
n

(X - X)2
S2 Varianza muestral s 2 =

n - 1 n- 1

n - 1 n- 1

(2.6)
(2.7)

Valor esperado Frmula binomial Formula binomial

E(X) = [X'P(X)] E(X) = I[XP(X)]

P(x) P(x)

= C1Tx(1 -C~7Tx(l

IT)n_x 7T)n-x

(2.8)

Frmula para obtener valores estandarizados Formula para obtener valores estandarizados una media Intervalo de confianza para una media
X Z X Z

X-u X /L Z = =---=
(T

(2.9)

_s_

'\0i

(2.10)

Intervalo de confianza para una proporcin p p Z Intervalo de confianza para una proporcin z
Formula de ji-cuadrada Frmula
x2 =
todas las categoras calegorias

~ .J
2

~ I
------;;--

(2.11 ) (2.11)
(2.12)

(f - f
o
e

50

Revisin de conceptos estadIsticos bsicos estadsticos bsicos Revision

Captulo Cap itulo 2

Coeficiente de correlacin para poblacin Coeficiente de correlacin para una poblacin


p=~

z z zyzx
N

(2.13 ) (2.13)

p=

Z y Z x zyzx
N

NXY - (X)(Y) - \/NIX2 - (X)2 \/NIY2 - (Y)2

(2.14)

Coeficiente de correlacin para una muestra Coeficiente de correlacin para

r= r

nXY - (IX)(Y) VnX2 - (X)2VnIY2 - (Y)2

(2.15)

PROBLEMAS

1. 1. Dick 1-loover, propietario de Modem Office Equipment, est preocupado por los costos de Hoover, propietario de Modern Office Equipment, est preocupado por los costos de transpol1e y de oficina en que incurren los pedidos pequefios. En un esfuerzo por reducir gastos incurren los pedidos pequeos. gastos transportc en esta area, decide introducir una polItica de descuento, en beneficio de los pedidos superiores rea, poltica los pedidos superiores a $40, esperando que esto motive a los clientes a consolidar varios pedidos pequefios en otros esperando esto motive a los clientes a consolidar varios pedidos pequeos otros ms grandes. Los datos siguientes muestran las cantidades por transaccin de una muestra de 28 las cantidades por transaccin de una muestra de 28 clientes:
10,15,20,25,15,17,41,50,5,9,12,14,35,18 10, 15, 20, 25, 15, 17,41,50,5,9, 12, 14, 35, 18 19,17,28,29,11,11,43,54,7,8,16,13,37,18 19,17,28,29,11,11,43,54,7,8,16,13,37,18
la media. Calcule Ia media. la desviacin estndar. Calcule Ia desviaciOn estndar. la varianza. Calcule Ia varianza. la poltica la media de la distribucin aumentar, disminuir permanecer Si Ia poiltica tiene xito, tla media de Ia distribuciOn aumentar, disminuir o permanecer sin cambio? cambio? c. Si Ia politica tiene xito, tla desviaciOn estndar de la distribuciOn aumentar, disminuir o la desviacin de la distribucin aumentar, Si la poltica permanecer permanecer sin cambio? i f. Pronostique Ia cantidad de Ia transaccin del prOximo cliente. la la transaccin del prximo cliente. 2. Dc acuerdo con un manual no clasificado de una oficina de impuestos, no son solo los elementos De acuerdo con un manual no clasificado de una oficina de impuestos, no son slo los elementos su declaracin que pueden producir auditora. ausencia ciertos que aparecen en su declaracin los que pueden producir una auditorla. La ausencia de ciertos nmero (funcin de discnminacin) su declaracin elementos puede elevar el nilmero DIF (funciOn de discriminacin) y hacer que su declaracin sea sealada para revision. El nOniero DIF indica la probabilidad de que una auditoria d por revisin. nmero DIF mdica probabilidad de auditora d por sea sealada resultado un impuesto adicional. Tambin, el programa DIF muy efectivo para detectar resultado un impuesto adicional. Tambin, el programa DIF es muy efectivo para detectar declaraciones mal lienadas. Solo airededor del 15% de las auditoras a contribuyentes la declaraciones mal llenadas. Slo alrededor del 15% de las auditorlas a contribuyentes en la categora de ingreso de $25 000 resultan cambio en cantidad impuesto categoria de ingreso de $25 000 a $50 000 resultan sin cambio en la cantidad de impuesto a pagar (Tax Guide lar College Teachers, 1992). for Callege Teachers, 1992). a. Pronostique la probabilidad de que si la oficina de impuestos audita a un contribuyente con contribuyente con Pronostique Ia probabilidad de que si ingresos de $45 000, no se produzca un cambio en Ia cantidad de impuesto a pagar. ingresos de $45 000, no produzca un cambio en la cantidad de impuesto a pagar. b. Pronostique Ia probabilidad de que si la oficina de impuestos audita a un contribuyente con la probabilidad de oficina de impuestos audita a un contribuyente con a. b. c. d.

CapItulo 2 Captulo

Problemas

Problemas

51

ingresos de $30 000, se produzca un cambio en Ia cantidad de impuesto a pagar. se produzca un cambio en la cantidad de impuesto a pagar. c. La oficina de impuestos realiza a! azar auditorlas a cuatro contribuyentes con ingresos entre La oficina de impuestos realiza al azar auditoras cuatro contribuyentes ingresos entre $50 000, pronostique probabilidad de que auditoras $25 000 y $50 000, pronostique la probabilidad de que dos o ms auditorlas den por resulalgn cambio en la cantidad de impuesto a pagar. tado algn cambio en la cantidad de impuesto a pagar. 3. El hotel Barcellos' Tumn Turn Resort ileva un registro del nrnero de dias que permanece cada El hotel Barcellos' Tumn Tum Resort lleva un registro del nmero de das que permanece cada husped. Descubren que husped. Descubren que esta variable presenta una distribucin normal con una media de siete variable presenta una distribucin normal con una media de siete dIas das y una desviacin estndar de dos. El pronstico para el prximo mes indica que esperan desviacin estndar El pronstico el prximo mes indica que esperan 500 huspedes. a. Pronostique cuntos huspedes permanecern menos de 5 dIas. 5 das. 15 das. b. Pronostique cuntos huspedes permanecern ms de 15 dIas. y 12 das. c. Pronostique cuntos huspedes permanecern entre 6 y 12 dIas. La lnea area New Horizons Airlines desea pronosticar la media de asientos desocupados por 4. La Ilnea area New Horizons Airlines desea pronosticar la media de asientos desocupados por ao. desarrollar vuelo a Alemania durante el prximo ano. Para desarrollar este pronstico, se seleccionaron en forma aleatoria de los archivos del ao pasado, los registros de 49 vuelos y se tom nota del forma aleatoria de los archivos del aflo pasado, los registros de 49 vuelos y se tom nmero de asientos no ocupados en cada vuelo. La media muestral y la desviacin estndar son cada vuelo. La media muestral y la desviacin estndar son nmero 8.1 y 5.7, respectivamente. Desarrolle un punto e intervalo de estimacin de 95% de la media 8.1 5.7, respectivamente. Desarrolle un punto e intervalo de estimacin de 95% de la media de asientos no ocupados por vuelo durante el afio pasado. Pronostique la media de asientos no durante ao pasado. Pronostique la media de asientos no ocupados por vuelo a Alemania en el prximo aflo. Explique la precision de este pronstico. Alemania el prximo ao. precisin pronstico. S. Con base en experiencias anteriores, la California Power Company pronostica que enero 5. Con base en experiencias anteriores, la California Power Company pronostica que en enero electricidad residencial por casa ser de 700 kwh. prximo, la media del uso de electricidad residencial por casa ser de 700 kwh. En enero, la prximo, Ia media del uso 715 y una compaa selecciona una muestra aleatoria simple de 50 casas y calcula una media de 715 y una compaflIa selecciona una muestra aleatoria simple de 50 significancia de .05 para determinar si desviacin estndar de 50. Pruebe a un nivel de significancia de .05 para determinar si el desviacin estndar de 50. Pruebe a un nivel es razonable. pronstico es razonable. De acuerdo con una encuesta sobre planes familiares 6. De acuerdo con una encuesta sobre planes familiares de viaje, realizada por el U.S. Travel Data Homes Gardens, el 49% de las familias vacacionistas que Center para Ia revista Better Homes and Gardens, el 49% de las farnilias vacacionistas que Center para la revista viajar este ao con nios, pretenden viajar este ao con nifios, planean visitar un parque temtico (The Wall Street Journal, (The Wall Street Journal, abril 15, 1992). Brandon Kim, presidente de Wild Kingdom, est interesado en construir un Wild Kingdom, est interesado en construir un abril 15, 1992). Brandon Kim, presidente temtico en Madison, Wisconsin. que tendr xito si puede pronosticar parque temtico en Madison, Wisconsin. Brandon piensa que tendr xito si puede pronosticar que por lo menos el 49% de las farnilias de los airededores pretenden visitar un parque temtico las familias alrededores en sus vacaciones, por lo que realiza una encuesta a 700 familias y encuentra que 325 de ellas vacaciones, familias de ellas indican en sus respuestas que planean visitar un parque temtico. Cul sera la conclusion de respuestas que planean visitar un parque temtico. ,Cul serla conclusin indican en prueba con un nivel de significancia de .01? Brandon si prueba con un nivel de significancia de .01? 7. Expertos en poblacin indican que ci tamao de Ia familia se ha reducido en los ltimos aflos. Expertos en poblacin indican que el tamao de la familia se ha reducido en los ltimos aos. Hace diez aos, el tamaflo promedio de una familia era de 2.9. Considere una poblacin con los Hace tamao promedio de una familia era de 2.9. Considere poblaciOn con los la P2.7. tamaos familias tarnaos de 200 familias que se presentan en Ia tabla P2.7. Seleccione de manera aleatoria una muestra de 30 elementos y pruebe Ia hipOtesis de que el tamaflo promedio de la familia no ha 30 elementos y pruebe la hiptesis de que tamao promedio de Ia familia no en los ltimos diez aos. cambiado en los iiltimos diez aflos. Butter predice que los consumidores prefieren Bif a otras marcas de 8. La compafila Bif Peanut Butter predice que los consumidores prefieren Bif a otras marcas de 8. La compaa de cacahuate. La compaa compaa de investigacin independiente mantequilla de cacahuate. La compafuIa contrata a una compaIa de investigaciOn independiente efectuar una encuesta telefnica en un rea de prueba de mercado. La compaa investigapara efectuar una encuesta telefnica en un area de prueba de mercado. La compafiIa investigallama 400 amas de casa y obtiene las siguientes preferencias de marca: dora llama a 400 amas de casa y obtiene las siguientes preferencias de marca: la investigacin para Bif, resumiendo Redacte una breve nota para Bif, resurniendo los resultados de Ia investigacin

MARCA MARCA A
75

BIF

MARCA C

MARCA D
65

E MARCA E

MARCA D

90

82

88

52
TABLA P2.7 P2.7
(1) 3 (1)3 (2) 2 (3) 7 (4) 3 (5) 4 (6) 2 (7) 3 (7)3 (8) 1 1 (9) 5 (9)5 (10) 3 (10)3 (11) 2 (11)2 (12) 3 (12)3 (13) 4 (13)4 (14) 1 1 (15) 2 (15)2 (16) 2 (17) 4 (17)4 (18) 4 (18)4 (19) 3 (19)3 (20) 2 (21) 11 5 (22) 5 (23) 2 (23)2 (24) 11 (25) 4 (25)4 (26) 3 (26)3 2 (27) 2 (28) 3 (28)3 (29) 6 (29)6 (30) (30) 11 (31) 2 (31)2 (32) 4 (32)4 (33) 3 3 (34) 2
~~ .---_.~--

Revisin de conceptos estadIsticos bsicos RevisiOn de conceptos estad sticos bsicos

Cap Itulo Captulo 2

(35) 1 1 (36) 2 (36) (37) 4 (37) (38) 1 1 (39) 4 (39) (40) (40) 2 (41) 1 1 (42) 3 (43) 5 (43)5 (44)2 (44) 2 (45)1 (45) 1 (46) 4 (46)4 (47) 3 (47)3 (48) 5 (48)5 (49) 2 (49)2 (50) 4 (50) (51) 1 (51)1 (52)6 (52) 6 (53)2 (53) 2 (54) 5 5 4 (55) 4 1 (56) 1 (57) 2 (57)2 1 (58) 1 (59) 5 (59)5 (60) 2 (60)2 7 (61) 7 (62) (62)11 (63) 2 (63)2 (64) 6 (64)6 (65)4 (66) 1 1 (67) 2 (67) (68) 1
1

(69) 2 (69)2 (70) 4 (70) (71) 3 (71) (72) 7 (72) (73) 2 (74) 6 (75) 2 (75)2 (76) 7 (77) 3 (77)3 (78) 6 (78)6 (79) 4 (79)4 (80) 2 (80)2 (81) 3 (81)3 (82) 5 (82)5 (83) 2 (83)2 (84) 1 1 (85) 3 (85)3 (86) 3 (86)3 (87) 2 (87)2 (88) 4 (88)4 1 (89) 1 2 (90) 2 (91) 3 (91)3 (92) 3 (92)3 (93) 2 (93)2 (94) 4 (94)4 1 (95) 1 (96) 2 (96)2 (97) 4 (97)4 (98) 3 (98)3 (99) 2 (99)2 (100) 6 (100)6 (101) 4 (101)4

(102) 1 1 (103) 2 (103) (104) 5 (105) 3 3 (106) 2 (107) 1 1 (108) 2 (108)2 (109) 2 (110)1 (110) 1 (111) 4 (111)4 (112) 1 (112)1 (113) 1 (113)1 (114) 2 (114)2 (115)2 (115) 2 (116) 1 1 (117) 4 (118) 2 (118)2 (119) 1 1 (120) 3 (120)3 (121) 5 (121)5 (122) 11 2 (123) 2 (124) 3 (124)3 (125)4 (125) 4 (126) 3 (126)3 (127) 2 (127)2 (128) 11 (129) 6 (129)6 (130) 11 (131) 2 (131)2 (132) 5 (132)5 (133) 2 (133)2 (134) 1 1

(135) 5 (135)5 (136) 2 (137) 1 1 (138) 4 (138) (139) 2 (139) (140) 4 (140) (141) 1 1 (142) 2 (142) (143) 4 (143)4 (144) 1 1 (145) 2 (145)2 (146) 2 (146)2 (147)5 (147) 5 (148) 3 (148)3 (149) 1 1 (150) 2 (151) 6 (151)6 (152) 2 (152)2 (153) 5 (153)5 (154) 1 1 (155) 2 (156) 1 1 (157) 4 (157)4 (158) 2 (158)2 (159) 2 (159)2 (160) 7 (160)7 (161) 4 (161)4 (162) 2 (162)2 1 (163) 1 (164) 7 (164)7 (165) 2 (165)2 (166)7 (166) 7 (167) 4 (167)4
~ - - - -

(168) 6 (168)6 (169) 3 (169) (170) 2 (170) (171) 3 (171) (172) 4 (172) (173) 2 (173) (174)2 (175) 1 1 (176) 5 (176)5 (177) 3 (177)3 (178) 2 (178)2 (179) 4 (179)4 (1 ~W) 3 (180)3 (181) 5 (181)5 (182) 3 (182)3 (183) 1 1 (184) 2 (184)2 (185) 4 (185)4 (186) 3 (186)3 (187) 2 (187) (188) 5 (189) 3 (190) 4 (190)4 (191) 3 (191)3 (192) 2 (192)2 (193) 3 (193)3 2 (194) 2 (195) 5 (195)5 (196) 3 (196)3 (197) 3 (197)3 (198) 2 (198)2 (199) 5 (199)5 (200) 1 1

--

--_ ..-._ ----------"._..

------------------------

Authority, quiere determinar si 9. James Dobbins, supervisor de mantenimiento de Atlanta Transit Authority, quiere determinar si James Dobbins, supervisor de mantenimiento existe una relacin positiva entre el costo anual de mantenimiento de un autobs y SU edad. el costo anual de mantenimiento de un autobs y su edad. Si existe una relacin, James piensa que puede un mejor trabajo de prediccin del Si exiSte una relacin, James piensa que puede hacer un mejor trabajo de prediccin del presupuesto anual de mantenimiento de autobuses. Para ello, reine los siguientes datos: presupuesto anual de mantenimiento de autobuses. Para ello, rene los siguientes datos:
COSTO DE MANTENIMIENTO ($) ($) COSTO AUTOBS AUTOBUS
1 1 2 3 3 4 5 5 6 6 7 7 8 9

Y Y

EDAD (AOS) EDAD (AOS) x X


8 8 5 5
3 3

859 682 471 708 1094 1094 224 320 651 1049 1049

9 9 11 11 2 1 1 8 12 12

Captulo 2 CapItulo

Problemas

53

a. Grafique un diagrama de dispersion. de dispersin. b. j,Que tipo de relacin existe entre estas dos variables? Qu existe entre estas dos variables? c. Calcule el coeficiente de correlacin. de correlacin. 10. Anna Sheehan es gerente de la cadena de supermercados Spendwise. A ella le gustarla poder Sheehan cadena de supennercados Spendwise. A ella le gustara poder 10. predecir las ventas predecir las ventas de los libros encuadernados en rstica (libros por semana) con base en la libros encuadernados en rstica (libros por semana) con base en cantidad de espacio cantidad de espacio de repisas proporcionado (en pies). Anna rene la informacin para una repisas proporcionado (en pies). Anna reline infonnacin para 11 semanas: muestra de 11 semanas:

NMERO DE LIBROS VENDIDOS NUMERO DE LIBROS VENDIDOS SEMANA


y Y
275 275
142
168 168

REPISAS (EN PIES) ESPACIO EN REPISAS (EN PIES)

1
1

6.8
3.3

2 2
3 3

5 5
6

7 7
8 8

9 9

10
11 11

197 215 188 188 241 295 125 266


200

4.1 4.2
4.8 3.9

4.9 7.7
3.1

5.9

5.0

a. Grafique un diagrarna de dispersion diagrama dispersin b. Qu tipo de relaciOn existe entre estas dos variables? de relacin existe Qu c. Calcule el coeficiente de correlaciOn. coeficiente de correlacin. j,Deberia Anna usar el anlisis de regresin para predecir las ventas d. Debera Anna usar el anlisis de regresin para predecir las ventas de libros en rlistica? rstica? 11. Un vendedor de pasta de dientes en Ia parte occidental de Estados Unidos de America desea vendedor pasta de dientes en la parte occidental de Estados Unidos de Amrica desea 23%. Se incrementar su participacin en el mercado, que actualmente se ubica en el incrementar su participacin en el mercado, que actualmente se ubica en el nivel del 23%. Se instituye campaa de publicidad y despus de prueba con esta campaa, instituye una nueva campafia de publicidad y despus de un mes de prueba con esta campaa, se hace una seleccin aleatoria de compradores para determinar su marca de preferencia. La una seleccin aleatoria compradores detenninar su preferencia. La se agencia publicitaria seala con orgullo el hecho de que un 28% de una muestra de 1000 agencia publicitaria seala con orgullo el hecho de que un 28% de una muestra de 1000 compradores usa el producto de la compaa. ,Apoya la evidencia posicin la agencia compradores usa el producto de Ia cornpaIa. Apoya la evidencia la posicin de Ia agencia publicitaria de que su campana increment la participacin en el mercado? mercado? su campaa increment participacin Una campaa de control 12. Una campaa de control de calidad se ha enfocado en reducir el porcentaje de automviles calidad ha enfocado en reducir el porcentaje de automviles nuevos vendidos gran fabricante, que reparaciones mayores. Antes de nuevos vendidos por un gran fabricante, que se regresan para reparaciones mayores. Antes de campaa 12%. seis meses de la campaa mejoramiento, esta campafia el porcentaje era del 12%. Despus de seis meses de la campafia de mejoramiento, la compafiIa hace una selecciOn aleatoria entre varios de sus distribuidores y determina el nlimero compaa seleccin aleatoria y detennina el nmero nmero regresaron reparaciones Durante de automviles vendidos y el nmero de los que regresaron para reparaciones mayores. Durante periodo de la muestra, los distribuidores entregaron ellos 542 automviles 123 el periodo de Ia muestra, los distribuidores entregaron 1 542 automviles yy 123 de ellos control de calidad tuvo xito? regresaron. Indica esta evidencia que la campaa regresaron. ,Indica esta evidencia que Ia campafia de control de calidad tuvo xito? 13. Considere una poblacin con las 200 observaciones semanales que se presentan en la tabla P2.13. que se presentan en la tabla P2.13. variable independiente la temperatura semanal promedio de Spokane, Washington. La La variable independiente X es la temperatura semanal promedio de Spokane, Washington. La variable dependiente V es el nmero de acciones de la empresa Sunshine Mining Stock variable dependiente Y es el nmero de acciones de la empresa Sunshine Mining Stock negociadas la Bolsa de Spokane en una semana. Seleccione aleatoriamente los datos de 16 negociadas en Ia Bolsa de Spokane en una semana. Seleccione aleatoriamente los datos de 16

54
TABLA P2.13 P2.13
OBS.

RevisiOn de conceptos estad sticos bsicos Revisin de conceptos estadIsticos

CapItulo 2 Captulo 2

y Y
50 90 46 47 12 23 65 37 87 83 87 39 28 97 69 87 87 52 52 52 52 15 15 85 41 82 98 98 99 23 77 42 60 22 91 68 36 22 92 34 34 63 30 31 84 56 48
0 O

X
37 77 55 27 49 23 18 1 1 41 73 61 85 16 46 88 87 82 56 22 41} 49 44 33 77 87 54 8 64 24 29 40 35 37 28 56 33 82 89 78 24 53 61 18 45 4 23 68 79 66 80 99

OBS.

y Y
54 76 55 12 5 2 77 6 67 30 3 6 70 33 13 10 21 56 74 47 34 38 75 O 0 51 47 63 7 6 68 72 95 82 91 83 27 13 6 76 55 13 50 60 61 73 20 36 85 49 83

X
86 48 48 15 70 9 52 71 38 69 13 63 65 87 18 4 29 21 9 8 18 18 84 64 81 8! 1}8 98 55 40 14 11 42 43 73 45 16 21 85 37 81} 76 71 53 13 12 30 57 66 27 41 20 66

OBS.

y Y

X
43

OBS.

y Y
79 79 48

X
85 27 61 7 7 71} 79 41}

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11 ) (11) (12) (13) (14) (15) (16) (17) (18) (19) (20) (21) (22) (23) (24) (25) (26) (27) (28) (29) (30) (31) (3!) (32) (33) (34) (35) (36) (37) (3S) (38) (39) (40) (41) (42) (43) (44) (45) (46) (47) (48) (49) (50)

(51 ) (51) (52) (53) (54) (55) (56) (57) (58) (59) (60) (61) (62) (63) (64) (65) (66) (67) (68) (69) (70) (71) (72) (73) (74) (75) (76) (77) (78) (79) (80) (81) (82) (83) (84) (85) (86) (87) (88) (89) (90) (1}1) (91)
(1}2) (92)

58 27 78 78 72 21 73

(93) (94) (95) (96) (1}7) (97) (98) (99) (100)

(101) 22 22 (102) 90 32 (103) 24 (104) 63 (105) 16 (106) 4 (107) 79 (108) 5 (109) 59 (110) 99 (111) 76 (112) 15 (113) 10 (114) 46 20 (115) 88 37 (116) 56 (117) 6 (118) 86 (119) 27 (120) 67 (121) 22 (122) 32 (123) 77 90 90 (124) 88 (125) 35 (126) 57 (127) 64 73 (128) 13 (129) 18 (130) 70 (131) 9 (132) 93 41 (133) (134) 17 (135) 10 (136) 69 (137) 89 5 (138) (l3S) 18 (139) 88 (140) 99 (141) 86 (142) 95 (143) 78 (144) 3 3 (145) 38 (146) 68 57 (147) 77 (148) 25 (149) 99 (150) 9

5 5
13 13

3 58 13 18 5 26 9 96 94 30 41 1 27 73 19 94 5 31 31 13 11 11 50 40 80 44 63 74 40 53 79 9 52 82 37 57 62 21 94 99 45 19 76 81 95 30 59 93 28
1

(151) (152) (153) (154) (155) (156) (157) (158) (159) (160) (161 (161)) (162) (163) (164) (165) (166) (167) (168) (169) (170) (171) (172) (173) (174) (175) (176) (177) (178) (179) (ISO) (180) (181) (182) (183) (184) (185) (186) (187) (188) (189) (190) (l1}1 ) (191) (192) (193) (194) (195) (196) (197) (198) (199) (200)

5 24 24 47

65 52 71 56 56 27

52 15 17 88 45 38 45 31 90 35 69 87 78 18 62 93 0 o 51 8 68 47 30 7 81 81 4S 48 30 51} 59 46 76 99 54 98 95 11 11 7 6 24 83 83 49 55 31} 41 39 14 16 24 13 13 36 31 62 44 11 77 11 32 60 12 82 7 85 7 6S 68 90 78 89 10 60 76 27 96 90 51 6 1} 9 62 93 78 61 22 99 5 51 88 45 27 44 34 86 28 47 44 49

Captulo 2 CapItulo 2

Caso de estudio

Caso de estudio

55

semanas y calcule el coeficiente de correlacin. (Sugerencia: Asegrese que su muestra sea coeficiente correlacin. (Sugerencia: Asegrese que su muestra sea semanas y calcule extrada de la poblacin en forma aleatoria. Consulte a su instmctor si flO sabe cmo extraer extralda de la poblacin enforma aleatoria. Consulte a su instructor si no muestra aleatoria.) una muestra aleatoria.)

CASO DE ESTUDIO 2.1 2.1

ALCAM ELECTRONICS ALCAM ELECTRONICS


David Branch recibi recientemente su ttulo en administracin de empresas de una universidad pequea tItulo en adrninistracin de empresas de una universidad pequena e ingres a trabajar en Alcam Electronics, un fabricante de diversos componentes electrnicos para la Electronics, un fabricante de diversos componentes electrnicos para industria. Despus de varias semanas de trabajo, Ia gerente y propietaria de Alcam, Alice Cameron, lo la industria. llam a su oficina y le pidi que investigara dos aspectos con respecto a cierto transistor fabricado por llarn su le pidi que investigara dos aspectos con respecto a cierto transistor fabricado que una gran empresa de televisores estaba interesada en un pedido importante. Alcam, ya que una gran empresa de televisores estaba interesada en un pedido importante. Primero, Alice quera pronosticar el porcentaje de transistores defectuosos que pudiera comprar Prirnero, querIa pronosticar el porcentaje de transistores defectuosos que pudiera la empresa de televisores. Debido a que Ia campafIa de publicidad de Ia compafiIa enfatizaba la calidad Debido a que la campaa publicidad de la compaa enfatizaba la calidad naturalmente conocer la del producto, naturalmente deseaba conocer Ia calidad de los componentes y quera documentacin que los componentes querla documentacin apoyara las declaraciones de Alcam. Alice y David estuvieron de acuerdo en que se podrIa obtener una las declaraciones de Alcam. Alice y David estuvieron de acuerdo en que se podra obtener una muestra de los transistores actualmente en inventario, para representar los que se enviaran en los meses muestra de los transistores actualmente en inventario, para representar los que se enviarIan en los meses siguientes a la cornpaflIa en prospecto, ya que el proceso de produccin en el pasado reciente no se compaa en prospecto, ya que el proceso de produccin en el pasado reciente modificarla en el futuro inmediato. modificara el Segundo, Alice desea saber el tiempo promedio de vida de los transistores, otro aspecto de gran importancia para la compaa televisores. podran importancia para la compaflIa de televisores. De nuevo, las unidades actualmente en existencia podrIan nuevo, las unidades las se produciran mientras contrato, si ste fuera aceptado. representar a las que se producirian mientras duraba el nuevo contrato, si ste fuera aceptado. David decidi tomar una muestra de los transistores en cuestin y formul un plan para ilevar a para llevar a tarea. Nun1er los compartimientos los transistores, seleccabo su tarea. Nurner los compartirnientos de almacenamiento que contienen los transistores, selecnmeros cion rnirneros en forma aleatoria e hizo un muestreo de todos los transistores de los compartimientos rnuestreo elegidos para Ia muestra. Ya que cada compartimiento contena alrededor de 20 transistores, seleccion contenia alrededor de 20 transistores, seleccion la muestra. 10 nmeros aleatorios, que al final le dieron un tamao de muestra de 205 transistores. Como selec10 nrneros aleatorios, que al final Ic dieron un tamao de muestra de 205 transistores. Como 10 los 55 compartimientos, tena que podra cion 10 de los 55 compartirnientos, supuso que tenla una buena muestra representativa y que podrIa esta muestra para la transistores inventario, as usar los resultados de esta niuestra para Ia totalidad de la poblacin de transistores en inventario, asI como an corno para las unidades ann por fabricar mediante el mismo proceso. continuacin, someti pruebas de laboratorio a A continuacin, David someti a pruebas de laboratorio a cada una de las 205 unidades, para determinar si funcionaban correctaniente. Una vez concluidos los resultados del laboratorio, se encontr determinar funcionaban correctamente. Una vez concluidos los resultados del laboratorio, se encontr con que seis de las unidades no funcionaban de acuerdo con las especificaciones. David utiliz un nivel las especificaciones. de confianza del 95% y realiz despus los siguientes clculos para llegar a un punto e intervalo de clculos para llegar estimacin del porcentaje defectuoso de todos los transistores fabricados en la planta: en la planta:
6 P = 205 205

.029 =029

.029 1.96 .029 ::: 1.96

(.029)(.971 ) (.029)(.97 1) 205

56

Revisin Revision de conceptos estadsticos bsicos conceptos estadisticos

Captulo Cap Itulo 2

.029 .023 .029 .023


.006 * .052 .006 ~ .052 Con base en estos clcuios, David pens en incluir la siguiente informacin en su reporte final para clculos, final Con informacin Alice: l. Se estima que aproximadamente el 3% de los transistores fabricados mediante el proceso actual I. Se estima que aproximadamente el 3% de los transistores fabricados son defectuosos. Existe un 95% de probabilidad de que la siguiente afirmacin sea cierta: entre el .6% y el S.2% 2. Existe un 95% de probabilidad de que la siguiente afirmacin sea cierta: entre el .6% y el 5.2% de los transistores son defectuosos. transistores son defectuosos. A continuacin, David paso a la cuestin del tiempo promedio de vida de las unidades. Debido pas a que las cxpcctativas de vida se podrIan extender a varios aos, se dio cuenta de que ninguna de las expectativas podran varios aflos, se dio cuenta de que ninguna de las unidades de la muestra se podrIa probar si se deseaba una respuesta en tiempo. unidades de Ia muestra se podra probar si se deseaba una respuesta en tiempo. De ahI que decidi ah decidi contactar a diversos usuarios de este componente para determinar si habIa disponibles registros sobre haba su duracin. Por fortuna, encontr tres compafilas que utilizaron el transistor en el pasado y tenIan fortuna, compaas utilizaron en el pasado y tenan sii duracin. registros limitados sobre la duracin de componentes. En total, recibiO datos sobre 38 transistores de registros lirnitados sobre Ia duracin recibi datos sobre conoca que los que se conocIa su fecha de falla. Ya que dichos transistores se fabricaron con el mismo proceso que falla. en Ia actualidad, razon que los resultados de esta muestra se podrian inferir para las unidades en resultados de podran las unidades en en la actualidad, razon que inventario y las ain iii ventarioy las an no fabricadas. Los resultados de los clculos que realizO David sobre los datos de vida uitil de su muestra fueron de los clculos que realiz til de su muestra fueron los siguientes:

n = 38

Tiempo promedio de vida = X = 4 805 horas promedio de vida =X= 4 805 horas Desviacin estndar de vida Otil = s = 675 horas til = s = 675
encontrarse con que el tiempo promedio de vida til de la muestra era slo de 4 80S horas, Despus de encontrarse con que ci tiempo promedio de vida til de la muestra era sOlo de 4 805 horas, David se preocup pues saba que el proveedor actual de componentes estaba garantizando un tiempo David se preocupO pucs sabIa que el proveedor actual de componentes estaba garantizando promedio de vida de 5 000 horas. Aunque ci promedio de su muestra estaba sOlo un poco por debajo 5 000 horas. Aunque el promedio de su muestra estaba slo por debajo de 5 000 horas, se dio cuenta de que ci tamao de Ia muestra era slo de 38 y que esto no constitua una sc el la muestra solo de 38 y que esto no constitula prueba positiva de que la calidad de Alcam fucra inferior a la del otro proveedor. DecidiO entonces la calidad de Alcam fuera inferior a la del otro proveedor. Decidi prueba positiva probar Ia hiptesis de que el tiempo de vida promedio de todos los transistores era de S 000 horas contra la hipOtesis de que ci tiempo de vida promedio de todos los transistores era de 5 000 horas contra la fuera menor. Los siguientes son los clculos que realiz: Ia alternativa de que fuera menor. Los siguientes son los clculos que realizO:

Ha: l' = 5000 Ho:i5000 H: l' < 5000 Hi:,u <5000


dc la regla de decisin. S 000-2.33 Punto de Ia regla de decision. 5 000 - 2.33 675 dc dccisin. Si X 4744.9, rechazar Ha Regla de decisiOn. Si X 4 744.9, rechazar H0

a =.01 a=.01
s = 675 s=675

675_ 4,744.9 =

... 38 'I38

que la (480S) no est por debajo del punto de la regla de decisin Considerando que la media muestral (4805) no cst por debajo del punto de la regla de decision (4744.9) para rcchazar Ia hiptesis, David descartO el rechazar la hiptesis de que la media del tiempo rechazar la descart ci rechazar la hiptesis de que

Captulo 2 CapItulo

Caso de estudio

57

igual a 5 000 horas. Pens que estas serian buenas noticias para de vida de todos los componentes era igual a 5 000 horas. Pens que estas seran buenas noticias para componentes Alice CAmeron e incluy un resumen de sus averiguaciones en su informe final. Pocos dIas despus resumen sus averiguaciones en su infonne final. Pocos das despus de que le present su informe escrito y verbal, A1ice lo llam a su oficina para felicitarle por el trabajo infonne verbal, Alice lo llam a su oficina para felicitarle por el trabajo compartir preocupacin respecto a su informe. Le dijo: "Me preocupa el bajo nivel de y compartir con l una preocupacin respecto a su infonne. Le dijo: "Me preocupa el bajo nivel de significancia de tu prueba de hiptesis. Tomaste slo una probabilidad del 1% de rechazar la hiptesis hiptesis. solo del 1% contrato nula en caso de ser correcta. Esto me parece muy conservador y me preocupa que hagamos un contrato despus descubramos que nuestro nivel de calidad no alcanza la especificacin deseada de y despus descubramos que nuestro nivel de calidad no alcanza Ia especificaciOn deseada de 5 000 horas".

PREGUNTA
Cmo responderIa al comentario de L,Cmorespondera al comentario de Alice Cameron?

CASO DE ESTUDIO 2.2 2.2

MR. MR. TUX


John Mosby, propietario de varias tiendas de renta de ropa de etiqueta Mr. Tux, se interesa en prode varias tiendas de renta de ropa de etiqueta Mr. Tux, se interesa en pronosticar su volumen de ventas mensual (vase el caso de estudio Mr. Tux al final del capItulo 1). del captulo 1). Como primer paso, John rene los datos de ventas por mes para los aos de 1985 a 1992. rene 1985 a 1992.

1985

1986 16,850 12,753 26,901 61,494 147,862

1987 15,395
30,826

1988

1989 1989

1990 1990

1991

1992 71,043 152,930

Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic. Die.

6,028
5,927 10,515 32,276 51,920

27,773 36,653 51,157 217,509 206,229


110,081 110,081

31,416
48,341

51,604
80,366

58,843 82,386 224,803 354,301


328,263

25,589 103,184 197,608 68,600 39,909 91,368 58,781


59,679 33,443

85,651 242,673 289,554 164,373


160,608

208,938 263,830 252,216 219,566


149,082

250,559 409,567 394,747

31,294
23,573
36,465

57,990 51,318
53,599 23,038

313,647 68,600 272,874 230,303 214,561 39,909 337,192 375,402


183,482 183,482 144,618 144,618

102,893 128,857 104,776 111,036 63,701 82,657

176,096
142,363

213,888
178,947

18,959 13,918 17,987 15,294

195,409 173,518 173,518 181,702

41,396 19,330
22,707

114,907
113,552 127,042

133,650
116,946

139,750

53,719

164,154

258,713 184,546 53,719

calcula valor de las para cada ao (por ejemplo, suma los Despus, John calcula el valor promedio de las ventas mensuales para cada ao (por ejemplo, suma los valores 1985 calcula la estndar para los valores doce valores de 1985 y divide entre doce). Tambin calcula Ia desviacin estndar para los doce valores ao. mensuales de cada afio. Los resultados son

58

Revisin de conceptos estadsticos bsicos RevisiOn de conceptos estadIsticos


PROMEDIO PROMEDIO (MEDIA)
AO A1O 1985 1986 1987 1988 1989 1990 1991 1991 1992 DESVIACIN ESTNDAR DESVIACION ESTANDAR $ 13,165 35,290 47,216 57,197 70,625 63,376 96,387 99,153

CapItulo Captulo 2

$
22,013 44,603 64,842 103,610 141,381 141,381 169,432 169,432 213,866 247,231

Adems, John decide construir un diagrama de dispersion como el que Se muestra en Ia figura 2.12. dispersin que se la Adems, Grafica los valorcs de la media de ventas mensuales en el eje y y los aos en el eje x. val ores de Ia media de ventas mensuales en el ejey
$400,000 $400,000 $350,000 $300,000

" :>

$250,000 E $250.000 $200,000

'"

'"

$150,000 $100,000 $50,000

- -- -

oL-_--L._----lL-_.....l.-_----I._ _...L-_-..L_ _L - _ - ' - _ - - - '_ _--'-_----' t I I I 1995 1996 1994 1993 1991 1992 1985 1988 1990 1989 1990 1987 1986 1985
I

Figura 2.12 La media de ventas mensuales de Mr. Tux Figura 2.12 La media de ventas mensuales de Mr. Tux

PREGUNTAS
,Qu ideJs Ia media de ventas mensuales 1. Qu ideas de pronstico se le ocurren al estudiar los valores de la media de ventas mensuales OCUlTen de John para los aos de SOS datos? para los aos de sus 2. Suponga que John decide dibujar una linea recta a travs de su diagrama de dispersion de modo dibujar lnea recta a travs de su diagrama de dispersin de modo que se "ajuste bien", y que extiende despus esta lInea hacia el futuro utilizando los puntos a y que extiende despus esta lnea lo largo de Ia lInea como su pronstico mensual. Qu tan precisos cree usted que sern estos mensual. j,Qu tan precisos cree usted que la lnea Utilice los valores de desviacin que John calcul responder esta pronsticos? Utilice los valores de desviaciOn estndar que John calculO para responder esta pregunta. 3. Con base en su propio anlisis, animaraa John a seguir buscando un mtodo de pronstico ms en so propio anlisis, animaria a John a seguir preciso? preci so?

PAQUETE DE CMPUTO MINITAB PAQUETE DE CMPUTO MINITAB El problema. el problema 1, Dick Hoover, propietario de Modero Office El problema. En el problema 1, Dick Hoover, propietario de Modern Office Equipment, est preocupado por los costos de transporte y Equipment, est preocupado por los costos de transporte y de oficina en que incurren los varianza. pequeos. la media, pedidos pequeos. Requiere calcular Ia media, la desviacin estndar y la varianza.

Paquete de cmputo Minitab Paquete de cmputo Minitab

59

Solucin Minitab. Los comandos de MINITAB pam resolver el problema 1 son: So/udn para 1 son:

MTB

> SET Cl SET C1 DATA >> 10 15 20O25 15 17 41 50O55 9 12 14 35 18 19 17 28 29 11 11 43 54 DATA 10 15 2 25 15 17 41 5 9 12 14 35 18 19 17 28 29 11 11 43 54 DATA> 7 8 16 18 DATA > 7 8 16 13 37 18 DATA > END DESCRIBE C1 MTB > DESCRIBE Cl

>

> >

C1 Cl

N N 28

MEAN 21.32

MEDIAN 17.00 17.00

TRMEAN 20.69
Q3 28.75

STDEV 13.37

SEMEAN MEDIAN 2.53

Cl C1

MIN MIN MAX 5.00 54.00 5.00 54.00


> BOXPLOT Cl > BOXPLOT C1

Q1 Qi
11.25 11.25

MTB

- - -1

+
20

1-------------

- - - - -+- - - - -+- - - - -+- - - - -+- - - - -+- - - - - C1


MTB
O 0 > STOP

10

30

40

50

El comando SET se utiliza para introducir la cantidad por transaccin de los 28 clientes. El comando DESCRIBE se emplea para obtener estadIsticas descriptivas de la comando DESCRIBE se emplea para obtener estadsticas descriptivas la cantidad variable por transaccin, ubicada en C l. Los resultados incluyen el tamaflo de transaccin, ubicada en Cl. tamao la muestra (N), la media (MEAN), una media de los valores restantes despus de eliminar muestra (N), la media (MEAN), media los valores restantes eliminar e15% el 5% menor y e15% mayor (TRMEAN), la mediana (MEDIAN), la desviacin estndar el 5% mayor (TRMEAN), la mediana (MEDIAN), Ia desviacin estndar (STDEV), el error estndar de la media (SEMEAN), el nmero ms pequeo (MIN), el Ia media nmero pequeflo (MIN), el nmero nmero ms grande (MAX), el primer cuartil o 250. percentil (Q 1) y el tercer cuartil o cuartil 25o. percentil (Qi) y el tercer cuartil 750. percentil (Q3). 75o. El comando BOXPLOT genera una grfica de caja, que proporciona otra forma de comando BOXPLOT genera proporciona forma de observar un conjunto de datos a fin de determinar su tendencia central, variabilidad y la fin de determinar su tendencia central, variabilidad existencia de valores disparados. La grfica de caja consta de mediciones de existencia de valores disparados. La grfica de caja consta de cinco mediciones de la pequea resumen, la mediana, el cuartil inferior, el cuartil superior, Ia observacin ms pequefia y la observacin ms grande. La caja rectangular representa la parte central de los datos, lneas guiones junto con ilneas de guiones que se extienden a cada lado, indicando la variabilidad de 17, (+) dentro los datos. El valor de la mediana, en este caso 17, aparece como una marca (+) dentro tercer de la caja. Los extremos izquierdo y derecho de la caja representan el primer y tercer cuartiles de datos. En este ejemplo, el primer cuartil es igual a 11.25 y el tercer cuartil cuartil es a 28.75.

60

Revisin de conceptos estadsticos bsicos RevisiOn de conceptos estadIsticos

Captulo 2

BIBLIOGRAFA BIBLIOGRAFIA
CARPENTER, J., DELORIA, D. MORGANSTEIN, Software for Microcomputers." BYTE CARPENTER, 1., DELORIA, D. yy MORGANSTEIN, D. "Statistical Software for Microcomputers." BYTE
(abril, 1984): 234-264. 1984):

GROEBNER, D. y SHANNON, Business Statistics. Decision-Making ed. Columbus, GROEBNER, D.y SHANNON, P.P. Business Statistics. A Decision-Making Approach. 2a ed. Columbus, Ohio: Charles E. Merril Publishing Company, 1 985. E. Merril 1985. HANKE, J. y REITSCH, A. Understanding Business Statistics. Homewood, Ill.: HANKE,1. YREITSCH, A. Understanding Business Statistics. Homewood, Ill.: Richard D. Irwin, Inc., 1994. KEAT1NG, B. "Choosing and Using BusinessForecasting Software." Creative Computing (enero, 1985): KEATlNG, B. "Choosing and Using Business Forecasting Software." Creative Computing (enero, 1985): 119-135. 119-135. LACHENBRUCH, P. A. "Statistical Programs for Microcomputers", BYTE (Noviembre, 1983): LACHENBRUCH,P. A. "Statistical Programs for Microcomputers",BYTE (Noviembre, 1983): 560-570. MAIIMOUD,E. "Accuracy in Forecasting." Journal of Forecasting 140-159. MAIIMOUD,E. "Accuracy in Forecasting."Journal olForecasting 3 (2) (1984): 140-159. McCLAVE.1. y BENSON, P. P. Statistics Business and Economics. San Francisco: Dellen Publishing MCCLAVE, J. y BENSON, Statistics lorfor Business and Economics.San Francisco: DeBen Publishing
Company, 1982. 1982. NEFFENDORF,H. "Statistical Packages for Microcomputers: A Listing." The American Statistician 37 NEFFENDORF,1-1. "Statistical Packages for Microcomputers: A Listing." The American Statistician 37 83-86. (1) (1983): 83-86. OLSON, C. y PiccoNi, M. Statistics for Business Decision Making. Glenview, Ill.: OLSON, C. yPICCONI. M. Statisticslor Business Decision Making. Glenview, Ill.: Scott Foresman and Company, 1983. 1983. SElTZ, N. Business Forecasting Concepts and Microcomputer Applications. Reston, Va.: Reston Microcomputer Applications. Reston, Reston SEITz, N. Business Forecasting Concepts Publishing Company, 1984. 1984. SINCICH, T. T. Business Statistics by Example. San Francisco: Dellen PublishingCompany, 1982. SIN CICH, Business Statistics by Example. San Francisco: DeBen Publishing Company, 1982.

CAPTULO CAP1TULO

Fuentes de datos Fuentes de

INTRODUCCIN INTRODUCCION
Una de las partes ms dificiles que ocupa mayor tiempo en los pronsticos es Una de las partes rns dificiles y que ocupa mayor tiempo en los pronsticos es la recoleccin de datos vlidos y confiables. El personal de procesamiento de datos est datos vlidos confiables. personal procesamiento de datos est recoleccin de familiarizado con Ia expresin "entra basura, sale basura" (GIGO: garbage in garbage gut). la garbage in garbage Qut). familiarizado Esta expresin se aplica tambin a los pronsticos. Un pronstico no puede ser ms preciso expresin se aplica tambin a los pronsticos. no puede ser ms preciso que los datos en los que se basa. El modelo de pronstico ms complejo fallar si se aplica a datos no confiables. datos no confiables. advenimiento de la computadora ha ayudado a generar una increble acumulacin El advenimiento de Ia coniputadora ha ayudado a generar una increIble acumulacin infonnacin sobre todos temas. dificil tarea que enfrentan quienes pronostican de inforrnacin sobre todos los temas. La dificil tarea que enfrentan quienes pronostican consiste en cOmo encontrar datos pertinentes que ayuden a resolver sus problemas consiste cmo encontrar datos pertinentes que ayuden resolver sus problemas especficos toma decisiones. especIficos de torna de decisiones. detenninar silos datos sern tiles, se pueden aplicar cuatro criterios: Para determinar si los datos sern tiles, se pueden aplicar cuatro criterios: l. Los datos deben ser conjIables y precisos. Se debe tener un cuidado adecuado al confiables y precisos. Se tener un cuidado adecuado Los datos deben recolectar los datos, que sean de una fuente confiable y con la debida atencin en su precisin. precision. 2. Los datos deben ser pertinentes. Deben ser representativos de las circunstancias para las serpertinentes. Deben las cuales sern utilizados. Los datos que supongan la representacin de la actividad cuales sern utilizados. Los datos que supongan la representacin de actividad econmica debern mostrar las alzas y bajas de acuerdo con las fluctuaciones cclicas econrnica cIclicas en el pasado histrico de Ia empresa. de la 3. Los datos deben ser consistentes. Cuando se modifican las definiciones relacionadas consistentes. Cuando se modifican las definiciones relacionadas con la forma como se renen los datos, se deben hacer ajustes para mantener la renen datos, deben ajustes mantener con fonna los histricos. consistencia en los patrones histricos. 4. Los datos deben ser peridicos. Los datos que se recolectan, y resumen y publican con serperidicos. Los datos que se recolectan, y resumen y publican con una de base en una periodicidad sern de gran valor para el pronosticador.

62

Fuentes de datos

Captulo 3 Cap Itulo 3

TIPOS DE DATOS TIPOS DE DATOS


En general, hay dos tipos de datos de inters para el pronosticador. Los primeros son los datos de inters para el pronosticador. tiempo, da, renen datos que se renen en un solo punto en el tiempo, sea ste una hora, un dIa, una semana, un mes o un cuatrimestre. El objetivo consiste en examinar dichos datos y despus un mes o un cuatrimestre. El objetivo consiste en examinar dichos datos despus extrapolarlos relaciones reveladas ejemplo extrapolarlos o extender las relaciones reveladas hacia una poblacin mayor. Un ejemplo sera archivos de personal para estudiar las circunstanserla extraer una muestra aleatoria de los archivos de personal para estudiar las circunstanlos empleados de una compaa. cias de los empleados de una compafiIa. En contraste, muchos valores de datos de inters para una empresa se recolectan cada contraste, muchos valores de datos de inters para una empresa se recolectan cada da, mes, trimestre o ao. tales casos, reunido dIa, mes, trirnestre o ao. En tales casos, se han reunido series de tiempo de datos. Las tiempo de datos. tiempo se analizan para descubrir patrones crecimiento cambio que series de tiempo se analizan pam descubrir patrones pasados de crecimiento y cambio que se puedan emplear para predecir patrones futuros junto con las necesidades para el se puedan emplear para predecir patrones futuros junto con las necesidades para el funcionamiento de la empresa. Un ejemplo sera el estudio de los montos de ventas funcionarniento de la empresa. Un ejemplo serla el estudio de los montos de ventas mensuales empresa. tiempo la mensuales de una empresa. El anlisis de series de tiempo no proporciona Ia respuesta de lo que depara el futuro, pero resulta valioso en el proceso de pronsticos y ayuda a reducir futuro, pero resulta valioso en ci proceso de pronsticos y ayuda a reducir lo errores en ellos. errores

Una serie de tiempo es una secuencia ordenada de observaciones sobre una de tiempo es una secuencia ordenada observaciones sobre una Una variable en particular. particular.

Publicaciones como: Statistical Abstract of the United States, Survey Current Publicaciones como: Statistical Abstract of the United States, Survey of Current Business, Monthly Labor Review, Federal Reserve Bulletin y los informes anuales de Business, Monthly Labor Review, Federal Reserve Bulletin y los informes anuales de corporaciones, contienen series de tiempo de todo tipo. Por lo se corporaciones, contienen series de tiempo de todo tipo. Por lo regular los datos que se reportan en fonna mensual, trirnestral o anual que cubren aspectos de precios, proreportan en forrna mensual, trimestral o anual y que cubren aspectos de precios, produccin, ventas, empleo, desempleo, horas trabajadas, combustible utilizado, energIa duccin, ventas, empleo, desempleo, horas trabajadas, combustible utilizado, energa producida, ingresos, etc., lienan pginas de stas y otras publicaciones econmico-emllenan pginas de stas y otras publicaciones econmico-emproducida, presariales. Por lo general, los pronsticos a largo plazo son predicciones a futuro de 5, 10 y hasta predicciones futuro 20 aos. Estas predicciones son esenciales para permitir el tiempo suficiente los 20 aos. Estas predicciones son esenciales para permitir el tiempo suficiente a los una compaa, departamentos de planeacin, fabricacin, ventas, finanzas departamentos de planeacin, fabricacin, ventas, finanzas y otros de una compafiIa, para financiamiento, desarrollo que desarrollen planes para probables nuevas plantas, de financiamiento, de desarrollo de nuevos productos y nuevos mtodos de ensamble. Tales pronsticos son de particular inters ensamble. de particular inters los altos ejecutivos de una compaa. En contraste, los supervisores de primera lnea para los altos ejecutivos de una compafila. En contraste, los supervisores de primera lmnea se interesan principalmente en los pronsticos a corto plazo, ya que sus responsabilidades principalmente en plazo, ya que sus responsabilidades ocurren al da, semana o mes siguientes. comprenden aspectos que ocurren al dIa, semana o mes siguientes. En los EUA las organizaciones de negocios deben pronosticar los niveles de ventas EUA las organizaciones negocios deben pronosticar niveles de ventas corto como a largo plazo. La competencia por obtener los dlares de los consutanto a corto como a largo plazo. La competencia por obtener los dlares de los consumidores y el deseo de alcanzar una cada vez mayor participacin en el mercado, son algunas las principales fuerzas motivadoras negocios. ah se considere necesaria de las principales fuerzas motivadoras en los negocios. De ahI que se considere necesaria una declaracin de las expectativas de la administracin, denominada pronstico, para hacer expectativas de la administracin, denominadapronstico, que las materias primas, instalaciones productivas y grupo de personal disponible alcancen la demanda proyectada. proyectada.

Fuentes de datos

63

Desde luego, existe la alternativa de no planear a futuro. Sin embargo, en un medio empresarial dinmico, esta falta de planeacin pudiera ser desastrosa. Una compaIa planeacin pudiera ser desastrosa. Una compaa empresarial dinmico, esta falta electrnica que hubiera ignorado la tendencia hacia la televisin a color y los circuitos ignorado la tendencia hacia Ia television a circuitos electrnica que de estado-slido, habra perdido de estado-siido, habrIa perdido ya toda su participaciOn en el mercado. De modo que participacin en el mercado. De importante los administradores comprendan el pasado los datos resulta importante que los administradores comprendan el pasado y utilicen los datos histricos el buen para hacer planes inteligentes cubran demandas histricos y el buen juicio para hacer planes inteligentes que cubran las demandas del futuro. Los pronsticos se elaboran para auxiliar a la administraciOn a determinar futuro. Los pronsticos se elaboran para auxiliar a la administracin determinar alternativas. Las consideraciones subjetivas son en extrerno importantes en el anlisis de las series extremo importantes las series debido a que an se ha encontrado un enfoque de probabilidad satisfactorio de tiempo, debido a que akin no se ha encontrado un enfoque de probabilidad satisfactorio para dicho anlisis. No obstante, las evaluaciones subjetivas serlan necesarias en la para dicho anlisis. No obstante, las evaluaciones subjetivas seran necesarias en la formulacin de pronOsticos,incluso si hubiera disponible un enfoque de probabilidad formulacin de pronsticos, incluso si hubiera disponible un enfoque de probabilidad examina el pasado adaptable al series de tiempo. Siempre que adaptable al anlisis de series de tiernpo. Siempre que se exarnina el pasado en busca futuro, stas slo son pertinentes medida las condiciones de pistas para el futuro, stas solo son pertinentes en la medida en que las condiciones anterioridad, perrnanezcan en el periodo por venir. causales que estaban en efecto con anterioridad, permanezcan en el periodo por venir. En actividad econmica empresatial, las condiciones causales rara vez permanecen la actividad econrnica y empresarial, las condiciones causales rara vez permanecen constantes, por lo que se debe reevaluar continuamente la conexin entre el pasado, el constantes, que se debe reevaluar continuamente la conexin entre el pasado, el futuro. presente y ci futuro. Aunque las tcnicas de anlisis de series de tiempo no elirninan las evaluaciones Aunque las tcnicas de anlisis de series de tiempo no eliminan las evaluaciones subjetivas, hacen una til contribucin, a! proporcionar un enfoque conceptual a los subjetivas, hacen una tii contribucin, al proporcionar un enfoque conceptual a los procedimientos formales pronsticos. Estos se formulan con la ayuda de un conjunto pronOsticos. stos se f01111ulan con Ta ayuda de un conjunto de procedimientos formales especficos indican, de manera explcita, los elementos de juicio. especIficos y se indican, de manera explIcita, los elementos de juicio.

FUENTES DE DATOS FUENTES DE


datos se pueden clasificar en primarias y secundarias. Las fuentes secundaLas fuentes de datos se pueden clasificar en prirnarias y secundarias. Las fuentes secundaque el rias de datos son datos ya publicados, recolectados con fines diferentes de los que ci de datos son datos ya publicados, recolectados con fines diferentes de pronstico o investigacin especficos necesita tener a la mano. Este tipo de datos se puede especIficos necesita tener a la mano. Este tipo de datos se puede clasificar a su vez como provenientes de fuentes internas, originados dentro de clasificar a su vez corno provenientes de fuentes internas, originados dentro de la organizacin, o de fuentes externas, generados fuera de ella. Las publicaciones basadas en publicaciones basadas organizaciOn, o defuentes externas, generados fuera de ella. censos son buenos ejernplos de fuentes seClmdarias extemas. Con frecuencia, se utilizan los ejemplos de fuentes secundarias externas. frecuencia, registros de contabilidad como fuentes de datos secundarias internas. fuentes de datos seclmdarias intemas. registros

Las fuentes secundarias de datos, son datos ya publicados, recolectados con Las fuentes secundarias de datos, son datos ya publicados, recolectados con fines diferentes de los que ci pronstico o investigacin especIficos necesita los que el pronstico o investigacin especficos necesita fines diferentes tener a la mano. mano.

Las fuentes primarias datos comprenden todos mtodos de la recoleccin Las fuentes primarias de datos coniprenden todos los mtodos de la recoleccin datos originales. Es comn datos se rena mediante procedimientos de de datos originales. Es comi'in que este tipo de datos se rena mediante procedirnientos de o de un censo completo de elementos de inters. Aun es ms muestreo, encuestas de panel o de un censo conipleto de elernentos de inters. Aun es rns comn ci registro tIimestral variables clave de la compaa. corni'in el registro semanal, mensual, trirnestrai o anual de las variables dave de Ia cornpafiIa.

64

Fuentes de datos

Captulo 3 Cap Itulo 3

Tales variables de series de tiempo con frecuencia son el centro de atencin por parte de Tales variables de series tiempo frecuencia son ci centro atencin la administracin.

comprenden todos Las fuentes primarias de datos comprenden todos los mtodos de la recoleccin fuentes primarias de datos originales. originales.

Fuentes secundarias Fuentes secundarias de datos


datos es significativa en el sentido La diferencia entre las fuentes primarias y secundarias de datos es significativa en el sentido de que es ms probable que una fuente primaria contenga datos ms completos y precisos ms probable que una fuente primaria contenga datos ms completos y precisos que los que pudieran encontrarse en irna fuente secundaria. Por otra parte, los datos que pudieran encontrarse una fuente secundaria. Por parte, los datos que ser ms caros que los secundarios. primarios tienden a ser ms caros que los secundarios.

Fuentes Fuentes externas


En recientes, ha incrementado en gran medida Ia cantidad de fuentes datos En aos recientes, se ha incrementado en gran medida la cantidad de fuentes de datos publicados, disponibles para los pronosticadores. La proliferacin de la computadora es publicados, disponibles para los pronosticadores. La proliferacin de computadora parcialmente responsable de este aumento en la disponibilidad de datos. Tambin ha parcialmente responsable de este aumento en disponibilidad de datos. Tambin ha contribuido a este incremento ci hecho de que directores de empresa y de gobierno se dieran el de empresa y de gobierno se dieran cuenta que una mayor y mejor informacin eleva Ia efectividad de Ia planeaciOn y la torna mayor y mejor informacin eleva la efectividad de la planeacin toma datos de decisiones. Las bibliotecas estn llenas con miles de millones de piezas de datos de decisiones. Las bibliotecas estn llenas con miles de millones de piezas imaginable. gubernamentales, histricos sobre cualquier tema imaginable. Las organizaciones gubernamentales, servicios computarizados y organizaciones no lucrativas, generan una enorme cantidad datos con'putarizados y organizaciones no lucrativas, generan una enorme cantidad de datos estadsticos de entrada para el proceso de pronsticos. estadIsticos que pueden emplearse como insumos de entrada para ci proceso de pronsticos. EVA el ms grande editor recolector gobierno El gobiemo de EUA es el ms grande editor y recolector de datos del mundo. Cada ciudad grande en EVA por lo menos una biblioteca designada como depsito del ciudad grande en EUA tiene por lo menos una biblioteca designada como depsito del gobierno. Estas bibliotecas poseen una amplia coleccin de datos acumulados el gobierno. Estas bibliotecas poseen una amplia coleccin de datos acumulados por el gobierno. Departamento Econmico [Bureau Economic Analysis (BEA)], El Departamento de Anlisis Econmico [Bureau of Economic Analysis (BEA)], es fuente importante datos para las organizaciones que realizan planeacin a largo una fuente importante de datos para las organizaciones que realizan planeacin a largo plazo. departamento proporciona informacin bsica en concerniente a inflacin, plazo. Este departamento proporciona informacin bsica en lo concemiente a inflacin, crecimiento econmico, desarrollo regional y el papel de la nacin en la economIa mundial. economa Current Business, revista mensual que proporciona BEA publica la Survey El BEA publica Ia Survey of Current Business, una revista mensual que proporciona la estimaciones y anlisis de Ia actividad econmica de EVA. La revista consta adems de dos EUA. secciones estadIsticas que presentan una composicin de datos econmicos fuentes secciones estadsticas que presentan una composicin de datos econmicos de fuentes tablas pblicas seccin de Indicadores Cclicos pblicas y privadas. La seccin de Indicadores CIclicos de los Negocios, consta de tablas alrededor 270 series y diagramas de aproximadamente 130 series que emplean de airededor de 270 series y diagramas de aproximadamente 130 series que se emplean ampliamente el anlisis de los desarrollos cclicos actuales. La seccin de Estadsticas ampliamente en ci anlisis de los desarrollos cIclicos actuales. La seccin de EstadIsticas de los Negocios Actuales consta de tablas pam ms de 1900 series que cubren actividades Actuales consta de tablas para ms de 1900 series que cubren actividades empresariales en general e industrias especIficas. general e industrias especficas.

Fuentes de datos Fuentesdedatos

65

datos gubernamentales que se el censo. Otra fuente de datos gubernarnentales que se emplea en los pronsticos, es ci censo. proporciona infonnacin detallada rea geogrfica, diversas caracteCada censo proporciona inforrnacin detallada por area geogrfica, para diversas caractersticas como sexo, edad, ingreso, estado civil y escolaridad. Estos datos rIsticas demogrficas tales corno sexo, edad, ingreso, estado civil y escolaridad. Estos datos pueden ser en extremo valiosos para aquellas compafiIas realcionadas con ci pronOstico de en extremo valiosos para aquellas compaas realcionadas con el pronstico series de tiempo que dependen de dichas caracterIsticas demogrficas. Los datos del censo dependen de dichas caractersticas demogrficas. factibilidad. resultan tambin valiosos para los pronosticadores que realizan estudios de factibilidad. Por ~jemplo funcionar centro comercial propuesto un rea geogrfica?, ,el rea ejemplo ,funcionar un centro comercial propuesto para un area geogrfica?, el area alrededor del centro comercial se interesar en un club atltico? Los datos del censo se airededor del centro comercial se interesar en un club atltico? Los datos del censo utilizan con frecuencia para responder este tipo de preguntas. frecuencia responder este tipo de preguntas. datos gubernamentales Otras fuentes importantes de datos gubernamentales son:
Statistical Abstractof the United States, una fuente general de estadIsticas sobre muchos estadsticas StatisticalAbstract ofthe United States, una fuente temas, cuya publicacin es anual. es anual. American Statistics Index, que proporciona una gula para las diversas fuentes estadIstiStatistics Index, que proporciona una gua para las diversas fuentes estadsticas del gobierno. CIS/Index to Publications of the United States Government, que representa la lista CIS/Index to Publications United States Government, que lista pelidica rns completa de publicaciones del Congreso de los EVA. peridica ms conipleta de publicaciones del Congreso EUA. County and City Data Book, que se publica cada cuatro aflos, proporciona datos County and City Book, que se publica cada cuatro aos, proporciona datos estadsticos y de poblacin divididos por ciudad y condado. y condado. estadIsticos Economic Report of the President, que incluye un apndice estadstico relativo a la Economic Report the President, que incluye un apndice estadIstico relativo a la fuerza de trabajo, la inflacin y la actividad econmica. la y la actividad econmica. Employment and Earnings, que se publica mensualmente, representa una fuente primaEl1lploYl1lent que se representa una fuente primaria sobre fuerza de trabajo y desempleo. na sobre fuerza de trabajo y desernpleo. Federal Reserve Bulletin, que contiene series estadisticas sobre bancos y mercados Reserve Bulletin, contiene estadsticas sobre bancos mercados financieros, asI como material incidental sobre Ia inflacin y la actividad econmica. as corno material la econmica.

datos histricos para muchas de las series Handbook of Labor Statistics, que presenta datos histricos para muchas de las series of Statistics, que aparecen en Employment and Earnings. El1lploYl1lent and
of Incol1le, Internal Revenue y contiene informacin Statistics of Income, que publica el Internal Revenue Service y contiene informacin gasto. sobre categorias de ingreso y gasto.'l

Es frecuente que organizaciones privadas produzcan pronsticos baratos de medicioorganizaciones plivadas mediciones dernogrficas y econmicas. Business Forecasting in the 1980s es una bibliografia nes demogrficas y econmicas. Business Forecasting in the 1980s es una bibliografia selecta comentada de los libros y artIculos que proporcionan pronsticos generales, asI como artculos as como fuentes de pronsticos especficos. 2 Ejeniplos de dichos servicios fuentes de datos de pronsticos especIficos.2 Ejemplos de dichos servicios son:
Forecasting Studies, que cubre tendencias e indicadores dave. Forecasting Studies, que cubre tendencias clave.

1 W. G. Zikrnund, Business Research Methods, 3a. ed. (Nueva York: The Dryden Press, 1991), pp. G. Zikmund, Business Research Methods, 3a. ed. (Nueva York: The Dryden Press, 1991), pp. 129-137. Bibliografia para fuentes adicionales de datos. datos. 129-137. Bibliografia para fuentes 2 Bibliografia seleccionada, anotada y compilada por Loma Daniells ofBaker LibraryLibrary at Harvard Business 2 Bibliografla seleccionada, y compilada por Lorna Daniells of Baker at Harvard Business School, School, Boston.
1

66

Fuentes de datos Fuentes

Captulo 3 Cap Itulo

Guide to Consumer Markets, que proporciona estadIsticas y grficas sobre el comporque proporciona estadsticas y grficas sobre el comportamiento del consurnidor en el mercado. consumidor National and Regional Economic Projection Series, que analiza y hace proyecciones de and Regional Projection Series, que analiza poblacin, ingreso personal y gastos personales de consumo a nivel nacional, estatal y personales de consumo a nivel nacional, estatal y por areas estadIsticas. reas estadsticas. Survey ofBuying Power, que contiene proyecciones a corto plazo y tasas de crecimiento ofBuying crecirniento para poblacin, vivienda, poder de compra y ventas al menudeo a nivel estatal, de para poblacin, vivienda, poder de compra y ventas al menudeo nivel estatal, de y por reas estadsticas. 3 condado y por areas estadIsticas.3
Tambin, organizaciones comerciales publican estadsticas que se pueden utilizar Tambin, organizaciones comerciales publican estadisticas que se pueden como fuente datos en muchas aplicaciones de pronstico. Datos financieros como corno fuente de datos en muchas aplicaciones de pronstico. Datos financieros como rendimientos de bonos, porcentajes de utilidad de empresas, dividendos, precios de rendirnientos de bonos, porcentajes de utilidad de empresas, dividendos, precios de y volmenes acciones y vohIrnenes de comercio, se pueden obtener de Dun and Bradstreet, Inc., Moody's cornercio, se pueden obtener de Dun and Bradstreet, Inc., Moody's Investors Service, Standard and Poor's Corporation Statistical Service, The Fortune Investors Service, Standard and Poor's Corporation Statistical Service, The Fortune de Time, Inc., Value Line Investment Survey de Arnold Berhard and ComDirectory de Time, Inc., yyVa/tie Line Investment Survey de Arnold Berhard and Cornpany.l,3 pany.'3 Muchos de estos tipos de datos pueden accesar a travs bases de datos Muchos de estos tipos de datos se pueden accesar a travs de bases de datos

computarizadas como Compuserve, Inc., News Retrieval Service del Dow-Jones, Compucomputalizadas corno Compuserve, Inc., News Retrieval Service del Dow-Jones, Compustat de Standard and Poor's y The Source and Value Line. Line. stat de Standard and Poor's Diversas compaas de investigacin de mercados venden datos con base en una Diversas cornpaIas de investigacin de mercados venden datos con base en una suscripcin. La mayor parte de investigacin de mercado se basa en muestreos de suscripcin. La mayor parte de esta investigacin de mercado se basa en muestreos de la
poblacin. El uso de compai1as plivadas que proporcionen datos de pronstico las poblacin. El uso de compaIas privadas que proporcionen datos de pronstico a las organizaciones, puede contlibuir a que se distribuyan entre varias de estas ltimas el costo distlibuyan valias estas ltimas el costo organizaciones, puede contribuir la recoleccin los datos plimarios, una organizacin de la recoleccin de los datos primarios, de modo que a una organizacin individual se le proporcionen datos muy confiables bajo costo. Ejemplos de compaas prominentes proporcionen datos rnuy confiables a un bajo costo. Ejemplos de compaIas prominentes proporcionan datos auditoras tiendas menudeo y servicios de seguimiento que proporcionan datos para auditorlas de tiendas al menudeo y servicios de seguimiento de productos son A. C. Nielsen Company y Audits and Surveys, Inc. Empresas que de productos son A. C. Nielsen Company Audits and Surveys, Inc. Empresas que proporcionan datos paneles consumidores encuestas correo son Market proporcionan datos sobre paneles de consumidores y encuestas por correo son Market Facts, Inc., Market Research Corporation of America, National Family Opinion, NPD America, National Family Opinion, Facts, Inc., Market Research Corporation

Research, Inc. y J. Walter Thompson Company. Otra fuente valiosa es Predicasts, Inc, que J. Walter Thompson Company. Otra fuente valiosa es Predicasts, mc, adems de sus propios pronsticos, proporciona reslunenes y bibliografias de pronsticos pronsticos, proporciona resirnenes bibliografias pronsticos aderns de elaborados por otros.4 por otros. 4

Propios Datos Pro pios


Adems de los datos recolectados de fuentes pblicas, los pronosticadores requieren utilizar fuentes pblicas, los pronosticadores requieren utilizar datos de fuentes internas dentro de sus organizaciones. En los ltirnos aos, ha habido un datos de fuentes internas dentro de sus organizaciones. En los ltimos ai1os, ha habido un

3 R. P. Vichas, Complete Handbook of Profitable Marketing Research Techniques (Englewood Cliffs, P. Vichas, Complete Handbook of Proftable Marketing Research Techniques (Englewood Cliffs, N.J.: Prentice-Hall, 1982), pp. 36-45. NJ.: 1982), 36-45. 4 T.C. Kinnear y J. R. Taylor, Marketing Research: An Applied Approach (Nueva York: McGraw Hill, T.e. Kinnear y J. R. Taylor, Marketing Research: An Applied Approach York: McGraw Hill, 199f), pp. 115-117, pp, 146-156. 146-156. 1991), pp. 115-117,

Fuentes de datos

67

gran incremento en establecimiento de bases de datos las empresas. Cuando una gran incrernento en el establecirniento de bases de datos en las empresas. Cuando una organizacin desarrolla una base de datos, renen datos diversas variables se organizacin desarrolla una base de datos, se renen datos para diversas variables y se almacenan en un sistema computarizado de modo que estn disponibles cuando se necesiten. de cuando se necesiten. No obstante que los datos particulares en una base de datos varian de acuerdo a las No obstante que los datos particulares en una base de datos varan acuerdo las necesidades especIficas, existen lineamientos que deben seguirse para establecer cualquier necesidades especficas, lineamientos que establecer cualquier base de datos para pronsticos: para pronsticos: Debe haber un plan de pronstico y solo deben recolectarse los datos requeridos. (El slo recolectarse los datos requeridos. (El lineamiento seguir este linearniento asegura que los datos necesarios estarn disponibles cuando se necesiten y evitar asI el gasto y Ia confusion de datos excesivos.) as la confusin excesivos.)

pblicos pueden Siempre que sea posible, debern usarse los datos pblicos disponibles, ya que se pueden Siempre obtener de manera ms rpida y econrnica. rpida y econmica.

Los datos deben almacenarse en su fonna original de modo que puedan serVIr Los datos deben almacenarse en su forrna Oliginal de modo que puedan servir a diferentes propsitos.
Antes de comenzar a usarlos, los datos deben verificarse y documentarse. Los sisternas de bases de datos deben disefiarse para permitir su crecirniento. sistemas disearse pennitir crecimiento.

Fuentes prim arias Fuentes primarias de datos


Datos de encuestas. Los encuestados son una gran fuente de informacin Datos de encuestas. Los encuestados son una gran fuente de infonnacin una compaa. Estos pueden pblico general, o primaria para una compaflIa. stos pueden ser clientes, pblico en general, proveedores o empleados. La finalidad del esfuerzo de recoleccin de datos es saber qu es lo las empleados. La finalidad del esfuerzo de recoleccin de datos es saber qu es lo que las la administracin. personas seleccionadas piensan sobre elementos clave de inters para la adrninistracin. La piensan sobre elernentos dave podra de manera peridica recoleccin de datos podrIa ser un esfuerzo de una sola vez o repetirse de manera peridica

para generar series de tiempo de las variables, las cuales se analizarn despus y se para generar series de tiempo de las variables, las cuales se analizarn despus y se
futuro (pronstico). proyectarn al flituro (pronstico). Cuando investigadores enfrentan necesidad una extensa cantidad Cuando los investigadores enfrentan la necesidad de reunir una extensa cantidad de datos de un gran nmero de personas, adoptan alguna forma de encuesta. La prirnera un gran nmero de personas, adoptan fonna encuesta. primera fase este proceso consiste en detenninar qu mtodo especfico encuesta deber fase en este proceso consiste en deterrninar qu mtodo especIfico de encuesta deber emplearse para reunir la informaciOn requerida. Los tres mtodos ms comunes son las infOlmacin requerida. Los tres mtodos ms comunes son emplearse para entrevistas por correo, personales y telefnicas. con-ea, telefnicas. En cornparaciOncon los otros dos mtodos, el cuestionario por correo tiene la ventaja comparacin con los otros dos mtodos, el cuestionario por correo tiene la ventaja de liegar a un arnplio nIimero de personas dispersas, con un costo menor por contacto. personas dispersas, con costo menor por contacto. de llegar a un amplio nmero Adems, los analistas tienen la seguridad de que las preguntas se plantearon en La misma la seguridad de que las preguntas se plantearon en la misma Aderns, los fonna a todos los encuestados, reduciendo asi la predisposicin. Ms aOn, los encueslos encuestados, reduciendo as la predisposicin. Ms an, los encuesforrna pueden responder preguntas en tiempo libre. ltimo, cuestionario tados pueden responder las preguntas en su tiempo libre. Por ltimo, el cuestionario por correo puede ilegar a individuos difciles de entrevistar como doctores y otros profesionales llegar dificiles de como doctores y otros profesionales que tienen horarios irregulares. irregulares. Por otra parte, debido a la lentitud del correo y a la tendencia de los encuestados lentitud a la tendencia de los encuestados postergar el llenado del cuestionario, las encuestas correo ocupan mucho ms a postergar ci ilenado del cuestionario, las encuestas por correo ocupan mucho ms

68

Fuentes de datos

Captulo 3 CapItulo

o As las tiempo que las encuestas telefnicas o personales. AsI que si se requiere de velocidad, las por correo son las menos convenientes. slo una parte de las encuestas por correo son las menos convenientes. Adems, de hecho solo una parte de las personas contactadas responde las encuestas por correo. Estudios pasados muestran que personas contactadas responde las encuestas por correo. Estudios pasados muestran que ellO Y el 50%, regresan las encuestas, dependiendo naturaleza estudio. entre el 10 y el 50%, regresan las encuestas, dependiendo de la naturaleza del estudio. Este factor podra sesgar los resultados, las personas que no respondieron el Este factor podrIa sesgar los resultados, si las personas que no respondieron el cuestionario difieren de los que si hicieron reas importantes. Por iltimo, slo cuestionario difieren de los que s lo hicieron en areas importantes. Por ltimo, solo

pueden incluirse pocas preguntas en las encuestas por correo, debido a que las personas preguntas emplean mucho esfuerzo en las preguntas responderlas. ah que aunque no emplean mucho esfuerzo en leer las preguntas y responderlas. De ahI que aunque
esta tcnica barata por contacto, resulta cara en cuanto a formas respondidas y esta tcnica sea barata por contacto, resulta cara en cuanto a formas respondidas y

tiempo ocupado. El enfoque de Ia entrevista personal ofrece la ventaja de asegurar buenas tcnicas la personal ya que los entrevistadores pueden seleccionar con cuidado los encuestade muestreo, ya que los entrevistadores pueden seleccionar con cuidado aalos encuesta-

dos. Este mtodo puede arrojar Ia mayor cantidad de informacin debido a que los dos. mtodo puede arrojar la mayor cantidad de informacin debido que los encuestados tienden a ser ms abiertos y dispuestos a invertir tiempo respondiendo a encuestados tienden a ms abiertos dispuestos invertir tiempo respondiendo las preglmtas. Adems, este enfoque ofrece Ia mayor flexibilidad debido a su naturaleza las preguntas. Adems, este enfoque ofrece la mayor flexibilidad debido su naturaleza
las entrevistas tienen el potencial ms alto de desviacin personal. Sin embargo, las entrevistas personales tienen el potencial ms alto de desviacin del entrevistador, mayores costos por contacto y mayores problemas de control del equipo del entrevistador, rnayores costos por contacto y mayores problemas de control de personal. En aos recientes, la entrevista telefnica ha ofrecido ventajas crecientes para el recientes, la entrevista telefnica ofrecido ventajas crecientes el En analista, como recoleccin datos. Aunque puede lograr una muestra analista, corno una tcnica de recoleccin de datos. Aunque no puede lograr una muestra tienen completamente representativa de la poblacin, debido a que algunas personas no tienen completamente representativa de la poblacin, debido a que algunas personas telfono se les puede localizar en detenninadas horas, acerca a ser representativa telfono o no se les puede localizar en determinadas horas, se acerca a ser representativa para muchos proyectos. El costo por contacto es menor que el de la entrevista personal y para muchos proyectos. El costo por contacto es menor que el de la entrevista personal y los resultados se pueden obtener con rapidez. Aderns, este mtodo permite un gran control Adems, mtodo La desventaja del telfono que slo pueden emplearse preguntas cortas, del entrevistador. La desventaja del telfono es que solo pueden emplearse preguntas cortas, fciles de responder. Tambin, mucha gente considera este tipo de recoleccin de datos fciles de responder. Tarnbin, rnucha gente considera este tipo de recoleccin de datos corno como una invasiOn a su privaca y no responde. Esta falta de respuesta introduce un sesgo invasin a su privacla y no responde. introduce sesgo en los resultados de la investigaciOn. resultados de la investigacin.

Diseo de encuestas de muestreo. Esta seccin presenta un breve repaso de Diseo decisiones el pronosticador en la seleccin de encuestados o unidades las decisiones que debe hacer el pronosticador en la seleccin de encuestados o unidades de muestra, para incluir en el proceso de investigacin. Al principio, el pronosticador debe investigacin. principio, pronosticador debe responder las siguientes preguntas: siguientes preguntas:
1. Quin deseo que responda a mi encuesta y por qu? Quin 2. Cuntas personas debera incluir en la encuesta? (Tamao de la muestra.) ,Cuntas deberla 3. Cmo seleccionar a las personas a incluir en la encuesta? (Esta pregunta determina la ,Cmo las personas encuesta? (Esta determina confiabilidad.) primera siempre tan clara como podra La respuesta a la primera pregunta no siempre es tan clara como podrIa esperarse. Por ejemplo, considrese el caso en que un fabricante medio de cosmticos contacta 150 varones con el fin de determinar la compra y hbitos de uso de lociones para despus de varones de determinar compra hbitos uso de lociones para despus de la cuestin de determinar qu caractersticas se enfi.. ent afeitar. El fabricante se enfrent con la cuestin de determinar qu caracterIsticas demogr-

Fuentes de datos

69

ficas deberlan tener las personas incluir en la muestra. ,La unidad de la muestra deberla ficas deberan tener las personas aaincluir en la muestra. La unidad de la muestra debera parientes, un grupo de especfico, o una combinacin de los ser esposos, esposas, parientes, un grupo de edad especIfico, o una combinacin de los anteriores? El fabricante interrog solo a varones cuando, hecho, debi incluir anteriores? El fabricante interrog slo a varones cuando, de hecho, debi incluir tambin a las mujeres, ya que en realidad ellas hacen en muchos casos las compras de mujeres, muchos casos tambin lociones para despus de afeitar. Como otro ejemplo de las dificultades en la seleccin dificultades la seleccin lociones para despus de afeitar. Como otro ejemplo de correcta de la unidad de la muestra, considrese la situacin que a menudo enfrentan los la muestra, considrese situacin menudo enfrentan correcta de investigadores industriales. Deben contactar al comprador que es responsable de las investigadores industriales. Deben contactar al comprador que es responsable de adquisiciones, al ingeniero o gerente de produccin que da las especificaciones y utiliza adquisiciones, al ingeniero o gerente de produccin que da las especificaciones utiliza el producto, o al ejecutivo que es con frecuencia quien toma las decisiones? El punto ejecutivo que es con frecuencia quien toma las decisiones? El punto el producto, es es que cuando los usuarios, compradores y los que toman decisiones no son la misma cuando usuarios, compradores y los que toman decisiones no son la misma pronosticador determinar quin de ellos es probable persona, el pronosticador debe determinar quin de ellos es ms probable que tenga la informacin deseada. informaciOn A continuacin, el pronosticador o analista debe decidir el tamao de la muestra. continuacin, pronosticador la muestra. depende tipo de investigacin que se lleva a cabo y de qu tan confiables deben Esto depende del tipo de investigacin que se lieva a cabo y de qu tan confiables deben ser los resultados. Por ejemplo, en una investigacin exploratoria en donde se buscan ideas resultados. ejemplo, en investigacin exploratoria en donde se buscan ideas ms que conclusiones, por lo regular, con tan pocas como 30 entrevistas a profundidad, lo regular, tan pocas como 30 entrevistas a profundidad, conclusiones, sern suficientes para cubrir la variedad de areas del problerna. Al mismo tiempo, al sern suficientes para cubrir la variedad de reas del problema. Al mismo tiempo, al pronosticador no le interesa poder decir: "Tengo una confianza de que mis respuestas son no le interesa poder decir: "Tengo una confianza de que mis respuestas son 95% correctas con 95% correctas con un margen de rns o menos 2%". Una investigacin posterior en margen ms menos 2%". reas especIficas alcanzar esta meta con un tamaflo de muestra mayor. Est areas especficas alcanzar esta meta con un tamao de muestra mayor. Est reconocido mayor precisin en mayor tamao la reconocido que una mayor precisiOn en una encuesta significa un mayor tamaflo de la muestra, por ello un costo ms elevado. Con frecuencia, el pronosticador elaborar muestra, y por ello un costo rns elevado. Con frecuencia, el pronosticador elaborar una tabla compare diversas combinaciones de tarnao de la muestra costo, contra el tabla que compare diversas combinaciones de tamao de la muestra y costo, contra el resultados de la encuesta. Quien torna las decisiones podr hacer margen de margen de error en los resultados de la encuesta. Quien toma las decisiones podr hacer sustentado precisin en eleccin la entonces un balance sustentado entre costo y precisiOn en la eleccin del tamao de la muestra. conducir una investigacin concluyente encontrar respuestas especficas Al conducir una investigacin concluyente para encontrar respuestas especIficas a preguntas especficas, se deben utilizar muestras grandes. Sin embargo, no necesario preguntas especIficas, se deben utilizar muestras grandes. Sin embargo, no es necesario muestrear a poblacin incluso la mayor parte de ella para lograr resultados muestrear a toda la poblacin o incluso a la mayor parte de ella para lograr resultados precisos. Tal como un catador de vino puede juzgar toda una botella a partir de la primera precisos. Ta! corno un catador de vino puede juzgar toda una botella prueba, un investigador puede analizar un gran mercado a partir de una pequefla muestra. investigador gran mercado a partir de una pequea muestra. prueba, mucho De hecho, las muestras pequefias que se seleccionan /y miden con mucho cuidado pueden muestras pequeas que se seleccionan miden ms confiables que muestras mayores utilicen estndares menos exactos. ser ms confiables que muestras mayores que utilicen estndares menos exactos. Una muestra grande que tenga sesgo, como en el ejemplo de los cosmticos, pueden conducir el ejemplo de los cosmticos, pueden conducir muestra grande a un extravIo mayor que una muestra pequefia, ya que los resultados errOneos de la muestra extravo una muestra pequea, los resultados errneos muestra mayor aparentan tener gran precision. precisin. En general, mientras que las muestras ms grandes arrojan resultados ms precisos general, mientras muestras grandes resultados precisos que que las muestras pequefias, cuestan ms en trrninos de tiempo y dinero. Por ejemplo, muestras pequeas, cuestan rns tnninos de tiempo y dinero. Por ejemplo, duplicar el tamao de la muestra podrIa requerir doblar el costo, asI como demorar el tiempo la muestra podra el as demorar el tiempo de decision. De ahI que el pronosticador deba evaluar el valor de ms informacin contra decisin. Dc ah pronosticador deba evaluar el infonnacin mayor costo y tiempo de recolecciOn de datos. y tiempo de recoleccin de datos. Como dato interesante, el duplicar el tarnafio de una muestra no duplica su precisiOn tamao duplica su precisin en algunos casos puede agregar muy poca infonnacin. meta del muestreo consiste y en algunos casos puede agregar rnuy poca informaciOn. La meta del muestreo consiste de muestra mnimo proporcionar la infonnacin en seleccionar el tamao de muestra minimo necesario para proporcionar Ia informacin seleccionar una buena decisin, dadas las restricciones fiscales, de tiempo requerida para tomar una buena decisiOn, dadas las restricciones fiscales, de tiempo y el de precisin deseado. grado de precision deseado.

70

Fuentes de datos

Captulo 3 Cap Itulo 3

cuestin pronosticador, la detenninar un mtodo La tercera cuestin que debe enfrentar el pronosticador, la de determinar un mtodo recoleccin aborda en la siguiente seccin. de recoieccin de datos, se aborda en Ia siguiente seccin.

Muestreo Muestreo aleatorio simple. La iiitima pregunta a responder en ci diseflo del simple. ltima pregunta responder en el diseo del recoleccin de datos es crno seleccionar personas u objetos para la muestra? esfuerzo de recoleccin de datos es cmoseleccionar personas u objetos para Ia muestra? De nueva cuenta, Ia respuesta a esta pregunta depender del tipo de investigacin que se la respuesta depender del tipo investigacin que desarrollando y objetivos. est desalTollando y de sus objetivos. caso de una investigacin exploratoria, la seleccin de la muestra no es crtica. En el caso de una investigacin exploratoria, la seleccin de la muestra no es crItica. En la mayorIa de los casos ci pronosticador puede emplear ci buen juicio para seleccionar mayora los casos el pronosticador puede emplear el buen para seleccionar la muestra, teniendo en cuenta las siguientes caracterIsticas: las personas de la muestra muestra, teniendo cuenta las siguientes caractersticas: las personas la muestra debern tener un gran conocimiento respecto al problema, ser fciles de contactar y entablar respecto al problema, ser fciles de y entablar dispuestas conversacin y estar dispuestas a discutir el problema. En las investigaciones concluyentes, si ci pronosticador desea precisar estimaciones investigaciones el pronosticador desea precisar estimaciones
caractersticas de poblacin usarlas para predecir futuro, deber extraer una de caracteristicas de la poblacin y usarlas para predecir el futuro, deber extraer una aproximacin desgracia, muestras aleatorias son por muestra aleatoria o una aproxirnacin a sta. Por desgracia, las muestras aleatorias son por lo regular ms caras que las no aleatorias. Los gastos se derivan de 1) intentar encontrar aleatorias. Los gastos derivan de intentar encontrar lo regular ms caras que todos los miembros la unidad de la muestra (por ejemplo, mujeres 18 una lista de todos los miembros de la unidad de Ia muestra (por ejemplo, mujeres entre 18 aos), 2) seleccionar en fom1a aleatoria lista, 3) tener que enviar y 35 aos), 2) seleccionar en forrna aleatoria una muestra de esta lista, 3) tener que enviar y,4) tener que entrevistadores o fonnas de encuestas a todas partes de una ciudad o estado y, 4) tener que entrevistadores o formas encuestas todas encuestados no estn disponibles al primer intento. En las muestras no contactar a los encuestados que no estn disponibles ai primer intento. En las muestras no aleatOlias no se incurre en Ia mayoria de estos costos. la mayora costos. aleatorias no incun-e

muestreo aleatorio aseguran que unidad poblacin Las tcnicas de muestreo aleaforio aseguran que cada unidad en la poblacin Las tcnicas inters tenga igual probabilidad ser incluida en la muestra. de inters tenga igual probabilidad de ser incluida en la muestra.

Cmo se selecciona realmente una muestra aieatoria? Una tcnica que puede j,Cmo se selecciona realmente una muestra aleatoria? Una tcnica que puede

muestreo simple. emplearse es el inuestreo aleatorio simple. En este enfoque, el investigador debe tener una lista completa de todos los elernentos de la poblacin (por ejemplo, nombres de personas). elementos ejemplo, de personas). lista generador de nmeros Despus, un generador de nrneros aleatorios de una computadora (vase la seccin Minitab al final de este capItulo) o una tabla de nmeros aleatorios (vase tabla C.5), se utiliza para captulo) al final nmeros aleatorios (vase tabla C.5), se seleccionar Ia muestra. la muestra. Por ejemplo, suponga que un mayorista lleva 9 000 elernentos y desea seleccionar 250 elementos seleccionar de ellos para monitorear la prueba de un nuevo sisterna de control de inventarios. Serla monitorear prueba nuevo sistema control inventarios. Sera de posible proceso asignar nmero a cada elemento, poner los nmeros en posible utilizar el proceso de asignar un nmero a cada elemento, poner los nilmeros en tarjetas, revolverlas y extraer 250 al azar. Sin embargo, este procedimiento es caro y ocupa tarjetas, revolverlas 250 azar. procedirniento es caro y tiempo. Un generador o una tabla de nmeros aleatorios simplifica este procedimiento. tiempo. Un generador o una tabla de nrneros aleatorios simplifica este procedirniento. seguida, generan 250 Primero, se asigna a cada elemento un nmero del 1 al 9 000. En seguida, se generan 250 elemento un nmero del ai 9000. Primero, se asigna nmeros aleatorios de cinco dIgitos que sean menores un ni'imeros aleatorios de cinco dgitos que sean menores de 9 000, mediante im generador de nmeros aleatorios de ima computadora o se seleccionan de una tabla de nmeros aleatorios una nmeros nrneros (vase tabla C.5). Por ltimo, se incluyen en la muestra los 250 elementos que corresponden ltimo, corresponden a los 250 nmeros aleatorios de cinco dIgitos. nmeros aleatorios cinco dgitos.

Fuentes de datos Fuentesdedatos

71

Por desgracia, en la mayorIa de los casos resulta dificil, costoso o incluso imposible la mayora casos resulta dificil, costoso o incluso imposible seleccionar una muestra aleatoria simple, a menudo porque no disponible lista seleccionar una muestra aleatoria simple, a menudo porque no hay disponible una lista
completa de la poblacin. De modo que el investigador debe apoyarse en algn otro mtodo. ci debe apoyarse en algn otro mtodo. los mtodos comunes. siguiente se describen En la siguiente seccin se describen varios de los mtodos ms comunes.

muestreo Otras tcnicas de muestreo aleatorio. Debido a las dificultades que implica la seleccin de una muestra aleatoria simple, investigadores y pronosticadores han desarromuestra aleatoria simple, investigadores pronosticadores han desarroilado otras tcnicas de muestreo que se utilizan ampliarnente. Las ms comunes son 1) 1) llado otras tcnicas muestreo se utilizan ampliamente. Las ms comunes muestreo sistemtico, 2) muestreo estratificado y, 3) muestreo en bloque. Como en muestreo sistemtico, 2) muestreo estratificado y, 3) muestreo en bloque. Como el muestreo aleatorio, stas son verdaderas tcnicas de muestreo aleatorio, y por ello el ci muestreo aleatorio, stas son verdaderas tcnicas de muestreo aleatorio, y por ello pronosticador puede usar tcnicas estadIsticas establecidas en el anlisis y proyeccin de tcnicas estadsticas establecidas en el anlisis proyeccin de pronosticador puede resultados. muestra sistemtica es til cuando analista tiene Una muestra sisteintica es muy til cuando el analista tiene una lista completa de la muestra y stas se encuentran enlistadas de manera aleatoria. Tambin las unidades de la muestra y stas se encuentran enlistadas de manera aleatoria. Tambin se puede utilizar la tcnica con una poblacin "infinita" en la que los elementos aparecen que los elementos aparecen el proceso en secuencia. Un ejemplo podrIa ser el proceso de lienado de boteilas. En esta tcnica, el secuencia. podra llenado botellas. pronosticador selecciona un punto aleatorio de inicio en la lista. Despus, se selecciona cada plmto lista. ensima unidad u objeto hasta alcanzar ci nilmero deseado. objeto hasta alcanzar el nmero deseado. Una variante comn de esta tcnica se utiliza para seleccionar nombres un Una variante comim de esta tcnica se utiliza para seleccionar nombres de un primeras pginas del directorio telefnico. Primero, se extrae una pgina al azar de las primeras pginas del directorio telefnico. Prirnero, se extrae una pgina a! azar de esa pgina y, por ltimo directOlio. A continuacin, se selecciona al azar una columna de esa pgina y, por ltirno directorio. continuacin, a! elige un nombre de la columna. Suponga, por ejemplo, que el analista necesita 200 se elige un nombre de la columna. Suponga, por ejemplo, que el analista necesita 200 nombres y que el directorio tiene 450 pginas. Suponga aderns, que el analista selecciona directorio tiene pginas. Suponga adems, selecciona inicialmente la pgina 4, columna 2 y el sptirno nombre hacia abajo. Luego, el analista el sptimo nombre hacia abajo. Luego, el analista inicialmente la pgina 4, columna podrIa manera: podra proceder de la siguiente manera: elegir cualquier otra pgina y seleccionar el nombre de la columna 2 y ci rengln 7, hasta Ilegar a 200 nombres. Este procedimiento es mucho y el rengln 7, hasta llegar a 200 nombres. Este procedimiento es mucho ms sencillo, rpido y barato que seleccionar una muestra aleatoria simple. barato que seleccionar una muestra aleatoria simple. ms muestreo estratificado cuando el pronosticador sabe qu Las tcnicas de muesireo estratUlcado se utilizan cuando ci pronosticador sabe qu Las subgrupos importantes (o estratos) se pueden identificar en la poblacin, subgrupos que son pueden identificar en la poblacin, subgrupos que son homogneos dentro del grupo, pero heterogneos entre grupos. En esta situacin una situacin una hornogneos dentro del grupo, pero heterogneos entre grupos. En muestra estratificada es estadsticamente ms eficiente barata que muestra aleatoria muestra estratificada es estadIsticamentems eficiente yy barata que una muestra aleatoria subestrato se hace aleatoria; simple. La seleccin de unidades de cada subestrato se hace en forma aleatoria; la proporsimple. La seleccin de unidades de muestra representa cada estrato se determina mediante ci uso de tccin del total de la muestra que representa cada estrato se detennina mediante el uso de tccin estadsticas diseadas la subestrato. nicas estadIsticas disefladas para reflejar ia importancia y variabilidad de cada subestrato. seleccin tiendas para probar nuevos Esta tcnica se usa, por ejemplo, en la seleccin de diez tiendas para probar nuevos tcnica ejemplo, productos. Un fabricante que desea probar un nuevo producto en tiendas de abarrotes, podra nuevo en tiendas de abarrotes, podrIa el hecho de que almque los grandes supennercados representan slo alrededor del utilizar ci hecho de que aunque los grandes superrnercados representan solo airededor del 20% de todas las tiendas de abalTotes al menudeo, contabilizan el 80% de las ventas totales. abarrotes a! menudeo, contabilizan ci 80% de las ventas totales. De ah la compaflIa podrIa elegir supermercados para abarcar entre ci 70 y Dc ahI que La compaa podra elegir supermercados para abarcar entre el 70 y 80% de las tiendas de prueba y solo del 20 al 30% de pequeas tiendas. slo del 20 al 30% de pequeas tiendas. El inuesireo en bloque comprende ci agrupamiento en bloques de la poblaciOn y la muestreo bloque comprende el agrupamiento de la poblacin la seleccin aleatoria posterior de bloques, o grupos, en vez de elernentos unitarios. Una de elementos unitarios. Una seleccin aleatoria posterior de bloques, o grupos, en variante particulannente til de esta tcnica es ci muestreo por area. Suponga que un variante particularrnente til de esta tcnica es el muestreo rea. Suponga que un pronosticador desea extraer una muestra aleatoria de la gente que vive en ciudad de pronosticador.desea extraer una muestra aleatoria de la gente que vive en la ciudad de Indianapolis. Ya que no existen directorios disponibies que enlisten a todas las personas Indianpolis. Ya existen directorios disponibles que todas las personas

72

Fuentes de datos

Captulo 3 Capituto

que viven en esta ciudad (los directorios telefnicos no incluyen a todas las personas que ciudad (los directorios telefnicos incluyen personas que supuesto, tampoco incluyen a lo tienen), se requiere de tienen telfono y, por supuesto, tampoco incluyen a los que no lo tienen), se requiere de tienen telfono y, alguna otra tcnica. De modo que se extrae una muestra por area seleccionando aleatoriatcnica. se extrae una muestra por rea seleccionando aleatoriamente manzanas en un mapa de la ciudad. Despus, en cada manzana se entrevista a un ciudad. Despus, manzana entrevista mente manzanas en un nmero predetenninado de personas. Esta tcnica es sencilla y econmica. Se ahorran ahorran nmero predeterrninado de personas. Esta tcnica es sencilla y econmica. costos, ya que se puede enviar a los entrevistadores a las manzanas de las personas se puede enviar a los entrevistadores las manzanas de las personas costos, ya seleccionadas, en vez de hacerlo a localidades por completo divergentes. hacerlo a localidades por completo divergentes. seleccionadas,

Muestras no aleatorias. Cuando el analista y no Ia casualidad, determina qu Cuando no la casualidad, detennina Muestras no elementos se incluirn en la muestra, el proceso de seleccin es no aleatorio. La finalidad elementos se incluirn en Ia muestra, el proceso de seleccin es no aleatorio. La finalidad muestreos aleatorios consiste muestras rpidas, baratas y fciles de los muestreos no aleatorios consiste en obtener muestras rpidas, baratas y fciles de seleccionar; ser representativas de la poblacin en estudio. seleccionar; sin embargo, stas pueden o no ser representativas de la poblacin en estudio. las tcnicas no aleatorias ms comunes que se utilizan son las muestras por cuota Dos de las tcnicas no aleatorias ms comunes que se utilizan son las muestras por cuota las muestras o conveniencia y las muestras a juicio. El nico criterio principal que se emplea en la seleccin de muestras por conveniencia iinico criterio principal que se emplea en la seleccin de muestraspor conveniencia sera la estudiantes la facilidad es Ia facilidad de seleccin para el analista. Un ejemplo serla Ia utilizacin de estudiantes profesores para recolectar datos para sus proyectos de investigacin. En fonna similar, por profesores para recolectar datos para sus proyectos de investigacin. En forma similar, una compafiIa podra probar el sabor de un nuevo producto, colocndolo en un puesto en compaa podrIa probar el sabor de un nuevo producto, colocndolo en un centro comercial y pedir la gente que pruebe producto. mtodo se un centro comercial y pedir a Ia gente que pruebe el producto. Este mtodo se usa con frecuencia cuando se requieren estudios exploratorios rpidos y baratos, como en la prueba estudios exploratorios rpidos y baratos, como nuevo refresco. ocasiones, a este mtodo se previa de un cuestionario o la prueba de un nuevo refresco. En ocasiones, a este mtodo se que el muestreo contina hasta alcanzar el tamao de muestreo por le denomina rnuestreo por cuota, ya que el muestreo contina hasta alcanzar el tamao de deseado. muestra deseado. muestreos seleccionan los analistas que usan criterios acerca de Los inuestreos a juicio las seleccionan los analistas que usan sus criterios acerca de incluir en la muestra. Algunos analistas argumentan que de hecho, pueden los elementos a incluir en la muestra. Algunos analistas argurnentan que de hecho, pueden reducir elTores muestreo mediante uso efectivo de tcnicas de juicio para reducir errores de rnuestreo y costos mediante el uso efectivo de tcnicas de juicio para unidades desviadas. procedimiento reducir unidades de muestra "extremas" o desviadas. Este procedimiento es aceptable en tanto el analista pueda desarrollar una muestra verdaderamente representativa de la tanto el analista pueda desarrollar una muestra verdaderamente representativa de la poblacin. No obstante, no hay forma de probar estadIsticamente el grado hasta el cual poblacin. obstante, estadsticamente el grado la muestra es representativa. Esta tcnica se utiliza tambin principalmente en la investigarepresentativa. exploratoria. cin exploratoria. Mercados de prueba. El mercadeo de prueba est convirtiendo en una Mercados de prueba. El mercadeo de prueba se est convirtiendo en una herramienta administrativa comn. El investigador de mercados o pronosticador dispone la comn. de mercados colocacin de un nuevo producto o marca en ciudades que piensa sern representativas del sern representativas colocacin de la compaa, mercado geogrfico objetivo de la compafiIa, y observa despus, durante cierto periodo, el comportamiento de las ventas del producto mercado prueba. Con frecuencia, el comportamiento de las ventas del producto en el mercado de prueba. Con frecuencia, este comportamiento se compara con las ventas en los mercados controlados, en los que se comportarniento se compara con las ventas en mercados controlados, marca diferente. ofrece un producto o marca diferente. El objetivo consiste en observar las ventas del producto en un escenario de pequena escala y en la suposiciOn bsica de que ese comportamiento en escenario de pequea escala y en la suposicin bsica de que ese comportamiento en dicho escenario pronosticar el comportamiento en el mercado ms amplio. amplio. Los resultados de las pruebas de mercado proporcionan a la administracin los datos resultados proporcionan administracin los datos que requiere para evaluar oportunidades potenciales de ganancia. Parte de la informaevaluar oportunidades potenciales ganancia. de la infonnaque mercado es siguiente: cin que se puede obtener en una buena prueba de mercado es la siguiente: cin

Aplicacin en a administracin AplicaciOn en la administraciOn

73

Una participacin potencial de mercado del nuevo producto Quin compra el producto, con qu frecuencia y con qu fin? ,Quin qu qu fin? Por lo regular, en dnde se realizan las compras? ,en dnde se realizan Los cambios de estrategia que haga la competencia El efecto del nuevo producto sobre marcas ya establecidas

En resumen, uno de los aspectos ms dificiles y que ocupan tiempo en los pronsticos dificiles que ocupan tiempo recoleccin confiables. captulo abord la dificil es la recoleccin de datos vlidos y confiables. En este capItulo se abord Ia dificil tarea que enfrentan la mayorIa de quienes pronostican, de cmo encontrar datos pertinentes que mayora que pronostican, de cmo datos problemas de datos se les ayuden a resolver los problemas de sus aplicaciones. Las fuentes de datos se pueden clasificar ya sea como primarias o secundarias. Las fuentes de datos primarias comprenfuentes den todos los mtodos de la recoleccin original de datos. Las fuentes de datos secundarias original de datos. Las fuentes de datos secundarias

son datos ya publicados, reunidos con fines distintos a los que el pronosticador o son datos ya publicados, reunidos con fines distintos a los que el pronosticador o investigador necesita tener a la mano. La importancia para los pronosticadores de investigador necesita tener a mano. La importancia para los pronosticadores de distinguir entre fuentes primarias y secundarias abarca el hecho de que es ms probable fuentes secundarias abarca el hecho que que una fuente primaria de datos contenga datos ms completos y precisos que los que datos ms completos precisos fuente secundaria. otra parte, los datos primarios son, pudieran encontrarse en una fuente secundaria. Por otra parte, los datos primarios son, por lo regular, ms caros de obtener. 10 ms caros de obtener. En afios recientes, ha habido un incremento sustancial en la cantidad de fuentes fuentes En aos recientes, ha habido un incremento sustancial en de datos publicadas (datos secundarios) disponibles para los pronosticadores. Las de datos publicadas (datos secundarios) disponibles para los pronosticadores. Las bibliotecas, fuentes gubernamentales, servicios computarizados organizaciones no bibliotecas, fuentes gubernamentales, servicios computarizados y organizaciones no lucrativas proporcionan grandes cantidades de datos estadisticos que se pueden emplear estadsticos que se pueden emplear en los pronsticos. La recoleccin de datos primarios requiere de la seleccin de los elementos que se recoleccin de primarios requiere de seleccin los elementos que se incluirn en la muestra. En este captulo se expusieron diversos mtodos para ello: muestreo capitulo aleatorio simple, muestreo sistemtico, muestreo por bloques y estratificado, muestreo a aleatorio simple, muestreo sistemtico, muestreo por bloques estratificado, muestreo juicio y muestreo por cuota o conveniencia. Si los elementos seleccionados son personas, y muestreo por cuota o conveniencia. Si los elementos seleccionados son personas, de acercarse a ellas caractersticas hay muchas formas de acercarse a ellas para determinar sus caracterIsticas y opiniones. Los cuestionarios correo, encuestas telefnicas y entrevistas personales son cuestionarios por correo, encuestas telefnicas y las entrevistas personales son los princirecoleccin se abordaron en este captulo. pales mtodos de recoleccin de datos que se abordaron en este capitulo.
APLICACIN EN ADMINISTRACIN APLICACIN EN LA ADMINISTRACIN
Las decisiones que enfrentan los administradores en todas las organizaciones requieorganizaciones requieLas 10 regular, cierta manipulacin anlisis es necesario ren, por lo regular, cierta manipulacin o anlisis de datos. Para tales anlisis es necesario disponibles apropiados, y captulo se refiere la recoleccin que estn disponibles los datos apropiados, y este capItulo se refiere a la recoleccin de pertinentes. la mayora importantes negocios dichos datos pertinentes. Ya que Ia mayorIa de las decisiones importantes en los negocios requieren anlisis, resulta en extremo importante tener a la mano conjunto requieren de anlisis, resulta en extremo importante tener a la mano el conjunto de datos para decisin. pertinentes pam esa decision. Se pueden efectuar muchas decisiones importantes en los negocios despus de Se pueden efectuar muchas decisiones importantes en los negocios despus examinar datos existentes, decir, con datos secundarios. Es importante que cada examinar datos ya existentes, es decir, con datos secundarios. Es importante que cada administrador est familiarizado con las fuentes secundarias de datos, tanto dentro de administrador est familiarizado con las fuentes secundarias de datos, tanto dentro de compaa como en agencias exteriores tales como gobierno, las bibliotecas y las la compafivacomo en agencias exteriores tales como gobierno, las bibliotecas y las universidades. Muchas situaciones de decisin se ven auxiliadas en gran medida por la situaciones de decision se yen auxiliadas en gran medida universidades. barata recoleccin de en las fuentes antes mencionadas. sencilla y barata recolecciOn de los datos existentes en las fuentes antes mencionadas.

74

Fuentes de datos Fuentes

CapItulo Captulo 3

an ms generalizada, en decisiones, necesidad reunir datos Es thin ms generalizada, en la toma de decisiones, la necesidad de reunir datos especficamente diseados para el problema en cuestin. La recoleccin de dichos datos especIficarnente diseados para el problema en cuestin. La recoleccin de dichos datos primarios se aborda en este capItulo; los administradores de empresas necesitan primarios se aborda en este captulo; los administradores de empresas necesitan familiarizarse con estas tcnicas, disear sus propios estudios de investigafamiliarizarse con estas tcnicas, tanto para disear sus propios estudios de investigacin, como para evaluar en forrna efectiva los esfuerzos de otros. En cualquier situacin fonna otros. datos reunieron analizaron de toma de decisiones es importante saber si los datos que se reunieron y analizaron decisiones importante saber si de toma resolver el problema y si representan los mejores datos posibles son los necesarios para resolver el problema y si representan los mej ores datos posibles para esta situacin. situacin. A continuacin se presentan varias preguntas que podrIan formularse los administravarias preguntas que podran los administradores de empresas en diversas circunstancias. La respuesta a cada pregunta implica la empresas en diversas circunstancias. La respuesta cada pregunta implica la dores un anlisis recoleccin de datos, ya sean primarios o secundarios, y la realizacin de un anlisis recoleccin de datos, ya sean primarios o secundarios, y realizacin adecuado mismos. del en este captulo adecuado de los mismos. La comprensin del material que se presenta en este capItulo es esencial para cada una de estas preguntas, si se van aaidentificar oorecolectar datos de estas preguntas, se van identificar recolectar datos es esencial pertinentes.

,Se incrementado la participacin en el mercado corno resultado de nuestra nueva Se ha incrernentado la participacin en el mercado como resultado de nuestra nueva campaa publicitaria? carnpafa publicitaria?
Cul es la opinion de la audiencia sobre nuestro nuevo equipo ancla de noticias la opinin de la audiencia sobre nuestro nuevo equipo ancla de noticias Cul televisivas?

Cu1 es el balance normal de compafilas sirnilares Cul es el balance normal de efectivo para compaas similares a la nuestra?

Qu piensan Qu piensan de nuestros servicios los miembros de nuestra unin de crdito? Qu nuestros servicios los miembros de nuestra union de crdito? ,Qu mejoras pueden sugerir?

Crno yen nuestros accionistas la efectividad del equipo Cmo ven nuestros accionistas la efectividad del equipo de administracin de la administracin de compaa? corn pa f a ?
Qu Qu tendencias econOrnicas son evidentes en nuestra industria con base en los sucesos econmicas son en los sucesos histricos?

,Cmo Cmo se relacionan nuestras ventas mensuales con los indicadores econmicos regiolos econmicos regionales importantes?

,Qu factores pueden identificar que afecten abstencionismo de Qu factores se pueden identificar que afecten el abstencionismo de nuestra fuerza fuerza laboral por tiempo?
Cul es la opinion de los compradores del area sobre nuestra tienda, en especial, compradores rea sobre nuestra tienda, en especial, Cu1 es la opinion comparada con nuestros principales competidores?

Cu1es son las actitudes de varios Cules son las actitudes de varios departamentos hacia el grupo de apoyo de cmputo cmputo de Ia compafila? la compaa?
Qu efecto tiene, pam los compradores, la posicin de los estantes para seleccionar los para Qu comestibles? cornestibles?

Cul Cul es el mercado de cajas de velocidades manuales diseadas para vehIculos de doble diseadas para vehculos de doble traccin?

CuI es la opmlOn de los visitantes de nuestra ciudad con respecto a compras, Cul es la opinion de los visitantes de nuestra ciudad con respecto a compras, restaurantes, hoteles, moteles y diversiones?

Captulo 3 CapItulo

Problemas

75

GLOSARIO

Fuentesprimarias dede datos. fuentes prirnarias de datos comprenden todos los Fuentes primarias datos. Las fuentes primarias de datos comprenden todos Las
recoleccin de datos originales. mtodos de recoleccin de datos originales. Fuentes secundarias de datos. Las fuentes secundarias de datos son datos ya publicados, de fuentes secundarias de datos publicados, reunidos para fines distintos los que el pronosticador investigador especfico reunidos para fines distintos a los que el pronosticador ooinvestigador especIfico la mano. necesita tener a la mano. Muestreo aleatorio. Las tcnicas de muestreo aleatorio aseguran que cada elernento en aleatorio. Las tcnicas de muestreo aleatorio aseguran que elemento inters misma incluido en la muestra. la poblacin de inters tenga la misma posibilidad de ser incluido en la muestra.

PROBLEMAS PROBLEMAS
1. Cul es 1. LCual es el papel de los datos secundarios en el proceso de pronstico? Cul el de los datos secundarios en el proceso de pronstico? ,Cul el de primarios? priniarios? 2. Cul es Ia ventaja de los datos primarios 2. L,Cul es la ventaja de los datos primarios en relacin con los secundarios? los secundarios? Sugiera algunos ejemplos de datos secundarios que sean tiles a los pronosticadores. 3. Sugiera algunos ejemplos de datos secundarios que sean i'itiles a los pronosticadores.
4. Cules seran las ventajas de utilizar cada uno de los siguientes mtodos para ilegar a los siguientes mtodos para llegar los ,Cules serIan las ventajas de utilizar cada uno de universidad para realizar una encuesta? estudiantes de su universidad para realizar una encuesta? a. Correo b. Telfono c. Entrevistas personales muestra aleatoria una no aleatoria? 5. Cul es la diferencia entre una muestra aleatoria y una no aleatoria? ,Cul es 6. Cules son las ventajas de cada una de las siguientes tcnicas de muestreo? de las siguientes tcnicas muestreo? ,Cules a. Muestra aleatoria simple simple b. Muestra en bloques c. Muestra por conveniencia d. Muestra al eatoria estrati ficada Muestra aleatoria estratificada e. Muestra sistemtica sistemtica f. Muestra a juicio A Julie Creston, administradora de la tienda depm1amental Bon Marche, le gustara desarrollar 7. A Julie Creston, administradora de la tienda departarnental Bon Marche, le gustarla desarrollar un modelo para pronosticar cada mes el nivel de reduccin del inventario, de modo que pudiera modelo cada mes el nivel de reduccin del inventario, de modo que tomar las precauciones adecuadas para prevenir prdidas. Julie sospecha que algunos robos han adecuadas para prevenir prdidas. Julie sospecha que algunos robos reducido el inventario. Exponga los tipos de fuentes de datos requeridos para investigar este fuentes de datos requeridos para investigar este reducido el inventario. Exponga los tipos problema. problerna. 8. La Reservacin India de Spokane est ubicada en Ia parte oriental de Washington, aproximadaLa Reservacin India de Spokane est ubicada en la parte oriental de Washington, aproximadamente 80 kilmetros al noroeste de la ciudad de Spokane. Las fronteras al este yyal sur de la mente 80 kilrnetros al noroeste de Ia ciudad de Spokane. Las fronteras al este al sur de la comprendidas 58 kilmetros de la orilla del lago Roosevelt. reservacin estn comprendidas por 58 kilmetros de la orilla del lago Roosevelt. Durante Dmante los ltimos dos aos, Ia tribu ha investigado el potencial para un sitio de desarrollo ltimos afios, la la confluencia el lago Roosevelt los los Spokane y Columbia. Los vacacional en la confluencia que tienen en el lago Roosevelt los rIos Spokane y Columbia. Los 10 planes tentativos incluyen la posibilidad de contruir lo siguiente: un parque recreativo vehicular, un motel (con habitaciones y foros para reuniones), una marina (un muelle y veleros para renta), renta), una operacin de renta de casas-flotantes, una tienda de abarrotes y aparejos de pesca, un una operacin de renta de casas-flotantes, una tienda de abarrotes y aparejos de pesca,

76

Fuentes de datos Fuentes

Captulo 3 Cap Itulo 3

merendero, un rea de playa y natacin, un centro cultural con tienda de regalos y un casino. cultural con tienda de regalos casino. merendero, un area de playa natacin, Adems, existe tambin inters en desarrollar un campo de golf. La tribu Spokane ha solicitado tambin inters Adems, desarrollar de golf. propuestas propuestas para un anlisis de mercado y un estudio de factibilidad para estos negocios. Antes un estudio de factibilidad para estos negocios. Antes de preparar su propuesta, necesita usted responder las siguientes cuestiones: propuesta, necesita usted responder las siguientes cuestiones: a. Enliste las fuentes primarias de datos que se usarlan en el desarrollo del anlisis de mercafuentes primarias de usaran desarrollo del anlisis de mercaEnliste do. Explique cmo se utilizarIa en el estudio cada una de estas fuentes.5 utilizara fuentes. 5 do. b. Enliste las fuentes secundarias de datos que se usarlan en el desarrollo del anlisis de merEnliste fuentes secundarias de datos usaran desarrollo del anlisis de mercado. Explique cmo se utilizarla en el estudio cada una de estas fuentes. utilizara estas fuentes. cado. 9. Uptown Radiology est desarrollando un centro medico de imgenes ms completo y tecnolUptown Radiology est desarrollando centro mdico de imgenes ms completo y tecnolgicamente avanzado que cualquier otro actualmente ubicado en el area de New England. Uptown rea Radiology solicit aa la empresa PMA Research que evaluara el mercado y realizara una Radiology solicit la empresa PMA Research que evaluara el mercado y realizara una proyeccin de utilidades para cinco aos. Algunos de los objetivos de este estudio sern: estudio sern: proyeccin utilidades para cinco aos. Identificar reas de mercado para cada tipo de procedimiento ofrecido por las nuevas Identificar areas de mercado para cada de procedimiento ofrecido por nuevas instalaciones. Reunir y analizar los datos que se tienen sobre los ingresos existentes en el rea de Reunir y analizar los datos que tienen sobre los ingresos existentes en el area mercado las nuevas instalaciones. niercado para cada tipo de procedimiento que se ofrece en las nuevas instalaciones. Identificar las tendencias en la rama de atencin a la salud que afecten positiva o Identificar las tendencias en Ia rama de atencin a salud que afecten positiva los procedimientos ofrecen las nuevas instalaciones. negativamente los ingresos por los procedimientos que ofrecen las nuevas instalaciones. ,Qu fuentes secundarias podrIan usarse para a. Qu fuentes secundarias podran usarse para elaborar este estudio? Qu fuentes b. Qu fuentes primarias podrIan usarse para elaborar este estudio? podran usarse estudio? 10. Localice en su biblioteca cada una de las siguientes publicaciones y registre una serie de tiempo su biblioteca de las siguientes publicaciones serie tiempo cada lUla durante varios periodos: Survey 01 Current Business, Statistical Abstract 01 the de cada una durante varios periodos: Survey of Current Business, Statistical Abstract of the United States, Standard and Poor's Statistical Service y Moody's Investors Service. Poor's Statistical Service y Moody's Investors Service. United States, Standard 11. Desarrolle un cuestionario para utilizar con estudiantes de su clase, para explorar sus actitudes Desarrolle cuestionario para utilizar con estudiantes de su clase, actitudes hacia los acontecimientos actuales en la nacin y en el campus. Incluya tambin preguntas acontecimientos actuales en nacin y en el campus. Incluya tambin preguntas hacia demogrficas como sexo, edad, especialidad, etc. Haga una prueba previa de su cuestionario previa de su cuestionario deniogrficas como sexo, edad, especialidad, etc. Haga solicitando comentarios aa sus compaeros de clase sobre puntos a mejorar. Suponga que las solicitando comentarios sus cornpaneros de clase sobre puntos a mejorar. Suponga que llenadas alimentarn cmputo y disee las preguntas pensando encuestas lienadas se alirnentarn en un programa de cmputo y disee las preguntas pensando en ello.

CASO DE ESTUDIO 3.1 ESTUDIO 3.1

fOOD PRODUCTS ARGYL FOOD PRODUCTS6

economa ann no graduado del Premier State College, se entusiasm Rob Arabicaf, un especialista en economIa an no graduado del Premier State College, se entusiasm al ser aceptado en lUl programa interno de verano en la Argyl Food Products Company. Recientemente, un Ia Argyl Food Products Company. Argyl absorbi a un competidor cuya lInea inclula diversos productos de caf. Dichos productos se Argyl un competidor cuya lnea inclua diversos Dichos productos se

5 "The Spokane Indian Tribe Feasibility Study, "Decision Science Institute Proceedings, New Orleans, Spokane Indian Tribe Feasibility Study, "Decision Science fnstitllte Proceedings, New Orleans,

1991.
6 6 This case was contributed by William C. Struning of the General Foods Corporation, Nueva York, contributed by William C. Struning the General Foods Corporation, Nueva York, This case Nueva York.

Captulo 3 Capitulo

Caso de estudlo estudio

77

asignaron a la division de bebidas de Argyl, dirigida por Sue Maxwell. El caf era nuevo para Argyl y divisin para Argyl proporcionara a Sue pens que necesitaba saber hacia dnde iba el mercado del caf. Pens que esto proporcionarla a Rob, el economista nefito de Argyl, un til proyecto. til siquiera La solicitud de Sue para que Rob prestara sus servicios fue aprobada y ste, quien ni siquiera bebla beba caf se vio de pronto enfrentado a elaborar una prediccin sobre la que Argyl basarIa una decision basara decisin clave. Si se estaba extendiendo la demanda de caf en los Estados Unidos, Sue colocarla fondos dave. Si se estaba extendiendo la demanda de caf en los Estados Unidos, Sue colocara fondos participacin en el mercado. Pero, si parecla que el potencial del considerables para tener una mayor participacin en el mercado. Pero, si pareca que el potencial del caf se contraIa, Sue considerarIa colocar los productos de caf de Argyl en una compaIa ms contraa, considerara colocar los productos de caf de Argyl una compaa ms caf especializada en ese campo. Rob podra tener mejor oportunidad proporcionar un pronstico realista y Rob pens que podria tener una mejor oportunidad de proporcionar un pronstico realista y confiable si aprendla un poco ms acerca del caf. Ya habIa tornado cursos que lo farniliarizaron con aprenda ms acerca del caf. Ya haba tomado familiarizaron tcnicas de formulacin de pronsticos. Decidi elaborar un anlisis preliminar o de Situacin, de modo formulacin de pronsticos. Decidi elaborar un anlisis preliminar o de situacin, de modo que su pronstico final fuera ms comprensible y til a la administracin. til Rob contact diversas personas dave en el grupo de caf heredado por Argyl. Le fueron de gran clave en el grupo de caf por ayuda, pues tenlan amplios antecedentes en los aspectos tcnicos del caf, pero en realidad no sabian tenan realidad no saban mucho respecto patrones amplios de consumo de caf. Asi, Rob se dio cuenta de que tendria mucho respecto a patrones amplios de consumo de caf. As, Rob se dio cuenta de que tendra que con su consumo en EUA. analizar publicaciones sobre el tema del caf, en particular las relacionadas con su consumo en EUA. dcada, la bsqueda habra Hace ms o menos una dcada, Ia bsqueda de literatura habria requerido de muchas horas de examinar ndices de tarjetas de publicaciones en las bibliotecas, as como el buscar en gulas de guas de examinar Indices de tarjetas de publicaciones en las bibliotecas, asI como el buscar peridicas. Pero Rob record que en biblioteca de universidad podia efectuar una publicaciones peridicas. Pero Rob record que en la biblioteca de la universidad poda efectuar una bsqueda por computadora de publicaciones disponibles. El bibliotecario ayud a Rob a conectarse a bsqueda un servicio denominado Dialog (Dialog Information Services, Inc.). Dialog es uno de muchos grandes servicios de informacin que ofrecen datos y textos va computadora (en lnea). Las ofertas de Dialog datos textos via computadora (en linea). Las ofertas de Dialog consisten consisten en ms de 100 bancos de datos, cada uno creado, actualizado y mantenido por una organizacin cada uno creado, actualizado y mantenido per una organizacin especializada en informacin para ese campo en particular. A Rob le satisfizo aprender que podia tener especializada informacin para ese en aprender que poda tener aun esta la mantiene y da servicio acceso a una de las bases de datos de Dialog, Coffeline, ann cuando esta base la mantiene y da servicio Organizacin Internacional del Caf Londres, Inglaterra. Cuando Rob cre un la Organizacin Internacional del Caf en Londres, Inglaterra. Cuando Rob se conect, se cre un tiempo conexin y volumen de informacin que conforman la base registro de su tiempo de conexin y volumen de informacin obtenida, datos que conforman la base para hacerle el cargo correspondiente. Rob se encontr con que haba muchas opciones sobre consumo de caf en EVA. Seleccion una habla consumo caf en EUA. Seleccion una inclua impresin que inclula un breve resumen de cada artculo, as como su referencia bibliogrfica. Para leer artIculo, asI como su referencia bibliogrfica. Para leer origina!. Varias compaas que ci texto completo de un artIculo dado, habrIa tenido que obtener el texto original. Varias compauiIas que el artculo habra trabajan a travs de Dialog proporcionan impresiones de textos completos. Por desgracia, este servicio disponible no est disponibie para Coffeline. No obstante, la lectura de los resmenes le proporcionaron muchos Ia lectura de los resmenes le rea inters pudo localizar completos varios artculos relacionados, acercamientos a su area de inters y pudo localizar textos completos de varios articulos relacionados, contactando directamente a los editores. a los A continuacin, Rob decidi investigar si existia algn pronstico previo publicado sobre el continuacin, investigar exista algn pronstico publicado EVA. Si haba disponible tal estudio, podria utilizarlo sin ocupar tiempo otros consumo de caf en EUA. Si habIa disponibie tal estudio, podra utilizarlo sin ocupar tiempo y otros recursos en elaborar su propio pronstico. En esta ocasin seleccion otra base de datos de Dialog, PTS base de datos de Dialog, PTS Forecasts creadores Forecasts Abstracts. Los creadores de esta base de datos, Predicasts, se especializan en resumir cualquier de datos, Predicasts, se especializan en resumir cualquier pronstico que puedan encontrar en iiteratura impresa y en poner a disposicin los resmenes a los literatura impresa disposicin los resmenes a los pronstico suscriptores de Dialog. Buscando en el tema de caf en EVA, Rob encontr una proyeccin general de caf en EUA, Rob encontr una proyeccin general de consumo que prepar y public originalmente una agencia del gobierno. Pero tendrIa que hacer de todos originalmente agencia tendra consumo modos su propio pronstico, pues los datos que tena a mano no presentaban subdivisiones (por edad, tenIa a mano no presentaban subdivisiones (por edad, s proporcionaban buenos con los que podra ingreso, etc.), aunque 51 proporcionaban buenos parmetros de consumo agregado con los que podria comparar su propio trabajo.

78

Fuentes de datos

Captulo 3 CapItulo 3

Internacional del Caf era A travs de su uso de Dialog, Rob aprendi que la Organizacin Internacional del Caf era la fuente mundial ms importante de datos sobre caf. Su solicitud aaesta organizacin se vio recompensada datos sobre caf. Su solicitud estaorganizacin vio recompensada al recibir datos sobre el consumo de caf en EUA. Para determinar qu modelo usar para su pronstico, EUA. un paquete de software estadstico para realizar un anlisis exploratorio. Una simple grfica de us un paquete de software estadistico para realizar un anlisis exploratorio. Una simple grfica de series de tiempo y un correlograrna (exhibicin de autocorrelaciones para varios periodos [se abordan correlograma (exhibicin de autocorrelaciones para varios periodos [se abordan en el cap. 4]), sugirieron que habla en los datos una suave tendencia a la baja y un patron estacional. haba patrn estacional. Pareca tambin que haba extremos", Parecia tambin que habia diversos "valores extrernos", v.gr. valores muy por afuera del nivel general. Rob tuvo entonces que decidir si hacia la prediccin atenuando y extrapolando los datos en el futuro haca denominado en el de negocios como anlisis tcnico), o si haca inferencias (con frecuencia denominado en el mundo de los negocios como anlisis tcnico), 0 Si hacia inferencias a partir de las relaciones entre los datos de caf y otras series de datos. Rob no estaba al tanto de que de datos. Rob no al existen modelos que conibinan estos dos enfoques. combinan estos dos enfoques. haba podra De lo que habja aprendido hasta ahora, Rob pens que la cantidad de caf consumido se podrIa al menudeo o el ingreso personal explicar mediante influencias externas, corno el precio del explicar mediante influencias externas, como el precio del caf al menudeo o el ingreso personal disponible. Si, por decir, el consumo de caf y el ingreso estuvieran relacionados, serla posible consumo caf y el ingreso estuvieran relacionados, sera posible disponible. Si, por decir, consumo estadstica, pronosticar el consurno para varios niveles de ingreso. Record, de un curso bsico de estadIstica, que poda consumo de podia medir y proyectar las relaciones de consurno de caf y otras variables por medio de tcnicas de correlacin y regresin. De ahi que decidi explorar el enfoque de las relaciones. ah decidi explorar el enfoque de las relaciones. computadora Realizar un anlisis de regresin en una coniputadora es relativamente rpido y fcil, siempre relativamente rpido fcil, siempre los datos Rob se dio cuenta de que que se tengan disponibles y listos para utilizar todos los datos necesarios. Rob se dio cuenta de que ya que no tena los datos a la mano, la mayor palie de su trabajo consistira en localizar, copiar e introducir tenja los datos ala mano, Ia mayorparte trabajo consistirIa en localizar, copiar e introducir Por desgracia, Rob no tena acceso a servicios como Data Services, Inc., datos en su computadora. Por desgracia, Rob no tenIa acceso a servicios como Data Services, Inc., 1. Wharton I. P. Sharpe o \Vharton Electronics, los cuales se especializan en mantener en lnea series econmicas especializan en linea series econmicas directamente mediante un modern al espacio de trabajo de computadora. Pero Rob para cargar directamente mediante un mdem al espacio de trabajo de una computadora. Pero Rob servicio, Information, Inc. (Cn), pone en lnea estadsticas de precio y localiz un servicio, Commodity Information, lnc. (CII), que pone en Ilnea estadIsticas de precio y incluyendo caf. cn tambin proporciona software para permitir volumen para diversos productos, incluyendo caf. CII tarnbin proporciona software para permitir aa analizar los datos recibidos de ellos. Al tener disponible la informacin, Rob ejecut sus clientes analizar los datos recibidos de ellos. Al tener disponible la inforrnacin, Rob ejecutO mltiples diagramas y regresiones rniiltiples (vase cap. 6), para decidir qu variables independientes seran tiles cap. 6), para decidir qu variables independientes serian tiles para explicar el consurno de caf. consumo Rob pens que este anlisis preliminar le haba sido en extremo til para el diseo de su proyecto pensO que este anlisis prelirninar le habia sido en extremo i'itil para ci diseo de su proyecto fom1al tena objetivo un conocimiento caf y varias ideas formal de pronstico. Ahora tenia un objetivo claro, un conocimiento bsico del caf y varias ideas sobre lo que producia los cambios en el consumo del caf. Aderns, podia ahora presentarle a sujefa, produca los can1bios el consun10 del caf. Adems, poda su jefa, Sue Maxwell, Sue Maxwell, las estirnaciones de cunto le llevarIa terminar su proyecto y cunto costaria. De gran estimaciones de cunto llevara terminar proyecto costara. estas estimaciones paquete de cmputo de administracin proyectos que Sue ayuda para estas estimaciones fue un paquete de cmputo de adrninistracin de proyectos que Sue compr para l, de que pudiera afinar sus planes y estimaciones, as como mantener un Maxwell cornpr para l, de modo que pudiera afinar sus planes y estimaciones, asI como mantener un control del avance del proyecto.

PREGUNTAS
1. Cul es Ia finalidad de realizar un anlisis preliminar? Es siempre necesario? Puede usted ,Cul la finalidad de realizar un anlisis prelirninar? ,Es siempre necesario? Puede usted justificar ci tienipo y costo de realizar un anlisis de este tipo? este tipo? el tiempo

Qu alternativas 2. Qu otras altemativas pudo utilizar Rob al realizar ci anlisis preliminar? el


3. Qu otras bases de datos con infOlmacin de caf podra haber consultado Rob dentro de Dialog? Dialog? ,Que informacin podrIa

Captulo 3 CapItulo

Caso de estudio

79

Qu otros servicios de datos numricos o estadsticos hubiera 4. ,Qu otros servicios de datos numricos o estadIsticos pudo utilizar Rob, si hubiera las cuotas correspondientes? pagado las cuotas correspondientes?

CASO DE ESTUDIO 3.2

SOLOMON'SJEWELRY SOLOMON'S JEWELRY


Solomon's es una importantejoyerIa ubicada en uno de los ms prestigiosos centros comerciales en importante joyera ubicada en uno de los ms prestigiosos centros comerciales en aos Houston. A lo largo de los afios ha desarrollado una excelente reputacin de manejar productos finos, desarrollado una excelente reputacin de manejar productos finos, presidenta la la seleccionados para atraer a Ia gente que desea productos de calidad. La Sra. Solomon, presidenta de la compaa, tienda tiene una clientela leal ingresos, que en su mayora se muestran compaflia, piensa que su tienda tiene una clientela lea! de altos ingresos, que en su mayorIa se muestran satisfechos con el servicio que reciben en Solomon's. El nico problema grave que Solomon observa que reciben en ilnico problema grave que Solomon observa en el horizonte cercano es que un nuevo e importante competidor planea abrir una tienda en el mismo mismo comercial dentro meses. Aunque cadena de centro comercial dentro de dos meses. Aunque su competidor es un comerciante de una cadena de No obstante, tiendas, tiende a enfatizar en mercancla de alta calidad. No obstante, la Sra. Solomon se siente segura mercanca de que su empresa puede competir efectivamente haciendo nfasis en Ia lmnea distintiva de los productos empresa puede competir efectivamente haciendo nfasis en la lnea distintiva productos largo plazo con los clientes la alta calidad de su servicio. que maneja, su compromiso a largo plazo con los clientes y la alta calidad de su servicio. Mr. Wind, contratado recientemente como vicepresidente de comercializacin, es el responsable vicepresidente de comercializacin, es el responsable de velar porque los esfuerzos de comercializacin se diseen para complementar las prcticas de porque los esfuerzos de comercializacin se diseen complementar las prcticas de comercializacin anteriores, as como contrarrestar los efectos de los esfuerzos comerciales del nuevo asi contrarrestar los efectos de los esfuerzos comerciales del nuevo competidor. Wind, quien fue profesor en la universidad local, asI como consultor durante mucho tiempo Wind, quien fue profesor en as para la industria de joyera al menudeo, est en general complacido con lo que ve en Solomon's. El plan joyerIa al menudeo, est en general complacido con lo que ye en Solomon's. El plan de comercializacin est bien diseflado y coordinado, los productos son adecuados para el mercado comercializacin est diseado y coordinado, los productos son adecuados para el mercado objetivo, los precios son altos pero compatibles con la calidad del producto, los vendedores son compatibles con calidad producto, vendedores objetivo, los precios son altos conocedores y amables y los esfuerzos promocionales parecen efectivos. efectivos. Despus de varias semanas en su nuevo empleo, Wind decide visitar las tiendas del nuevo nuevo empleo, tiendas del nuevo Despus de varias semanas competidor existentes en Dallas, para tratar de juzgar el impacto que podrIa tener en las operaciones de DalIas, podra operaciones Solomon's. Una evaluacin cuidadosa de Ia tienda del competidor parece indicar que est enfocada a evaluacin la tienda del competidor parece indicar que est enfocada a clientela de ingresos superiores y que proporciona un servicio corts y amistoso. Sin embargo, su lnea servicio corts y amistoso. Sin embargo, su lInea menos distintiva, tambin es aproximadamente un 20% ms barata. de productos, aunque es un poco menos distintiva, tambin es aproximadamente un 20% ms barata. A su regreso a Houston, Wind le sugiere a la Sra. Solomon elaborar una encuesta para saber a Sra. Solomon ms sobre los problemas potenciales que su empresa pudiera enfrentar al abrirse la nueva tienda. ms sobre los problemas potenciales que su empresa pudiera enfrentar al abrirse la nueva tienda. Ella est de acuerdo con este pl~n. As, si usted fuera Wind, cmo respondera a las siguientes Ella est de acuerdo con este plan. Asi, si usted fuera Wind, ,cmo responderia a las siguientes preguntas?

PREGUNTAS
l. A quin deberia contactar? debera ,A

j,Cmo 2. Cmo se les deberIa contactar? debera


3. Cundo se les deberla contactar? debera Cundo 4. Qu preguntas se les deben hacer? Que

80

Fuentes de datos

Captulo 3 CapItulo 3

CASO DE ESTUDIO 3.3 ESTUDIO 3.3

MR. TUX MR.


John Mosby, propietario de varias tiendas Mr. Tux, est comenzando a pronosticar la variable ms Mosby, propietario de varias tiendas Mr. Tux, comenzando a pronosticar la variable ms importante de su negocio, las ventas mensuales en dlares. (Vanse los casos de estudio Mr. Tux en los Perot, reuni los datos de ventas que se presentan en captulos capItulos 1 y 2.) Una de sus empleadas, Virginia Perot, reuni los datos de ventas que se presentan en el caso del captulo 2. Al pensar cmo hacer un pronstico efectivo, siente curiosidad sobre la precisin capitulo Al crno hacer un pronstico efectivo, siente curiosidad sobre precision de estos datos. conversacin con Virgina, l aprendi que la recoleccin de datos no fue tan sencilla En una conversaciOn con Virgina, l aprendi que la recolecciOnde datos no fue tan sencilla corno pensaba al asignarle esta tarea. Ella encontr la mayor parte de las cifras de ventas en los libros tarea. encontr de las de libros como mayores de contabilidad, pero faltaban algunos. Con una sola excepcin, pudo reconstruir los volmenes una sola excepcin, pudo reconstruir los volmenes partir de otros registros con la asistencia de la compafia de ventas a partir de otros registros contables y con la asistencia de Ia compaiiIa de contabilidad que lleva los libros de la empresa. de El valor faltante, el de marzo de 1986, no se pudo localizar. Despus de estudiar los patrones de datos, Virginia decidi estimar este valor para completos los aos de datos de ventas datos, Virginia decidi estimar este valor para tener completos los ocho aos de datos de ventas mensuales. Ella razon que era probable que su estimacin estuviera cerca del valor real faltante y que faltante esfuerzo sera cualquier esfuerzo de pronstico no serIa desechado. Despus de observar los valores de ventas durante este periodo se decidiO por un valor de $26 901 para marzo de 1986 (este dato se muestra en el caso del de 1986 (este dato se muestra en el caso del se decidi captulo 2). capItulo 2). Despus de escuchar su historia, Jolm estuvo de acuerdo en que su enfoque era razonable historia, John estuvo que l efectuara no se veran afectados de manera adversa por la estimacin que y que los pronsticos que l efectuara no se verIan afectados de manera adversa por la estimacin que hizo ella. Al final de la reunion, Virginia pregunt a John qu pensaba acerca de realizar una encuesta a reunin, Virginia pregunt Al final lo ocupado que estaba Esta posibilidad no se le haba Jolm, clientes de rentas anteriores. Esta posibilidad no se le habia ocurrido a John, con lo ocupado que estaba a administrando el negocio y concentrado en el desarrollo de algunos pronsticos. Cuando le pregunt a sugera Virginia por qu sugerIa una encuesta, ella dijo:

cOmo estamos trabajando ante los ojos de nuestros clientes. A veces Creo que seria bueno saber cmo estamos trabajando ante los ojos de nuestros clientes. A veces he oIdo quejas sobre diferentes aspectos, pero no s si se trata de incidentes aislados o si hay odo aspectos, pero se trata de incidentes aislados o si hay fomlas en que podamos mejorar sustancialmente la forma de conducir el negocio. formas en sustancialniente la forma de conducir el negocio.

PREGUNTAS
1. Cmo hubiera usted manejado el problema del dato faltante? ,Crno hubiera usted manejado el problema del dato faltante?

,Cul 2. Cul es su opinion respecto a la idea de Virginia de realizar una encuesta? opinin realizar

CASO DE ESTUDIO 3.4 3.4

CONSUMER CREDIT COUNSELING CREDIT COUNSELING


Marv Hamishfeger, Director empresa descrita en el Mary Harnishfeger, Director Ejecutivo de Consumer Credit Counseling (CCC), empresa descrita en el captulo 1 (caso de estudio 1.2), estaba explicando la operacin aa Dorothy Mercer,recientemente elegida capItulo (caso de estudio 1.2), estaba explicando Ia operacin Dorothy Mercer, recientemente elegida del Comit Marv le indicaba que le gustara entender mejor tres mercados: Presidenta del Cornit Ejecutivo. Mary le indicaba que le gustaria entender mejor tres mercados:

Captulo CapItulo 3

Caso de estudio

81

1.

El problema de administracin de deudas: Un cliente enfrenta a menudo crisis financieras administracin deudas: Un cliente enfrenta a menudo crisis financieras El problema (posible bancarrota) y CCC le proporciona un programa alternativo denominado programa de de de deudas, para evitar la bancarrota. administracin de deudas, para evitar Ia bancarrota.

2. Educacin: Educacin secundaria, educacin sobre compras racionales parael hogar, Planeacin Educacin: Educacin secundaria, educacin racionalespara el hogar, Planeacin Corporativos. Financiera Bsica, Educacin sobre Presupuestos Corporativos.
personas 3. Ayudafinanciera aamayores: Este es un nuevo programa de CCC diseflado para ayudar a personas Ayudafinanciera mayores: ste es un nuevo programa de CCC diseado mayores a consolidar sus chequeras, pagar cuentas, negociar con acreedores yymanejar problemas sus chequeras, pagar cuentas, negociar con acreedores manejarproblemas mdicos. medicos.
Mary Ic explic a Dorothy que, en su opinin, CCC tena un problema de crecimiento y que sentIa Dorothy opinion, tenIa Marv le crecimiento y que senta

la necesidad de planear de manera estratgica su mejor colocaciOn en los tres mercados durante los de manera estratgica colocacin en los tres mercados durante los
siguientes aos. enlistar preguntas sobre el mercado siguientes tres afios. Dorothy estuvo de acuerdo y comenz a enlistar varias preguntas sobre el mercado ella pensaba necesitaban responderse. Mary interrumpiO Dorothy a la una objetivo que ella pen saba necesitaban responderse. Marv interrumpi aa Dorothy a la mitad de una le Marv siguiente lista: oracin y Ic pidi que escribiera su lista de preguntas. Dorothy entreg a Mary la siguiente lista:

,Quienes Quines son nuestro mercado?


Est creciendo?, si es asI, qu tan rpido? si es as, qu ,Est

Dnde est el Dnde est ci mejor mercado? mercado? Hacia Hacia dnde nos deberIamos expandir? deberamos
,Que Qu tan rpido podemos esperar la expansion? esperar la expansin? ,Cmo Cmo podemos determinar nuestra clientela bsica en cada mercado? ,Cmo Cmo podemos identificar nuestra penetraciOn actual? penetracin ,Cmo Cmo podemos determinar nuestro punto de saturaciOn? punto de saturacin? ,CuIes son los Cules son los pronsticos para el uso de crdito? Cul el estos pronsticos? Cul es ci pronstico para estos pronOsticos?

algunas de las preguntas de Dorothy, Marv le proporcion el Para intentar responder algunas de las preguntas de Dorothy, Mary le proporcionO a Dorothy ci penetracin del mercado, de la National Consurner siguiente documento, relativo a la penetraciOn del mercado, de la National Foundation for Consumer al Credit (Fundacin Nacional para Crdito al Consumidor): 1992, Desde la aparicin del informe de actividades de 1992, hemos recibido varias preguntas acerca del uso e interpretaciOn de los datos. Esta semana, queremos abordar la penetraciOn de mercado de e interpretacin datos. Esta semana, queremos abordar la penetracin mercado de nuestras actividades, para examinar si estamos ampliando el servicio a todos aquellos que lo necesitan. estamos ampliando ci servicio a todos aquellos que lo necesitan. Definida llanamente, la penetracin de mercado es una medida de cmo una actividad cubre una actividad cubre una Definida ilanamente, la penetraciOn de mercado es una medida de cmo necesidad. digamos que se tienen un milln de personas que viven en su area de servicio. Por ejemplo, digamos que se tienen un milIOn de personas que viven en su rea de servicio. Esto rea (alrededor de 2.5 personas por familia). significa que hay probablemente 400 000 familias en su area (airededor de 2.5 personas por familia). mercado de las sesiones Si efectu las primeras 1 000 sesiones de consultora en 1992, su penetracin de mercado de las sesiones efectuO las primeras 000 sesiones consultoria sera de serIa de 1 000 sesiones divididas entre 400 000 casas = .0025 sesiones por familia. Para trabajar con nmeros ms grandes, multiplicamos por 1 000 para obtener la penetracin por cada mil casas, lo que nmeros multiplicamos por 000 para obtener la penetracin por cada mu casas, lo resulta 2.5 sesiones por cada mu familias. mil familias. cmo se calcula la penetraciOn, las mejores preguntas son, qu Despus de definir cOmo se calcula la penetracin, las mejores preguntas son, qu tan grande es nuestro mercado y cul es una "buena" proporcin de penetracin de mercado? Para la primera parte Para primera de esta pregunta, los expertos opinan que las familias que actualmente requieren de nuestros servicios las famiiias que actualmente requieren de nuestros servicios varan entre un 3 y un 15%. Seamos conservadores y elijamos ci 5% de las familias como ci grupo actual un conservadores y elijamos el 5% familias como el grupo actual varlan de familias que necesitan nuestra ayuda.

82

Fuentes de datos

Captulo 3 CapItulo

Usando el ejemplo de las sesiones de consultora, esto significarla que de las 400000 familias en consultorla, 400 000 significara rea consultora de inmediato. Para cubrir la demanda actual, nuestra area de servicio, 20 000 necesitan de consultorIa de inmediato. Para cubrir la demanda actual, requerira proporcin de penetracin de mercado de 50.0, contra nuestra proporcin de 2.5 se requerirIa de una proporcin de penetracin de mercado de 50.0, contra nuestra proporcin de 2.5 sesiones por cada mil casas. Nuestra actividad de 2.5 sera de alrededor del 5% lo necesitaramos sesiones por cada mu casas. Nuestra actividad de 2.5 serIa de airededor del 5% de to que necesitarIamos para cubrir a todos los que necesitan ayuda. los que necesitan ayuda. A nivel nacional, hay 92 millones de familias en nuestra rea de servicio, de las cuales 4.6 millones hay area servicio, las cuales 4.6 millones inmediata. Realizamos cerca de 600 000 sesiones de consultoria necesitan ayuda inmediata. Realizarnos cerca de 600000 sesiones de consultora o cerca del 13% de dcl los que tenemos ese grupo necesitado. Es obvio que tenernos por delante mucho trabajo si queremos atender a los que Es necesario que avancemos intentando lograr tasas de penetracin de 50 por cada mil lo necesitan. Es necesario que avancernos intentando lograr tasas de penetracin de 50 por cada mu familias queremos farnilias si querernos ser una asociacin de servicio completo de costa a costa. Recuerde que aquellos a los que no atendemos son los principales candidatos para Ia quiebra, que no atendemos son los principales candidatos para la quiebra, Recuerde ser atendidos por otros servicios de consultora lucrativos, por clnicas sin escrpulos de para ser atendidos por otros servicios de consultorla no lucrativos, o por clinicas sin escrpulos de "reparacin de crditos". Si trabajamos en conjunto en coordinado, podemos estar "reparacin de crditos". Si trabajamos en conjunto en un esfuerzo nacional coordinado, podemos eStar seguros de que vivimos para cumplir nuestra misin de ser un "servicio" para los necesitados. ser "servicio" para los necesitados.

TAREA
l. Enliste las fuentes primarias de datos necesarios para desarrollar un anlisis de mercado. Explique Enliste la utilidad de cada fuente primaria. 2. Enliste las fuentes secundarias de datos necesarios para desarrollar un anlisis de mercado. fuentes secundarias datos necesarios para desarrollar un anlisis de mercado. Enliste Explique Ia utilidad de cada fuente secundaria. la 3. Escriba un mernorando para Mary que evali'ie el enfoque utilizado por la Fundacin para evale ci enfoque utilizado por la Fundacin para Escriba un memorando para Marv determinar la penetracin en ci mercado. el

CASO DE ESTUDIO 3.5 ESTUDIO 3.5

ESTUDIO DE FACTIBILIDAD DE MERCADO ESTUDIO DE DE


compaa local La McMillian Development Corporation solicit a una compaflIa local de investigacin que realizara un estudio de factibilidad de mercado, para determinar los factores de mercado que afectaran el xito factores de mercado que afectarian el xito de un club atltico en el centro comercial de Northwood en Peyton, Wisconsin. La investigacin abarca cornercial de Northwood en Peyton, Wisconsin. investigacin el demogrficos, et anlisis de datos dernogrficos, datos sobre flujo de trfico, imagen percibida de los competidores y rea potencial de crecimiento. concluirse Mark Craze, analista investigador de la compaa area potencial de crecirniento. Al concluirse el estudio, Mark Craze, analista investigador de Ia companIa prepar el siguiente inforn1e. de investigacin, prepar el siguiente informe.

OBJETIVOS
de este estudio consisten en determinar: Los objetivos de este estudio consisten en determinar: Si la poblacin (en especial entre 18 y 54 aos) del area de Northwood es lo suficientemente 18 54 aos) del rea de Northwood es 10 suficientemente Si grande grande para aportar un ni:irnero satisfactorio de miembros para el nuevo club. nmero satisfactorio de miembros para el nuevo club. Si los residente1 del rea estn interesados en afiliarse a un club atltico. residente~ del area estn interesados en afiliarse atltico. Si los residente del area pueden cubrir Ia afiliacin al club atltico propuesto. residenteS del rea cubrir la afiliacin al club atltico propuesto. Si un club atltico con una atmsfera moderna tiene el potencial de atraer socios de las Si un club atltico con una atmsfera moderna tiene el potencial de atraer SOCIOS de las membresas de los ciubes existentes. clubes existentes. membresias

Captulo 3 Capitulo

Caso de estudio

83

METODOLOGA METODOLOGfA
metodologas para realizar este estudio son Las metodologIas utilizadas para realizar este estudio son Un anlisis de informacin demogrfica para el area principal de mercado de Northwood, informacin demogrfica para ci rea principal mercado Northwood, Un anlisis incluyendo una investigacin sobre crecimiento potencial. incluyendo Una comparacin estadstica de los datos demogrficos del rea principal de mercado de Una comparacin estadIstica de los datos demogrficos del area principal de mercado de Northwood con el area principal de mercado del Westwood Athletic Club de Cadott, mercado del Westwood Athletic Club Cadott, Northwood con ci rea principal Wisconsin. Un anlisis del flujo de trfico en el area de Northwood, utilizando fuentes secundarias de anlisis flujo de trfico en el rea de Northwood, utilizando fuentes secundarias de entrevistas personales. investigacin y entrevistas personales. Investigacin de Ia imagen percibida los competidores del rea, mediante entrevistas Investigacin de la imagen percibida de los competidores del area, mediante entrevistas personales con afihiados a Ia competencia. afiliados la Un anlisis del sitio propuesto a travs de una observacin personal. travs una observacin personal.

ANLISIS ANALISIS
La ubicacin El desarrollo propuesto se pretende ubicar en una superficie de 3 600 metros cuadrados en la parte desarrollo propuesto pretende ubicar en superficie de metros cuadrados se West Salnave Road al norte de suroeste del centro comercial de Northwood, mismo que se localiza en West Salnave Road al norte de lmites los ilmites de la ciudad de Peyton, hacia el oeste de Main Street y ocupa casi una cuadra a travs de ci oeste Main Street y ocupa casi una travs Salnave Road desde la Northwest. Sainave Road desde La secundaria Northwest. El centro comercial de Northwood aproximadamente Accesibilidad. El centro comercial de Northwood est aproximadamente a 1.6 kilmetros de Main la la ciudad de Peyton usada con ms frecuencia en direccin norte-sur. La Street, que es Ia arteria de Ia ciudad de Peyton usada con ms frecuencia en direccin norte-sur. La a Peyton. mayora de Ia poblacin que vive al norte del centro, pasa cerca de Northwest en sus viajes a Peyton. mayorIa la fcil acceso para Tambin, el centro comercial est bordeado por Walnut Street, que proporciona un fcii acceso para ci al los residentes que viven a! sur y suroeste. circundante. El centro comercial de Northwood consta de aproximadamente 11 200 metros Medio circundante. El centro comercial de Northwood consta de aproximadamente 11 200 metros cuadrados de espacio rentable, que actualmente ocupan 27 arrendatarios. Hay espacios disponibles para ms de 900 automviles. El centro se encuentra ubicado en un vecindario suburbano de gran afluencia al norte de la ciudad de vecindario suburbano de gran afluencia al norte de la ciudad de Peyton. sitio de compras disponible ms cercano al vecindario est aproximadamente a cinco Peyton. El sitio de compras disponible ms cercano al vecindario est aproximadamente a cinco kilmetros al sur de la calle Main o a 15 minutos al norte del centro de Dayton, Wisconsin. 15 minutos del de Dayton, Wisconsin. Desarrollo del rea. Todo indica que continuar un patrn continuo de crecimiento norte de La ciudad Desarrollo del area. Todo indica que continuar un patron continuo de crecimiento alal norte de la ciudad edificios de la de Peyton. Se construyeron edificios de oficinas a lo largo de Ia calle Nlair. y el desarrollo de negocios Mair. y ci desarrollo a to largo de esta arteria principal norte-sur, contina desplaznJose hacia el norte. Un inforine de lo largo de esta arteria principal norte-sur, continua desplazndose hacia ci forte. Un infol1ne investigacin sobre bienes ralces en ci condado de Peyton, efectuado en ci otoo de 1993, indica lo investigaciOnsobre bienes races en el condado de Peyton, efectua::io en el otoo de 1993, indica lo siguiente: l. El nmero de registros de hipotecas en el Condado de Peyton en el segundo y tercer trimestre de nmero ci ci segundo y tercer trimestre de 1992. 1993, aument sustanciaimente con respecto al mismo periodo de 1992. sustancialmente 2. El nmero de nuevos lotes fue alto, tanto en la parte noroeste del condado como en Ia ciudad de la rn'imero de nuevos lotes fue alto, tanto en la parte noroeste del 1992 1993. Peyton en 1992 y 1993.

84

Fuentes de datos

Captulo 3 Cap Itulo 3

3. En 1993 se registraron un gran nUmero de unidades de condominios en la parte noreste del 1993 se registraron un gran nmero condominios en parte noreste del condado de Peyton. 4. Datos recientes muestran que el nmero de ventas de residencias en el condado de Peyton se muestran que el nmero de ventas de residencias en el condado de Peyton se increment en los dos ltimostrimestres y que parece aumentar el precio promedio de venta en increment en los dos ltimos trimestres y que parece aumentar yenta en el tercer trimestre de 1993. 5. El desempleo en el condado de Peyton est disminuyendo sustancialmente. el condado de Peyton est disminuyendo sustancialmente.

Flujo del trfico. El flujo del trfico en el rea de Northwood parece correr, por to general, de norte lo de del area
a sur. Una encuesta de comercializacin realizada por estudiantes de mercadotecnia de Ia Universidad de comercializacin realizada por estudiantes de mercadotecnia de la Universidad Whitewater, en Whitewater, en el centro comercial de Northwood, mostr que la mayora de los clientes viene a comprar mayoria los clientes viene a comprar Safeway, Giant-T otros acuden a realizar actividades especficas. La mayora de los a Safeway, algunos a Giant-T y otros acuden a realizar actividades especIficas. La mayorIa de los compradores proviene de las cercanas compradores proviene de las cercanIas y acude ms por comodidad que por preferencia de alguna tienda. por comodidad que por preferencia de alguna tienda. la prefiere viajar al sur, hacia el centro de Peyton, para cubrir sus necesidades de Es evidente que la gente prefiere viajar al sur, hacia ci centro de Peyton, para cubrir sus necesidades de compras mayores.

La competencia

Northtown Racquet Club. Este club se ubica a un kilmetro y medio de la calle Metro sobre Ia calle la Main. tenis, cuatro de raquetball y una piscina exterior, un Main. Las instalaciones tienen seis canchas de tenis, cuatro de raquetball y una piscina exterior, un saln, un jacuzzi. El club tiene planeado para el prximo ao convertir una de salon, saunas, un gimnasio y unjacuzzi. El club tiene planeado para el prximo afio convertir una de
las canchas de tenis en una piscina cubierta. Tiene alrededor de 1 000 socios, 900 de los cuales provienen tenis en una piscina cubierta. alrededor 1 000 socios, 900 de los cuales provienen del rea de mercado de Northwood. La cuota familiar inicial para elel club de tenis es de 300 dlares, area mercado de Northwood. La cuota familiar inicial para club de tenis es de 300 dlares*, con cuotas mensuales de $30 dlares y una tarifa de 3 dlares por hora de uso de las canchas. La cuota individual inicial es de 200 dlares, con cuotas mensuales de 25 dlares y Ia misma tarifa de 3 dlares es 200 dlares, con cuotas mensuales de 25 dlares y la misma tarifa de 3 dlares de uso de las canchas. Aunque est establecida la tarifa hora de uso de las canchas, por hora de uso de las canchas. Aunque est establecida Ia tarifa por hora de uso de las canchas, entrevistas indican que bajado. Las ventajas desvcntajas de entrevistas con socios del club indican que las tarifas han bajado. Las ventajas y desventajas de este del club son las siguientes:

Ventaj as Ventajas
1. El club est bien establecido y tiene una buena reputacin por su tenis. una buena reputacin por su tenis. 2. Est convenientemente ubicado en una arteria principal. ubicado en una arteria principal. 3. Hay gran disponibilidad de las canchas durante ci dia. las canchas durante el dia.

Desventaj as Desventajas
1. El area de estacionamiento es inadecuada. rea es inadecuada.
2. Tiene fama de estar ma! administrado. estar mal 3. El club posee una atmsfera agradable, aunque no particularmente atractiva para farnilias o club posee una atmsfera agradable, aunque no particularmente atractiva para fan1ilias o individuos de altos ingresos.

Eagles Lodge. Este club est ubicado a tres cuadras al este de Ia calle Main, sobre la calle Metro. Las la instalaciones incluyen cinco canchas de raquetball, una piscina cubierta de 8 por 15 metros, salOn, un saln, un sauna, un jacuzzi y gimnasios para hombres y mujeres. El club tiene 10 800 socios varones, de los hombres mujeres. 10 varones, sauna, un jacuzzi gimnasios
* Las cantidades anotadas en esta obra estri dadas en dlares de EUA y son ilustrativos. (N. del T.) '" Las cantidades anotadas en esta obra estn dlares EVA y son ilustrativos. (N. del T.)

Captulo 3 CapItulo

Caso de estudlo estudio

85

cuales, entre S 000 Y6 000 provienen del rea norte de Peyton. Se estima que de estos socios entre 5 y 6 000 del area norte de Peyton. Se estima que de estos socios entre Y3 sao provienen del rea de mercado de Northwood. mayora las 2 000 y 3 500 provienen del area de mercado de Northwood. La mayorIa de la gente proviene de las reas del censo, al este de la calle Main. Las cuotas de membresa son de 40 dlares al ao y la tarifa areas del censo, al este de la calle Main. Las cuotas de membresla son de 40 dlares al afio y la tarifa para las canchas de raquetball es de 2 dlares por hora. Ventajas Ventaj as 1. El club est bien establecido y posee la reputacin de ser el ms grande de Ia cadena a nivel est bien establecido posee la reputacin ser el ms grande de la cadena a nivel nacional. 2. Tiene una ubicacin conveniente sobre una arteria principal. ubicacin conveniente sobre una arteria principal. 3. Proporciona instalaciones tanto sociales como de salud. instalaciones tanto sociales como de salud. 4. Es en extrerno econmico. extremo S. Hay gran disponibilidad de las canchas durante el dia. disponibilidad de las durante el dia. Desventajas Desventaj as 1. Debido a lo econmico de sus cuotas tiende a tener miembros de grupos de ingresos menores. de sus cuotas tiende a tener miembros de grupos de ingresos menores. 2. La atmsfera del club es agradable, pero no especialmente atractiva para familias o individuos familias y altos. de ingresos medios y altos. 3. En ocasiones, las instalaciones estn demasiado concurridas por la tarde. estn concurridas por la tarde.
que podrIa afectar potencialmente esta situacin Whitewater University Whitewater University Aquatic Center. Otro factor que podra afectar potencialmente esta situacin es el centro acutico de la Universidad Whitewater. La primera etapa (piscina cubierta), estar concluida Ia Universidad Whitewater. La primera etapa (piscina cubierta), estar concluida y abrir al pblico en el otoflo. Las etapas subsecuentes comprenden raquetball, gimnasio para damas, pblico otoo. damas, etapas etc. instalaciones no sern lujosas pero s mejores que las de Eagles Lodge y es probable que etc. Las instalaciones no sern lujosas pero si mej oresque las de Eagles Lodge y es probable que las compitan con las de Northtown.

Resumen de entrevistas con socios de Ia competencia. Los entrevistadores consideraron que el de entrevistas con socios de la competencia. Los entrevistadores consideraron mercado real est constituido por profesionales y empresarios. Indicaron que las instalaciones de constituido profesionales y empresarios. Indicaron que las instalaciones de mercado real Northtown estaban diseadas en un nivel medio. Consideraron que el Northtown estaban diseadas en un nivel medio. Consideraron que el Peyton Club tenIa mejores tena mejores instalaciones. Las instalaciones de Eagles Lodge se consideraron de nivel bajo, orientadas a un segmento instalaciones consideraron nivel bajo, orientadas un segmento de menor ingreso de la poblacin. Se opin que si se ubicaban las instalaciones en la parte forte, ingreso poblacin. opin que ubicaban instalaciones en norte, probablemente solo atenderIan a gente de los alrededores del centro comercial y que esto constituirla slo atenderan centro comercial y que esto constituira una base de poblacin inadecuada. inadecuada. Datos demogrficos El rea principal de mercado propuesta para el club atltico comprende las zonas del censo 103.01, 103.0 1,area 103.02, 105.01, 105.02, 106, 107, 108, 109, 110, 111, 112.01 y 112.O2ylazona8,queestdentro 103.02, 1OS.OI, 10S.02, 106, 107, 108, 109, 110, 111, 112.01 y 112.02 y la zona 8, que est dentro de los lmites de la ciudad de Peyton. En la tabla 3.1 se presenta la poblacin reportada en el Censo lImites de Ia ciudad de Peyton. En Ia tabla 3.1 se presenta la poblacin reportada en el Censo de 1990 para cada zona del censo. Aproxirnadamente el 30% de la poblacin del area principal de Aproximadamente rea Ia poblacin mercado vive al norte de Northwood. Un total de S 337 personas o el 11 % de la poblacin vive en mercado vive a! forte de 5 337 personas o el 11% de la poblacin vive en el area de Northwood (zona 105.01). El 59% restante de Ia poblacin vive a! sur o a! sureste del IOS.01). S9% la al al del el rea area rea de Northwood.

86
TABLA 3.1 TABLA 3.1 POBLACiN EN REA POBLACION EN EL AREA PRINCIPAL DE MERCADO MERCADO
CENSO ZONA DEL CENSO 103.01 103.02 103.02 105.01 105.02 105.02 106 106 107 107 108 108 109 109 110 111 III 112.01 112.01 112.02 112.02 Zona 8 Total

Fuentes de datos

Cap Itulo 3 Captulo

POBLACION POBLACIN
2,568 6,742 5,337 4,830 4,104 804 3,815 1,141 4,129 4,848 2,465 2,966 5,139
48,888

En la tabla 3.2, se presenta un resunien de los datos demogrficos del area principal de mercado. resumen del rea principal de mercado. niuestran que el 64.5% Los datos muestran que el 64.5% de las personas empleadas son trabajadores de oficina. Una cuarta personas empleadas son trabajadores de oficina. Una cuarta las personas empleadas se clasificaron como directivos o profesionales. Casi el parte de las personas empleadas se clasificaron corno directivos o profesionales. Casi el 52% de la poblacin tena una edad que oscilaba entre 18 y 54 aos. Ms de Ia mitad de los hogares tuvieron aos. la los hogares poblacin tenla una edad que oscilaba entre 18 ingresos superiores a $2 5000. La mediana del ingreso por hogar fue de $22 689. Por ltimo, la poblacin superiores a $22 ltimo, Ia poblacin en el area de mercado se incrernent en promedio 2% anual desde 1980, mientras que el nmero de rea increment en promedio 2% anual desde 1980, mientras que el nrncro de aproximadamente. hogares aument en promedio un 4% anual, aproxirnadamente. aurnent

TABLA 3.2

DEMOGRFICOS PARA EL AREA PRINCIPAL DEL DATOS DEMOGRAFICOS PARA EL REA PRINCIPAL DEL MERCADO OBJETIVO OBJETIVO
54,999 1998 Proyeccin 1998 50,990 Estirnacin 1993 Estimacin 1993 48,888 1990 Censo 1990 38,862 1980 Censo 1980 25.8% Porcentaje de carnbio, 1980-1990 de cambio, 1980-1990 4.3% Porcentaje de carnbio, 1990-1993 de cambio, 1990-1993 31.4% 1.4% 0-17 26.5% 18-34 18-34 25.3% 3554 35-54 9.3% 55-64 7.5% 65+ 29.8 la en la poblacin Mediana Mediana de Ia edad en Ia poblacin total 40.7 Mediana de Ia edad en Ia poblacin adulta Mediana la la poblacin 5,447 Directivo/prof. 5,44 7 Tec.ladmvo. Tec./adrnvo. 4,581 Ventas 3,428 3,428 13,456 13,456 Total empleados oficina Total empleados Prod/mfra/reparacin 2,091 Prodlrnfra!reparacin

Poblacin

Poblacin por edad Poblacin

Ocupacin

Captulo Capitulo 3

Caso de estudio
(continuacin) (con finuaciOn)

87

TABLA 3.2 3.2

Educacin

Hogares

Poblacin

hogar* Ingreso por hogar*

domicilio Unidades en domicilio

Operadores maq. 729 Obreros/trans!etc. 1,771 Obreros/trans/etc. Total obreros Total Agrop/Forestal/Pesca Agrop/ForestallPesca Servicios Total empleados Total desempleados Fuerza total de trabajo trabajo Graduados de secundaria (solamente) Graduados Graduados universidad Mediana aos cursados Proyeccin 1998 1998 1993 Estimacin 1993 Censo 1990 1990 Censo 1980 1980 1980-1990 Porcentaje de cambio, 1980-1990 Porcentaje Porcentaje 1990-1993 Porcentaje de cambio, 1990-1993 Poblacin hogares Hogares con menores de 18 Hogares con menores Hogares Hogares c/personas mayores de 65 65 Poblacin familiar Poblacin no familiar cuartos Agrupacin por cuartos Tamao promedio del hogar promedio del Tamao proinedio de Ia familia promedio la familia Familiares familiares No familiares $ 0-$7,499 $ 7,500-$ 9,999 $ 7,500-$ 9,999 $10,000-$14,999 $15,000-$24,999 $ 15,000-$24,999 $25,000-34,999 $25,000 -34,999 $35,000-$49,999 $50,000-$74,999 $75,000+ Mediana del 1998) Mediana del ingreso por hogar (proy. 1998) Mediana del ingreso por hogar (est. 1993) Mediana del ingreso 1993) Mediana del ingreso 1990) Mediana del ingreso por hogar (censo 1990) Ingreso per capita (Censo 1990) cpita (Censo 1990) (Censo 1990) Ingreso promedio por hogar (Censo 1990) Casas Condominios Condom inios 1 unidad 2-5 unidarles unidades +5 unidades +5 Casas mviles casas Mediana del valor casas la mensual Mediana de Ia renta mensual Valor promedio condominio

4,591 279 2,529 20,855 1,706 22,561 64.0% 22.9% 12.93 18,272 16,510 15,517 10,456 48.4% 6.4% 46,242 7,436 2,543 41,790 4,452 1,040 2.98 3.34 12,512 3,005 8.9% 4.0% 7.7% 25.0% 24.2% 21.0% 6.9% 2.3% $33,207 $26,383 $22,245 $ 8,402 8,402 $25,036 17,182 1,097 $13,805 727 1,796 854 $61,536 $ 232 $ $67,711

* estimacin 1993. 1993.

88

Fuentes de datos

Captulo 3 Cap Itulo

la infornlacin La tabla 3.3 pretende resumir Ia inforniacin demogrfica ms relevante. La tabla 3.4 se dise para comparar el rea principal de mercado con el area que atiende ci el area principal de mercado con el rea que atiende el dise Westwood Athletic Club de Cadott, Wisconsin. Despus de estudiar la mernbresIa de Westwood, se Cadott, estudiar membresa que alrededor del 95% de sus socios provienen de Cadott, Howard, Howard Lake o Rockford. concluy que airededor del 95% de sus socios provienen de Cadott, Howard, Howard Lake o Rockford. ah se compararan datos demogrficos de estas reas rea principal de mercado De ahI que se compararan los datos demogrficos de estas areas con el area principal de mercado objetivo. rea de mercado de Northwood tiene una gran poblacin, aproximadamente 41.4% El area de mercado de Northwood tiene una gran poblacin, aproximadamente 41.4% ms habitantes que en el area de Westwood. Tarnbin, el area de Northwood tiene 45.7% ms poblacin en el rea de Westwood. Tambin, el rea de Northwood tiene 45.7% ms poblacin entre 18 y 54 aos de edad. La mediana del ingreso por hogar result tarnbin ser 39.6% ms alta en el del ingreso por hogar result tambin ser 39.6% ms alta en el area rea de Northwood. el Athletic Club, la frmula Un estudio de factibilidad realizado para el Westwood Athletic Club, us Ia siguiente formula factibilidad realizado deternlinar si rea de Cadott apoyara las nuevas instalaciones: para determinar si el area de Cadott apoyarla las nuevas instalaciones:

Membresa Membresia activa (% Pob.(18-54 a?Ios Pob. del condado) Estudiantes universitarios (% Pob.(18-54 aos xxPobo del condado) -- Estudiantes universitarios
formula Considerando que Ia poblacin del condado no es aplicable en Ia decisin de N0l1hwood, una frmula la pobiacin la decision de Northwood, ms precisa seria: sera:

Membresa activa Membresla Pobo del rea de mercado (18-54 aos) - Estudiantes universitarios Pob. del area de mercado (18-54 aflos) Estudiantes universitarios
cuenta los valores membresa Se debe tener en cuenta que los valores de membresla activa son estimaciones estrictamente basadas mejor informacin. estimacin para el area de mercado de Westwood se bas 1953 en la mejor informacin. La estimaciOnpara el rea de mercado de Westwood se bas en 1953 mernbresIas para el Westwood Athletic Club y una estirnaciOn de 1 575 utilizada en 1992 para sus membresas para ci Westwood Athletic Club estimacin de 575 utilizada en 1992

competidores. Es iniportante tornar en cuenta que muchas personas pudieran pe11enecer a ambos clubes pertenecer imp0l1ante tomar o que pudieran babcrsc cambiado a! Westwood Club. Por este motivo, Ia estirnaciOn para el area de haberse cambiado al Westwood Club. Por este motivo, la estimacin para ci rea mercado de Westwood se calcui corno 1 953 + 1 575 -- 500 = 3 028. se calcul como 1 + 1 575 500 = 3 028.
TABLA 3.3 TABLA 3.3
RESUMEN DE DATOS DEMOGRAFICOS RESUMEN DE DATOS DEMOGRFICOS
POBLACION POBLACIN TOTAL
48,888 50,990

AO AIO
1990 1993

TOTAL HOGARES
15,517 16,510 16,510

POBLACION POBLACIN HOGARES


46,242 48,209

TAMAO TAMAO PROMEDIO PROMEDJO HOGAR 2.98 2.92

MEDIANA INGRESO POR HOGAR PORHOGAR


$22,245 $26,383

TABLA 3.4 REA PRINCIPAL DE MERCADO COMPARADA CON EL AREA DE MERCADO 3.4 AREA PRINCIPAL MERCADO COMPARADA CON REA MERCADO DE WESTWOOD
NORTHWOOD NORTH WOOD Poblacin Poblacin Poblacin (18-54) Poblacin (18-54) Hogares Familias Estudiantes universitarios Mediana del ingreso Mediana del ingreso por hogar Membresia Membresa en clubes modernos Membresa en clubes como % de poblacin no universitaria entre poblacin universitaria MernbresIa en clubes como 18 y 54 aflos de edad aos 18 y 48,888 25,324 15,517 12,512 1,200 $22,245 3,250 13.5%

WESTWOOD
28,649 13,751 11,227 7,609 1,600 $13,705 3,028 24.9%

Versin estudiantil de Forecast PIus Plus VersiOn estudiantil

89

La estimacin para Northwood se basa en 900 socios de Northtown, 2 500 de Eagles Lodge y Northtown, 2500 de Eagles Lodge y 100 de Peyton Club, que residen en el rea de mercado. 100 de Peyton ci area niercado.

CONCLUSIONES
1. La poblacin base entre 18 y 54 aos de edad en el rea de mercado de Northwood pareciera ser pobiacin aflos de edad en el area de mercado de Northwood pareciera ser suficientemente grande para apoyar al club atltico. 2. El gran nmero de directivos, profesionales y empleados de oficina pareciera ser un buen mercado pareciera ser mercado nrnero directivos, empleados para un club atltico moderno de clase aita. alta.

prornedio 3. El ingreso promedio por hogar pareciera ser ser buen mercado para un club atltico moderno de clase alta.
4. El nico competidor directo serla ci Northtown Racquet Club, que actualmente tiene1 000 socios. El nico competidordirecto sera el Racquet Club, queactualmentetiene 1 000 socios. 5. La rnayoria de las personas que compran en ci centro cornercial de Northwood proviene de los mayora el comercial alrededores inmediatos. Se requerira de una fuerte estrategia de mercadotecnia para ampliar el airededores inmediatos. requerirla de fuerte de ampliar el rea fronteras tendra que area principal de mercado a las fronteras que se incluyen en este estudio. La gente tendrIa que estudio. viajar de ocho a trece kilmetros para participar en un club atltico moderno; no obstante, habra kiirnetros en un club atltico moderno; no habria que venderics la idea. venderles la idca.

PREGUNTAS
,Qu l. Qu fuentes secundarias de datos us Mark Craze para realizar este estudio? realizar estudio?
2. Qu fuentes primarias de datos us Mark Craze para realizar este estudio? dc Mark Craze para realizar este estudio? Que 3. Qu otras fuentes de datos pudo haber utilizado para realizar esta investigacin? ,Qu otras fuentes datos utiiizado 4. Est usted de acuerdo con los resultados? dc los resultados? ,Est

VERSIN ESTUDIANTIL DE FORECAST PLUS VERSION ESTUDIANTIL DE FORECAST PLUS

Al final de cada capItulo, se presentar un ejempio del uso de Forecast Plus, utilizando los final captulo, ejemplo Forecast Plus, utilizando los datos de Consumer Credit Counseling. Estos datos comprendern el nmero de nuevos Consumer Credit Counseling. datos comprendern nmero de nuevos datos atendidos por cee en el periodo de enero de 1985 a mayo de 1993. En esta seccin clientes atendidos por CCC en ci periodo de enero de 1985 a mayo de 1993. En esta seccin se rnostrar cmo utilizar los programas de administracin de datos para establecer un programas administracin de datos para establecer un se mostrar cmo utilizar archivo de datos. Los programas Los programas de adrninistracin de datos se ejedutan seleccionando la opcion uno administracin de datos ejecutan seleccionando opcin uno (1) del menu principal de Forecast Plus. men principal de Forecast Plus. (1) Los programas le permiten crear, modificar, transformar e imprimir archivos de datos. penniten transfonnar e implimir archivos de datos. vez reunidos los datos histricos, usted utilizar los programas de administracin de Una vez reunidos los datos histricos, usted utiiizar los programas de administracin de datos para introducir stos en Ia computadora y almacenarlos en disco. De modo que es datos para introducir stos en la computadora y almacenarlos en disco. De modo que los programas administracin sean los primeros que utilice. probable que los programas de administracin de datos sean los primeros que utilice. Todos los programas de adrninistracin de datos se pueden ejecutar por separado programas administracin de datos pueden ejecutar por separado Todos tecleando el nmero funcin el men de administracin datos: tecleando el nmero de la funcin deseada en el menu de adrninistracin de datos:

90

Fuentes de datos

Captulo 3 Cap itulo

Data file name: file name:

(NONE)

Data Data Management Menu * ** Menu ***


l. 2. 3. 4. 5. 6. 7. 8. 9. Enter new data Enter Edit an existing data file Edit an Edit an existing labels file file Edit an Print a data file file Print a Transform a data file a data file adjustment Trading day adjustment data files Restructure/merge data files DIF format files Read/write DIF format files Change parameter table change parameter Batch editor editor Return to main menu

la.
11.

Which?

1: Captura de datos nuevos Programa 1: Captura de datos nuevos


Despus elegir Enter new data (Introducir datos nuevos), el programa le preguntar a Despus de elegir Enter new data (Introducir datos nuevos), el prograrna le preguntar a qu archivo de datos desea agregarios. Para este ejemplo, liamaremos a nuestro archivo archivo de datos desea agregarlos. Para este ejemplo, llamaremos a nuestro archivo CREDIT. Teclee CREDIT. Si oprime <Ese>, la operacin se anular y el sistema regresar oprirne <Esc>, la operacin se anular y el sistema regresar men de administracin de datos. Si escribe la palabra dave FILES. mostrar al menu de adrninistracin de datos. Si escribe la palabra clave FILES. se mostrar un disco. directorio del disco. Si escribe ci nombre de un archivo existente, el programa supondr que desea agregar el el ms datos al final de ese archivo. Si teclea ci nombre de un archivo nuevo, ci sistema le ms final de ese archivo. teclea el nombre archivo nuevo, el sistema indicar que el archivo no existe rnediante ci mensaje: el archivo no existe mediante el mensaje:
B:CREDIT does not existo The data file B:CREDIT does not exist.

y le preguntar si desea crearlo mediante el mensaje: desea crearlo mediante mensaje:


Do you want to create it (y/n)? it (y/n)? Do you want to
L-----

~
~

Oprima Y y <Enter> Y <Enter> archivo datos, en realidad archivos. contiene los Para cada archivo de datos, hay en realidad dos archivos. Uno contiene los datos reales el otro contiene informacin de etiquetado respecto a los datos. mientras que ci otro contiene inforrnacin de etiquetado respecto a los datos. Por ejemplo, si crea un archivo llamado CREDIT, estar creando tambin un archivo de etiquetas si crea un archivo llamado CREDIT, estar creando tambin un archivo de etiquetas CREDIT.LBL. etiquetas siempre tienen la extensin .LBL. denominado CREDIT.LBL. Los archivos de etiquetas siempre tienen Ia extension .LBL. El nombre del archivo de datos puede contener opcionaimente la designacin de la archivo datos puede contener opcionalmente la designacin de El nombre unidad. El nombre sigue las mismas convenciones que en el sisterna operativo IBM DOS. unidad. las mismas convenciones el sistema operativo DOS.

Versin estudiantil de Forecast PIus Forecast Plus Version

91

Un nombre Un nombre de archivo puede ser de hasta ocho caracteres; no debe haber espacios archivo puede ser de hasta ocho caracteres; no debe haber espacios intermedios. Si no se especifica la letra de la unidad, el programa utilizar la letra letra intermedios. Si no se especifica la letra de la unidad, el programa utilizar especificada en la tabla de parrnetros. La letra de la unidad se puede especificar agregando parmetros. La letra de la unidad se pued agregando (v.gr. un prefijo al nombre del archivo (v.gr. B:). Un nombre de archivo puede tambin tener una extensin de urio a tres caracteres, B:CREDIT. uno tres caracteres, B:CREDIT. extension Si est creando un nuevo archivo de datos, ser necesario introducir informacin de Si est creando archivo datos, ser necesario introducir informacin de etiquetas, la cual se alrnacenar en el archivo .LBL. Su uso principal consiste en controlar almacenar en el archivo .LBL. etiquetas, la uso principal consiste las etiquetas en las impresiones. Ya que estamos creando un nuevo archivo de datos llamado impresiones. estarnos creando un nuevo archivo de datos liamado CREDIT nuestro disco de datos est en la unidad B:, el de etiquetas se denominar CREDIT y nuestro disco de datos est en la unidad B:, el archivo de etiquetas se denorninar la pantalla mostrar la siguiente informacin: B:CREDIT.LBL y la pantalla mostrar la siguiente informacin:

*** Labels File Creation *** Labels

Creating labels file B:CREDIT.LBL labels of variables: Number of variables: of labeling: Type of labeling: Starting label: label: Starting observation: observation:
1

YEAR

of observations between each label: Number of observations between each label: of the labels: 1 Increment of the labels:

Esta es la inforrnacin que se alrnacenar en el archivo .LBL. Ntese que dos de los sta la informacin almacenar en el archivo .LBL. Ntese que parmetros, etiqueta inicial (Starting labe!) y nrnero de observaciones entre cada etiqueta observaciones entre cada etiqueta parmetros, etiqueta inicial (Starting label) y nmero (Number olobservations between each labe!), no presentan valor por omisin. La creacin (Number of observations between each label), no presentan valor omisin. de un archivo de etiquetas consiste solo en introducir Ia inforrnacin para cada una de las archivo etiquetas consiste slo en introducir la informacin una de las preguntas. Se pueden emplear las teclas de flecha hacia arriba y hacia abajo para mover el cursor. Si se presiona se anular el procedimiento de registro de datos. se anular el procedimiento de registro de datos. cursor. Si
Nmero variables (Number variables). Este nmero corresponde Nmero de variables (Number of variables). Este nImero corresponde al nmero que habr en el archivo de datos. valor por omisin es una variable. nmero de variables que habr en el archivo de datos. El valor por omisin es una variable. nuestro ejemplo, tenemos variable: nmero de clientes atendidos. Para nuestro ejemplo, tenernos una variable: nmero de clientes atendidos. Tipo de etiquetas (Labeling Type). El valor por omisin de tipo de etiquetas es (Labeling Type). El valor por omisin de que maneja Forecast Plus son YEAR (ao), MNTH (mes), DAY (da) YEAR. Los tipos que maneja Forecast Plus son YEAR (ao), MONTH (mes), DAY (dIa) NUMBERED (numerada). comprendern todos requerimientos posibles y NUMBERED (numerada). Estos tipos cornprendern todos los requerimientos posibles el se en la impresin. lo regular hay diversas opciones de etiquetado, que ser ci que se use en la impresin. Por lo regular hay diversas opciones apropiadas de etiquetado para cualquier conjunto de datos dado. Por ejemplo, para los datos conjunto datos dado. ejemplo, los datos podemos escoger tres etiquetas posibles. mensuales de nuestro ejemplo, podernos escoger tres etiquetas posibles. Ya que eligiremos YEAR, queremos usar 12 observaciones entre cada etiqueta (cada observacin YEAR, tambin queremos usar 12 observaciones entre cada etiqueta (cada observaciOn representar Si elegimos MNTH, podramos representar un mes). Si elegirnos MONTH, podrIarnos especificar una observacin entre

92

Fuentes de datos

Captulo 3 CapItulo 3

cada etiqueta. DAY no serla una etiqueta adecuada, ya que no tenemos informacin diana. sera etiqueta adecuada, no tenemos infonnacin diaria. NUMBERED pudiera ser una etiqueta apropiada; se podra poner el ao NUMBERED pudiera ser una etiqueta apropiada; se podrIa poner el afio en el nmero inicial nmero 12 en el nmero de observaciones entre variables. y 12 en el nmero de observaciones entre variables.

Etiqueta Etiqueta inicial (Starting label). sta sera Ia etiqueta real para el primer dato (Starting label). Esta serla la etiqueta real primer dato reunido. Ya que seleccionamos YEAR como el tipo de etiqueta, Ia etiqueta inicial podrIa reunido. seleccionamos tipo de etiqueta, la etiqueta inicial podra el ao en el que se recolectaron nuestros primeros datos (v.gr., 1985). Si el ser ci ao en el que se recolectaron nuestros primeros datos (v.gr., 1985). Si el tipo fuera MONTH, la etiqueta inicial podra ser del 11al 12 (v. gr., Ene. = 1, Feb. = 2, Mar. = 3, MONTH, Ia etiqueta inicial podrIa ser del al 12 (v. gr., Ene. = 1, Feb. = 2, Mar. etc.). tipo fuera la = 1, etc.). Si el tipo fuera DAY, Ia etiqueta inicial podra ser del 1 al 7 (v. gr., Dom = 1, Lun. inicial podrIa ser del 1 al 7 (v. gr., Mar. = 3, etc.). Si el tipo fuera NUMBERED, simplemente se registra el nmero de = 2, Mar. = 3, etc.). Si el tipo fuera NUMBERED, simplemente se registra el nmero de la etiqueta inicial. Ntese que la etiqueta inicial para los tipos MONTH y DAY contendr etiqueta inicial para los tipos MONTH y DAY contendr datos codificados, es decir, que no se puede registrar ENERO; en vez de ello se debe datos codificados, es decir, que no puede registrar ENERO; en ello se debe registrar el nmero 1 para la etiqueta inicial. nmero 1 para la etiqueta inicial.
Observacin Observacin inicial (Starting observation). La observacin inicial se refiere a la la primera de infonnacin reunida. En nuestro ejemplo, el primer punto para prirnera pieza de infornTlacinreunida. En nuestro ejemplo, el primer punto de datos es para as l. el mes de enero, asi que usamos un 1. Si la informacin ms antigua que pudimos encontrar pudirnos marzo de 1985, la etiqueta inicial sera 1985 y la observacin inicial sera 3. fue de marzo de 1985, la etiqueta inicial serIa 1985 y la observacin inicial serIa 3. Como no tenemos inforrnacin para enero y febrero, nuestro conjunto de datos Corno no tenemos infonnacin para enero y febrero, nuestro conjunto datos comienza marzo. cornienza con marzo.
Nmero de observaciones entre coda etiqueta observaciones cada etiqueta NUmero

of observations (Number of observations

between each label). No existe valor por omisin para este nrnero, por lo que between each label). No existe valor por ornisin para este nmero, por lo que se tendr valor en esta pregunta. En nuestro ejemplo, doce observaciones que asignar un valor en esta pregunta. En nuestro ejemplo, hay doce observaciones entre ao. valor de 1 significa que cada etiqueta etiqueta, esto es, 12 meses cada etiqueta, esto es, 12 meses en cada ao. Un valor de 1 significa que cada etiqueta representa un valor de datos valores datos etiqueta. Por representa un valor de datos y que no hay otros valores de datos entre cada etiqueta. Por ejemplo, si sus datos tienen etiqueta YEAR y especifica como el nmero de ejemplo, si 5US datos tienen la etiqueta YEAR y especifica 1 como ci nmero de
1

observaciones entre etiqueta, se recolect un elemento de infonnacin observaciones entre cada etiqueta, significa que se recolect un elernento de informacin cada aflo. ao.
etiquetas (Increment labels). incremento las Incremento de las etiquetas (Increment of the labels). El incremento de las etiquetas siempre tendr un valor por omisin de 1, es decir, que cada vez que cambie una etiquetas siempre tendr un valor por ornisin de 1, es decir, que cada vez que cambie una etiqueta en Ia irnpresin, se incrementar en uno. la impresin, La creacin del archivo de etiquetas queda ahora de Ia siguiente manera: la siguiente

of variables: Number of variables: of labeling: Type of labeling:

YEAR

Starting label: label: 1985 1 Starting observation: 1 of observations between each label: 12 Number of observations between each label: 1 Increment of the labels: of the labels: 1 Press ENTER to accept: to accept: Press

Versin estudiantil de Forecast PIus Plus VersiOn estudiantil

93

<Enter>, significa que satisfecho con etiquetas y Si presiona <Enter>, significa que est satisfecho con la informacin de etiquetas y sta se alrnacenar en el archivo .LBL. Si presiona la tecla de flecha hacia arriba, podr arriba, sta almacenar en el archivo .LBL. Si presiona la tecla de modificar de nuevo la inforrnacin. la informacin. Etiquetas de labels). la infonnacin de Etiquetas de variables (Variable labels). Una vez concluida la inforrnacin de etiquetas, se le solicitar que introduzca Ia etiqueta (LABEL), para cada una de las variables la (LABEL), para de en el archivo. Una etiqueta de variable puede tener hasta 20 caracteres de longitud y puede archivo. variable tener hasta 20 caracteres de incluir cualquier carcter del teclado, excepto la coma, incluyendo espacios, nmeros y incluir cualquier carcter dcl teclado, excepto la coma, incluyendo espacios, nmeros caracteres especiales. Sin embargo, el primer carcter de la etiqueta de variable debe ser caracteres especiales. Sin embargo, el primer carcter de la etiqueta de variable debe trata simplemente de descripcin de la variable que se incluir en todas una letra. Se trata simplemente de una descripcin de la variable que se incluir en todas las salidas. Para nuestros ejemplos la etiqueta de la variable es: ejemplos etiqueta de la variable es: las

NUMBER OF CLIENTS OF CLIENTS

Despus de terminar de introducir la(s) etiqueta(s) de la(s) variable(s), estar listo para introducir los datos. Dependiendo de si se trabajando con archivos de una varias introducir los datos. Dependiendo de si se est trabajando con archivos de una o varias variables, se seleccionar autornticamente el programa apropiado de registro de datos. Para datos. automticamente prograrna apropiado de primer registro es: nuestro ejemplo el primer registro es:

Record

1: 1:

1985

(1) (1)

> >

<

Una vez terrninada la captura de datos para la variable cliente, Ia pantalla mostrar lo tenninada captura datos para la variable cliente, la pantalla mostrar lo Una siguiente:
Record Record 99: 100: 1993 (3) 1993 (3) 1993 (4) 1993 (4) 199

> >

<

Deber presionar <Esc>, y el prograrna le preguntar si desea: 1. Almacenar los datos en Deber presionar <Esc>, y programa le preguntar si desea: 1. Almacenar los datos disco, 2. regresar a la modalidad de capturaledicin, o 3. Salir sin almacenar los cambios. la modalidad captura/edicin, disco, 2. Salir sin almacenar los cambios. y finalmente la eleccin, cul?, sta seria 1: sera 1: cul?, Y finalmente

you want to: Do you want to: l. Save the data on disk Save the data 2. Re-enter the entry/edit mode Re-enter the 3. Exit without saving the changes Exit without

Which?

El disco de datos contiene ahora dos archivos: CREDIT y CREDIT.LBL. de datos contiene ahora dos archivos: CREDIT y CREDIT.LBL.

94

Fuentes de datos

Capitulo 3 Captulo

Pronstico mediante hojas de clculo Pronstico mediante hojas


Esta seccin le mostrar crno introducir etiquetas (encabezados y ttulos), as como datos en cmo etiquetas (encabezados tItulos), asI como datos una hoja de clculo de Lotus. Las etiquetas y datos a capturar corresponden al ejemplo 4.1. clculo Lotus. etiquetas datos a capturar corresponden

Captura de etiquetas etiquetas


1. Coloque ci apuntador de celda en Ia celda A 1y escriba VERNON' S MUSIC STORE. el apuntador la STORE. Al Yescriba VERNON'S <Enter>. Presione <Enter>.

Ntese que lo que escribi aparece en la ilnea de captura del panel de control y no en en lnea captura de control y no en la comienza con un Ia celda. Si cornienza con un carcter alfabtico, el indicador de modalidad mostrar alfabtico, el indicador de modalidad mostrar Si comienza con un nmero, el indicador de modalidad mostraLABEL (etiqueta). Si comienza con un nmero, el indicador de modalidad mostra(valor). Lotus lmites de flexibles que r VALUE (valor). Lotus tiene Ilmites de celda flexibles que le permiten ingresar ms el ancho de la celda. etiquetas rns largas que el ancho de la celda.
el 2. Coloque el apuntador de celda en A2 y escriba NUMBER OF VCR'S SOLD (nmero VCR'S SOLD (nmero <Enter>. de VCR [videocaseteras vendidas). Presione <Enter>. escriba MONTH (mes). Presione <Enter>. 3. Coloque el apuntador de celda en A4 y escriba MONTH (mes). Presione <Enter>. de en 4. Coloque el apuntador de celda en A5 y escriba JANUARY (enero). Presione <L> A5 y escriba JANUARY (enero). Presione <1> Coloque el apuntador Advierta que la tecla Advierta que la tecia de flecha hacia abajo mueve el apuntador de celda en esa direccin apuntador la tenninando a Ia siguiente celda, A6. Registre el resto de los meses terrninando con DECEMBER en la (diciembre) en ia celda A16. 5. Posicione ci apuntador de celda en la celda B4 y oprima una vez la barra espaciadora el apuntador celda la celda B4 y oprima una vez la espaciadora NUMBER (nmero). El espacio le centrar la etiqueta y escriba despus NUMBER (nmero). El espacio le permite centrar la etiqueta dentro de La celda. de la <L>. Contine 6. Coloque el apuritador de celda en Ia celda 136 y escriba 123. Presione <1>. Continiie apuntador en la celda B6 y escriba capturando los hasta escribir 160 B 16. capturando los datos, hasta escribir 160 en la columna B16. La hoja de clculo en este se ve como momento se ye corno se muestra en la fig. 3.1. 7. A continuaciOn necesitamos establecer el directorio actual con ci fin de poder grabar continuacin necesitarnos estabiecer el el grabar actual archivo. Seleccione IFILE IFD. Usted seleccion FILE del nuestro archivo. Seleccione /FILE DIRECTORY o /FD. Usted seleccion FILE del submen. solicitar el directorio men plincipal DIRECTORY menu principal y DIRECTORY del subrnen. La pantalla le solicitar ci directorio actual mediante:
Enter current directory: A:! directory: A:/

del directorio por omisin A:/, indique entonces el Si el directorio actual es diferente del directorio por omisin A:!, indique entonces el directorio en el que desea almacenar el archivo. 8. Para grabar su archivo teclee /FILE/SAVE o /FS, que equivale a seleccionar FILE del /FILE/SAVE o seleccionar FILE del submen. programa le solicitar, con siguiente men principal y SAVE del subrnen. El programa Ic solicitar, con el siguiente menu plincipal SAVE mensaje, ci nombre del archivo a grabar: el

of file to save: A:/*.WKl Enter name of file to save: A:/*.WK1

Minitab Paquete de cmputo Minitab

95

Al:
Worksheet Range Copy Insert Global Delete

MENU:

Graph Data System Add-In Quit Move File Move File Print Window Status Column Erase Titles Window Status Column Erase Insert Page Learn
E F G 0

Add-In

BCD B C . . . VERNON'S MUSIC STORE VERNON'S 2 Of VCRS SOLO NUMBER OF VCRS SOLD
3 3 4 5 5

H
A A

7 8 9 10 II 11

Month January February March April


May June July August September October November December

Number
123

12 13 14 15 16 17 18 19 20 13-Aug-91 03:02 PM 13-Aug-91 03:02

130 125 138 145 142 141 146 147 157 150 160

May

3.1 Figure 3.1

VCRl y presione <Enter> para almacenar su archivo como A:NCR1.WK1. Escriba VCRI y presione <Enter> para almacenar su archivo como A:/VCR1 .WKI. 9. Para imprimir una hoja de clculo, seleccione (PRINT RANGE o /PR. Presione imprimir hoja de clculo, seleccione IPRINT RANGE o /PR. Presione <Enter> para que aparezca el apuntador de rango. El rango siempre especifica un aparezca apuntador de rango. siempre <Enter> para rectngulo a imprimir, mediante las coordenadas de las celdas de las esquinas superior coordenadas superior izquierda e derecha. Cuando se le introduzca un izquierda e inferior derecha. Cuando se le pida que introduzca un rango de celdas, escriba directamente en la celda las coordenadas Al ..B16. Presione ahora <Align> directamente en A 1..B 16. Presione (alinear) para restablecer el contador de lneas. Para enviar la salida a impresin oprima restab1ecer contador ilneas. impresin la <Go>. Las opciones son PRfNTER o FILE. Si desea imprimir Ia hoja de clculo, elija PRINTER de clculo, PRINTER. Despus de impreso un archivo, oprima Q de QUIT para salir del men de oprirna de QUIT para salir del menu de impresin. 10. Para tenninar Ia sesin, escriba /QUIT o /Q. terminar la /Q.

PAQUETE DE CMPUTO MINITAB PAQUETE DE COMPUTO MINITAB


demostrar fcil es generar nmeros aleatorios mediante un Se emplear Minitab para demostrar qu fcil es generar nmeros aleatorios mediante un paquete estadIstico de software. estadstico

El problema. El problema. La tabla P2.7 para el problema 7 en el cap. 2, presenta una poblacin poblacin el 30 de 200 tamaos de farnilias y en este problema se le solicita seleccionar una muestra de 30 familias la tamaos y tamafios y probar la hiptesis de que el tamao promedio de Ia familia no ha cambiado de 2.9 personas en los ltimos diez afios. los ltimos diez aos.
Solucin con Minitab. Solucin con Minitab. Los comandos de Minitab para generar ni'imeros aleatorios de Minitab para generar nmeros aleatorios
son

96
MTB > RANDOM 30 Cl; > 30 C1; SUBC > INTEGER 1 200. > INTEGER 1 MTB > PRINT Cl > PRINT C1 C1 Cl 55 75 70 53 75 132 134 160 143 22 91 146 128 MTB > STOP > STOP

Fuentes de datos Fuentes

Captulo 3 Cap Itulo

33 173 148

9 9 163 182

141 40 148 102 160 62 81

146 179 60

136 135 197

102

RANDOM los 30 nmeros aleatorios y colocarlos en El comando RANDM se usa para generar los 30 nmeros aleatorios y colocarlos en e 1.Ntese que se coloca un punto y coma (;) al final de la lnea para obtener un indicador Ntese que se coloca un punto y coma (;) al indicador Cl. ilnea obtener de subcomando.
El subcornando INTEGER indica que los niirneros aleatorios debern ser enteros entre subcomando nmeros aleatorios 200. 1 y 200. Ntese que se incluye un punto (.) al final de la lInea para indicar el fin de los lnea subcornandos. subcomandos.

el El comando PRTNT se utiliza para exhibir el contenido de CI. PRINT se utiliza para el.

BIBLIOGRAFA BIBLIOGRAFIA
ALRECK, P. L. Y SETTLE, R. B. The Survey ResearchHandbook. Homewood, Ill.: Richard Irwin, Inc., ALRECK, P. L. y SETTLE, R. B. The Survey ResearchHandbook. Hornewood,Ill.: Richard D. Irwin, Inc., 1985. DANIELLS, L. M. Business Forecasting for the 1980s-and Beyond. Boston; Library. Harvard DANJELLS, L. M. Business Forecasting forthe 1980s-and Beyond. Boston: Baker Library. Harvard School, 1980. Business School, 1980. DAVIDSON, T. A. Y AYERS, 1. J. "Selecting and Using External Data Sources." En Handbook of DAVIDSON, T. A. y AYERS, L. L. "Selecting and Using ExternalData Sources." En Handbook of Forecasting, S. Makridakis y S. C. Wheelwright, eds. Nueva Sons, 1982. Forecasting, S. Makridakis y S. C. Wheelwright, eds. Nueva York: John Willey & Sons, 1982. KINNEAR,T.I. C. y TAYLOR,R.Marketing Research: AnAppliedApproach. NuevaYork: McGraw-Hill, KINNEAR, C. yTAYLOR,J. J. R. Marketing Research: An Applied Approach. NuevaYork: McGraw-Hill, 1983. VICHAS, R. P.P. Complete Handbook of ProfitableMarketing Research Techniques. Englewood Cliffs, V1cHAS, R. Complete Handbook ofProfitable Marketing Research Techniques. Englewood Cliffs, N.1.: Prentice HaIl, 1982. Hall, 1982. N. J.: ZIKMUND, W. G.G. Exploring Marketing Research. NuevaYork: The Dlyden Press, 1986. ZIKMUND, W. Exploring Marketing Research. Nueva York: The Diyden ZIKMIJND,W. G. Business Research Methods, 3ra. ed. Nueva York: The ZIKMUND, W. G. Business Research Methods, 3ra. ed. Nueva York: The Dryden Press, 1991. 1991.

CAPTULO CAPITULO

Exploracin de los patrones Exploracin los seleccin de datos y seleccin de Ia la tcnica de pronstico

ACTIVIDAD A CTIVIDAD
La generacin de un pronstico preciso y til implica dos consideraciones bsicas. La generacin un pronstico preciso y til implica dos consideraciones bsicas. La primera consiste en reunir datos que sean aplicables para la tarea de pronstico y que prirnera consiste en reunir datos que sean aplicables para Ia tarea de pronstico que contengan informacin que pueda producir pronsticos precisos. Esta importante tarea se contengan infonnacin que pueda producir pronsticos precisos. Esta importante analiza ci segundo clave es seleccionar una tcnica de pronstico que analiza en el cap. 3. El segundo factor dave es seleccionar una tcnica de pronstico que utilice al rnximo la infonnacin contenida en los datos y los patrones que stos presenten. mximo Ia informacin contenida en los datos y los patrones que presenten. El primer paso en la fonnulacin de pronsticos, expuesto en cap. 1 fue la El primer paso en la formulacin de pronsticos, expuesto en el cap. 1 fue Ia recoleccin de datos. Despus de esto, el pronosticador debe revisar los intentos anteriores los intentos anteriores recoleccin para pronosticar Ia variable de inters. Una bsqueda de bibliografia y los comentarios con la variable inters. Una bsqueda de bibliografia y los colegas de la compaa pueden ayudar a evaluar los xitos y/o fracasos anteriores colegas de Ia compaia pueden ayudar a evaluar los xitos y/o fracasos anteriores de enfoques alternativos. Despus de realizar la investigacin inicial, el pronosticador se enfoques alternativos. Despus de realizar la investigacin inicial, el pronosticador se encuentra en una mejor posicin para Ia reduccin de datos (paso 2). la reduccin encuentra Con buenos datos a Ia mann, un pronosticador puede empezar Ia importante tarea de la mano, la importante tarea explorar los patrones de datos. Este paso comprende Ia observacin de los datos, la explorar los patrones de datos. Este paso comprende la observacin de los datos, Ia cornprensin de lo que los datos sugieren y ci uso de varios mtodos graficos obtener comprensin de lo que los datos sugieren y el uso de varios mtodos grficos para obtener una mejor vision en el proceso que gener los datos. Con frecuencia es til Ia elaboracin visin proceso que gener los datos. Con frecuencia es til la elaboracin de una grfica de Ia serie de tiempo de datos, si stos se recopilaron a to largo del tiempo. la recopilaron lo largo del tiempo. La fig. 4.2 muestra un ejemplo de este tipo de griica. El examen de los datos conduce al fig. grfica. examen de los datos conduce al paso 3 del proceso de pronOstico (selecciOn de una tcnica de pronstico). paso del proceso de pronstico (seleccin de una tcnica de pronstico). Se pueden mtodos bsicos pronstico. tcnicas pronstico Se pueden emplear dos mtodos bsicos de pronstico. Las tcnicas de pronstico cualitativas se basan en el juicio humano y en Ia intuicin, ms que en Ia manipulacin de el la intuicin, la cualilativas datos histricos anteriores. Las tcnicas cualitativas comunes incluyen al mtodo Delphi, tcnicas cualitativas cornunes incIuyen at mtodo Delphi, datos histricos anteriores. curvas de crecimiento, escritura de escenarios, investigacin de mercado y grupos de curvas de crecimiento, escritura de escenarios, investigacin de mercado grupos de enfoque. Con frecuencia, estas tcnicas son importantes en el esquema general de pronstico enfoque. frecuencia, tcnicas son importantes en ci esquerna general de pronstico y se abordan con cierto detalie en ci cap. 11. abordan detalle el 11. Las tcnicas Las tcnicas de pronstico cuantitativas se utilizan cuando existen suficientes datos pronstico utilizan cuando existen suficientes datos histricos disponibles y cuando se juzga que estos datos son representativos de un futuro estos datos son representativos de un futuro histricos disponibles y cuando desconocido. Esta apreciacin es un paso importante en el proceso de pronstico, ya que desconocido. Esta apreciacin es un paso importante en el proceso de pronstico, ya que

98

Exploracin de los patrones de datos y seleccin de la tcnica de pronstico ExploraciOn de los patrones de datos y seleccin de Ia tcnica de pronstico

Captulo Capitulo 4

todas las tcnicas cuantitativasse apoyan en la suposicin de que el pasado puede todas tcnicas cuantitativas se apoyan en la suposicin de que el pasado puede
extenderse hacia extenderse hacia el futuro de manera significativa para proporcionar pronsticos precisos. manera significativa para proporcionar Las tcnicas cuantitativas se clasifican frecuentemente en dos categorlas: estadIsticas y tcnicas cuantitativas se clasifican frecuentemente dos categoras: estadsticas y
detenninsticas. determinIsticas. Las tcnicas estadIsticas se enfocan completamente en patrones, cambios en los Las tcnicas estadsticas se enfocan completamente en patrones, cambios en los aleatorias. perturbaciones patrones y perturbaciones causadas por influencias aleatorias. Este libro expone muchas de estas tcnicas como los prornedios rnviles y Ia atenuacin exponencial (cap. 5), descompromedios mviles la atenuacin exponencial (cap. estas posicin de series de tiempo y proyecciones de tendencia (cap. 8) y la metodologa posicin de series de tiempo y proyecciones de tendencia (cap. 8) y Ia metodologla Box-Jenkins (cap. 10). BoxJenkins (cap. 10). Las tcnicas estadIsticas de pronstico emplean bsicamente dos enfoques. Uno est estadsticas de pronstico emplean bsicamente dos enfoques. Uno la suposicin que los datos se pueden descomponer en componentes basado en la suposicin de que los datos se pueden descomponer en componentes como tendencia, ciclo, estacionalidad e irregularidad. Se realiza una prediccin mediante tendencia, ciclo, estacionalidad e irregularidad. Se realiza una prediccin mediante la combinacin de las proyecciones de cada uno de estos componentes individuales. cornbinacin de cada uno de estos componentes individuales. El segundo enfoque se asocia con las rnetodologIas de modelos economtricos de segundo enfoque se asocia con las metodologas de modelos economtricos de series tiempo Box-Jenkins. Los fundamentos tericos se basan principalmente series de tiempo y de BoxJenkins. Los fundamentos tericos se basan principairnente en componentes conceptos estadsticos y no los datos estn representados conceptos estadIsticos y no se supone que los datos estn representados por componentes separados. deterministicas (causales) comprenden la identificacin y determinacin Las tcnicas determinIsticas (causales) comprenden la identificacin y determinacin otras variables de influencia. En estas relaciones entre valiable por pronosticar de relaciones entre la variable por pronosticar y otras variables de influencia. En estas incluyen los modelos de regresin y regresin mltiple, (caps. 6 y 7), indicadores tcnicas se incluyen los modelos de regresin y regresin rntiltiple, (caps. 6 y 7), indicadores bsicos (cap. modelos economtlicos (cap. 9) encuestas anticipadas modelos de bsicos (cap. 8), modelos economtricos (cap. 9) y encuestas anticipadas y modelos de entrada-salida (que no se abordan en este libro). entradasalida (que no se abordan en este libro). Las dos secciones siguientes se refieren brevemente aa los elementos clave de los Las dos secciones siguientes se refieren brevemente los elernentos dave de los patrones de datos que son imp0l1antes para la comprensin de las tcnicas de pronstico patrones de dabs que son importantes para la comprensin de las tcnicas de pronstico tnnino se presentan en captulos posteriores. que se presentan en capItulos posteriores. Se presenta en primer trmino una exposicin de los componentes con frecuencia reconocidos explcitamente en las series de tiempo, selos componentes con frecuencia reconocidos explIcitamente en las series de tiempo, setilla introduccin los elementos del anlisis autocon'elacin son guido de una introduccin de los elementos bsicos del anlisis de autocorrelacin que son la base de rnuchos procedimientos sofisticados de pronstico. La siguiente seccin se dedica muchos sofIsticados de pronstico. La siguiente seccin se dedica a una cuestin ms importante: una vez identificados los patrones generales en los datos cuestin ms importante: identificados patrones generales los datos histlicos, qu tcnica de pronstico se debe elegir? El capItulo concluye con secciones pronstico debe elegir? El captulo concluye con secciones histricos, qu tcnica sobre la medicin del en-or en los pronsticos y Ia determinacin de Ia suficiencia de una en-or en la detelminacin la suficiencia de una sobre tcnica de pronstico. pronstico.

COMPONENTES DE SERIES DE COMPONENTES DE SERIES DE TIEMPO


Como se expuso en el cap. 3, con frecuencia se realizan observaciones de datos a travs Como el cap. 3, con frecuencia se realizan observaciones de datos del tiempo. Cualquier variable que conste de datos reunidos, registrados u observados sobre valiable incrementos sucesivos de tienipo se denornina serie de tiempo. tiempo se denomina serie de tiempo.

Una serie de tieinpo consta de datos que se reinen, registran u observan sobre tiempo consta de datos que se renen, registran u observan sobre Una incrementos sucesivos incrementos sucesivos de tiempo.

de series de tiempo Componentes de series de tiempo

99

inmediata consiste en intentar En el anlisis de series de tiempo de datos, una tentacin inmediata consiste en intentar el comportamiento intiles, lo que explicar o contabilizar el comportarniento de las series. Para evitar esfuerzos intiles, lo que es un enfoque sistemtico series. La descomposicin clsica es se necesita es un enfoque sisterntico para analizar las series. La descomposicin clsica es un mtodo que se basa en la suposicin de que se pueden descomponer en componentes mtodo se basa en la suposicin de que se pueden descomponer en componentes estacionalidad irregularidad. se hace mediante la como tendencia, ciclo, estacionalidad e irregularidad. Una prediccin se hace mediante la combinacin tcnica de descompocornbinacin de las proyecciones de cada componente individual. La tcnica de descomposicin clsica se aborda en el cap. 8. Otro enfoque, denominado anlisis de autocorrelacin, el cap. 8. Otro enfoque, denorninado anlisis de autocorrelacin, tambin identificar componentes y patrones tcnica tarnbin se puede emplear para identificar componentes y patrones de datos. Esta tcnica en secciones posteriores de este captulo. se expone en secciones posteriores de este capitulo. Muchas variables macroeconmicas, como el Producto Nacional (PNB), el Muchas variables macroeconrnicas, como el Producto Nacional Bruto (PNB), el la produccin fuerte tendencia. empleo y Ia produccin industrial estn dominadas por una fuerte tendencia. La tendencia dominadas selie de tiempo es el componente de largo plazo que representa el crecimiento o de una serie de tiempo es el componente de largo plazo que representa el crecimiento o sobre lID periodo amplio. fuerzas que ayudan a explicar disminucin en la serie sobre un periodo amplio. Las fuerzas bsicas que ayudan a explicar la tendencia de una serie son ci crecirniento de la poblacin, la inflacin de precios, el tendencia serie son el crecimiento de poblacin, inflacin de precios, los incrementos en productividad. cambio tecnolgico y los incrementos en productividad.

tendencia de una selie tiempo el componente de largo plazo La tendencia de una serie de tiempo es el componente de largo plazo que
el crecimiento disminucin en la serie sobre un periodo amplio. representa ci crecimiento o disminucin en Ia serie sobre un periodo arnplio.

componente cIclico es la fluctuacin en fonna de alrededor tendencia, El componente cclico es Ia fluctuacin en forrna de onda airededor de la tendencia, afectada lo regular por las condiciones econmicas generales. Los patrones cclicos afectada por Jo regular por las condiciones econrnicas generales. Los patrones ciclicos en los datos aproximadamente o ms aos. Es comn que tienden a repetirse en los datos aproxirnadarnente cada dos, tres o ms afios. Es comi.in que fluctuaciones cclicas influidas las fluctuaciones ciclicas estn influidas por cambios de expansin y contraccin econmicambios de expansion ca, a los que comnmente se hace referencia como el ciclo de los negocios. los negocios. Ca, a los que cornnrnente se hace referencia como el cclo

El coniponente cclico es la fluctuacin en forma de onda alrededor de la alrededor la El componente cIclico es Ia fluctuacin en forma de tendencia.

El componente estacional se refiere a un patron de carnbio que se repite a s mismo componente estacional se refiere a patrn cambio s mismo ao tras ao. En el caso de las series mensuales, el componente estacional mide la aflo tras ao. En el caso de las series mensuales, el componente estacional mide la variabilidad de series cada enero, febrero, En las series trimestrales hay cuatro variabilidad de las series cada enero, febrero, etc. En las series trirnestrales hay cuatro elementos estacionales, uno para cada trirnestre. La variacin estacional puede reflejar variacin estacional reflejar elernentos estacionales, uno para cada trimestre. clima, das festivos o la longitud de los meses calendario. condiciones de clirna, dIas festivos o Ia longitud de los meses calendario. patrn de carnbio que se repite a sj mismo ao El componente estacional es un patrOn de cambio que se repite a s mismo ao componente tras ao. El componente aleatorio mide la variabilidad de las series de tiempo despus de que variabilidad de que El coinponente Contabiliza la variabilidad aleatoria en una serie de tiempo se retiran los otros componentes. Contabiliza Ia vanabilidad aleatoria en una serie de tiempo

100 100

Exploracin de los patrones de datos y seleccin de la tcnicade pronOstico ExploraciOn de los patrones de datos y seleccin Ia tcrca de pronstico

Captulo 4 Cap Itulo

ocasionada por factores imprevistos y no recurrentes. La mayorIa de los componentes recurrentes. mayora los componentes ocasionada por factores imprevistos y irregulares se conforrnan de variabilidad aleatoria. Sin embargo, ciertos sucesos a veces confonnan variabilidad aleatoria. embargo, ciertos veces impredecibles como huelgas, cambios de clima (sequlas, inundaciones o terremotos), impredecibles como hucigas, cambios de clima (sequas, inundaciones o terremotos), elecciones, conflictos annados oo la aprobacin de asuntos legislativos, pueden causar elecciones, conflictos arrnados la aprobacin de asuntos legislativos, pueden causar irregularidades en una variable. irregularidades

El componenle aleatorio mide Ia variabilidad de las series de tiempo despus componente aleatorio la variabilidad de las series despus los otros componentes. de retirar los otros componentes.

EXPLORACiN DE PATRONES DE MEDIANTE EXPLORACION DE PATRONES DE DATOS MEDIANTE ANALISIS DE AUTOCORRELACION ANLISIS DE AUTOCORRELACIN
Cuando se mide una variable a travs del tiempo, con frecuencia est correlacionada consigo del tiempo, con frecuencia est correlacionada consigo tma misma cuando se desfasa uno o ms periodos. Esta correlacin se mide mediante el misma cuando se desfasa o ms periodos. Esta cOlTelacin se mide mediante el coeficiente de autocorrelacin.

es la correlacin existente entre una variable desfasada Autocorrelacin Cs la correlaciOn existente entre una variable desfasada uno o la misma variable. ms periodos y la misma variable.

Los patrones de datos que incluyen componentes como tendencia, estacionalidad e Los patrones de datos que incluyen componentes como tendencia, estacionalidad e irregularidad se pueden estudiar usando el enfoque del anlisis irregularidad se pueden estudiar usando el enfoque del anlisis de autocorrelacin. Los autocorrelacin. Los coeficientes de autocOlTelacin para diferentes desfases de tiempo de una variable coeficientes de autocolTelacion paradiferentes desfases de tiempo de una variable se
emplean para identificar patrones en las series de tiempo de datos. identificar patrones en las emplean El concepto de autocorrelacin se ilustra mediante los datos que se presentan en la autocorrelacin se ilustra mediante los datos presentan la El concepto tabla 4.1. Ntese que las variables 1', _1 Y Y,22son en realidad valores de Y que se han se han tabla 4.1. Ntese que las valiables l't y Y, _ son en realidad valores de Y desfasado uno y dos periodos, respectivamente. Los valores para el mes de marzo que se periodos, respectivamente. Los valores para el de marzo que se desfasado uno muestran en el rengln del periodo 3, son las ventas de marzo Y, = 125; las ventas de febrero, el renglon del penodo 3, son las ventas de marzoyr= ventas de febrero, Yti = 130; yY lasventas de enero,y,_2 = 123. Y,-l = 130; las ventas de enero, Y'-2 = 123. Commmente se usa Ia ecuacin 4.1 para Comiinrnente se usa la ecuacin 4.1 para calcular el coeficiente de autocorrelacin de el primer orden (r l ) o la correlacin entre Y, yyY l . orden (r1) o la correlacin entre Y, Y1. ,-

n-!

n1

(Y r
1

- Y)(Y,1 - Y) Y)(Y r - 1 - Y)
(4.1 ) (4.1)

r1 r1

I~

Exploracin de patrones de datos mediante anlisis de autocorrelaciOn anlisis autocorrelacin Exploracin

101

en donde
r = coeficiente de autocorrelacin de primer orden = autocorrelacin orden

y = media de los valores de Ia serie media de los valores de la serie Y; observacin periodo 1', == observacin en el periodo t Y1 _ 1 = observacin en un periodo anterior o en el periodo tt -- 1. = observacin en un periodo anterior o en el periodo 1.
La ecuacin 4.2 es la formula para calcular el coeficiente de autocorrelacin de orden kk (rk), la fnnula para calcular el coeficiente de autocorrelacin de orden (rJ, entre observaciones separadas por kkperiodos: Y yy Y,-k. observaciones separadas por periodos: YI Ye_k.

n-k

(Y I

rk rk

1=1

- Y)(Y -

- Y) - Y)
(4.2)

en donde
rk = coeficiente de autoconelacin para un desfase de k periodos coeficiente autocorrelacin para un rk

y = media de los valores de la serie = media los valores la serie


Y; = observacin en el pel;odo de tiempo t Y, = observacin en el periodo \ Y;-k = observacin en k periodos anteriores o en el penodo I -- k. = observacin anteriores periodo t
Ejemplo 4.1
Harry Vernon reuni datos sobre ci nOmero de videocaseteras (VCR's) que vendiO el ao sobre el nmero videocaseteras (VCR's) vendi el ao Harry Vemon reuni pasado para Vernon's Music Store. Los datos se presentan en la tabla 4.1. La tabla 4.2 muestra presentan en Ia tabla 4.1. La tabla 4.2 muestra al la 4.1. los clculos que conducen a! uso de Ia ecuacin 4.1. clculos

TABLA 4.1 TABLA 4.1

DATOS AUTOCORRELACIONADOS AUTOCORRELACIONADOS

PERIODO, t

DATOS ORIGINALES, MES

Y,

YDESFASADA y DESFASADA tiN PERIODO, UN PERJODO, Yt - I

y DESFASADA YDESFASADA DOS PERIODOS, Y'-2

1 2 2
3 3 4 5 6 7 8 8

9 10 10

11 11
12

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

123 130 - - - ' 1 2 123 3 *- 123 125 130 - - - - - ' 1 2 3 130 138 125 130 125 130 145 125 138 138 142 145 145 138 141 142 142 145 146 141 141 142 147 146 146 141 157 147 147 146 150 150 157 147 160 160 157 150

102

Exploracin de los patrones de datos y selecciOn de la tcnica de pronstico seleccin ExploraciOn de los patrones Ia tcnica

Captulo 4 Capitulo

TABLA 4.2 CALCULO DEL COEFICIENTE DE AUTOCORRELACION DE PRIMER ORDEN 4.2 CALCULO DEL COEFICIENTE DE AUTOCORRELACIN PRIMER ORDEN PARA LOS DATOS DE LA TABLA 4.1 LA TABLA 4.1

PERIODO t
I

1', Y,

Y,-I

123 123
130
125

2 2
3

4 4 5 6 6 7 7 8 8
5

10 10

II I1
12 12

Swnas Sumas

138 145 145 142 141 146 147 157 150 ISO 160 1.704 1,704

123 130 125 125 138 138 145 145 142 141 141 146 146 147 147 157 157 150 150

(Y,- 1') Y)

(YH -- Y) (Y,1 Y)

-19 -12
-17

-4 3 3
0 O

-19 -12 -17

(Y, (Y, --

Y)2

(Y, - YXY, , - Y) (Y, Y)(Y, - Y)

361 361 144 289 16 16 9


0 O
I 1 16 16 25 225

228 68

204

-4
3 3

-12
0 O 0 O

""-O 0

-1 4 5 5 15 15 8 8 18

-1 -I

O 0
4 4

-4
20
75 120 144 843 843

5 5
15 15

64

8 8

-18
1,704 = 1,704 =142 - 142

324 324 1,474 1,474

Y Media Y
I

12

1_I = 1,474 I

=~= .572 - .572


843

El El coeficiente de autocorrelacin de primer orden (r,), o Ia correlacin entre Y, yyY,_1, se autocorrelacin primer orden (r1), la correlacin entre l' l'-b calcula utilizando, en la ecuacin 4.1, las sumas de Ia tabla 4.2. la calcula utilizando, en Ia ecuacin 4.1, las sumas

n-'
r1 -

(Y1 (Y

- Y)(Yt-l - Y)(Y,1
(Y,

- Y) - Y)

t~1

Y)2

1,474 = 1,474 =

.572

Parece que existe alguna autocorrelacin en esta serie de tiempo desfasada un periodo. La serie tiempo desfasada correlacin entre Y, Y, o la autocorrelacin para un desfase 1 es .572. Esto significa correlacin entre Y, yyYt- b o la autocorrelacin para un desfase de 1 es .572. Esto significa que las ventas sucesivas de videocaseteras estn de algn modo correlacionadas una con otra. Esta videocaseteras estn de algn modo correlacionadas una con otra. informacin puede proporcionar a Harry una valiosa vision interior de su serie de tiempo, informacin puede proporcionar a Harry una valiosa visin interior de su serie de tiempo, puede ayudarle a prepararse utilizar un mtodo de prediccin avanzado puede ayudarle a prepararse a utilizar un mtodo de prediccin avanzado y puede puede prevenirle del uso dcl anlisis de regresin con estos datos. Esta i1tima situaciOn se prevenirle del uso del anlisis de regresin con estos datos. Esta ltima situacin se estudiar en el capitulo 9. estudiarO en el captulo 9. coeficiente autocorrelacin de segundo orden (r2), o de correlacin El coeficiente de autocolTelaciOnde segundo orden (rz), o el coeficiente de correlacin l' Y,-z para los datos de con la ecuacin 4.2 entre i'; y Y_2 para los datos de Harry, se calcula con Ia ecuacin 4.2
n-2

r = r2
2

,~,

(Y, - Y)(Yt n

)(-2

Z -

Y)

I
t= ,

(Y, y)2 (V, - Y)2

Exploracin de patrones de datos mediante anlisis de autocorrelacin autocorrelacin ExploraciOn de patrones

103

682 = .463 682 = .463 1474

Parece ser que existe una autocorrelacin moderada en esta serie de tiempo, desfasada dos Parece existe una autocorrelacin moderada en esta serie tiempo, desfasada dos periodos. La correlacin entre Yt y Y,_2,oola autocorrelacin para un desfase de 2 es .463. la autocorrelacin para un desfase de 2 es .463. periodos. La correlacin entre Y Y Yt-2, Ntese que el coeficiente de autocorrelacin en el desfase 2 (.463) es menor que el coeficiente coeficiente autocorrelacin en el desfase 2 (.463) es menor que el coeficiente mismo en ambos autocorrelacin en el desfasamiento 1 (.572). El denominador es de autocorrelacin en el desfasarniento 1 (.572). El denoniinador es el niismo en ambos autocorrelacin para clculos; sin embargo, cuando se calcula la autocorrelacin para el segundo desfasamiento, se incluye un trmino menos el numerador. general, al incrementarse el nmero de incluye un trmino menos en ci nurnerador. En general, al incrementarse el nmero de desfasamientos k, el valor de los coeficientes de autocorrelacin disminuye. los coeficientes autocorrelacin desfasamientos k, el

Harry La fig. 4.1 muestra un correlograrna para los datos de HatTY Vernon empleados en ci fig. 4.1 correlograma para los datos el ejemplo 4.1. El correlogral71a es una til herramienta grfica para exhibir autocorrelaciones 4.1. correlograina es una til herramienta grfica para exhibir autoconoelaciones vatios desfasamientos de una de tiempo. vertical izquierda para varios desfasarnientos de una serie de tiempo. La escala vertical en la parte izquierda muestra el nmero de periodos desfasados de inters. La escala la derecha muestra muestra el ni'uTlerode peliodos desfasados de inters. La escala vertical a Laderecha muestra los coeficientes de autocorrelacin, las correlaciones entre Y, y Yt-lo para el nmero los coeficientes de autocorrelacin, las correlaciones entre Yt Y Y,, para el nmero periodos desfasados que aparece a la izquierda. correspondiente de periodos desfasados que aparece a La izquierda. La escala horizontal en la parte inferior muestra el nivel posible del coeficiente de autocorrelacin, -1 a +1. El inferior muestra el nivel posible del coeficiente de autocorrelacin, + 1. El coeficiente de autocorrelacin para un desfasarniento de tiempo en particular corresponde autoconoelacin desfasamiento corresponde esta escala horizontal. Sobre el cero, a la correlograma, lnea a esta escala horizontal. Sobre el cero, a La mitad del correlograma, se coloca una ilnea correlograma se usan para analizar patrones dave vertical. Los patrones en un correlograrna se usan para analizar patrones clave en los datos. concepto se demostrar en la siguiente seccin. Este concepto se dernostrar en La siguiente seccin.

TIME LAG LAG


6
* *

5
4 3 2
1 1

*1 *1
1 * I * * 1 * I 1 1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1 +1 -1 O -1 0

I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I
Figura 4.1 Figura 4.1

AUTOCORRELATI0N AUTOCORRELATION -0.10 -0.10 -0.03 -0.03 0.02 0.02 0.11 0 11 0.46 0.57 0.57

046

Correlograma de los datos de la tabla 4.1. tabla 4.1. Correlograma de los

El correlograma es una herramienta grfica que se emplea para exhibir las una helTamienta grfica que se emplea para exhibir las El correlogral71a autoconoelaciones para varios desfases en una serie de tiempo. tiempo. autocorrelaciones para varios desfases Se puede usar el paquete de crnputo Minitab para calcular autocorrelaciones y Se puede usar el paquete de cmputo Minitab para calcular autocorrelaciones y correlogramas. 4.1 desarrollar correlograrnas. Los comandos de Minitab para resolver el ejemplo 4.1 son cornandos de Minitab para los siguientes:

104

Exploracin de los y de la de pronstico ExploraciOn de los patrones de datos y seleccin de Ia tcnica de pronOstico

Captulo 4 Cap Itulo

MTB MTB

> SET Cl SET C1

DATA> > 123 130 125138 145 142 141 146 147 157 150 160 DATA 123 130 125 138 145 142 141 146 147 157 150 160 DATA > END DATA END

> ACF Cl ACF C1 ACF of C1 ACF of Cl


MTB MTB
+- - - -++----+ - - -+- - - - -+- - - -+- - - -+- - - -+- - - -+- - - -+- - - -+- - --+ + +---+----+----+----+--+----+----+ xxxxxxxxxxxxxxx 0.572 XXXXXXXXXXXXXXX

-1.0 -0.8 -0.6 -0.4 -0.2 1.0 0.8 0.6 0.4 0.2

0.0 0.0

0.2

0.4 0.4

0.6 0.6

0.8 0.8

1.0 1.0

1 1 2 2
3 3
4 4

0.463 0.111 0.016


-0.033 0.033 -0.102 0.102 -0.250 0.250 -0.328 0.328 -0.466 0.466 -0.250 0.250 -0.232 0.232

XXXXXXXXXXXXX XXXXXXXXXXXXX
XXXX XXXX
X

5 5 6 7 7 8 9 10 11

XX

xx

XXXX
XXXXXXX XXXXXXX XXXXXXXXX xxxxxxxxx

XXXXXXXXXXXXX XXXXXXXXXXXXX XXXXXXX XXXXXXX


XXXXXXX

xxxxxxx

MTB MTB

> STOP > STOP

El cornando SET se usa para almacenar los datos en C l. comando almacenar los datos en Cl. El comando END se emplea para indicar el fin de Ia captura de datos. la datos. El comando ACF se utiliza para calcular coeficientes de autocorrelacin para los datos en C 1. el. Ntese que correlograma de Minitab es diferente al de fig. La escala de Ntese que el correlograma de Minitab es diferente al de la fig. 4.1. La escala de autocorrelacin se muestra en la parte superior de la grfica en lugar de en la parte inferior. lugar de en la parte inferior. nmero sus coeficientes de autocorrelacin, ambos aparecen a la izquierda. El niimero de desfases y sus coefIcientes de autocorrelacin, ambos aparecen a la izquierda. Con esta grfica, se pueden estudiar los patrones de datos, incluyendo tendencia, estaciogrfica, se pueden estudiar los patrones de datos, incluyendo tendencia, estacionalidad e irregularidad, mediante el enfoque del anlisis de autocorrelacin. Los coeficientes de autocorrelacin para diferentes periodos desfasados de una variable se pueden utilizar autocorrelacin para diferentes periodos desfasados de se pueden utilizar en una serie de tiempo de datos para identificar lo siguiente: tiempo de datos para identificar lo siguiente: en l. Los datos son aleatorios? Los 2. Los datos tienen una tendencia (no estacionaria)? Los 3. Los datos son estacionarios? ,Los 4. Los datos son estacionales? ,Los Si serie es aleatoria, la correlacin entre Yr y Y,... 1 es cercana a cero los valores Si una serie es aleatoria, la correlacin entre Y, y Y,1 es cercana a cero y los valores la serie de tiempo no guardan relacin entre s. sucesivos de la serie de tiempo no guardan relacin entre Si. tpico Si una serie tiene una tendencia, Y. y Y,1 estn altamente correlacionados y es tIpico tiene una tendencia, Yr Yr-I estn altamente correlacionados y Si de autocorrelacin sean diferentes de cero de manera significativa que los coeficientes de autocorrelacin sean diferentes de cero de manera signif'icativa para varios los primeros periodos de desfasamiento caigan gradualmente hacia cero varios de los primeros periodos de desfasarniento y caigan gradualmente hacia cero al

Exploracin de patrones de datos mediante anlisis de autocorrelaciOn patrones de datos mediante anlisis de autocorrelacin

105

incrementarse el nmero de periodos. El coeficiente de autocorrelacin para el periodo de incrementarse el nijmero de periodos. El coeficiente de autocorrelacin para el periodo de desfase 1 es por lo regular muy grande (cercano al). El coeficiente de autocorrelacin para a 1). coeficiente de periodo de desfasamiento 2 ser tambin grande. Sin embargo, no ser tanto como el periodo de des fasamiento 2 ser tambin grande. Sin embargo, no lo ser tanto como periodo desfasamiento 1, tnnino menos para el periodo de desfasarniento 1, ya que se emplea un trmino menos para calcular su que numerador. nurnerador. Si una serie tiene un patron estacional, se presentar un coeficiente de autocorrelacin patrn de autocorrelacin significativo en el periodo de desfasarniento correspondiente: cuatro en los datos trimestraperiodo de desfasamiento correspondiente: cuatro en los datos trimestrales o doce en los datos mensuales. los datos mensuales. les La tabla 4.3 muestra una serie de tiempo de 30 nrneros aleatorios de tres dIgitos, muestra serie de tiempo de 30 nmeros aleatorios tres dgitos, seleccionados de una tabla de nmeros aleatorios. La fig. 4.2 muestra una grfica de la serie nmeros la serie tiempo de datos. En teora, las autocorrelaciones calculadas datos deberan de tiempo de datos. En teorla, las autocorrelaciones calculadas para estos datos deberlan luego, los valores de la tabla 4.3 solo conjunto ser iguales a cero. Desde luego, los 30 valores de la tabla 4.3 slo son un conjunto de un nmero tamao 30. gran nmero de posibles muestras de tarnao 30. Cada muestra producir autocorrelaciones mayora producir coeficientes diferentes. La rnayorIa de estas muestras producir coefIcientes de autocorrelacin cercanos a cero. No obstante, es posible que solo por azar, una muestra produzca un coeficiente de obstante, posible slo lma coeficiente autocOlTelacin diferente autocolTelacion significativamente di ferente de cero. Qu hace un analista para determinar si un coeficiente de autocorrelacin es ,Qu hace un analista para determinar si un coeficiente de autocorrelacin es la Tericamente, significativamente diferente de cero, para los datos de Ia tabla 4.3? Tericarnente, se podra podrIa desarrollar una distribucin muestral de coeficientes autocorrelacin, tomando desarrollar una distribucin muestral de coelicientes de autocorrelacin, tomando un nmero muestras de 30 nmeros aleatorios. nmero infinito de muestras de 30 nmeros aleatorios. Quenouille l y otros han demostrado que los coeficientes de autocorrelacin de datos demostrado que coeficientes de autocorrelacin de datos Q uenouille y aleatOlios aleatorios tienen una distribucin que se E,!lede aproximar a una curva normal con una media puede a una curva normal con una media desviacin estndar de 1i'In. Sabiendo lo anterior, el analista puede comparar de cero y una desviaciOn estndar de INn. Sabiendo lo anterior, el analista puede comparar autocorrelacin muestra con esta distribucin terica de muestreo los coeficientes de autocorrelacin de la muestra con esta distribucin terica de muestreo detenninar datos provienen periodos y determinar si los datos provienen de una poblacin cuya media sea cero en periodos de particular. desfase en particular.

TABLA 4.3 4.3


PERIODO
t

DE TIEMPO CON 30 NMEROS ALEATORIOS SERIE DE TIEMPO CON 30 NILJMEROS ALEATORIOS SELECCIONADOS
PERIODO
Y Yr,
t
11 11

PERIODO
Y Yr,

Y Yr,

1
1

2 2

3 3 4 5 5 6 6 7 8 9
10

646 477 560

12 12
13 13 14 15 16 16 17 17 Ig 18 19 20

6g8 688 892 386 386 747 533 127 54

707 709 39 164 30 708 379 458 590 766

21 22 23 24 25 26 27 28 29 30

173 145 674 533 67 296 838 242 717 196

1 M.H. Quenouille, "The Joint Distribution of Serial Correlation Coefficients", Annuals of Mathematical Joint Distribution of Serial Correlation 01 Mathematical 20 (1949), pp 561-571. Statistics, Vol. 20 (1949), pp 561-571.

106

Exploracin de los patrones de datos y selecciOn do Ia tcnica de pronOstico Exporacin de los patrones de datos y seleccin de la pronstico

Captulo 4 Cap itulo

900 900
800
700

o 0 .:;

0 e; 500 " 0 400 e E 300

''""

o 0 600

'"

." z Z

200 200
100 100 0
I I
I

I!
15 IS
Periodo Periodo

5 5

10 10

20

25

30

Figura 4.2 4.2

GrMica de una serie aleatoria. Grfica serie aleatoria.

fonna En realidad, los coeficientes de autocorrelacin se pueden probar en forina simultnea para todos periodos desfase. para todos los periodos de desfase. Si Ia serie es en efecto aleatoria, Ia mayorIa de los la serie es en efecto aleatoria, la mayora de los un nivel especificado por O, ms o coeficientes de autocorrelacin debe ubicarse dentro de un nivel especificado por 0, rnas o menos nmero de errores estindar. especfico confianza, menos un cierto niirnero de errores estndar. A un nivel especIlico de confianza, se puede puede considerar aleatoria una muestra los coeficientres de autocorrelacin calculados considerar aleatoria una muestra si los coeficientres de autocorrelacin calculados se encuentran todos dentro del intervalo producido por Ia ecuacin 4.3. intervalo la ecuacin 4.3. encuentran todos
1

0Z OZ
en donde

-v;;

(4.3)

Z = valor normal estndar para un nivel de confianza dado = nonnal un nivel de confianza dado
n = nirnero de observaciones en La serie de datos n = nmero de observaciones en la serie

Este procedimiento se ilustra en el ejemplo 4.2. procedirniento se ilustra en ci 4.2.

Ejemplo Ej emplo 4.2

Se desarrolla una prueba de hiptesis para determinar si la serie presentada en la tabla 4.3 es prueba de hiptesis para determinar si Ia serie presentada en Ia tabla 4.3 es desarrolla aleatoria. Las hiptesis nula y alterna para probar silos coeficientes de autocorrelacin para aleatoria. Las hiptesis nula y alterna para probar si loscoeficientes de autocorrelacin para pal1icular son diferentes de cero de manera significativa son un periodo de desfase en particular son diferentes de cero de manera significativa son
H o: = O H0: PPk
k

H: Pk H: P '* O
k

Ya que para esta serie aleatoria n = 30, el error estndar (desviacinestndar de Ia distribucin serie aleatoria n = 30, el error estndadesviacin estndar de la distribucin muestral coeficentes de autocorrelacin), es i/'f 30 = .18. Si se prueba la hiptesis nula muestral de los coeficentes de autocorrelacin), es 1/-{30 = .18. Si se prueba la hiptesis nula

patrones de datos mediante anlisis de autocorrelacin Exploracin de patrones de datos mediante anlisis de autocorrelacin

107

al nivel de significancia de .05, el valor correcto normal estndar z es 1.96 y el valor crItico nivel de significancia .05, el valor correcto normal estndar es 1.96 y el valor crtico 1.96(.18) = .353. La regla de decisin es: es 1.96(.18) = .353. La regla de decision es:
Si un coeficiente de autocorre1acin es menor que -.353 o mayor que .353, rechazar Ia hiptesis .353, la Si un coeficiente de autocorrelacin es menor que .353 o mayor nula, en caso contrario, no rechazarla (rechazar H0 si rk < -.353 o rk > .353). caso contrario, no rechazarla (rechazar H o si r .353 0 rk>

Los coeficientes de autocorrelacin de los datos de la tabla 4.3 aparecen graficados en el 4.3 graficados en autocorrelacin de los datos de la fig. lneas lmites correlograma de la fig. 4.3. Las dos Ilneas de puntos paralelas al eje vertical son los lImites de paralelas al vertical confianza de 95% (.353 .353). Se verifican 15 periodos de desfase y todos los coeficientes confianza de 95% (-.353yY .353).Se verifican 15 periodos de desfase y todos los coeficientes autocorrelacin se ubican dentro de lmites. El analista concluye que serie es de autocorrelacin se ubican dentro de estos lImites. El analista concluye que esta serie es que se gener mediante un proceso aleatorio. aleatoria, es decir, que se gener mediante un proceso aleatorio. emplear paquete de cmputo Minitab para resolver el ejemplo 4.2. Tambin se puede emplear el paquete de cmputo Minitab para resolver el ejemplo 4.2. comandos Los cornandos de Minitab son:

MTB > RANDOM 30 Cl; > 30 C1; SUBC> INTEGER 1 SUBC> INTEGER 1 999. > PRINT C1 MTB > PRINT Cl C1 Cl
646 709 674

477 39 533

560 164 67

688

30 296

892 708 838

386 379 242

747 458 717

533 590 196

127 766

54 173

707 145

MTB > ACE Cl > ACF C1 ACE of Cl ACF of C1


~1.0

-0.8 -0.6 0.4 0.2 1.0 0.8 0.6 -0.4 ~0.2

0.2 0.4 0.6 0.8 1.0 0.0 0.2 +- - - - -+- - - - -+- - - - -+- - - - -+- - - -+- - - -+- - -+- - - -+- - - -+- - --+ + + + + + + + +
XX xx

1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 10 10 11 12 13 14 14 15 MTB

027 0.027 ~0.217 0.217 -0.018 0.018 -0.284 0.284 -0.116 0.116 -0.156 0.156
~O.

XXXXXX
X

XXXXXXXX XXXX XXXXX

0.083 0.016 -0.070 0.070 -0.311 0.311 0.117 0.101 0.032


~0.312

xxx XXX
X

xxx XXX
XXXXXXXXX XXXX XXXX XX XXXXXXXXX XXXXXX

0.312

0.219
> STOP

La serie se puede considerar aleatoria al nivel de confianza del 95%, ya que todos los serie se puede considerar aleatoria al nivel confianza 95%, ya que todos los coeficientes de autocorrelacin calculados se encuentran entre el intervalo producido por la coeficientes de autocorrelacin calculados se encuentran entre el intervalo producido por Ia
ecuacin 4.3 (.353 > r< .353). ecuacin4.3 (-.353 > rk <.353).

10S 108

Exploracin de datos y seleccin de la tcnica de pronstico ExploraciOn de los patrones de datos y selecciOn de Ia tcnica de pronOstico

Captulo 4 CapItulo

T1ME LAG TIME LAG 15 14 13 12 11 10


9 9

I 1
*

I 1

8 8
7

6 6
5 5

4 4

3 3
2 2
1

1* 1* * 1 * I * 1 * I * I 1 * I * 1 1* 1* * 1 * * 1 I * * 1 I * I 1 *1 *1 * 1 I *1 *1 1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1 I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I

AUTOCORRELATION 022 0.22 -0.31 031 0.03 0 03 0.10 0 10 0 12 0.12 -0.31 -0.07 0 07 0.02 0 02 0.08 0 08 -0.16 0 16 -0.12 0 12 028 0.28 -0.02 0 02 -0.22 -0.03 0.03

031

022

-1

o 0

+1

4.3 Figura 4.3

Autocorrelaciones para los datos aleatorios de Ia tabla 4.3. aleatorios de la tabla 4.3.

Si una serie tiene una tendencia, existe una relacin significativa entre los valores serie tiene una tendencia, existe una relacin significativa entre los valores Si sucesivos de serie de tiempo. Es tpico que los coeficientes de autocorrelacin sean sucesivos de la serie de tiempo. Es tIpico que los coeficientes de autocorrclacin scan desfasamiento significativamente diferentes de cero para varios de los primeros periodos de desfasarniento despus gradualmente incrementarse el nmero de periodos. y caigan despus gradualmente hacia cero al incrementarse ci nirnero de periodos. pronstico avanzados, como los modelos de BoxJenkins, estn Algunos modelos de pronstico avanzados, como los modelos de Box-Jenkins, estn diseados para utilizarse con series de tiempo estacionarias. Una serie estacionaria es diseados para utilizarse con series de tiempo estacionarias. Una serie estacionaria aquella propiedades estadsticas bsicas, corno la la varianza, permanecen aquelia cuyas propiedades estadIsticas bsicas, como la media y Ia varianza, permanecen constantes en ci tiempo. Se dice que una serie que no presenta crecirniento oodeclinacin constantes el tiempo. Se dice que una serie que no presenta crecimiento declinacin estacionaria. Una serie que tiene una tendencia se dice que es no estacionaria. Los es estacionaria. Una serie que tiene una tendencia se dice que es no estacionaria. Los coeficientes autocorrelacin de estacionarios cero despus del segundo o coeficientes de autocorrelacin de datos estacionarios caen a cero despus del segundo o

tercer periodo de desfasamiento, mientras que en las series no estacionarias son significade desfasamiento, mientras en las series no estacionarias son significativamente diferentes de cero durante varios periodos. En estas series, se quitar la tivarnente diferentes de cero durante varios periodos. En estas series, se debe quitar la de realizar cualquier anlisis posterior, como su uso en los procedimientos tendencia antes de realizar cualquier anlisis posterior, como su uso en los procedirnientos
Box-Jenkins. de BoxJenkins.

Una serie estacionaria es aquella cuyo valor prornedio no cambia a travs dci es aquella cuyo valor promedio cambia travs del Una tiempo.

mtodo denominado Para quitar la tendencia de una serie no estacionaria se utiliza un mtodo denorninado diferenciacin, se resta YY, de Y,-b Y 1-1 se resta de Y_2 y as sucesivarnente para crear una de Y,-2 y asI sucesivamente para se resta de Y,_1, Y procedimiento demuestra mediante ci paquete de cmputo Minitab. La nueva serie. Este procedirniento se dernuestra mediante el paquete de cmputo Minitab. La CI se transfonna en una nueva serie diferenciada esta nueva forma, la serie en Cl se transforrna en una nueva serie diferenciada en C2. En esta nueva forma, Ia la varianza pennanecen tiempo la serie es estacionaria. media y Ia varianza permanecen constantes a travs del tiempo y Ia serie es estacionaria.

Exploracin de patrones de datos mediante anlisis de autocorrelacin Exploracin de patrones de datos mediante anlisis de autocorrelaciOn

109

Los comandos de Minitab para diferenciar una serie de datos de ejemplo son: Minitab diferenciar una serie de Los

> MTB > DATA> DATA> MTB > >

SET C1 SET Cl 221 224 230 237 235 240 247 248 250 255 262 271 221 224 230 237 235 240 247 248 250 255 262 271 END END 1 FOR C1, STORE IN C2 DIFFERENCES 1 FOR Cl, STORE IN C2

MTB > PRINT C1~C2 MTB > PRINT C1C2


ROW
1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8

C1 Cl 221 224 230 237 235 240 247 248 250 255 262 271

C2
*

3 3 6 6 7 7 -2 5 5 7 7 1 1 2 2 5 5 7 7
9 9

9 9

10 11 11 12 12

MTB > STOP STOP

El cornando SET se usa para almacenar los datos en el. comando Cl.

cornando DIFFERENCES calcula primera en Cl almacena El comando DIFFERENCES calcula la prirnera diferencia de los datos en el y almacena en C2. estas diferencias en C2.
El comando PRINT se eniplea para mostrar lo que est almacenado en las columnas CI emplea que est almacenado en las Cl

yC2.
Ejemplo Ej empl o 4.3
Tlymane, una analista de Sears, se la pronosticar A Maggie Trymane, una analista de Sears, se le asigna Ia tarea de pronosticar las ventas de 1992. Ella rene los datos de 1955 a 1991, que se muestran en la tabla 4.4. Estos datos se 1992. Ella rene los datos de 1955 a 1991, que se muestran en Ia tabla 4.4. Estos datos se grafican en la serie de tiempo de la fig. 4.4. Primero, Maggie calcula un intervalo de confianza de confianza la fig. para los coeficientes de autocorrelacin: del 95% para los coeficientes de autocorrelacin:

01.96 b o 1.96 ~V37 v 37


1

o .322 0 .322
continuacin, Maggie ejecuta los datos en Minitab (vanse instrucciones en A continuacin, Maggie ejecuta los datos en Minitab (vanse las instrucciones en la

seccin "Paquete de Cmputo Minitab" al final de este capItulo), y produce un correlograma final de este captulo), y produce un correlograma la fig. 4.5. Al examinarlo, que las autocorrelaciones los similar al que se muestra en la fig. 4.5. Al examinarlo, nota que las autocorrelaciones para los primeros siete periodos de desfasamiento son significativaniente diferentes de cero (.92, .83, desfasamiento significativamente diferentes (.92, .83, primeros .73, .64, .55, .46 y .37) y que esos valores gradualmente caen a cero. Maggie decide que los Maggie .73, .64, .55, .46 Y .37) Y que esos valores gradualmente caen datos tienen una tendencia.

110 110

Exploracin de los patrones de datos y selecciOn de Ia tcnica de pronOstico de datos y seleccin de la tcnica de pronstico ExploraciOn de

Captulo 4 CapItulo

TABLA 4.4 VENTAS ANUALES VENTAS ANUALES TABLA 4.4 DE SEARS ROEBUCK CO., DE SEARS ROEBUCK & &CO.,

1955-1991
VENTAS DE SEARS VENTAS

A1O AO
1955 1955 1956 1957 1958 1959 1960 1960 1961 1962 1963 1963 1964 1965 1965 1966 1967 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991

Yr Yr
3,307 3,556 3,601 3,721 4,036 4,134 4,268 4,578 5,093 5,716 6,357 6,769 7,296 8,178 8,844 9,251 10,006 10,991 12,306 13,101 13,639 14,950 17,224 17,946 17,514 17,514 25,195 27,357 30,020 35,883 38,828 40,715 44,282 48,440 50,251 53,794 55,972 57,242

Fuente: Industry Surveys, 1993. Fuente: Surveys, 1993.

Maggie sabe que la serie debe diferenciarse para quitar la tendencia crear una serie Maggie sabe que la serie debe diferenciarse para quitar Ia tendencia y crear una serie estacionaria. Hace primero la diferenciacin de los datos mediante Minitab (vase "Paquete de los datos mediante Minitab (vase "Paquete de Cmputo Minitab) desarrolla un con'elograma similar al de Ia fig. 4.6. En Cmputo Minitab) y desarrolla un correlograrna similar al de la fig. 4.6. En ste aprecia que el coeficiente de autocorrelacin para el periodo de desfasarniento 3, .65, es significativamente desfasamiento .65, significativamente ci primeros coeficientes de autocorrelacin y el cuarto estn cerca diferente de cero y que los dos primeros coeficientes de autocon'elacin y el CUaIto estn cerca

ExploraciOn de patrones de datos mediante anlisis de autocorrelacin Exploracin de patrones de datos mediante anlisis de autocorrelacin
$60,000

111

$50,000

$40,000

;'" >

E
C

"3 '"

$30,000

$20,000

$10,000

0
1955

lii ii
I

till! I till I
1975
1985

lii
1990

1960

1965

1970

Anos Aos

Figura 4.4 Grfica de una serie con tendencia: datos de Sears para el ejemplo 4.3. 4.4 Grfica de una serie tendencia: datos de

TIME LAG
15 15

AUTOCORRELATION
1 I * J * 1 *1 *1
*

14 14 13 12

11 11 10
9 9

I 1

1* 1* 1

*
*

8 8 7 7
6

5 5 4 3 3
2
1

1 1 1 I 1 I 1 1 I

* * *
* * *

I 1

1 I

-0.12 0.12 -0.08 0.08 -0.04 0.04 0.00 0.06 0.13 0.20 0.28 0.37 0.46 0.55 0.64 0.73 0.83 0.92

1. 1 , 1 . 1 .1.1.1.1.1.1.1.1.1.1.1.1.1.1. 1 . 1 . 1 I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I -1 O +1 0

Figura 4.5 Figura 4.5

Autocorrelaciones para los datos de ventas de Sears del ejemplo 4.3. Autocorrelaciones para los del ejemplo 4.3.

de ser significativos. Despus del periodo de desfasamiento 3, el patrn parece caer gradualsignificativos. Despus del periodo de desfasaniiento 3, el patron parece caer gradualmente hacia cero. Maggi se pregunta si hay algn patrOn en estos datos que se pudiera modelar se pregunta si hay algn patrn se pudiera modelar mediante alguna mediante alguna de las tcnicas de prOnosticoms avanzadas que se exponen en el cap. 10. prnostico rns avanzadas que se exponen en el cap. 10.

Si una serie es estacional, un patron se repite a sI mismo en forma regular durante un patrn s fonna intervalo particular (por lo regular un ao), y se presentarn coeficientes de autocorrelaciOn lo regular un ao), y se presentarn coeficientes de autocorrelacin significativos en ci penodo de desfasamiento correspondiente. Si se analizan datos trimessignificativos el periodo de desfasamiento correspondiente. Si se analizan datos trimes-

112

Exploracin de los seleccin de Ia tcnica ExploraciOn de los patrones de datos y selecciOn de la tcnica de pronstico

Cap tulo 4 CapItulo

TIME LAG
15 14 14 13 12 12 11 10 10
9 9

*1 * 1 *1 * 1
*1 *1 *1 *1 *1 *1
*

AUTOCORRELATI0N AUTOCORRELATI ON
-0. 1 0 -0.10 -0.10 -0.07 -0.03 -0.07 0.02

1 I
*
*

8 8 7 7
6 6
5

4 3 3 2 2 1 1

1 I 1 I 1 I 1 I 1 1

*
*
*

* *

0.14 0.02 0.01 0.27 0.15 0.33 0.65 0.32 0.33

1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1 I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I -1 O +1 0

Figura 4.6 Autocorrelaciones datos Figura 4.6 Autocorrelaciones para la primera diferenciacin de los datos ventas de Sears del ejemplo 4.3. de ventas de Sears del ejemplo 4.3.

trales, aparecer un coeficiente de autocorrelacin significativo en el periodo de desfasacoeficiente de autocorrelacin significativo en el periodo de desfasatrales, son mensuales, aparecer un coeficiente de autocorrelacin miento 4. Si los datos analizados son mensuales, aparecer un coeficiente de autocorrelacin significativo en el periodo de desfasarniento 12. Esto es, enero se correlacionar con otros desfasamiento 12. Esto es, enero se correlacionar con otros significativo en eneros, febrero febreros, ilustra serie estacional. eneros, febrero con otros febreros, etc. El ejemplo 4.4 ilustra una serie estacional.

Ejemplo 4.4

Perkin Kendell es un analista de la Outboard Marine Corporation. l siempre ha tenido la Perkin Kendell es un analista la Outboard Marine Corporation. El siempre ha tenido la impresin de qite ventas son estacionales, pero la adquisicin de seis astilleros por su irnpresin de que las ventas son estacionales, pero Ia adquisicin de seis astilleros por su 1988 le ha hecho cuestionarse esta suposicin. Perkin rene los datos compaa cornpania entre 1986 y 1988 le ha hecho cuestionarse esta suposicin. Perkin rei'ine los datos que se niuestran en Ia tabla 4.5, para las ventas trirnestrales de la empresa de 1984 a 1993 y muestran la para las ventas trimestrales empresa 1984 a 1993 y grafica la serie de tiempo correspondiente, que se presenta en Ia fig. 4.7. Despus, calcula un tiempo cOITespondiente, que la fig. intervalo de confianza de 95% para los coeuicientes de autocorrelacin. los coeficientes autocorrclacin. intervalo de confianza

01.96 ~ o 1.96 V4o


1

o .31 0 .31

de datos mediante anlisis de autocorrelacin Exploracin de patrones de datos mediante anlisis de autocorrelaciOn

113

TABLA 4.5 VENTAS POR TRIMESTRE DE OUTBOARD MARINE, 1984-1993 4.5 VENTAS POR TRIMESTRE DE OUTBOARD MARINE, 1984-1993

(EJEMPLO (EJEMPLO 4.4)


AO FISCAL A11O FISCAL (a! trmino) (al tnnino) 1984 1984 1985 1985 1986 1986 1987 1987 1988 1988 1989 1989 1990 1990 1991 1991 1992 1992 1993 1993

DICIEMBRE 31
147.6 139.3 140.5 168.8 259.7 264.4 232.7 205.! 205.1 193.2 178.3

MARZO 31

JUNIO JUN10 30 273.1 260.2 298.8 393.5 464.6 411.3 310.7 285.4 292.5 295.4

SEPTIEMBRE 30 249.1 259.5 287.0 404.3 479.7 385.9 293.0 258.7 315.2 311.8

251.8 221.2 245.5 322.6 401.1 402.6 309.2 234.4 263.7 274.5

Fuenle: The Value Line Investment Survey (Nueva York: Value Line, 1988, 1992), p. 1768. Fuen/e: Tile Va/ue Line nves/men/ SlIrvey York; 1988, 1992), p. 1768.

500 500

450 450
400 400

350 350
8
'JO

300 300

" >

;: '"

250 200
150

100 10050 50
0
1984
I

II

I I

II

1985

1986

1987

1988 1989 Tiempo

1990

1991

1992

1993

1990

Figura 4.7 Grfica de una serie estacional para los datos de Outboard Marine del estacional Marine Grfica ejemplo 4.4.

A continuacin, Perkin calcula los coeficientes de autocorreiacin que se muestran en Ia continuacin, autocorrelacin la fig. 4.8. Nota que en ci periodo de desfasamiento 4, los coeficientes de autocorrelacin son fig. 4.8. en el periodo de desfasamiento los coeficientes de autocorrelacin significativamente diferentes de cero (.73> .31) y concluye que las ventas de Outboard Marine significativarnente diferentes de cero (.73 > .31) y concluye que las ventas de Outboard Marine son son estacionales en una base trirnestral. una base trimestral.

114

Exploracin de los patrones de datos y seleccin de Ia tcnica de pronOstico y de la tcnica de pronstico ExpIoracOn de los patrones

Captulo 4 CapItuio

TIME LAG LAG 20


19 18 17 16 15
*

1
1 I 1 I 1 I 1 I 1 I I 1 I 1

14 13 12 11 10
9 8 7 7 6

*
*

* *

4
3 3 2 2
1 1

-1
Figura 4.8 4.8

1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1 O 0 +1

I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I

1* 1* 1 I 1 I 1 1 I *1 *1 * * 1 I I 1 I 1 1 I 1 1 I

AUT000RRELATION AUTOCORRELATI0N 0.13 013 -0.22 -0.34 -0.34 -0.26 -0.26 0.01 -0.39 -0.51 -0.36 0.03 0 03 -0.35 -0.44

-022

-039 -051 -036 -035 -044 -O .19 -019


-0.12 -0 12 0.18

0.30 030 -0.05 -0 05

* *
*

*1 * 1

018 073 0.73 0.31 031

0.19 0.42

Autocorrelaciones para los datos de ventas de Outboard Marine, ejemplo 4.4. Autocorrelaciones para los datos de ventas de Outboard Marine, ejemplo 4.4.

SELECCIN DE UNA TCNICA DE PRONSTICO SELECCION DE (JNA TECNICA DE PRONSTICO


Este texto est dedicado su mayor parte a explicar diversas tcnicas de pronstico y Este texto est dedicado en su mayor parte a explicar diversas tcnicas de pronstico y mostrar su utilidad. Pero se subraya el primer trabajo importante, que consiste en elegir Ia subraya el primer trabajo importante, elegir la mejor tcnica de pronstico. pronstico. A continuacin se presentan algunas de las preguntas que se deben considerar antes continuacin algunas deben considerar antes sobre la tcnica de pronstico ms adecuada para un problema en particular. de decidir sobre la tcnica de pronstico ms adecuada para un problema en particular.

Por Por qu se requiere un pronstico? Quin Quin utilizar el pronstico?


Cules son las caracterIsticas de los datos disponibles? caractersticas Cules

Qu Qu espacio de tiempo se pronosticar?


LCules son los requerirnientos mInimos de Cules son los requerimientos mnimos de datos?
Cu1 es precision Cul es la precisin deseada? ,Cu1 ser el costo del pronstico? Cul ser el costo del pronstico?
Para una buena seleccin de la tcnica de pronOstico adecuada, el pronosticador buena seleccin de la tcnica de pronstico adecuada, el pronosticador Para

deber poder hacer lo siguiente: hacer lo siguiente:


Definir la naturaleza del problema de pronstico. Explicar la naturaleza de los datos bajo investigaciOn. de los datos bajo investigacin.

SelecciOn de una tcnica de pronOstico Seleccin tcnica de pronstico

115

Describir las capacidades y limitaciones de las tcnicas de pronstico potencialmente limitaciones tcnicas tiles. tiles. Desarrollar algunos criterios predeterminados sobre los cuales se pueda tomar la Desarrollar algunos criterios predeterminados sobre los cuales se pueda tomar la decisin la decision de Ia seleccin. principal que influye en la seleccin tcnica de pronstico Un factor principal que influye en la selecciOn de una tcnica de pronOstico consiste en la identificacin y comprensin de patrones histricos en los datos. se pueden en la identificaciOn y cornprensin de patrones histricos en los datos. Si se pueden cclicos reconocer patrones de tendencia, ciclicos o estacionales, entonces se pueden seleccionar las la capacidad de utilizar eficazmente estos patrones. tcnicas con la capacidad de utilizar eficazrnente estos patrones.

Tcnicas de pronstico para datos estacionarios Tcnicas de pronstico datos estacionarios


Como anterionnente, una es aquella cuyo valor promedio no Corno se defini anteriorrnente, una serie estacionaria es aquella cuyo valor prornedio no varla travs del tiempo. Estas situaciones vara a travs del tiempo. Estas situaciones se presentan cuando los patrones de demanda presentan patrones de demanda que influyen sobre la serie son relativamente estables. En su forma ms simple, el pronstico En su ms simple, el pronstico de series estacionarias comprende el uso de Ia histOlia disponible de las series para estimar comprende el uso la historia disponible de las su valor prornedio, el cual se convierte despus en el pronOstico de valores futuros. Las promedio, cual se convielte despus en el pronstico de valores futuros. Las tcnicas ms sofisticadas comprenden la actualizacin de la estimacin, al haber disponible disponible nueva infonnacin. Estas tcnicas son tiles cuando nueva inforrnacin. Estas tcnicas son tiles cuando no son confiables las estimaciones son confiables las estimaciones iniciales o cuando la estabilidad del prornedio es cuestionable. Aderns, las tcnicas de tcnicas de iniciales cuando la estabilidad del promedio es cuestionable. Adems, actualizacin proporcionan cielto grado de tranquilidad con respecto a los cambios en la actualizacin proporcionan cierto grado de tranquilidad con respecto a los cambios en estructura subyacente de Ia serie. la selie. estructura pronstico estacionalias emplean siempre que: Las tcnicas de pronstico estacionarias se emplean siempre que:

Lasfuerzas que generan una seriese han estabilizado el medio en el que existe la serie Lasfuerzas que generaii iiiia serie se han estabilizadoyyel medio en elque existe Ia serie permanece relalzva,nente sin cambios. Ejemplos de ello son las fallas por semana en pernianece relativamente sin cambios. Ejemplos de ello son las fallas una lInea de ensamble que tiene una tasa de producciOn uniforme., las ventas unitarias lnea produccin uniforme., las ventas unitarias de un producto o servicio en Ia etapa de maduracin de su ciclo de vida y el nrnero de la vida y el nmero de ventas resultantes de un nivel constante de esfuerzo.

Se requiere tin inodelo inuy sencillo debido Ia falta de datos o para facilitar su Se requiere un modelo muy sencillo debido a ala falta de datos o para facilitar su explicacin o iniplementacin. Un ejemplo serIa cuando un negocio u organizacin es implementacin. sera organizacin es nuevo y hay disponible muy poca inforrnacin histrica. informacin histrica.
Se puede iograr la estabilic/ad haciendo correcciones senciilas factores como creci Se puede lograr Laestabilidad haciendo correcciones sencillas aafactores como creciiniento de Ia miento de la poblacin e inJlacin. Ejemplos de esto son modificar ci ingreso por el inflacin. Ejemplos de esto son el ingreso el ingreso per capita, o las ventas en dlares por montos en dlares constantes. cpita,
La serie sepuede transforinar en uiia serie esiabie. Como ejemplo, est Ia transformase puede transformar en una serie estable. Como ejemplo, est la transfonnacin de series mediante logaritmos, races cuadradas o diferencias. logaritmos, ralces

pronstico, de La serie es un conjunto de en-ores de pronstico, de una tcnica de pronstico que se es un conjunto errores considera adecuada. Vase el ejemplo 4.6. Vase el ejemplo
V3lias tcnicas podtan considerar al pronosticar en estacionarias Varias tcnicas que se podrIan considerar a! pronosticar en series estacionarias son mtodos fonnales, mtodos promedio simple los mtodos de promedios los mtodos no forrnales, los rntodos de prornedio simple y los mtodos de promedios mviles, atenuacin exponencial yyde Box-Jenkins. mOviles, atenuacin exponencial de BoxJenkins.

116 116

Exploracin de los patrones de datos y seleccin de la tcnica de pronOstico pronstico ExploraciOn de los patrones de Ia

CapItulo 4 Captulo

Tcnicas de pronstico para tendencia Tcnicas de pronstico para datos con una tendencia
Anterionnente definimos a una serie con tendencia como una serie de tiempo que contiene Anteriorrnente definirnos a una serie con tendencia corno una serie de tiempo que contiene un componente de largo plazo que representa el crecimiento o deciinacin de la serie a un componente de largo plazo que representa el crecimiento o declinacin de la serie travs de un periodo amplio. En otras palabras, se dice que una serie de tiempo tiene una amplio. En otras palabras, se dice que una serie de tiempo tiene una travs de tendencia Si su valor promedio vara aatravs del tiempo, de modo que se espera que aumente si SU valor promedio varia travs del tiempo, de modo que se espera que aumente el el se desea el pronstico. Es comn que las series o disminuya durante ei periodo para ci que se desea el pronstico. Es cornn que las series econmicas tendencia. econrnicas contengan una tendencia. pronstico tendencia utilizan siempre que: Las tcnicas de pronstico para series con tendencia se utilizan siempre que:

procluctividad creciente y Ia nueva tecnologIa conduceii a ci Una productividad creciente y la nueva tecnologa conducen a cambios en el estilo de vida. Como ejemplos se pueden citar la dernanda de componentes electrnicos, que se ejemplos se pueden citar la demanda de componentes electrnicos, que se increment con el advenirniento de la computadora; y el uso del ferrocarril que increment con el advenimiento de Ia computadora; y el uso del ferrocarril que disminuy con ci advenirniento del avin. el advenimiento disrninuy El incremento en la pobiacin provoca un incremento en La demanda de bienes y incremento en poblacin un incremento la demanda de bienes y consumo, servicios. Ejemplos de esto son las utilidades por yenta de bienes servicios. Ejemplos de esto son las utilidades por venta de bienes de consumo, la demanda en el consumo de energa elctlica y ci uso de materias primas. dernanda en ci consumo de energIa elctica el primas. Elpoder c/c compra del do/ar afecta las variables econinicaspor causa de La inflaciOn. El poder de dlar afecta las variables econmicas por causa de la inflacin. Los ejemplos son salarios, costos de produccin y precios. Ia aceptacion Aumenta la aceptacin en ci mercado. Un eijempio serIa ci periodo de crecimiento en el Un eljemplo sera el ci el ciclo de vida de un nuevo producto.
Las tcnicas a considerar al pronosticar series con tendencia son prornedio mvii Las tcnicas considerar al pronosticar series con tendencia son promedio mvil lineal, atenuacin exponencial lineal de Brown, atenuacin exponencial lineal de Hoit, lineal, atenuacin exponencial lineal de Brown, atenuacin exponencial lineal de Holt, atenuacin exponencial cuadrtica de Brown, regresin simple, modelo de Gompertz, Gompetiz, atenuacin exponencial ciiadrtica de Brown, regresin simple, modelo curvas de crecimiento y modelos exponenciales. modelos exponenciales. curvas

Tcnicas de pronstico para datos con estacionalidad Tcnicas de pronstico para datos con estacionalidad
Aatelionnente definimos una serie estacional como una serie de tiempo con un patron de patrn de Ariteriormente definirnos una serie estacional como una serie de tiempo cambio que se repite a sj mismo ao tras ao. Por lo regular, ci desarrollo de una tcnica afio. lo regular, el desarrollo de tcnica camhio que se repite s de pronstico estacional comprende Ia seieccin de uii mtodo multiplicativo o uno de de pronstico estacional comprende la seleccin de un mtodo rnultipiicativoo uno de ndices a partir de la historia de la selie. Estos ndices adicin y estimar despus Indices estacionales a partir de la historia de Ia serie. Estos indices se usan posteriorrnente para incorporar Ia estacionalidad al pronstico o para eliminar tales posterionnente la para eliminar tales efectos de los valores observados. A este iiltimo proceso se Ic conoce como ajuste estacional A este ltimo proceso se le ajuste estacional de datos y se expone en ci cap. 8. expone el cap. 8. de Las tcnicas de pronstico para datos estacionales se usan siempre que: estacionales Las

El clima il?f1uenye en la variable de inters. Como ejemplos estn el consumo de energa influenye en la variable de inters. Como ejemplos estn ci consumo de energIa elctrica, las actividades de verano e invierno (depOlies como el patinaje), el guardarropa (deportes corno ci patinaje), ci guardarropa y las estaciones de desarro]lo agrIcola. desalTollo aglcola. aio calendario ?fluye en la variable de inters. Ejemplos de ello son las ventas al El a10 calendario influye en la variable de inheres. Ejempios de eiio son las ventas ai menudeo influidas por das festivos, fines de semana de tres dIas y los calendarios tres das y los calendarios rnenudeo influidas por dias festivos, fines de semana escolares.
Las tcnicas a considerar al pronosticar series estacionales son descomposicin Las tcnicas a considerar al pronosticar series estacionales son descomposicin clsica, Census II, atenuacin exponenciai de Winter, regresin rniiltiple de series de tiempo exponencial mltiple de cisica, y mtodos de Box-Jenkins. mtodos de BoxJenkins.

Seleccin de una tcnica de pronOstico de pronstico SelecciOn de

117 117

Tcnicas de pronstico para series cIclicas series cclicas Tcnicas de pronstico


El efecto cIclico se defini anteriormente como la fluctuacin en fonna de onda alrededor cclico anterionnente como la fluctuacin en forrna de El airededor de la tendencia. Los patrones cclicos tienden aarepetirse en los datos cada dos, tres ooms de Ia tendencia. Los patrones cIclicos tienden repetirse en los datos cada dos, tres ms aos. Es dificil establecer un modelo para estos patrones cclicos, ya que no son estables. establecer modelo para estos patrones cIclicos, ya que no estables. aos. la tendencia Las fluctuaciones en forma de onda hacia alTiba y hacia abajo airededor de la tendencia onda hacia aITiba y hacia abajo alrededor Las fluctuaciones en fonna rara vez se repiten en intervalos fijos de tiempo y tambin varla la magnitud de las rara vez se repiten en intervalos fijos de tiempo y tambin vara la magnitud de las fluctuaciones. Para analizar datos cIclicos se pueden ampliar los mtodos de descomposidatos cclicos se pueden ampliar los mtodos de descomposifluctuaciones. cin (cap. 8). Sin embargo, debido al comportarniento irregular de los ciclos, el anlisis de comportamiento irregular de los ciclos, cin (cap. componentes cclicos de una serie requiere a menudo de encontrar indicadores econmicos indicadores econmicos componentes cIclicos o coincidentes. principales o coincidentes. Las tcnicas de pronstico para datos ciclicos se utilizan siempre que: de pronstico cclicos

El ciclo del negocio influye sobre Ia variable de inters. Corno ejemplos estn los ciclo del negocio influye la variable de inters. Como ejemplos estn los factores econmicos de mercado y de competencia. mercado y de competencia. Sepresentan canibios en el gusto popular. Ejemplos de ello son Ia moda, la msica y la Se presentan cambios en el gusto popular. Ejemplos de ello son la moda, msica alimentacin. Se presentan cambios en Ia poblacin. Podenios citar corno ejemplos las guerras, cambios en la poblacin. Podemos citar como ejemplos las guerras, epidemias y desastres naturales. escasez, epidemias y desastres naturales. Se presentan cambios en el ciclo de vida del producto. Ejemplos de ello son la Se presentan cambios en ciclo vida del producto. Ejemplos de ello son la introduccin, crecimiento, maduracin, saturacin y declinacin del mercado. rnaduracin, saturacin y declinacin del mercado.
Las tcnicas a considerar al pronosticar series cclicas son la descomposicin clsica, tcnicas series ciclicas son descomposicin clsica, los indicadores econmicos, los modelos economtricos, la regresin mltiple y los mtodos los modelos economtricos, Ia regresin multiple y los mtodos de Box-Jenkins. de BoxJenkins.

Otros factores por considerar al elegir Otros factores por considerar al una tcnica de pronstico tcnica de pronstico
tiempo para pronstico relacin El horizonte en el tiempo para un pronstico tiene una rclacin directa con la seleccin de aplicar una tcnica de pronstico. Para los pronsticos de corto y mediano plazos, se pueden aplicar

diversas tcnicas cuantitativas. Sin embargo, al aumentar el horizonte del pronstico, diversas tcnicas cuantitativas. Sin embargo, al aumentar horizonte del pronstico,
estas tcnicas se hacen menos aplicables. Por ejemplo, los promedios mviles, algunas de estas tcnicas se hacen menos aplicables. Por ejemplo, los promedios mviles, la atenuacin exponencial y los modelos de Box-Jenkins no son muy buenos pronsticos la atenuacin exponencia! y los modelos de BoxJenkins no son muy buenos pronsticos econmicos modelos economtricos son ms tiles de cambios econrnicos radicales, mientras que los modelos economtricos son ms tiles para este fin. Los modelos de regresin, son apropiados para los periodos corto, mediano fin. Los modelos de regresin, son apropiados para los periodos corto, mediano y largo. Las proyecciones de medias, promedios mOviles, descomposicin clsica y y largo. Las proyecciones de medias, promedios mviles, descomposicin clsica y tendencia son tcnicas cuantitativas apropiadas para horizontes de corto y mediano plazos. apropiadas mediano plazos. Las tcnicas ms complejas de Box-Jenkins y los modelos economtricos resultan tambin tcnicas rns complejas de BoxJenkins y los modelos economtricos apropiados para pronsticos de corto y mediano plazos. Para horizontes mayores en el apropiados para pronsticos de corto y mediano plazos. Para horizontes mayores en el tiempo, se usan con frecuencia los mtodos cualitativos (vase cap. 11). tiempo, frecuencia mtodos cap. 11). general, la aplicabilidad de las tcnicas de pronstico es algo que el pronosticador En general, Ia aplicabilidad de las tcnicas de pronstico es algo que el pronosticador realiza con base en su experiencia. Es comi.'m que los administradores requieran de pronsticos base en su experiencia. Es comn que los pronsticos tiempo relativamente COli0. en un tiempo relativamente corto. En esta situacin, tienen ventaja los mtodos de atenuacin ventaja exponencial, proyeccin de tendencia, modelos de regresin y la descomposicin clsica. exponencial, proyeccin de tendencia, modelos de regresin y la descomposicin

118 118

Exploracin de los patrones de datos y selecciOn de Ia tcnica de pronOstico patrones de datos y seleccin de la tcnica de pronstico

Captulo 4 Capitulo

En todo caso, un pronstico se presentar a los ejecutivos de Ia administracin para caso, pronstico se presentar los ejecutivos de la administracin
aprobacin y uso el proceso de toma de decisiones. De ah que la facilidad de su aprobacin y uso en el proceso de torna de decisiones. De ahI que la facilidad de comprensin e interpretacin de los resultados sea una consideracin importante. Las una consideracin importante. Las comprensin e interpretacin de los resultados tcnicas modelos de regresin, proyeccin de tendencias, descomposicin clsica y tcnicas de modelos de regresin, proyeccin de tendencias, descomposicin clsica y criterio. atenuacin exponencial, califican alto para este criterio. computadora ya parte significativa eleccin Los costos de computadora ya no son una parte significativa en la eleccin de una tcnica. Las computadoras de escritorio (microcomputadoras) y los paquetes de progratcnica. (microcomputadoras) y los han convertido en algo comn en muchas organizaciones. Debido mas de pronstico se han convertido en algo comn en muchas organizaciones. Debido desarrollos es probable que, en el futuro, otros criterios ignoren las consideraciones a estos desarrollos es probable que, en ci futuro, otros criterios ignoren las consideraciones de computadora. de costo de computadora.

Como parte final Como parte final de la seleccin, el pronosticador debe evaluar cada tcnica en la seleccin, el pronosticador debe evaluar cada tcnica en trminos confiabilidad aplicabilidad para el problema le ocupa, su valor en trtrminos de confiabilidad y aplicabilidad para ci problema que le ocupa, su valor en trefectividad comparado de otras tcnicas apropiadas, su nivel de precisin, minos de efectividad coniparado con el de otras tcnicas apropiadas, su nivel de precision, su costo y aceptaciOn por parte de la adrninistracin. La tabla 4.6 presenta un resumen de aceptacin por parte de administracin. La tabla 4.6 presenta un su las tcnicas pronstico las tcnicas de pronstico que deben ser usadas con determinados patrones de datos. detenninados
TABLA 4.6 SELECCION DE UNA TECNICA DE PRONOSTICO TABLA 4.6 SELECCiN DE UNA TCNICA DE PRONSTICO
REQUERIMIENTOS MfNIMOS MNIMOS DE DATOS DATOS NO PATRON HORIZONTE EN TIPO PATRN HORIZONTE EN TIPO BE EL TIEMPO MODELO ESTACIONALES ESTACIONALES DE DATOS S S S S S S S S S I I I S 1, L I, 1, L I, L I,L I, L I, 1, L S S S S S S S S I, 1, L

MTODO METODO

ESTACIONALES

No formales fonnales ST, T,S ST. T, S Promedios simples ST Prornedios Promedios mviles ST Atenuacin exponencial ST Atenuacin exponencial T lineal Atenuacin exponencial T cuadrtica Atenuacin exponencial S S estacional Filtracin adaptiva S simple Regresin simple T Regresin multiple mltiple e, S C, Descomposicin clsica S Modelos de exponencial Modelos de tendencia exponencial T Ajuste de curvaS Ajuste de curva-S T Gompertz Modelos de Gompertz T Curvas de crecinliento crecimiento T Census H II S S Box-Jenkins BoxJenkins ST,T,C,S ST. 1, C, S Indicadores principales e C Modelos econorntricos economtricos e C Regresin mltiple de series mltiple series T, S T, de de tiempo

TS TS TS TS TS TS TS
TS C e C e TS TS TS TS TS TS TS C e C e e C

1
30

4-20
2

3
4

2*L
5*L 10

IO*V 10'V
5*L 5*L
10

10 10 10 10 10

24 24
30

6*L 3*L

6*L

Parn de datos: SI, estacionarios; 1, con tendencia; S, estacionales; C, cIclicos. Patrn de datos: ST, estacionarios; T, con tendencia; S, estacionales; C, cclicos. Horizonte en el tienipo: S, corto plazo (menos de 3 meses); I, mediano plazo; L, largo plazo. plazo (menos de 1, plazo; plazo. Horizonle en tiempo: Tipo de modelo: de tiempo; C, causal. Tipo de modelo: TS, serie de tiempo; C, causal. Estacion ales: L, Estacionales: L, longitud de Ia estacionalidad. la estacionalidad.

Medicin del pronstico MediciOn del error en el pronOstico

119

MEDICIN DEL ERROR EN EL PRONSTICO MEDICION DEL ERROR EN EL PRONOSTICO


Ya que las tcnicas cuantitativas de pronstico implican, por lo regular, series de tiempo tcnicas cuantitativas pronstico implican, por lo regular, series tiempo de datos, se desarroll una notaciOn matemtica para hacer referencia a cada periodo de datos, se desarroll una notacin matemtica para hacer referencia a cada periodo especfico. Se emplear la letra y para denotar una variable de serie de tiempo, a menos que especIfico. Se emplear la letray denotar una variable de serie de tiempo, a menos que exista ms de una variable. El periodo asociado con una observacin se muestra como una variable. El periodo asociado observacin se muestra como exista ms 1', se refiere al valor de la serie de tiempo en el periodo t. Los datos se refiere al valor de serie tiempo el periodo t. Los datos subndice. AsI, .Yr subIndice. As, trimestrales de Outboard Marine Corporation que se presentan en el ejemplo 4.4. se trimestrales de Outboard Marine Corporation que se presentan en el ejemplo 4.4. denotarian comoy1 = '47.6,Y2 = 26l.8,y3 = 273.1 denotaran como YI = 147.6, Y2 = 261.8, Y3 = 273.1 oo., Y40 = 311.8. Tambin se desarroll una notacin matemtica pam distinguir el valor real de Tambin se desarroll una notacin matemtica para distinguir el valor real de una serie de tiempo y el valor de pronstico. Se emplear el sImbolo A (acento circunflejo) sobre valor pronstico. Se emplear el smbolo acento valor, para indicar que se trata de un pronstico. El valor de pronstico para .Yr es Y un valor, para indicar que se trata de un pronstico. El valor de pronstico para Y es Vt.t . Con frecuencia, se juzga Ia precisin de una tcnica de pronstico mediante la comparacin frecuencia, la precision de una tcnica de pronstico mediante la comparacin serie de pronstico Y, Y b de la serie original Y1,I ,Y2,, oo, con la serie de pronstico Y1, Y2, la serie original Y Y2 ... La notacin bsica de pronstico se resume como: pronstico se resume como:
1\ (

Notacin Bsica de Pronstico Notacin Yt ==valor de una serie de tiempo en el periodo t Y. valor de i.ma serie de tiempo en I Yt = valor del pronstico para Y. pronstico para Y, Y, = e, = Y. - Vtt = residual o error del pronOstico e = .Yr Y residual o error del pronstico

Se han ideado diversos mtodos para resumir los errores generados por una tcnica ideado diversos mtodos errores generados por una tcnica mayora particular de pronstico. La mayoria de estas mediciones implican promediar alguna funcin mediciones promediar funcin de Ia diferencia entre el valor real y su valor de pronstico. A menudo se denominan de la diferencia entre el valor real su valor de pronstico. A menudo se denominan residuales a estas diferencias entre valores observados y los valores de pronstico. a estas diferencias entre valores observados los valores de pronstico.

la diferencia valor de pronstico. Un residual es la diferencia entre un valor real y su valor de pronstico.

error o residual de cada periodo de pronstico, se utiliza la ecuacin 4.4. Para calcular el error o residual de cada periodo de pronstico, se utiliza la ecuacin 4.4.

e, = Y , -

Y,

(4.4)

en en donde
et = error del pronstico en el periodo t periodo e = error del pronstico

Y, = valor del pronstico en el periodo t peliodo Vt

.Yr = valor real en el periodo t periodo =

120

Exploracin de los patrones de datos y seleccin de Ia tcnica de pronstico Exploracin de los patrones de datos seleccin la tcnica pronstico

Captulo Capitulo 4

Un mtodo para evaluar una tcnica de pronstico consiste en obtener la suma de los tcnica consiste en un errores absolutos. La Desviacin Absoluta de la Media (DAM) mide la precision de un errores absolutos. La Desviacin Absoluta de la Media (DAM) mide precisin pronstico mediante ci promedio de la magnitud de errores de pronstico (valores pronOsticomediante el promedio de la magnitud de los errores de pronstico (valores absolutos de cada error). La DAM resulta de gran utilidad cuando el analista desea medir cuando ci absolutos de cada error). el error de pronOstico en las mismas unidades de la serie original. La ecuaciOn 4.5 muestra pronstico en las mismas unidades ecuacin 4.5 el cmo se calcula la DAM. cmo

DAM

1=1

lYt n

(4.5)

Otro mtodo para evaluar una tcnica de pronstico es el Error Medio Cuadrado pronstico el Error Medio Cuadrado Otro mtodo para evaluar tilla tcnica (EMC). Cada error o residual se eleva al cuadrado; luego, estos valores se suman y se divide (EMC). al cuadrado; luego, surnan y se divide entre el mirnero de observaciones. Este enfoque penaliza los errores rnayores de pronstico mayores ci nmero de observaciones. que eleva cada uno al cuadrado. Esto es importante pues en ocasiones pudiera ser ya que eleva cada uno al cuadrado. Esto es importante pues en ocasiones pudiera ser preferible una tcnica que produzca errores nioderados a otra por lo regular tenga preferible una tcnica que produzca errores moderados a otra que por lo regular tenga errores pequefios, pero que ocasionairnente arroje algunos en extremo grandes. La ecuacin pequeos, ocasionalmente algtillos La ecuacin 4.6 muestra el clcWo del EMC. el clculo EMe.

EMC EMC

t~

t=I1

L(Y - Y)2
n

>(, - r/

11

(4.6)

En ocasiones, resulta ms iitil calcular los errores de pronstico en tnninos de En ocasiones, resulta rnis til calcular los errores de pronstico en tnninos no en cantidades. El Porcentaje de Error Medio Absoluto (PEMA) se calcula porcentaje y no en cantidades. El Porcentaje de Error Medio Absoluto (PEMA) se calcula encontrando el error absoluto en cada periodo, dividiendo ste entre ci valor real observado el ci despus promediando estos errores absolutos de porcentaje. Este enfoque para ese periodo y despus promediando estos errores absolutos de porcentaje. Este enfoque es til cuando el tarnaflo o magnitud de la variable de pronstico es importante en la tamao o magnitud de variable pronstico es importante en es til cuando evaluacin de la precisiOn del pronstico. El PEMA proporciona una indicaciOn de qu tan la precisin PEMA proporciona una indicacin qu tan grandes son los errores de pronstico comparados con los valores reales de la serie. Tambin eITores comparados con los valores reales de la serie. Tambin la precision se puede utilizar ci PEMA para comparar Ia precisin de la misma u otra tcnica sobre dos el Ia misma u series compietarnente diferentes. La ecuacin 4.7 muestra el clculo del PEMA. clculo del PEMA. series completamente diferentes.

?, IY,YI L IY - YI
11

PEMA PEMA =

1=1

1', Y

(4.7)

A veces resulta necesario determinar si Un mtodo de pronstico est sesgado veces resulta necesario determinar si un mtodo de pronstico est sesgado
(pronstico consistentemente alto o bajo). En emplea el Procentaje Medio (pronstico consistentemente alto o bajo). En estos casos, se emplea ci Procentaje Medio de Error (PME), que se calcula encontrando ci error en cada periodo, dividiendo esto entre calcula encontrando el en cada periodo, dividiendo esto entre

Medicin del error en el pronOstico el pronstico Med icin del

121

el valor real de ese periodo y promediando despus estos porcentajes de error. Si un enfoque prornediando despus estos porcentajes de error. Si un enfoque de pronstico no est sesgado, Ia ecuacin 4.8 producir un porcentaje cercano a cero. Si pronstico no sesgado, la ecuacin 4.8 producir un porcentaje cercano a cero. el resultado es un porcentaje negativo grande, el mtodo de pronstico est sobrestimando un porcentaje negativo grande, el mtodo de pronstico est sobrestimando de manera consistente. Si el resultado es un porcentaje positivo grande, el mtodo de un porcentaje positivo grande, mtodo de de manera consistente. Si resultado pronstico esta subestimando en forrna consistente. subestimando en forma consistente.

L (Y
n
1=1

- Y)
I I

PME

YI

(4.8)

Una palie la decisin para utilizar tma tcnica de pronstico en particular es Una parte de la decision para utilizar una tcnica de pronstico en particular es la determinacin de si la tcnica producir errores de prediccin que juzguen como deterrninaciOn de si la tcnica producir errores de prediccin que se juzguen como suficientemente pequeos. Es en efecto realista esperar tcnica produzca errores suficienternente pequeos. Es en efecto realista esperar que una tcnica produzca errores relativamente bajos tma consistente. de pronstico relativarnente bajos sobre una base consistente. mediciones de precisin pronstico acabamos Las cuatro mediciones de precision de un pronstico que acabarnos de describir se la siguiente manera: utilizan de Ia siguiente manera: comparacin precisin diferentes. La cornparacin de la precision de dos tcnicas diferentes. La medicin de la utilidad o confiabilidad de una tcnica. la o confiabilidad de una tcnica. La bsqueda de una tcnica optima. bsqueda de tcnica ptima. El ejemplo 4.5 ilustrar crno calcular cada una de estas mediciones de error. ilustrar cmo calcular cada una de estas mediciones de error.
datos dcl nmero de clientes diarios que requieren trabajos de reparacin Ejemplo I La tabla 4.7 presenta los datos dcl nlU11ero de clientes diarios que requieren trabajos de reparacin prcscnta Ej emplo 4.5 Y1 un pronsticode estos datos Y/, en la Gary's Chevron Station. La tcnica de pronstico YI un pronstico de estos datos i',, en Ia Chcvron Station. La tcnica dc pronstico 4.5
TABLA 4.7 CALCULOS PARA LOS METODOS DE EVALUACION DE PRONOSTICOS 4.7 CLCULOS PARA LOS MTODOS DE EVALUACiN DE PRONSTICOS DEL EJEMPLO 4.5 4.5
ERROR
PERIODO

DATOS DATOS, y Y,
CLIENTES

PRONOSTICO, PRONSTICO,
Y1 Y/

e,

Ie,I le,'

e~

Ie,I/Y,, le,I/Y" %

e,/Y" %

1
1

2 2

3 3 4 5 5 6 7 8 8 9

58 54 60 55 62 62 65 63 70

58 58

54 60 55 55 62 62 65 63

-4 6 -5 7 7 0 O 3 3 -2 7 7

4
5

2
-

4 6 5 7 7 0 O 3 3 2 2 7 7
-

16 36 25 4<} 49 0 O 9 4 49

7.4
10.0
9.1

-7.4 7.4
10.0

-9.1 9.1
11.3

11.3

0.0 4.6 3.2 10.0

Sumas

12

34

188

55.6

-16.2

0.0 4.6 -3.2 3.2 10.0

122

Exploracin de los patrones de datos y selecciOn de la tcnica de pronstico seleccin de Ia tcnica de pronstico Exploracin

CapItulo Captulo 4

utiliza ci nmero de clientes atendidos en el periodo anterior, como ci pronstico del periodo atendidos el utiliza el nmero actual. Esta sencilia tcnica se expondr en el cap. 5. Los clcuios para evaluar este modelo sencilla tcnica se expondr en cap. 5. Los clculos para evaluar este modelo actual. mediante DAM, EMC, PEMA y PME se demuestran en la tabia 4.7. tabla mediante DAM, EMC, PEMA

DAM=

t=1 1=1

IY ftl IYt -- YI
n n

= 34 = 4.3 ==4.3 8
8

TI n

EMC=

(=1 t=1

(Yt - f)2 t
n

188 = 188 = 23.5 8

(=1

PEMA= PEMA =

I r=I
n

IYtI IY
IYt
-,-

ftl

Yt

= 55.6% = 6.95% 55.6% - 6.95% 8

PME = PME=

t= 1 t=1

(Yt

f t)
16.2% = 16.2% = 2.03% = 2.03% 8

Yt

La DAM indica que cada pronstico est desviado en un promedio de 4.3 clientes. El EMC pronstico est desviado en un prornedio de 4.3 clientes. El EMC el compararn de 23.5 y ci PEMA de 6.95% se cornpararn con el EMC y el PEMA de cualquier otro mtodo empleado para pronosticar estos datos. Por Ultimo, un bajo PME de 2.03% indica que la tcnica ltimo, un bajo PME de 2.03% enipleado Ia tcnica en no est desviada; ya que su valor es cercano a cero, la tcnica no sobrestima ni subestima en desviada; ya tcnica sobrestima fom1a consistente el nmero diario forrna consistente el nrnero diario de clientes atendidos.

DETERMINACION DE LO ADECUADO DE UNA DETERMINACIN DE LO ADECUADO DE UNA TCNICA DE PRONSTICO TECNICA DE PRONOSTICO
Antes de proceder a evaluar una tcnica elegida, se debe evaluar qu tan adecuada es Ia tcnica elegida, adecuada la Antes eleccin. a las siguientes preguntas: eleccin. El pronosticador deber responder a las siguientes preguntas:

Son indicativos de una serie aleatOlia los coeficientes de autocorrelacin de los Son indicativos de una serie aleatoria los coeficientes de autocorrelacin de los examinando los coeficientes residuales? Esta pregunta se puede responder examinando los coeficientes de autocon'elacin grfica como la rrelacion en la grfica de residuales, corno Ia que se muestra en el ejemplo 4.6. ci
Presentan los residuales 1ma distribucin aproximadamente normal? Esta pregunta se residuales una distribucin aproximadarnente normal? Esta pregunta se Presentan los residuales. puede responder analizando un histograma de los residuales. Tienen proporciones significativas de tt todas las estimaciones de parrnetros? La ,Tienen proporciones significativas de todas estimaciones parmetros? distribucin tt se expuso en el cap. 2 y la explicacin de las proporciones de t se distribucin se expuso en ci cap. y la explicacin las proporciones de se demostrarn el dernostrarn en ci cap. 6. Es sencilla la tcnica en su uso y fcil de entender por quienes toman las decisiones? ,Es sencilia Ia tcnica en su uso fcil de quienes

Determinacin de lo adecuado de una tcnica de pronOstico de lo adecuado de una tcnica de pronstico

123 123

requerimiento bsico de el patrn datos aleatorio se verifica mediante El requerirniento bsico de que ci patron de datos sea aleatorio se verifica mediante el anlisis de los coeficientes de autocorrelacinde los residuales. No debe haber anlisis de los coeficientes de autocorre]acin de los residuales. No debe haber coeficientes de autocorrelacin significativos. La ecuacin 4.3 proporcion un criterio para coeficientes autocorrelacin significativos. La ecuacin 4.3 proporcion un criterio para significancia coeficientes de autocorrelacin. En ci ejemplo 4.2 probar la significancia de los coeficientes de autocorrelacin. En el ejemplo 4.2 se ilustr cmo si cmo usar un correlograma para determinar si una serie es aleatoria. El ejemplo 4.6 ilustra ilustra procedimiento. este procedirniento.

Ejemplo 4.6

Kendell, Marine Corporation, se le solicit pronosticar las ventas A Perkin Kendell, analista de Outboard Marine Corporation, se le solicit pronosticar las ventas
trimestrales de 1993. Los datos de 1984 a 1993 se presentan en la tabla 4.5. Ya que en trimestrales de 1993. Los datos de 1984 a 1993 se presentan en la tabla 4.5. Ya que en el ejemplo 4.4 Perkin determin que los datos eran estacionales, prueba ahora una de las tcnicas estacionales, pronstico estacional disponibles en su computadora. En la fig. 4.9 muestran los de pronstico estacional disponibles en su computadora. En la fig. 4.9 se muestran los coeficientes de autocOlTelacin para la serie de residuales y las diferencias entre los valores coeficientes de autocorrelacin para Ia serie de residuales las diferencias entre los valores los valores de pronstico. Un examen reales y los valores de pronstico. Un exarnen de estos coeficientes de autocorrelacin indica que hay cuatro que son diferentes de cero en forrna significativa, r = .39, r) = .40, r4 = que son diferentes de cero en forma significativa, r1 = que r r4 = .51 y 1'8 = .37. Los coeficientes dede autocon'elacin significativos indican algn patron en = .37. Los coeficientes autocorrelacin significativos indican algn patrn en .51 tcnica pronstico adecuada residuales. los requerimientos bsicos de los residuales. Uno de los requerimientos bsicos de una tcnica de pronstico adecuada es que proporcione un patrn de residuales que sea aleatorio. Perkin juzga que la tcnica de que proporcione un patron de residuales que sea aleatorio. Perkin juzga que tcnica de que gener resi- duales resulta inadecuada. pronstico que generO estos resi- duales resulta inadecuada. Ahora, Perkin intenta una tcnica de pronstico diferente. En la fig. 4.10 se muestran los de pronstico diferente. En la fig. 4.10 se muestran los de coeficientes de autocorrelacin para Ia serie de residuales al utilizar esta nueva coeficientes de autocorrelaciOnpara la serie de residuales al utilizar esta nueva tcnica de pronstico. examen coeficientes autocorrelacin indica que ninguno ellos pronstico. Un exarnen de estos coeficientes de autocorrelacin indica que ninguno de ellos de manera significativa. pronstico es es diferente de cero de manera significativa. Parece ser que la nueva tcnica de pronOstico es

adecuada y Perkin decide utilizarla para pronosticar las prximas ventas trimestrales de adecuada Perkin decide utilizarla para pronosticar las prximas ventas trimestrales de
Marine. Outboard Marine.

TIME LAG
12 12
1]_

* I 1 *
*

11
9 9
8 8
7 7

10 10

*1 *1

*1

6 6

5 5 4 4
3 3

I 1 1 I * 1 I * 1 I * 1 * I 1
1 I 1 I
1 I
*

2 2 1 1

AUTOCORRELATI0N AUTOCORRELATION 0.10 0 10 -0.11 -0 11 -0.07 -0 07 0.27 0.37 -0.08 -008 0.16 0.12 0 12 051 0.51 0.40 040 0.22 022 0.39

1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1 +1 -1 O 0 1

Figura 4.9 Autocorrelacin de los residuales de un modelo inadecuado 4.9 Autoconelacin los residuales modelo inadecuado para los datos de Outboard Marine del ejemplo 4.6 Outboard

124

Exploracin de de datos y seleccin de la tcnica de pronstico ExploraciOn de los patrones de datos y selecciOn de Ia tcnica de pronOstico

Captulo 4 Cap Itulo

TIME TIME LAG


12 11 10
*

9 9

8 8
7 7 6 5 5

4 4
3 3 2 2 1 1

*1 *1 I 1 *1 *1 * 1 * I 1 * I 1 * * 1 * 1 I 1* 1* I 1 * * * 1 1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1 I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I -1 O +1 0 +1
*

AUTOCORRELAT10N AUTOCORRELATION 0.00 0 00 -0.05 0 05 -0.13 -0.06 0 06 0.13 013 -0.21 -0.14 -0.09 0 09 -0.17 0.04 0 04 0.11 0 11 0.18

013

021 014 017

Figura 4.10 Autocorrelacin de los residuales de un modelo adecuado para los datos de Outboard Figura 4.10 Autocorrelacin de los residuales de un modelo adecuado para los datos Marine del ejemplo 4.6. ejemplo 4.6.

APLICACIN EN LA ADMINISTRACIN APLICACION ADMINISTRACION


en este captulo constituyen la base para la seleccin de Los conceptos en este capItulo constituyen Ia base para La seleccin de la tcnica adecuada sihlacin dada. En los captulos siguientes, las ms importantes en una situacin dada. En los capItulos siguientes, muchas de las rns importantes tcnicas de pronstico se exponen y se aplican a situaciones de pronstico. pronstico exponen aplican situaciones de pronstico. Los siguientes son algunos ejemplos de situaciones que se presentan constantemente alglmos ejemplos de situaciones que se presentan constantemente Los en el mundo de los negocios, para los cuales una buena tcnica de pronstico ayudarIa al de los negocios, para los cuales una buena tcnica de pronstico ayudara al proceso de torna de decisiones. El material de este capItulo, junto con lo expuesto sobre decisiones. matelial este captulo, lo expuesto sobre proceso toma recoleccin de datos en el cap. 3, se aplican a estos ejemplos, ya que para cada uno estn aplican estos ejemplos, que para cada uno estn recoleccin de datos en cap. presentes los dos componentes vitales de tin pronstico til: la recopilacin de los datos componentes vitales un pronstico til: recopilacin los datos presentes los apropiados y Ia seleccin del mtodo conecto de pronstico. apropiados la seleccin del mtodo con-ecto de pronstico. Una cornpafiIa de refrescos desea proyectar la demanda mensual de su producto su producto Una compaa de refrescos desea proyectar la demanda mensual plincipal, para los dos prximos aos. prximos aos. principal, Una gran compaIa en telecornunicaciones desea pronosticar los pagos de dividendos compaa telecomunicaciones desea trimestrales de su principal rival, para los prximos tres aos. trirnestrales de su principal rival, para los prximos tres afos. Una universidad desea pronosticar las horas de crditos por estudiante por trimestre, universidad las trimestre, aos, para los siguientes cuatro aflos, con el fin de desarrollar una proyeccin de presupuesto el fin para Ia legislatura local. la local. Un compaa pblicos facturacin Una cornpaIa de contadores pblicos necesita pronsticos mensuales de facturacin en dlares, para poder planear posiciones contables adicionales comenzar las en dlares, para poder planear posiciones contables adicionales y comenzar las

contrataciones.

AplicaciOn en a administracin Aplicacin en la administraciOn

125

El gerente de control de calidad de una fbrica de lingotes de aluminio, requiere de calidad de una fbrica de lingotes de aluminio, requiere de un pronstico semanal de los defectos de produccin, para los altos directivos de la pronstico semanal defectos produccin, compaa. compaiIa. Un banquero desea ver proyectada Ia utilidad mensual de un pequefio fabricante de banquero proyectada la utilidad mensual pequeo fabricante bicicletas que solicita un prstamo mayor pam triplicar su capacidad. para triplicar su capacidad. bicicletas Una agencia del gobierno federal necesita proyecciones anuales de kilmetros Una agencia del gobierno federal necesita proyecciones anuales de kilmctros promedio por litro en los automviles americanos, para los prximos 10 aflos, a fin automviles americanos, para los prximos aos, promedio de elaborar recomendaciones de regulacin. de regulacin. Una compaIa de ahorro y prstamo requiere pronosticar los prstamos fraudulentos compaa prstamo requiere los prstamos fraudulentos durante los prximos dos afios, a efecto de evitar la quiebra. aos, evitar la quiebra. Una compafila que fabrica microprocesadores necesita de un pronstico industrial Una compaa que fabrica microprocesadores necesita de un pronstico industrial sobre el nmero de computadoras personales vendidas durante los prximos cinco los prximos cinco sobre nmero de computadoras personales vendidas aos, con el fin de planear su presupuesto de investigacin y desarrollo, su presupuesto de investigacin y desarrollo. aflos, con el fin

GLOSARIO
Autocorrelacin. Es Ia correlacin que existe entre una variable desfasada uno o ms la correlacin que existe entre una variable desfasada uno ms Autocorrelacin. la misma variable. periodos y Ia misma variable. Componente aleatorio. Este componente mide la variabilidad de la serie de tiempo despus Componente aleatorlo. Este componente mide Ia variabilidad de Ia serie de tiempo despues de quitar otros componentes. componentes. Componente ciclico. Es Ia fluctuacin en forma de onda alrededor de la tendencia. Componente cclico. Es la fluctuacin en forma de onda alrededor de la tendencia. Componente estacional. Es un patron de cambio que se repite a si mismo aflo tras ao. estacional. Es un patrn de cambio se s mismo ao tras ao. Correlograma. Es una herramienta grfica para mostrar las autocorrelaciones de varios Correlograma. Es una herramienta grfica para mostrar las autocorrelaciones varios periodos desfasados de una serie de tiempo. desfasados tiempo. Es la diferencia entre observado pronstico. Residual. Es Ia diferencia entre el valor real observado y su valor de pronstico. Serie estacionaria. Es aquella cuyo valor estacionario no cambia a travs del tiempo. estacionaria. Es aquella cuyo valor estacionario no cambia a travs del tiempo. de tiempo. Consiste en datos reunidos, registrados u observados en incrementos Serie de tiempo. Consiste en datos reunidos, registrados u observados en incrementos tiempo. sucesivos de tiempo. Tendencia. Es el componente de largo plazo que representa el crecimiento o declinacin Es el componente de largo plazo que representa el crecimiento declinacin serie tiempo en un periodo amplio. de la serie de tiempo en un periodo amplio.

FRMULAS CLAVE FORMULAS CLAVE


De primer orden De Coeficiente de autocorrelacin Coeficiente de
r1
n-I

t=1

(Y t
n
t

Y)(Y t -

- Y) Y)
(4.1 ) (4.1)

126

Exploracin de los patrones de datos y seleccin de Ia tcnica de pronOstico de la pronstico


n-k n-k

CapItulo 4 Captulo

De orden k-simo orden ksimo


Coeficiente Coeficiente de autocorrelacin
rk = rk=

(=

1 t= 1

(Yt - Y)(Y t- k -- Y) )(1-k

n fl
1

(4.2)
(Y t
-

y)2

(=

Intervalos de confianza del confianza coeficiente de coeficiente de autocorrelacin

0 Z OZ
Y = Y e t = V1t = Y,t
(= t= 11

1 I

(4.3) (4.3)

Error de pronstico o residual Error de pronstico o residual

(4.4) (4.4)

IlYt n

Iyt -

Ytl
(4.5) (45)

Desviacin absoluta de la media Desviacin absoluta Ia

DAM

=
n

I
Error medio cuadrado Error medio

EMe EMC-

(=

1 t= 1

(Y t

y)2 - Y)2

n n

(4.6) (4.6)

i
error medio absoluto Porcentaje de error medio absoluto

lY Yl IYt-Ytl

PEMA PEMA -

t=1 =1
n n

Yt

(4.7)

i
Porcentaje medio de error

(Yt

Y)
(4.8)

PME PME

t=1 =1

-J

Yt

V,

n n

PROBLEMAS
1. Explique las diferencias entre las tcnicas de pronstico cualitativas y cuantitativas. diferencias las tcnicas de pronstico cualitativas y cuantitativas. 2. Qu es una serie de tiempo? tiempo? Que 3. Describa cada uno de los cuatro componentes de una serie de tiempo. los cuatro componentes una serie de tiempo. 4. j,Que es una autocorrelacin? Qu autocorrelacin? 5. j,Que mide un coeficiente de autocorrelacin? Qu coeficiente autocorrelacin? 6. Describa cmo se emplean los correlogramas para analizar autocorrelaciones pam varios desfaDescriba se emplean los correlogramas para analizar autocorrelaciones para varios desfauna serie de tiempo. samientos de una serie de tiempo. 7. Cada una de las siguientes declaraciones describe una serie ya sea estacionaria o no estacionaria. siguientes estacionaria. Indique cul corresponde a cada una.
3.

b. c. d. e.

que tiene una tendencia. Una serie que tiene una tendencia. que no tiene una tendencia pero es muy cclica. Una serie que no tiene una tendencia pero es muy cIclica. cuya media y varianza permanecen travs del tiempo. Una serie cuya media y varianza permanecen constantes a travs del tiempo. Una serie cuyo valor promedio cambia a travs del tiempo. valor promedio travs del tiempo. serie que no presenta crecimiento o disminucin. Una serie que no presenta crecimiento o disminucin.

Captulo 4 Capitulo4

Problemas

127

8. A continuacin se presentan descripciones para diversos tipos de series: aleatoria, estacionaria, 8. A continuacin se presentan descripciones para diversos tipos de series: aleatoria, estacionaria, tendencia o estacional. Identifique cada tipo de serie. con tendencia o estacional. Identifique cada tipo de serie. a. Una serie que tiene propiedades estadIsticas bsicas como la media y la varianza que permaque tiene propiedades estadsticas bsicas como la media necen constantes a travs del tienipo. travs del tiempo. b. Los valores sucesivos de una serie de tiempo no se relacionan entre si. serie de tiempo no se relacionan entre s. c. Existe una elevada relacin entre cada valor sucesivo de una serie. serie. el periodo de desfasamiento 4. d. Aparece un coeficiente de autocorrelacin significativo en el periodo de desfasamiento 4. coeficiente de autocorrelacin significativo e. Una serie que no presenta crecimiento o disrninucin. serie que no presenta crecimiento o disminucin. f. Los coeficientes de autocorrelacin son diferentes de cero en forma significativa durante los autocorrelacin son diferentes de cero forma significativa durante primeros desfasamiento y despus caen a cero al incrementarse el nmero de prinieros periodos de desfasarniento y despus caen a cero al incrementarse el nimero de periodos. 9. Enliste algunas de las tcnicas de pronstico a considerar al pronosticar una serie estacionaria. 9. Enliste algunas de las tcnicas de pronstico a considerar al pronosticar una serie estacionaria. ejemplos situaciones D ejernplos de situaciones en las que se puedan aplicar estas tcnicas. Enliste algunas de las tcnicas de pronstico a considerar al pronosticar una serie con tendencia. 10. Enliste algunas de las tcnicas de pronstico a considerar al pronosticar una serie con tendencia. situaciones que se puedan aplicar estas tcnicas. D ejemplos de situaciones en las que se puedan aplicar estas tcnicas.

11. Enliste algunas de las tcnicas de pronstico a considerar a! pronosticar una serie estacional. D Enliste algunas de las tcnicas de pronstico a considerar al pronosticar una serie estacional. D ejemplos de situaciones en las que se puedan aplicar estas tcnicas. puedan aplicar ejemplos situaciones
Enliste algunas de las tcnicas de pronstico a considerar pronosticar cclica. 12. Enliste algunas de las tcnicas de pronstico a considerar al pronosticar una serie ciclica. D ejemplos de situaciones en las que se puedan aplicar estas tcnicas. ejemplos aplicar En la tabla siguiente se presenta el nmcro de matrimonios en los Estados Unidos. Calcule las 13. En la tabla siguiente se presenta el ni'irnero de matrimonios en los Estados Unidos. Calcule las datos. primeras diferencias para estos datos.

AO AIO

MILES DE MATRIMONIOS MATRIMONIOS


2,425 2,400 2,421 2,389 2,404

1985 1986 1986 1987 1987 1988 1989 1989

Fuente: Statistieal Abstraet 01 the United States, Fuente: Statistical Abstract of the United States,
1988, 1988, 1989, 1991.

14. Calcule un intervalo de confianza de 95% para los coeficientes de autocorrelacin de una serie intervalo confianza que contiene 80 trminos. tlminos. que 15. Calcule un intervalo de confianza de 90% para los coeficientes de autocorrelacin de una serie intervalo confianza autocorrelacin que contiene 60 trrninos. que conticne 60 tmlinos. 16. Cul mtodo de evaluacin de Ia tcnica de pronstico deberIa emplearse en cada una de las pronstico debera emplearse en las Cul mtodo de evaluacin de la situaciones siguientes? siguientcs?

128

Exploracin de los patrones de datos y setecciOn de Ia tcnica de pronstico de datos y seleccin la pronstico Exploracin

Captulo 4

a. El analista desea determinar si el mtodo de pronstico tiene algn sesgo. pronstico tiene algin sesgo. El desea determinar si mtodo b. El analista piensa que el tamafio o magnitud de la variable por pronosticar es importante en analista tamao la variable pronosticar importante la evaluacin de la precision del pronstico. precisin del pronstico. c. El analista requiere penalizar los errores de pronstico mayores. de pronstico mayores.

,Cu1es de las siguientes declaraciones son verdaderas, considerando los mtodos empleados 17. Cules de las siguientes declaraciones son verdaderas, considerando los mtodos empleados evaluar pronsticos? para evaluar pronsticos?
El a. El PEMA toma en cuenta Ia magnitud de los valores que se pronostican. la valores se pronostican. b. El EMC penaliza los errores mayores. EMC penaliza los errores mayores. c. El PME se usa para determinar Si mi modelo est pronosticando muy alto o muy bajo de PME se usa para determinar si un modelo pronosticando rnuy alto manera sistemtica. manera Si stemtica. d. La ventaja del mtodo DAM consiste en que relaciona el tamao del error con la observaerror con la observacin real.
18. A Allie White, oficial en jefe de prstamos del Dominion Bank, le gustarla analizar la cartera gustara analizar cartera 18. A Allie White, oficial en jefe de prstamos del Dominion prstamos banco para los aos 1984 a 1989. Los datos son los siguientes: de prstamos del banco para los aflos de 1984 a 1989. Los datos son los siguientes:

PRESTAMOS DEL DOMINION BANK POR TRIMESTRE, 1984-1989 PRESTAMOS DEL DOMINION BANK POR TRIMESTRE, (MILLONES DE DOLARES) (MILLONES

CALENDARIO
1984 1985 1985 1986 1987 1988 1989

MAR. 31 31 2313 2860 3399 4458 5756 6369

JUN. 30

30 SEPT. 30
2609 3202 3545 5093 6158 6646

DIC. 31 Die. 31 2792


3161 3851

2495 3099 3471 4850 6013 6568

5318 6289
6861

Fuente: The Value Line Investment Survey (Nueva York: Value Line, 1990), p. 2018. The Va/ue Line Investment Survey (Nueva York: Value Line, 1990), p. 2018.

Calcule las autocorrelaciones para los periodos de desfasamiento y 2. a. Calcule las autocorrelaciones para los periodos de desfasamiento 1 y 2. Haga pruebas para determinar si estos coeficientes de autocorrelacin son significativamente diferentes de autocorrelacin significativamente cero, al nivel de significancia de .05. de significancia de .05. b. Use un programa de cmputo para determinar si los datos son estacionarios. estacionarios.
19. Esta pregunta se refiere al problema 18. Obtenga la prirnera diferenciaciOn para los datos de 19. Esta pregunta se refiere al problema 18. Obtenga la primera diferenciacin para los datos de prstamos trimestrales del Dominion Bank. prstarnos trirnestrales del a. Calcule el coeficiente de autocorrelacin para el periodo de desfasamiento 1, utilizando los coeficiente de autocOlTelacin para ci periodo de desfasamiento 1, utilizando los datos diferenciados. b. Use un programa de crnputo para determinar si estos datos diferenciados son estacionarios. programa de cmputo para determinar si estos datos diferenciados son estacionarios.

20. Analice los coeficientes de autocorrelacin de las series que se muestran en las figs. 4.11 a 4.14. figs. Analice los coeficientes de autocorrelacin Describa brevernente cada serie. brevemente serie.

CapItuto Captulo 4

Problemas

129
AUTOCORRELAT10N AUTOCORRELATION 0.04 0 04 -0.02 -0.09 -0 09 -0.04 -0 04 0.15 015 0 05 0.05 -0.11 -0 11 0.08 0 08 0.04 0 04 -O .13 -0 13 -0.01 -0 01 0.54 054

TIME LAG TIME

12 12 11 11
10 9 9
8 8
* *

1* 1*
*

I 1

*1 *1

1
1* 1*
* *

7 7

6 6
5 5

1 I 1 I
1* 1*
* *

4 4 3 3 2 2
1 1

1
*

I 1

1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1 I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I O +1 -1 0

Figura 4.11 Coeficientes de autocorrelacin del problema 20. Figura 4.11 Coeficientes de autocorrelacin del problema 20.
12
11

10
9 9 8 8

7 6 6 5 5
7

1 I 1 1 I 1 * * 1 I 1 I 1
*

* *

0.32 032 0.16 -0.16 -016 0.08 0.44 044 0.16 016 -0.15 -015 0.02 0 02 0.51 051 -0.07 -0 07 0.12 0 12 0.21

*
*

4 4 3 2 2 1 1

1
*1 *1

1 * * I 1 I 1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1 I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I -1 O 0 +1
.

Figura 4.12 Coeficientes de autocorrelacin del problerna 20. Figura 4.12 Coeficientes de autocorrelacin del problema 20.
TIME LAG T1ME 12
11 10 9

* *

8 8 7 7 6 5 5

1 1 I * I * 1 I 1 * * 1 I
*

4 4
3 3 2 2
1 1

* 1 * I * 1 * 1 * 1 I * 1 I * I 1 1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1 I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I -1 O 0 +1

AUTOCORRELAT10N AUTOCORRELATION -0.22 -0.16 -O 10 -0 .10 -O .13 -013 -0.09 -0 09 0.00 0.10 0.24 024 0.43 043 0.59 059

0.71 071

0.74

Figura 4.13 Coeficientes de autocorrelacin Figura 4.13 Coeficientes de autocorrelacin del problema 20. problema 20.

130

Exploracin de los patrones de datos y seleccin do Ia tcnica de pronOstico de la pronstico ExploraciOn de los patrones do

Captulo 4 CapItulo 4

TIME LAG LAG 12 12


11 10
9 9
*

1* I*
*

I * I *1 *1
1 I 1* 1*
*

8 8
7 7

6 6

5 5
4 4 3 3
2 2
*

I * 1 * 1* 1* 1 I
I

1 1

-1 -1

I . I . I . 1 . I . I . I . I . I . I . I . 1 . I . I . I . I . 1. 1 . I . I . 1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1I
O 0 +1

AUTOCORRELATION 0.04 0 04 -0.02 -0 02 -0.09 -0 09 -0.04 -0 04 0.15 015 0 05 0.05 -0.11 -0 11 0.08 0 08 0 04 0.04 -0.13 -0.01 -O .15 -0.15

Figura 4.14 Coeficientes de autocorrelacin del problema 20 Figura 4.14 Coeficientes de autocolTelacin del problema

21. Un analista desea determinar si existe un patron para las utilidades por accin de Price Company, desea patrn las de Price Company, en varios estados bajo el nombre de Price Club como una empresa de mayoreo/meque opera en varios estados bajo el nombre de Price Club como una empresa de mayoreo/mepago en efectivo. Los datos son los siguientes: nudeo de pago en efectivo. Los datos son los siguientes:

UTILIDADES TRIMESTRALES POR ACCiN DE PRICE COMPANY, PRICE COMPANY, UTILIDADES TRIMESTRALES POR ACCION

1986-1993
PERIODO

CALENDARIO
1986 1987 1988 1989 1990 1991 1992 1993

DICIEMBRE

MARZO .29 .34 .43 .51 .51 .56 .42 .38

AGOSTO JUN10 JUNIODICIEMBRE .24 .30 .38 .42 .47 .50 .57 .37 .32 .39 .49 .61 .63 .63 .65 .65 .60 .57

.40 .47 .63 .76 .86 .94 .95 .93

Fuente: The Value Line hivestnzent Survey (Nueva York: Value Line, 1990), p. 1646. Tite Value Investment Survey (Nueva York: Value Line, 1990), p. 1646.

patrn los datos. Describa cualquier patron existente en los datos. Club a. Encuentre el valor de pronstico de las utilidades triniestrales por accin de Price Club a. Encuentre el valor de pronstico de las utilidades trimestrales por accin de para cada trimestre, emnpleando el enfoque no formal (el pronstico para junio de 1993 trimestre, emnpleando el formal de 1993 sido en marzo de 1993, .38). es cualquiera que haya sido en marzo de 1993, .38).

Captulo CapItulo 4

Caso de estudio Caso

131

b. c. d. e. f.

Evale Evale mediante DAM Evale Evale mediante EMC Evale Evale mediante PEMA Evale Evale mediante PME memorando resumiendo sus observaciones. Redacte un memorando resumiendo sus observaciones.

ESTUDIO 4.1 CASO DE ESTUDIO 4.1

MURPHY BROTHERS fURNITURE MURPHY BROTHERS FURNITURE


En 1958, los hermanos Murphy establecieron una mueblera en el centro de DalIas. A travs de los aos mueblerla de Dallas. A travs de los aos considerable y extendieron su cobertura hacia el oeste y el medio oeste. Para 1994, alcanzaron un xito considerable y extendieron su cobertura hacia ci oeste y ci medio oeste. Para 1994, su cadena de niueblerIas se encuentra bien establecida en 36 estados. muebleras uno de los fundadores, termin recientemente sus estudios de administraJulie Murphy, hija de uno de los fundadores, terrnin recientemente sus estudios de administraa la empresa. Su padre y su to haban especializado el areas, cin y se uni a la empresa. Su padre y su tb se habIan especializado en muchas reas, pero no en el area de las habiiidades cuantitativas. En particular, ambos pensaban que no podIan pronosticar con rea las habilidades cuantitativas. En particular, ambos pensaban que no podan pronosticar con precision las ventas futuras de Murphy Brothers mediante tcnicas modernas computarizadas. Por este precisin motivo acudieron a Julie para que los ayudara como parte de su nuevo trabajo. que los ayudara parte de su nuevo trabajo. haba estudiado pronsticos en su programa de administracin y orden un Julie habla estudiado pronOsticosen su programa de administracin y orden un paquete de programas, junto Minitab, utilizarlos en computadora de programas, junto con Minitab, para utilizarlos en la computadora de su oficina. Consider primero Murphy, pero utilizar como su variable las ventas en dlares de Murphy, pero se encontr con que faltaban varios y le respondi que, su momento, historial. pregunt a su padre al aos del historiai. Le pregunt a su padre al respecto y ste le respondiO que, en su momento, "no pens que fueran tan importantes". que relacionadas con las cifras de Julie pens que era probable que las ventas de Murphy estuvieran relacionadas con las cifras de buscar una variable apropiada en alguna de las diversas publicaciones ventas nacionales y opt por buscar una variable apropiada en alguna de las diversas publicaciones

TABLA 4.8 VENTAS MENSUALES DE TODAS LAS TIENDAS AL MENUDEO. 1983-1992 VENTAS MENSUALES DE TODAS LAS TIENDAS AL MENUDEO, 1983-1992 (MILES (MILES DE MILLONES DE DOLARES) DE DLARES)
1983
Ene. Feb.

1984 1984
93.1

1985
98.8 95.6 110.2

1986 105.6 99.7 114.2 115.7 125.4 120.4 120.7 124.1 124.4 123.8 121.4 152.1

1987

1988

1989 122.5 118.9 141.3 139.8 150.3 149.0 144.6 153.0 144.1 142.3 148.8 176.5

1990 132.6 127.3 148.3 114.2 145.0 154.1 120.3 153.5 148.9 115.5 157.4 124.1 145.6 113.8 151.5 123.8 156.1 179.7

1991 130.9 128.6 149.3 148.5 159.8 129.0 153.9 154.6 159.9 146.7 152.1 155.6 181.0

1992 140.2 141.5 153.0 157.3 163.8 162.7 164.2 164.3 158.8 166.8 164.7 200.2
113.6 115.0 130.9 150.3

81.3
78.9 93.8 93.8 97.8 100.6 99.4

93.7

Mar. Abr. May. Jun. Jun. Jul. Ago. Sep. Oct. Nov. Dic.

100.1 97.9 100.7 103.9 125.8

103.3 103.9 111.8 112.3 106.9 111.2 104.0 109.6 113.5 132.3

113.1 120.3 115.0 115.5 121.1 113.8 115.8 118.1 138.6

106.4 81.3113.6 105.8 115.0 120.4 131.6 125.4 130.9 129.1 136.0 129.0 137.5 129.3 134.1 131.5 138.7 124.5 131.9 128.3 133.8 109.6 126.9 140.2 157.2 171.0

140.2 171.0

Fuente: Survey 01 Current Business, varios aos. aos. Fuente: Survey of Current Business,

132

ExploraciOn de los patrones de datos seleccin de la tcnica de Exploracin de los patrones de datos y seteccin de Pa tcnica de pronstico

Cap itulo Captulo 4

$200 $200 ~

s
.g
en .,

., "' ::
0

$175

$150
$125

],
. ] :: .,

., "'

sioo
$75 $75
$50

"' Q '" ., >

$25
0 11111111 III 111111111111111111111111111111!]! 111111 llI 11111111 III 1111111 1111111111111111 1984 1985 1986 1987 1983 1989 1990
11111111 111111111111111

1991

1992

1988

Ao

Figura 4.15 Figura 4.15

Estimacin de ventas mensuales de todas las tiendas al menudeo en EVA, 1983-1992. tiendas al menudeo EUA,

TIME LAG
24 23
22
1 I 1 I 1 1 I I 1 I 1 I 1 1 I 1 I I 1 I 1 1
* *

AUTOCORRELATION
*
* * *

21 21
20
19 19 18 17 17 16 16 15 15 14 13 12

*
* * * *

*
* *

I 1
1

11 10
9 9

I 1 1 I

* *

8 7 7
6 5 5 4
3 3

2 2
1 1

-1

I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I.I +j O +1 1 0

* I 1 * . 1 * I 1 * I 1 * 1 * 1 * 1 I I 1 . . 1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1

0.53 0.34 0.28 0.34 0.38 0.42 0.42 0.45 0.45 0.44 0.42 0.50 0.73 0.52 0.47 0.54 0.58 0.62 0.63 0.66 0.66 0.66 0.65 0.73

Figura 4.16 Autocorrelaciones de los datos de ventas de las tiendas al menudeo en EVA, para el Figura 4.16 Autocorrelaciones de los datos de ventas de las tiendas al menudeo en EUA, para el caso de estudio 4.1. estudio 4.1. caso

Captulo CapItulo 4

Caso de estudio estudlo

133

Despus de buscar en una copia de o/Current encontr el historial federales. Despus de buscar en una copia reciente de Survey of Current Business, encontr el historial mensuales de todas las tiendas al menudeo EVA y decidi usar esta variable como de las ventas mensuales de todas las tiendas al menudeo en EUA y decidi usar esta variable como sustituto de su variable de inters, ventas en dlares de Murphy Brothers. Razon que si poda establecer en dlares de Murphy Brothers. Razon que si podia establecer pronsticos precisos nacionales, podria relacionar estos pronsticos con las propias pronsticos precisos para las ventas nacionales, podra relacionar estos pronsticos con las propias obtener el pronstico deseado. ventas de Murphy y obtener el pronstico deseado. presenta datos reunidos por Julie fig. 4.15 muestra una grfica de datos La tabla 4.8 preSenta los datos reunidos por Julie y la fig. 4.15 muestra una grafica de datos obtenida programa de cmputo. Julie comenz anlisis empleando la computadora obtenida por su programa de cmputo. Julie comenz su anlisis empleando la computadora para de los coeficientes de autocorrelacin. desarrollar una grfica de los coeficientes de autocorrelacin. Despus de examinar el correlograma de la Despus de examinar el correlograma de la fig. 4.16, le pareci obvio a Julie que sus datos tuvieran pareci Julie que sus datos tuvieran primeros coeficientes autocorrelacin grandes y gradualmente caen una tendencia. Los primeros coeficientes de autocorrelacin son muy grandes y gradualmente caen hacia cero al transcurrir el tiempo. Para hacer estacionaria Ia serie con el fin de considerar varios mtodos hacia transcurrir estacionaria la el fin de considerar varios mtodos de pronstico, Julie decidi hacer una primera diferenciacin de sus datos para ver si podIa quitar la si poda quitar la El correlograma para la se muestra en la fig. 4.17. tendencia. El correlograma para La primera diferenciacin de datos se muestra en la fig. 4.17.

T1ME LAG 24
23 22 21 20 19 18 18 17 16 16 15 14
13 13
*

1 I 1 I I 1
1* 1* 1* 1* 1* *1 *1 1* 1*
* *

*
*

12 12 11 11 10
9 9
8 8

1 I I 1 I 1 1 I 1
1* 1* 1* 1* 1* 1* *1 *1 1* 1*
*

7 7 6 6
5 5 4 3 3 2 2
1

1* 1*
*
*

1 I

1 I

AUTOCORRELAT10N AUTOCORRELATION 0.76 076 -0.30 -0.21 -021 0.05 0 05 0.03 0 03 0.06 0 06 -0.06 -0 06 0.06 0 06 0.01 0 01 0.02 0 02 -0.19 -019 -0.31 088 0.88 -0.34 -0.23 0.05 0 05 0.03 0 03 0.06 0 06 -0.05 -O 05 0.06 0 06 0.02 0 02 0.03 0 03 -0.21 -0.34

1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1 1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1. I

-1

O 0

+1

Figura 4.17 Autocorrelaciones de la primera diferenciacin Figura 4.17 Autocorrelaciones de la prirnera diferenciacin de los datos de ventas de las tiendas al EVA, para el caso de estudio 4.1. menudeo en los EUA, para el caso de estudio 4.1.

134

Exploracin de los patrones de datos y seleccin de la tcnica de pronstico ExptoraciOn de los patrones de selecciOn de Ia tcnica de pronstico

Cap [tub 4 Captulo

PREGUNTAS
1. 2. 3. 4. A qu conclusion debe liegar Julie con respecto a las ventas a! menudeo? conclusin llegar las ventas al menudeo? ,Ha Ha logrado Julie algOn progreso para encontrar una tcnica de pronOstico? Julie algn encontrar una tcnica de pronstico? Qu tcnicas de pronOstico deberIa intentar Julie? Qu tcnicas de pronstico debera Cmo sabr Julie qu tcnica funciona mejor? tcnica funciona Cnio

CASO DE ESTUDIO 4.2 ESTUDIO 4.2

MR. TUX MR.


varias tiendas de renta Mr. Tux, comienza a pronosticar la variable ms John Mosby, propietario de varias tiendas de renta Mr. Tux, cornienza a pronosticar la variable rns impOltante de su negocio, ventas mensuales en dlares (vanse los casos de estudio Mr. Tux al final de iniportante de su negocio, ventas mensuales en dlares (vanse los casos de estudio Mr. Tux a! final de los caps. I y 2). Una de sus empleadas Virginia Perot, reuni los datos de ventas que se presentan en el caps. 1 datos de ventas que se presentan en el caso de estudio del cap. 2. del cap. 2. Jolm tiene un amigo con el que conversa sobre sus esfuerzos de pronstico y ste le ofrece utilizar John el que conversa sobre sus esfuerzos de pronstico ste le ofrece utilizar su programa de crnputo Sybil/Runner. John le echa un vistazo al programa y decide usarlo para cmputo Sybil/Runner. le vistazo programa decide usarlo para su pronosticar sus datos de ventas mensuales. Utiliza los 96 meses de reunidos pronosticar sus datos de ventas mensuales. Utiliza los 96 meses de datos reunidos y hace que el programa programa desarrolle el siguiente correlograma:

Ix x Ix x
.51X

I X X .5

lxx

x x xx ix x x x
X X

I X 0.0 1
I

xx ix xxx xxx xxx xxx x xx - x - xxxx x x ix xxx xxx xxx xxx x xxx xxx xxxxx ixxx -x- -x- -x- -x- -x- -x- xxx xx -x- -x- -x- -x- -x- -x- -x- -x- -x-x xxx xxx -x- -x- -x- -x- -x- xxx -x- -x- -x-xi-x-x--x--x--x--x--x-x--x-x--x--x--x--x--x--x--x--x--x--x--x--x--x--x
x x
X
X X X X X X X X X X X X X X X X X X X X X

xxxxxxx xxxxxxxxxxxxxxxx x x x x x x x x x x x x x x x x x

X xx

X X

xxx x xxx x xx
X X X

xxX X

x X

1 I
1 I 1 I

-.5 1 51

I 1

I 1
1 I

1 -+- -+- -+- -+- -+- -+- -+- -+I-+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+-+3 7 9 10 11 12 13 14 LAG= 1 2 4 5 6 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 16 17 18 19 20 21 22 23 24 LAG 1 8 COR 0.77 0.29 0.35 COR 0.77 0.48 0.31 0.29 0.35 0.57 0.51 0.28 0.17 0.13 0.14 0.34 0.51 0.57 0.45 0.27 0.37 0.41 0.70 0.36 0.26 0.12 0.17 0.19 0.40 0.12 VALUE 0.27 0.41

programa reporta que " ... hay algn tipo de patrn en los datos, es decir, los datos no presentan El programa reporta que "... hay algn tipo de patron en los datos, es decir, los datos no presentan distribucin aleatoria, ya que una distribuciOn aleatoria, ya que hay 18 valores que se ubican fuera de los lmites de control". Debido lImites de a que todos los coeficientes de autocorrelaciOn son positivos y se desvanecen. John concluye que sus los coeficientes de autocorrelacin son positivos y se desvanecen. datos tienen una tendencia. tendencia.

Captulo CapItulo 4

Caso de estudio

135

solicita Entonces, solicita al programa la primera diferenciacin de los datos y ejecuta un correlograma:
I I
I I

I I

x X x X
X X

I .5 I .51 I I
I

I I
I I-

x X x X

-xX
-

xX
X X

I I

X X

-xX XX xx
-

X x

X x

-xx XX xx
-

xx
-

x X x X
-

0.0 I-X--X--X--X--X--X--X--X--X--X--X--X--X--X--X--X--X--X--X--X--X--X--X--X0.0 I-X--X--X--X--X--X--X--X--X--X--X--X--X--X--X--X--X--X--X--X--X--X--X--X-

lxxx I-

I X X X X X X X X I-X--X-X.-XX X X X
-

xxx

xx
-

X X X -X-

xx

X X X X X-

xxx

X X
-

xx

XX xx

I I
I I

-.5 I -.51
I I

I I
I I

I-+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+- -+I-+--+--+--+--+--+--+--+--+--+--+--+--+--+--+--+--+--+--+--+--+--+--+--+LAG= 1 2 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 4 5 7 8 9 10 11 12 13 14 15 16 17 18 20 21 22 23 24 3 6 LAG 1 -.07 -.16 COR -.06 -.14 -.18 -.19 -.13 0.08 -.05 -.14 -.08 -.07 -.16 0.20 VALUE -.24 0.18 -.14 0.21 -.18 0.68 -.17 0.13 -.17 0.15 -.17 0.42 -.18 0.13

mensaje, excepto que solo cuatro coeficientes se ubican fuera de los Esta vez, recibe el mismo mensaje, excepto que slo cuatro coeficientes se ubican fuera de los lImites de control. El programa establece que "....1os datos son estacionarios en la primera diferencialmites ".. los datos son estacionarios en cin". John coeficientes de autocorrelacin en los periodos de ciOn". John advierte que se presentan coeficientes de autocorrelaciOn significativos en los periodos de 12 Y que sus son estacionales. desfasamiento 12 y 24 y concluye que sus datos mensuales son estacionales.
PERIODO DE DESFASE COEFICIENTE PERIODO DE DESFASE COEFICIENTE
12 24
.68 .42

tem1ina El programa termina calculando el porcentaje de la varianza en los datos originales explicada por varianza en los datos originales explicada por los factores en el anlisis: en el anlisis:
% FACTOR Datos Tendencia Estacionalidad Aleatorio

EXPLICADO
100 6 45 49

TAREA

1. Resuma en un prrafo, dirigido a un directivo, no a un pronosticador, los resultados del anlisis pn-afo, dirigido directivo, Resuma de John. 2. Describa los efectos de Ia tendencia y la estacionalidad que parecen estar presentes en las ventas la de Mr. Tux. 3. Cmo explicara la lnea "aleatorio = 49%" que aparece al final de Ia impresin de salida del la salida del Crno explicaria Ia lInea "aleatorio = 49%" que aparece al final Sybil/Runner? programa Sybil/Runner? 4. Suponga que el periodo de desfasarniento 36 es significativo, concluira que la estacionalidad el periodo de desfasamiento 36 es significativo, concluirIa la estacionalidad tiene una tendencia? De ser asI, explique qu significa una tendencia en la estacionalidad. tendencia? as, explique qu significa una estaconalidad.

136

Exploracin de los patrones de datos y seleccin de Ia tcnica de pronstico la pronstico ExploraciOn de los patrones de seleccin

Captulo 4 Capltulo

ESTUDIO 4.3 CASO DE ESTUDIO 4.3

CONSUMER CREDIT COUNSELING CREDIT


de Consumer describi 1 (caso de estudio 1.2) La operacin de Consumer Credit Counseling (CCC) se describi en los caps. 1 (caso de estudio 1.2) de estudio 3.4). y 3 (caso de estudio 3.4). A Mary Harnishfeger, Director Ejecutivo, le preocupa el tamao y calendario del equipo de equipo de A Marv Hamishfeger, Director Ejecutivo, le preocupa el tamao calendario personal para el resto de 1993. Mary explica el problema a Dorothy Mercer, recin electa presidenta resto de 1993. Marv explica el problema a Dorothy Mercer, recin electa presidenta del comit ejecutivo. Despus de meditar el problema, Dorothy concluye que CCC necesita analizar el cornit ejecutivo. Despus de meditar el problema, Dorothy concluye que CCC necesita analizar el nmero nuevos clientes nmero de nuevos clientes adquiridos cada mes. Dorothy, quien trabaj en una empresa de servicio trabaj local, y est fan1iliarizada con diversas tcnicas de exploracin de datos, estuvo de acuerdo en analizar y farniliarizada con diversas tcnicas de exploracin de datos, estuvo de acuerdo en analizar

el problema. Para ello, solicit Marv los datos de nuevos clientes atendidos por mes. Marv le el problema. Para ello, solicit a Mary los datos de nuevos clientes atendidos por mes. Mary le
datos nmero proporcion los datos mensuales del nrnero de nuevos clientes atendidos por CCC en el periodo de atendidos enero de 1985 a marzo de 1993: 1993:
1985: 1985: 1986: 1986:
1987: 1987:

1988: 1989: 1990: 1990: 1991: 1992: 1992: 1993:

182 102 145 101 101 150 127 171 166 152

99 128 113 103 103 113 153 153 138 102 151 102 146 175 185 185 172 175 138 138 175 151 151 199 121 121

136

75 77 112 128 112 150 100 100 107 100 100 100 153 110 153 168 142 142 112 108 112

136 87 63

73 92 138 106 106 120 121 121 141 141 149 149

77 83

122 122 131 115 115 98 117 117 152 147

104 96 78 97 121 121 151 168

108 97 108 128 88 94 98 131 131 128 128 145 145

82 141 141 118 93 135 135 147 151 149

74 97 102 103 103 141 141 121 121 121 121 169 169

75 75

87 87
98 104 67 110 126 138

92

102

TAREA
1. Explique crno utiliz Dorothy el anlisis de autoconelacin para explorar el patron de datos Explique cmo utiliz Dorothy el anlisis autocorrelacin explorar el patrn de datos nmero de clientes atendidos por CCe. para el nrnero de clientes atendidos por CCC.
2. Cul fue Ia conclusion de Dorothy despus de terminar el anlisis? la conclusin Dorothy despus de terminar el anlisis? ,Cul 3. Qu tipo de tcnica de pronstico recomend Dorothy para este conjunto de datos? ,Que

VERSIN ESTUDIANTIL DE FORECAST PLUS VERSION ESTUDIANTIL DE FORECAST


seleccionando la men Se entra al paquete de exploracin de datos seleccionando Ia opcin 2 del menu principal. archivo con el mensaje: El sistema le preguntar el nombre del archivo de datos, con el mensaje:
What is the name of the data file? of the data file? What is CREDIT

men seis tcnicas de exploracin. En la aparece: El menu le permite elegir entre seis diferentes tcnicas de exploracin. En Ia pantalla aparece:
Data file name: name: Variable:

B:CREDIT CLIENTS NUMBER OF CLIENTS

***Exploratory Package***

l. Plot 1. Time Plot

Versin estudiantil de Forecast Plus Version estudiantil de Forecast PIus


2. 3. 4. 5. 6. 7. 4235 HT Robust Smoothing 4235 HT Robust Plot (trend/cycle variation) Box Plot (trend/cycle variation) Aggregate Box Plot (seasonal variation) Plot (seasonal variation) Spread vs Level Plot Plot Spread vs Autocorrelation function function Return to Main Menu Return to Which?

137

AUTOCORRELATION FUNCTION

99 Observations in the Working Series 99 Observations in the Mean of the Working Series = 122.15 Series = 122.15 Standard Deviation of the 30.043 Standard Deviation of the Working Series = 30.043
Lag
Value
0.51 0.45 0.37 0.36 0.31 0.27 0.28 0.28 0.22 0.24 0.31 0.48 0.33 0.35 0.19 0.22 0.32 0.12 0.19 0.23 0.28 0.18 0.29 0.44 0.25 0.22 0.14 0.16 0.24

T-Value -1.0 Value -1.0


5.05 3.63 2.65 2.41 1. 99 1.99 1.67 1. 68 1.68 1.62 1.22 1.35 1. 70 1.70 2.56 1. 63 1.63 1.68 0.91 1.04 1.50 0.54 0.85 l. 01 1.01 1.26 1. 26
0.77 1.25 1. 25 1.89 1. 05 1.05 0.91 0.56
[

0.0
: ****] ******** 5.05 ;*****J***** 3.63 :******]** 2.65 :******J**

+1. O +1.0

1 2 3 3 4 4 5 5
1

[
:

[ [ [ [ [ [ [ [ [ [

:*******]
:*******) :*******)
.*******

6 6

7 8 8 9 9 10 11 12 12 13 14 15 15 16 17 18 19 19 20 20
7

1.22
:********] : ********J ***
.******** ]

[
[

:*********]

[
[

] 0.91 ] 1.04
] ] ] ] ] ] ]
: ***********]
.******

[
[

21 21

22 22 23 23
24

[ [ [ [
[ [ [ [

25 25 26 26 27 27 28 28 29 29 30 30 31 31 32 33

[
[

-0.07 0.09 -0.00 0.13

0.66 0.98 -0.26 0.37 -0.01 0.50


:
-

[ [
[

**** .******
** -0.26 .

0.66]
]

** ***
---

[
[
---

] ] 0.50 ]
-

-- -- --

--

--

--

--

--

- -

- -

-:

= ] = Estimated Two-Standard Error Limits Error Limits


Box-Pierce Chi-Square Statistic with 33 Degrees of Freedom 261.7 Box-Pierce Chi-Square Statistic with 33 Degrees of Freedom = 261.7

Figura 4.18 Nmero de clientes-Anlisis exploratorio de los datos del caso de estudio 4.3. Figura 4.18 Nrnero de clientes-Anlisis exploratorio de los datos del caso de estudio 4.3.

138

Exploracin de los patrones de datos y seleccin de Ia tcnica de pronOstico la pronstico ExploraciOn de los patrones de
AUTOCORRELATION FUNCTION
in 98 98 Observations in the Working Series Series of the Working Series = .17 Mean of the Working Series = .17 Standard Deviation of the Working Series = 28.9831 of the Working Series 28.9831

Captulo 4 Capitulo

Lag 1 1 2 2 3 3 4 5 5 6 6 7 7 8 8 9 10 11 11 12 12 13 13 14 14 15 15 16 17 17 18 19 20 21 21 22 23 24 24 25 26 27 28 29 30 31 31 32

Value

-1. O T-Value -1.0

0.0
] ] ]

+1.0

:---------------------------------------------------:

-0.42 0.05 -0.04 0.01 0.02 -0.07 0.02 0.03 -0.06 0.00 -0.09 -0 09 0.22 0 22 -O .15 -0 15 0.13 0 13 -O .13 -0.13 -0.04 0.24 0 24 -0.21 0.01 -0.02 0 11 0.11 -O .14 -0.14 -0.04 0.24 0 24 -0.11 0.04 -0.07 0.00 0.26 0 26 -0.33 -0 33 0.23 0 23 -O .18 -0.18

-4.18 0.42 -0.34 0.10 0.19 -0.58 0.19 0.27 -0.54 0.04 -0.72 -0 72 1. 81 1 -1.22 -1 22 1. 02 1 -1.04 -0.35 1 1. 87 -1. 57 -1.57 0.11 -O .12 -0.12 0.78 0 78 -1.05 -0.29 1. 70 1 -0.76 0.29 -0.49 0.01 1. 81 1 -2.24 -2 24 1 1. 49 -1.11

******[****:

[ [ [ [ [ [ [
Ii
[ [

* * .
:

]
* **:. **
: :

[
[

* [ * [ **: ** [-0.54 . [
II

] ]
] ] ] ]

0.19

[ **. [ [ :*****] ****. [ ****. .*** [ *** ***: [ *** . *. [ [ :*****]


[

*****: [ *****. [ [ .*** [ ***


[

****: [ **** : * . [ [ :******) ***: [ -0.76 . *** [ 0.29 * **: ** [ -0.49 . [ [ :******)
:

*[******: .******
[

****:. ****

: ---------------------------------------------------:

[ ] = Estimated Two-Standard Error Limits Two-Standard Error Limits


Box-Pierce Chi-Square Statistic with 32 Degrees of Freedom = 76.4 32 of 76.4 Probabili ty = 0 O Probability

Figura 4.19 Nmero de clientes-Anlisis exploratorio, primera diferenciacin, para el 4.19 Nmero de clientes-Anlisis exploratorio, primera diferenciacin, caso de estudio 4.3. 4.3.

El primer paso en cualquier anlisis exploratorio debe ser una grfica del periodo cualquier anlisis exploratorio debe periodo El Plot). (Time Plot). Por lo regular, es mucho lo que se puede aprender al observar una grfica de Para nuestro ejemplo, elegimos la funcin opcin los datos sin procesar. Para nuestro ejemplo, elegirnos La funcin de autocorrelacin, opcin la pantalla aparece lo siguiente: 6. En la pantalla aparece lo siguiente:

Pronstico mediante hojas de clculo Pronstico hojas clculo

139

Autocorrelation Function
Transformation to original data series: data series: (l=Reciprocal. 21/Sqrt, 3=1/4th root, (lReciprocal, 2=1/Sqrt. 3=1/4th root. 4=Log. 5=4th root. 6=Sqrt. 7None) 4Log, 5=4th root, 6=Sqrt, 7=None) Degree of regular differencing: regular differencing: Degree of seasonal differencing: seasonal differencing: seasonality: Length of seasonality: Number of lags to print: lags to print:
7

o 0 o 0
12
A

Press ENTER to accept: ENTER to accept:

Para ejecutar un correlograrna para nuestros datos, podemos utilizar las opciones por correlograma para nuestros datos, podernos utilizar las opciones omisin ya provistas. Deseamos utilizar la serie de datos originales sin diferenciacin y, ya ornisin provistas. Desearnos utilizar Ia serie de datos originales sin que los datos son mensuales, la estacionalidad es 12. El niirnero de periodos de desfase a mensuales, estacionalidad es 12. nmero de periodos de desfase que imprimir tomar, por omisin, el valor de autorntico (mirnero de puntos de datos entre 3). automtico (nmero de puntos 3). imprirnir tornar, omisin, presionar <Enter>, se imprime la infonnacin de la fig. 4.18. Al presionar <Enter>, se imprirne la informacin de la fig. 4.18. Los coeficientes de autocorrelacin muestran que los datos no son estacionarios Los coeficientes de autocorrelacin muestran que los datos no son estacionarios (tienen tendencia). La diferenciacin se emplea (tienen tendencia). La diferenciacin se eniplea para elirninar la tendencia. Los datos se eliminar tendencia. datos se vuelven procesar usando la diferenciacin regular de 1. La fig. 4.19 muestra el vuelven a procesar usando la diferenciacin regular de l. La fig. 4.19 muestra el correlograma de los datos de la primera diferenciacin. la primera diferenciacin. correlograrna de los

PRONSTICO MEDIANTE HOJAS DE CLCULO PRONOSTICO MEDIANTE HOJAS DE CAL CULO

El El problema
Vernon desea emplear Lotus 1-2-3 (versin 2.0) para calcular los coeficientes de Harry Vernon desea emplear Lotus 1-2-3 (version 2.0) para calcular los coeficientes de autocon'elacin de primer orden para los datos que se presentan en tabla 4.1. Dichos autocorrelacin de primer orden para los datos que se presentan en la tabla 4.1. Dichos muestran en la tabla 4.2. clculos se muestran en Ia tabla 4.2.

La solucin mediante hoia de clculo La solucin mediante hoja de clculo


l. Cargue el archivo que guard en el cap. 3. Escriba /FILE RETRIEVE o /FR. Esto guard el cap. 3. Escriba /FILE RETRIEVE o /FR. Esto 1. Cargue archivo equivale a seleccionar FILE en el menu principal y RETRIEVE en el subrnen. En Ia submen. la en el men principal aparecer el mensaje: pantalla aparecer el mensaje:

of file to retrieve: A:/*.WK1 Name of file to retrieve: A:/*.WK1

140

Exploracin de los patrones de seleccin de Ia tcnica pronstico ExploraciOnde los patrones de datos y selecciOn de la tcnica de pronstico

Cap Itulo Captulo 4

En la tercera ilnea aparece el nombre de Ia hoja de clculo que guard en el cap. 3, lnea aparece la el cap. 3, En VCRl.WKl. Use las teclas de flechas para resaltar este archivo y oprima <Enter>. VCR1 .WK1. Use las teclas de flechas para resaltar este archivo y oprima <Enter>. En VCRl.WKl. la pantalla aparece la hoja de clculo VCR1 .WKI. 2. Coloque el apuntador de celda en A4, teclee cinco espacios y luego Y,, oprima <--.,> y cinco espacios y luego Y" teclee cuatro espacios y despus Y1. Oprima <Enter>. Y1-)' Oprima <Enter>. 3. Para crear la columna Y, oprima /COPY ooIC. Coloque el apuntador de celda en B5. columna Y,-b oprima ICOPY IC. Coloque el apuntador de celda Lotus le solicita el rango de celdas a copiar, con el mensaje:

Enter range to copy FROM: range to copy FROM:

B5... B5 B5 .B5

Presione Ia tecla de punto para anclar el resaltado comenzando en la celda B5. Presione la de el resaltado comenzando en Ia celda B5. Presione B 15. la tecla de flecha hacia abajo <.L> para extender el rea resaltada hasta B15. Oprima flecha abajo <.1-> para extender el area resaltada <Enter>. Coloque ahora el apuntador de celda en C6 y presione <Enter> para copiar la <Enter>. el de C6 presione <Enter> para copiar la columna en Ia pantalla. En la fig. 4.20 se muestra el resultado. la se muestra el resultado.

A A 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 10 10 11 11 12 12 13 14 14 15 15 16 17 18 19 20 20 21 21 22 23 23
24

B B

C C

D D

G G

FT H

VERNON' S STORE VERNON'S MUSIC STORE NUMBER OF VCRS SOLD SOLD


Month January February March April May June July August September October November December
Yt 123 130 125 138 145 142

Yt-1

123 123 130 125 125 138 138 145 145 142 142 141 141 146 147 147 157 157 150

-19 - 12 -12 - 17 -17 -4 -4 3 3 4 4 5 5 15 8 8 18

141 146 147 157 150 160 1704

0 -1 -1

- 19 - 12 - 17 -17 -4 -4 3 3
0

361 144 289 16 9 9

228 204 68 - 12 -12


0

o 0

O 0

-1 -1 4 4 5 5 15 15 8 8 -18

1 1 16 25 25 225 64 324 1474

O 0

-4 20 20 75 120 144 843

Mean =

142.00
0.571913

r r

Figura 4.20 Coeficiente de autocorrelacin de primer orden para el nmero de videonmero Figura 4.20 Coeficiente de autocorrelacin de primer caseteras vendidas por Vernon' s Music Store. caseteras vendidas Vernon's Music Store.

Paquetede cOmputo Minitab Paquete de cmputo Minitab

141

la columna (Y,Y), calcule la media de la columna Y,. 4. Para crear la columna (Y, - Y),calcule la media de la columna Y. Coloque el apuntador de celda en B 19, escriba MEAN =. Presione <---7>. Ahora est ubicado en C19. Lotus est ubicado en C19. Lotus B19, =. Presione <-p>. 1-2-3 tiene una funcin integrada que le permite calcular la media aritmtica de los tiene una funcin integrada catcular la media aritmtica de los <Enter>. comprendidos @AVG(B5 ..B 16) valores comprendidos en un rango. Escriba @AVG(B5..B16) y oprima <Enter>. En C19 aparece una media de 142. Ahora colquese en D5 y escriba la frmula +B5-142. 142. Ahora colquese en D5 y escriba la formula +B5-142. e19 El signo ms (+) le indica al programa que se va a introducir una formula. Oprima (+) le indica al programa que se va a introducir una frmula. Oprima <Enter> y en D5 aparece -19.Ahora presione /COPY para copiar la formula al resto de D5 aparece 19. Ahora presione /COPY para copiar la frmula Oprima la tecla de flecha hacia abajo <L> la columna. Oprima la tecla de flecha hacia abajo <.1> y la tecla de punto para indicar ptmto pam el comienzo del resaltado en la celda D6. Oprima <.1> para ampliar el resaltado hasta del resaltado en la celda D6. Oprima <> para ampliar el resaltado hasta la fig. 4.20. D16. Oprima <Enter>. El resultado se muestra en Ia fig. 4.20. Ntese que si mueve el D 16 Y lnea +B 16-142. indicador de celda a D16 y observa la ilnea superior, sta mostrar +B16-142.
5. Para crear Ia columna (Y,_1 -Y), coloque el indicador de celda en E6, escriba Ia fOrmula crear la columna (Y,_I - Y), coloque el indicador de celda escriba la frmula +C6-142 y cpiela al resto de la columna. +C6-142 y cOpiela at resto de Ia colunma. 6. Para crear la columna (Y,-- y)2, coloque el indicador de celda en F5, escriba la frmula crear columna (Y, Y)2, coloque et indicador de celda en F5, escriba la formula y cpiela at +D5*D5 y cOpieta al resto de la columna. 7. Para crear la ltima cotumna, coloque el indicador de celda en G6, escriba la frmula ltima columna, coloque el indicador de cetda en G6, escriba ta formula cpiela al resto de la columna. +D6*E6 y cpieta at resto de la columna.

Para sumar las columnas, coloque ci apuntador de cetda en Bl7 Y escriba 8. Para sumar las columnas, coloque el apuntador de celda en B 17 y escriba @SUM(B5..B16). Oprima <Enter> y en B17 aparecer la suma 1704. NOtese que @SUM(B5 .. B16). Oprima <Enter> Bl7 la suma 1704. Ntese en Ia lInea uno en la parte superior de la pantalla aparece ta funcin de suma en la lnea uno en la parte superior de la pantalla aparece la funcin de suma @SUM(B5 ..B16). Copie ahora la suma @SI1M(B5..Bl6). Copie ahora Ia surna de B17 en C17 hasta G17.
9. Por ltimo, catcule el coeficiente de autocorrelacin colocando el apuntador de celda ltimo, calcule autocorrelacin colocando el de B21 presionar <---7>, escriba la frmula La en B21 y escribiendo r =. Despus de presionar <-3>, escriba Ia fOrmula +G17/F17. La respuesta aparecer en C21. en C21.

PAQUETE DE CMPUTO MINITAB PAQUETE DE CMPUTO MINITAB


El problema. En el ejempto 4.3, Maggie Trymane, una analista de Sears, desea Maggie Trymane, una analista En ejemplo El ventas para 1992. Ella requiere detenninar el patrn pronosticar las ventas para 1992. Ella requiere deterrninar el patrOn para los datos de ventas de los aos 1955 a 1991. aos 1955 a 1991.

142

Exploracin de los patrones de datos y selecciOn de Ia tcnica de pronOstico datos y seleccin de la tcnica de pronstico ExploraciOn de los

Captulo 4 Cap Itulo

La solucin con Minitab La solucin con

MTB > READ 'SEARS.DAT' INTO Cl > 'SEARS.DAT' INTO Cl 31 READ 31 ROWS READ Cl Cl 3307 MTB > ACF Cl > Cl ACF of Cl of Cl -1.0 -0.8 -0.6 -0.4 -0.2 1.0 0.8 0.6 0.4 0.2
1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 10 10 11 11 12 12 13 13 14 14 15 15

3556

3601

3721

0.0 0.2 0.4 0.6 0.8 1.0 0.6 0.8 1.0 0.2 --+ +- - - -+- - - -+- - - -+- - - -+- - - -+- - - -+- -- -- -+- - - -+- - -- -+- - -+-

0.865 0.725 0.725 0.591 0.591 0.477 0.477 0.371 0.371 0.271 0.271 0.220 0.220 0.158 0.158 0.094 0.094 0.041 0.041

XXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXX
XXXXXXXXXXXXXXXX xxxxxxxxxxxxxxxx XXXXXXXXXXXXX xxxxxxxxxxxxx XXXXXXXXXX xxxxxxxxxx xxxxxxxx XXXXXXXX xxxxxxx XXXXXXX XXXXX xxxxx XXX xxx XX xx x X xx XX xxxx XXXX xxxx XXXX XXXXX xxxxx

XXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXX

0.005 -0.005 -0.053 0.053 -0.100 0.100 -0.140 0.140 -0.174 0.174

MTB > DIFFERENCES 1 Cl, STORE C2 > DIFFERENCES 1 Cl, C2 > ACF C2 MTB > ACE C2
ACF of C2 of C2
-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.0 0.8 0.6 0.4 0.2 0.0 0.2 0.4 0.6 0.8 1.0 +- - - -+- - - -+- - - -+- - - -+- -- - -+- -- - -+- -- -- -+- - - -+- - - -+- -- - -+--+ 0.275 XXXXXXXX 0.248 XXXXXXX 0.529 xxxxxxxxxxxxxx XXXXXXXXXXXXXX 0.177 xxxxx XXXXX 0.055 XX xx 0.069 XXX xxx 0.080 xxx XXX 0.024 xx XX 0.007 X x 0.020 -0.020 x X

1 1 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 10 10

cmputo Paquete de cOmputo SAS

143

11 11 -0.027 12 12 -0.025
13-0.072 13 -0.072 14 -0.087 15 -0.076 15

xx xx xxx xxx

XX XX XXX XXX

xxx XXX

MTB > STOP > STOP

El comando READ se usa para cargar en C1 el archivo de datos denominado El comando READ se usa para cargar en Cl el archivo de datos denominado SEARS.DAT.
cornando emplea para calcular los coeficientes de autocorrelacin los datos El comando ACF se emplea para calcular los coeficientes de autocorrelacin de los datos de ventas de Sears.
El comando DIFFERENCES se utiliza para calcular la primera diferenciacin de los DIFFERENCES se utiliza para calcular la primera diferenciacin de los datos en C1 y almacenar estas diferencias en C2. Cl y almacenar estas

usa para calcular los coeficientes de autocorrelacin para la primera El comando ACF se usa para calcular los coeficientes de autocorrelacin para la primera diferenciacin de los datos de ventas de Sears.

PAQUETE DE CMPUTO SAS PAQUETE DE CMPUTO


ejemplo 4.4, Perkin KendelI, un analista de Outboard Marine, Problema. En el ejemplo 4.4, Perkin Kendell, un analista de Outboard Marine, desa la autocorrelacin para detenninar Si SUS desea usar la autocorrelacin para deterrninar si sus datos son estacionales.

Solucin con SAS con SAS

$ SAS/CC=PRINT SAs/cc=PRINT OPTIONS PAGESIZE=60 LINESIZE=80; OPTIONS PAGESIZE6O LINESIZE8O; "SAS AUTOCORRELATION EXAMPLE"; TITLE "SAS AUTOCORRELATION EXAMPLE"; OUTBOARD; DATA OUTBOARD; INPUT SALES; SALES; CARDS; 147 .6 147.6 251.8 273.1 249.1 249. 1 139.3 221.2 260.2 259.5 140.5 245.5 245 .5

144

Exploracin de los seleccin ExploraciOn de los patrones de datos y selecciOn de la tcnica de pronstico Ia tcnica

Captulo Cap Itulo 4

298.8 287.0 168.8 168.8 322.6 393.5 404. 3 404.3 259.7 401.1 464. 6 464.6 479.7 264.4 402.6 411.3 385.9 232.7 309.2 309.2 310.7 293.0 205.1 205 . 1 234.4 285.4 258.7 193.2 263.7 292.5 315.2 178.3 274.5 295.4 311.8

PROC ARIMA; IDENTIFY VAR=OUTBOARD; IDENTIFY VAROUTBOARD; ENDSAS; ENDSAS;

Las dos primeras lineas proporcionan instrucciones al sistema sobre comandos e primeras lneas proporcIOnan instrucciones al sistema sobre comandos Las impresin. irnpresin. La declaracin TITLE da nombre al programa SAS. La declaracin DATA proporciona un nombre al archivo de datos. La declaracin INPUT da nombre a la columna de datos SALES (ventas).

lIneas son irngenes de tarjetas que La declaracin CARDS indica que las siguientes 40 lneas son imgenes de tarjetas que representan las ventas trimestrales de Outboard Marine de 1984 a 1992. 1984 1992.
El comando PROC ARIMA determina las autocorrelaciones significativas entre los detennina autocorrelaciones significativas entre periodos de desfasarniento dados. desfasamiento El subcomando IDENTIFY indica que la variable para analizar es OUTBOARD. La declaracin ENDSAS hace que termine la ejecucin de SAS. tennine La salida de crnputo de esta ejecucin de SAS se presenta en la fig. 4.21. cmputo SAS se presenta en la fig. 4.21.

Paquete de cOmputo SAS de cmputo

145
SAS AUTOCORRELATION EXAMPLE SAS Procedure ARIMA Procedure

Name Name of variable = Y. = Y. Mean of working series = 284.6475 284.6475 Mean Standard deviation 82.46956 = 82.46956 Number of observations = Number 40

Autocorrelations
Lag
0 O

1 1 2 2 3 3

4 4 5 5 6 6 7 7
8 8 9 9

10 10

Covariance 6801.228 6801 228 2866.123 2866 123 1320.944 1320 944 2121.483 2121 483 4986.262 4986 262 1206.109 -811.990 811.990 -356.159 356.159 2022.852 -1311.359 1311.359 -3004.888 3004.888

1 Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 Correlationi 9 8 7 6 5 4 3 2 101 2 345 6 7 891 . . ********************.. 1.00000 1 00000

0.42141 0 42141 0.19422 0 19422 0.31193 0 31193 0.73314 0.17734 -0.11939 -0.05237 0.05237 0.29742 -0.19281 -0.44182

. *************** :****
**:
*:

0 73314

0.11939
0.29742

****:

*********: " " marks two standard errors two standard errors

0.19281 0.44182

Inverse Autocorrelations
Lag 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 10

Correlation -0.08825 -0 08825 -0.10834 0.10834 0.01038 -0.50030 -0.06139 0.06139 0.16114 0.06282 0.01640 0.09375 -0.04084 0.04084

-1 9 8 7 6 5 4 3 9 8 7 6 5 4 3

0 1 O 1

2 3 4 5 6 7 8 9 2 3 4 5 6 7 8

**.. **

**.
:

**********: **********.
*. *** :* *
:** **
*:. *

Partial Autocorrelations
Lag
1 1

8 7 6 5 3 2 1 O 1 2 5 6 7 8 9 Correlation 1 Correlation -1 99 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 3 9 0.42141 0.02022 0.27152 0 27152 0.66908 -0.61920 O 61920 -0.38588 0 38588 -0.21644 0.21644 -O .10040 0.10040 -0.14334 0.14334 0.08322

2 2
3 3
4 4

5 5
6 6

:************* ************.
:

7 7
8 8
9 9

****:
: :

10 10

:**

Procedure ARIMA Procedure Autocorrelation Check for White Noise for Noise

Autocorrelations
To Lag

Chi Square 41.03

DF 6 6

Prob 0.000

0.421

0.194

0.312

0.733

0.177

-0.119 0.119

0.733

Figura 4.21 Anlisis de autocorrelacin para Outboard Marine. Figura 4.21 Anlisis de autocorrelacin para Outboard Marine.

CAPTULO CAP1TULO

Promedios mviles y mtodos de atenuacin

ACTIVIDAD A CT! VIDAD


Tanto en organizaciones de compaIas de negocios como de gobierno se ha puesto un gran compaas de negocios como de gobierno se ha puesto un gran nfasis en el mejoramiento de Ia toma de decisiones. Debido a que existimos en tin medio la decisiones. un nfasis el tiempo, se ha hecho una meta comn el asignar tiempo disponible junto influido por el tiempo, se ha hecho una meta comn el asignar tiempo disponible ji.mto con recursos competitivos que de alguna manera sea ptima. EstaJTIeta se puede lograr, en parte, sea optima. Estaineta parte, travs de pronsticos precisos. Hace veinte aos directivos decisiones a travs de pronOsticos precisos. Hace veinte aos los directivos tomaban su decisiones principalmente con base propio sentir e intuicin sobre la evonoma y la industria. principalmente con base en su propio sentir e intuicin sobre Ia economla y la industria. complementando economa la Ahora estn complernentando este "sentir" hacia la economia y Ia industria con tcnicas de tcnicas pronstico ya sean stas sencillas o complejas. El incremento en el uso de microcomputasean stas sencillas o complejas. El incremento en el uso de microcomputadoras contina fortaleciendo esta tendencia. contina fortaleciendo esta tendencia. Este capItulo describir tres tipos de tcnicas de pronstico: no formales, de promedios captulo tipos tcnicas de pronstico: no formales, de promedios y de atenuacin, Los mtodos no formales se emplean para desarrollar modelos sencillos de atenuacin. Los mtodos no formales se emplean para desarrollar modelos sencillos que suponen que suponen que los periodos recientes son los mejores pronosticadores del futuro. Los los periodos recientes son los mejores pronosticadores del futuro. Los de promedio se desarrollan con base en un promedio de observaciones mtodos deprornedio se desarroilan con base en un promedio de observaciones ponderadas. Los. mtodos de atenuacin se basan en promedios de valores anteriores de una serie en en promedios anteriores de serie en Los mtodos de atenuacin una fornia decreciente (exponenciai). forma decreciente (exponencial). un procedimiento mtodos que La fig. 5.1 muestra tin esquema del procedirniento de pronstico para los mtodos que captulo. Visualcese en una escala de tiempo. Usted se encuentra se abordan en este capItulo. VisualIcese en una escala de tiempo. Usted se encuentra en el ci punto la puede mirar hacia sobre observaciones pasadas de variable punto t de Ia fig. 5.1 y puede mirar hacia atrs sobre observaciones pasadas de la variable de inters (Y,) o hacia adelante en el futuro. Una vez seleccionada la tcnica de pronstico, (Y,) o hacia adelante en ci futuro. Una seleccionada la tcnica de pronstico, sta se ajusta a los datos conocidos, y se obtienen los valores de pronostico (Y,). Ya que se valores de pronostico (Y). Ya que tienen disponibles pronstico, se pueden comparar con las observaciones tienen disponibles los valores de pronstico, se pueden comparar con las observaciones puede calcular el error del pronstico (e). conocidas y se puede calcular ci error del pronstico (e). Una estrategia tIpica para Ia evaluaciOn de mtodos de pronstico que se exponen en tpica la evaluacin de mtodos de exponen en captulo, siguientes pasos: este capItulo, comprende los siguientes pasos:
1. Se eligeun mtodo de pronstico con base en Ia intuiciOn del analista con respecto a] Seelige un mtodo de pronstico con base en la intuicin del analista con respecto al patrn de datos. patron ci conjunto de datos en dos secciones una parte de 2. Se divide el conjunto de datos en dos secciones -una parte de inicializacin y una parte depmeba. de pnieba.

no Modelos no formales
Usted est aqui aqu

147

Datos anteriores anteriores

Datos por pronosticar Datos

Y,_3, Y,_2, Y,_1, Y,, Y,1, Y,2, Y,3,

donde Y es la observacin ms reciente de una variable de una variable donde Y, la observacin Y I es el pronstico de un periodo en el futuro +1 es ci pronstico de

Figura 5.1 5.1

Esquema de pronstico. pronstico.

3. Se emplea Ia tcnica de pronstico elegida para desarrollar valores ajustados para la la la parte de inicializacin de los datos. parte de inicializacin de los datos. 4. Se utiliza la tcnica pam pronosticar la parte de prueba de los datos y se determina y para pronosticar la parte de prueba de los datos y evala el error de pronstico (consulte el cap. 4 para un repaso de la medicin de la pronstico (consulte el cap. 4 para un repaso de medicin de evala el precisin precision del pronstico). 5. Se toma una decisin. La decisin pudiera ser la de emplear la tcnica en su forma actual, decision. decision lade emplear la tcnica modificarla, o desarrol lar un pronstico mediante otra tcnica y comparar los resultados. o desarrollar modificarla, pronOstico mediante otra tcnica y comparar los resultados.

MODELOS NO FORMALES NO FORMALES


tcnicas formales sencillas suponen los periodos recientes son los mejores Las tdnicas no formales ms sencillas suponen que los periodos recientes son los mejores pronosticadores del futuro. El modelo ms sencillo es pronosticadores futuro.

= Vt
Y'+l es el pronstico realizado periodo para l. en donde Y1 es el pronstico realizado en el periodo t pam el periodo t + 1.
Ejemplo

(5.1)

5.1

fig. 5.2 presenta las ventas de sierras por trimestre la Acme Company. Se emplea La fig. 5.2 presenta las ventas de sierras por trirnestre de Ia Acme Tool Company. Se emplea la prximo trimestre sean las mismas que Ia tcnica no formal para pronosticar que las ventas del prximo trimestre sean las mismas que las del trimestre anterior. La tabla 5.1 muestra datos de 1988 a 1994. Si se usan los datos de usan los datos de las del trimestre anterior. La tabla 5.1 muestra datos de 1988 1994. 1988 a 1993 como Ia parte de inicializacin y 1994 como Ia parte de prueba, el pronstico la inicializacin 1994 como la parte de prueba, el pronstico 1988 a 1993 primer trimestre 1994 es para el primer trimestre de 1994 es
+

Yt

Y25 = 650 y25 = 650 El error de pronstico se determina usando la ecuacin 4.4. El error para el periodo 25 es pronstico determina usando Ia ecuacin 4.4. El error para el periodo 25 es

e 25 = Y25 e25 = Y25

5'25

= 850 - 650 = 200 = 850 - 650 = 200

El pronstico para el periodo 26 es 850 con un error de -250. La fig. 5.2 muestra que estos pronstico para el periodo 26 es 850 con un error de 250. La fig. 5.2 muestra que estos as se toma decisin de modificar el modelo. datos tienen una tendencia, asi que se torna la decision de modificar el modelo.
Una revision de los datos del ejemplo 5.1 conduce al analista a concluir que se Una revisin de los datos del ejemplo 5.1 conduce al analista a concluir que incrementan a travs del tiempo. Cuando esto sucede, se dice que son no estacionarios o incrementan a travs del tiempo. Cuando esto sucede, se dice que son no

148 148

Promedios mOviles y mtodos de atenuacin mviles


TABLA 5.1 TABLA 5.1 DE SIERRAS DE LA VENTAS DE SIERRAS DE LA ACME TOOL COMPANY, 1988-1994 COMPANY,

Captulo Cap Itulo 5

AO AIO.
1988

TRIMESTRE

t
1

VENTAS
1 500 350 250 400 450 350 200 300 350 200 150 400 550 350 250 550 550 400 350 600 750 500 400 650 850 600 450 700

1989 1989

1990 1990

1991

1992

1993

1994

1 2 3 3 4 1 1 2 3 4 1 1 2 3 3 4 1 2 3 3 4 1 2 3 3 4 1 1 2 3 4 1 1 2 3 3 4
1

2 2 3 3 4 4 5 5 6 6 7 8 8 9
10 11 II

12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

que tienen tendencia. que tienen una tendencia. Si se usa la ecuacin 5.1, las proyecciones son coherentemente ecuacin 5.1, las proyecciones son coherentemente se bajas. La tcnica puede adaptarse para tornar en cuenta esta tendencia agregando la bajas. La tcnica puede adaptarse para tomar en cuenta esta tendencia agregando la diferencia entre ste y el ltimo periodo. El modelo es ltimo diferencia entre ste

(Y Y1) Yt+1 = Y + (Y - Y -) + = Y
t t t t

(5.2)

La ecuacin 5.2 toma en cuenta la cantidad de cambio ocurrida entre trimestres. El ecuacin cuenta la cantidad de cambio ocurrida trimestres. primer trimestre 1994 es pronstico para el primer trimestre de 1994 es

y24 + = y 24 + (y24 -- Y24 - ) (y 24 y25 = Y24 + (y24 - y23) (Y 24 - Y23) Y25 = 650 + (650 - 400) (650 400)
Y25 = Y25 =

650 + 250 250

Y25 = 900

Modelos no formales
900

149

800
~

700

<ti

-;
. ~

~ 600
500

i; 400

Z 300 Z 300
200

lOO 100
I I I I I I I I OL-L-L-L-L-L-L-L-L-.L.....L.....L.....L.....L.....L.....L.....L.....L.....L.....L.....L.....L......L-..L-..L-..L-..L-..L0 1993 1989 1991 1992 1994 1991 1988 1990
I

Ao

Figura 5.2 Ventas de sierras de Ia Acme Tool Ca., 1988-1994. Figura 5.2 Ventas de sierras de la Co.,

Con este modelo, el error de pronstico es error de pronstico es


e25 e 25

= Y25 - - Y25 Y25

e 25 == 8S0 -- 900 e25 850 900 e 25 ==-SO e25 50

la Para algunos fines, Ia proporcin de cambio pudiera ser ms apropiada que la cantidad absoluta de cambio, entonces el modelo serIa entonces el modelo sera

t+1

Vt

Yr_I

(S.3) (5.3)

El pronstico para el primer trirnestre de 1994, usando este modelo, es pronstico trimestre 1994, usando
Y24+1 = Y24 Y24+1 = Y24
Y24

--

Y24Y24 - 1
Y24 Y24

Y 25 = Y24 Y25 = Y24


A

Y23 YB
400

y 25 Y

= 6S0 650 =650 . 6S0 400

Y25 = 1,056 Y25 = I,OS6


Probablemente sera mejor si el pronosticador usara, al preparar su pronstico, un promedio Probablernente serIa mejor si el pronosticador usara, a! preparar su pronstico, unpromedio de los cambios absolutos anteriores o porcentajes de cambio. absolutos

150

Promedios mOviles y mtodos de atenuaciOn mviles de atenuacin

CapItulo 5 Captulo 5

5.1 La inspeccin visual de los datos de la tabla 5.1 indica que parece existir una variacin
estacional. Las ventas en trimestre son por lo regular mayores que aquellas en estacional. Las ventas en el primer trirnestre son por lo regular mayores que aquellas en cualquier trimestre. el patrn estacional fuerte, entonces el modelo apropiado cualquier otro trimestre. Si el patrOn estacional es fuerte, entonces el modelo apropiado pudiera ser

t+I= (3

(5.4)

establece que La ecuacin 5.4 establece que en el siguiente trimestre, la variable tomar el mismo valor trimestre, variable tomar el mismo valor tena en trimestre correspondiente del ao anterior. El pronstico para primer que tenha en el trimestre correspondiente del ao anterior. El pronstico para el primer 1994 trimestre trimestre de 1994 es

)124+1
Y25

Y24-3

= y21 = Y21

)125

= 750 750

La debilidad principal de este enfoque consiste en que ignora todo lo ocurrido desde el ao consiste en todo
pasado incluyendo cualquier patron de tendencia. Existen varias formas de introducir pasado incluyendo cualquier patrn de tendencia. Existen varias formas de introducir infonnacin ms reciente. Por ejemplo, el analista puede combinar enfoques y tomar en inforrnacin ms reciente. Por ejemplo, el analista puede combinar enfoques tomar en estacionales como tendencia. cuenta tanto las variaciones estacionales como las de tendencia. Un posible modelo es

t+I

(Y Y(_1) +
(

+ (Y

- Y4)

(5.5)

donde el tnnino Yt-3 pronostica los patrones estacionales ci tnnino queda en donde el trrnino y, pronostica los patrones estacionales yy el trmino que queda para los ltimos cuatro trimestres (tendencia). El pronstico promedia la cantidad de prornedia la cantidad de cambio para los ltimos cuatro trimestres (tendencia). El pronOstico para el primer trirnestre de 1994, usando este modelo, seria bimestre de 1994, usando modelo, sera
~

Y 24+ 1 = -

_ y
24-3

+ +

(Y24 -

Y24l) (Y 24 - 3 Y 24 - 4 ) 24 - Y 24 - 1) + ... + (y24_3 -- y24_4)


4
4

Y25 = Y21

+ (y24 - y23) + (y23 -y22) + (y22 - y21) + (y21 - y20)


4 4

Y 25
)125

= 750 + (650 - 400) + (400 - 500) + (500 - 750) + (750 - 600) (650 400) + (400 - 500) + (500 750) + (750 - 600) = 750 4

)125 =

= 750 + 12.5 750 + 12.5


= 762.5 762.5

aparente nmero modelos fonnales slo Resulta aparente que el nrnero y complejidad de modelos no formales posibles, solo est limitado por ingenio del analista, aunque estas tcnicas deben utilizarse de manera limitado por el ingenio del analista, aunque estas tcnicas deben utilizarse de manera juiciosa.

Mtodos de promedio

151

MTODOS DE PROMEDIO METODOS


frecuencia, administracin enfrenta la situacin donde se requiere actualizar los Con frecuencia, la administracin enfrenta la situacin donde se requiere actualizar los pronsticos diana, semanal o mensualmente pam inventarios que contienen cientos de miles diaria, semanal o mensualmente para inventarios que contienen cientos de miles de elementos. A menudo no es posible desarrollar tcnicas sofisticadas de pronstico para elementos. posible desarrollar tcnicas sofisticadas ello, llevar elemento. cada elemento. En vez de ello, para lievar a cabo esta tarea, se necesita alguna herramienta sencilo de pronstico rpido, barato, muy sencilo y de corto plazo. probable que un administrador enfrente tal situacin, emplee una tcnica de Es probable que un adniinistrador que enfrente tal situacin, emplee una tcnica de promedio o de atenuacin. Este tipo de tcnicas utilizan una forma de promedio ponderado atenuacin. tcnicas utilizan una forma de promedio ponderado suposicin observaciones anteriores para atenuar fluctuaciones de corto plazo. de observaciones anteriores para atenuar fluctuacionesde corto plazo. La suposicin fundamental de estas tcnicas es que las fluctuaciones en los valores anteriores representan fundamental las fluctuaciones en los valores anteriores representan puntos de partida aleatorios de alguna curva atenuada. Una vez que se identifica esta curva, plmtos atenuada. el futuro para producir un pronstico. se puede proyectar hacia el futuro para producir un pronstico.

Promedios sim pies Promedios simples


histricos se pueden atenuar en muchas formas. El objetivo consiste Los datos histnicos se pueden atenuar en muchas formas. El objetivo consiste en usar datos desarrollar anteriores para desarroliar un modelo de pronstico para periodos futuros. En esta seccin, modelo de pronstico periodos futuros. el promedios simples. Al igual fonnales, se considera ci mtodo de prornedios simples. Al igual que en los mtodos no forrnales, se toma una decision para utilizar los prirneros t puntos de datos corno Ia parte de inicializacin decisin plimeros como la y el resto corno la parte de prueba. A continuacin, se usa la ecuacin 5.6 para promediar como prueba. continuacin, se usa la ecuacin 5.6 para promediar la la palie inicial izacin el siguiente (calcular Ia media de) Ia parte de inicializacin de los datos y para pronosticar ci siguiente periodo.

(5.6)
Por ltirno, se determinan los errores de pronstico y se toma una decisin con respecto a ltimo, determinan los errores de pronstico y torna ura decision con respecto a lo adecuado de la tcnica de pronstico. la tcnica de pronstico.

Un promedio simple se obtiene encontrando la media de todos los valores Un promedio simple se obtiene encontrando la media de todos los valores despus esta media para pronosticar el siguiente periodo. pertinentes y usando despus esta media para pronosticar el siguiente periodo.

Ejemplo Ej emplo 5.2

El mtodo de prornedios siniples se demuestra usando las ventas de sierras por trimestre de promedios simples se demuestra usando las sierras por trimestre de El mtodo Company se presentan en la tabla 5.1. El pronstico para el primer trimestre Acme Tool Company que se presentan en la tabla 5.1. El pronstico para el primer trimestre de 1994 es
n
A '\'

Y24+1

= L
(=)

-n

Y25 Y25=~

9,800
24

Y25 Y == 408.33
25

152

Promedios mviles y mtodos atenuacin Promedios mOviles y mtodos de atenuaciOn

Captulo Capitulo 5

error de pronstico es El error de pronstico es


e25

= e25 = 850 - 408.33 e25 = 850 441.67

e 25 e25 =

El pronstico para el segundo periodo de 1994 incluye un punto ms de datos (850) que se pronstico para segundo periodo de 1994 incluye un punto ms de datos (850) que la de inicializacin la anterior. incorpora a Ia parte de inicializacin de Ia historia anterior. El pronstico es
A

Y25+1

Y25+ = ~ =
Y26 .9 26 == 426

10,650 10,650

mtodo simple no parece apropiado para estos datos. Este mtodo debera El mtodo simple no parece apropiado para estos datos. Este mtodo deberla cuando emplearse cuaxdo los datos son estacionarios: sin tendencia, estacionalidad u otros patrones sistemticos.

Promedios mviles
mtodo de promedio simple usa, para pronosticar, la media de todos los datos. Pero, El mtodo de promedio simple usa, para pronosticar, Ia media de todos los datos. Pero, ,qu sucede analista est ms interesado en las observacioens recientes? qu sucede si el analista est ms interesado en las observacioens recientes? Se puede especificar corno conjunto un niriero de puntos de datos calcular la media para las especificar como conjunto un nlunero de puntos de datos y calcular Ia media para las emplea el tnnino promedio observaciones rns recientes. enfoque, observaciones ms recientes. Para describir este enfoque, se emplea el trmino promedio mvil. Al estar disponible cada nueva observacin, puede calcular una nueva media ,nvil. Al estar disponible cada nueva observacin, se puede calcular una nueva media elirninando el valor ms antiguo e incluyendo el ms reciente. Entonces, se usa este eliminando el valor ms antiguo incluyendo ms reciente. Entonces, se este promedio mvil para pronosticar el siguiente periodo. La ecuacin 5.7 establece el modelo 5.7 establece el modelo pronosticar simple de promedio mvil.

M=
donde en donde

(Y + Y +Y + +Y + (Y+Y11+Y2+." +Y t-n+
t t -

0'0

- n

n n

(5.7)

M = promedio mvil en el periodo Mt = promedio mvil en el periodo It Y,+, = Y+ 1 = valor de pronstico para el siguiente periodo pronstico el siguiente periodo t Yr ==valor real en el periodo I t Y, valor real en = nmero de tnninos en el promedio mvil n = nmero de trminos en el promedio mvil

mvil El promedio mvil para el periodo t es la media aritmtica de las n observaciones ms recientes. que se asignan ponderaciones Ntese que se asignan ponderaciones iguales a cada observacin. Al hacerse disponipromedio descarta el ms antiguo. ble, cada nuevo punto de datos se incluye en el promedio y se descarta el ms antiguo. La proporcin de respuesta a los cambios en el patron subyacente de los datos depende del ~roporcin de respuesta cambios el patrn subyacente los datos depende del nmero de penodos, n, que se incluyen en el prornedio mvil. nmero periodos, 11, que se incluyen en el promedio mvil. promedio slo los ltimos 11 periodos de la tcnica Ntese que Ia tcnica de prornedio mvil se refiere solo a los ltimos n periodos de nmero de puntos de datos promedio del datos conocidos; el nOmero de puntos de datos en cada promedio no cambia al correr del

Mtodos de promedio

153

tiempo. El modelo de promedio mvil funciona mejor con datos estacionarios. No maneja tiempo. modelo promedio mvil funciona mejor con datos estacionarios. No maneja muy bien Ia tendencia o la estacionalidad, aunque lo hace mejor que ci mtodo de promedio la el simple. En un promedio mvil, el analista debe escoger el nmero de periodos n. Un promedio mvil, el analista debe escoger el nmero de periodos n. En promedio mvil de orden 11tomarIa Ia ltima observacin Yt. Y Ia usara pam pronosticar el mvil de orden tomara la ltima observacin Yt. y la usarla para pronosticar el siguiente periodo. Esto es simplemente el enfoque de pronstico no fonnal de Ia ecuacin siguiente periodo. Esto simplemente el enfoque de pronstico no formal de la ecuacin 5.1. Para datos trirnestrales, los datos en un promedio mvil de 4 trimestres arrojan un trimestrales, los datos en promedio mvil 4 trimestres arrojan un 5.1. promedio de 4 trimestres; y para datos mensuales, un promedio mvil 12 meses promedio de los 4 trimestres; y para datos mensuales, un prornedio mvil de 12 meses elimina promedia los efectos estacionales. frecuente que se utilicen los promedios elimina o promedia los efectos estacionales. Es frecuente que se utilicen los promedios mviles con datos trimestrales o mensuales para auxiliar en el examen de los componentes trimestrales componentes en una serie de tiempo, como se muestra en el cap. 8. Entre mayor sea el orden del promedio cap. 8. Entre mayor sea el orden del promedio mvil, el efecto de atenuacin. Empleado como un pronstico, mvil, mayor ser ci efecto de atenuacin. Empleado como un pronstico, un promeatencin fluctuaciones serie de datos. dio mvil grande presta poca atencin a las fluctuaciones en la serie de datos. mvil media de un conjunto especfico Un promedio rnvil se obtiene encontrando la media de un conjunto especIfico de valores y emplendolo despus para pronosticar ci siguiente periodo. el siguiente periodo. Ejemplo 5.3
La tabla 5.2 demuestra la tcnica de pronstico de promedio mvil con datos de Acme Tool demuestra tcnica de pronstico de prornedio mvil con datos de Acme Tool La Company. El pronstico de prornedio mvil para el primer trirnestre de 1993 es trimestre 1993 es Company. El pronstico promedio mvil para
M ZO -= Y ZO + 1 M20 =
_A _

YZO + y20_l1++ YZO - Z + Y20-4+1I Y ZO - Y2O_2 + YZO - 4 +


4 4

y zo + y19 + y18 + y17 + y 19 + y 18 + y 17


4

550 + 400 + 350 + 600 550 400 350 + 600


4

1,900 = 475 475 4 4

Cuando se conoce a! valor del primer trimestre de 1993, se puede calcular el error de Cuando se conoce al valor del primer trimestre de 1993, se puede calcular el error de

pronstico:
e Z1 = YZ1 e21 =
-

YZl

= 750 - 475 = 275 = 750 - 475 = 275

El pronstico para el primer trimestre de 1995 es el primer trimestre de 1995 es


M M28 -= y 28+ 1 Z8
A

Y28 + Y28_1 + Y28_2 + YZ8 YZ8 + YZ8 - 1 + YZ8 - Z 4 4

4+ I

YZ9 =

Y28 + Y27 + Y26 + YZ5 Y28 + Y27 YZ6 + 4 4

YZ9

700 + 450 + 600 + 850 = 2,600 = 650 700 450 600 850 - 650 4 4
4
4

El analista debe emplear su juicio para deterrninar ci niimero de semanas, meses o emplear para detenninar el nmero semanas, trimestres en trimestres en los que basar ci prornedio mvil. Entre menor sea el nmero, se dar ms basar el promedio mvil. Entre menor sea ci nmero,

154
5.2 TABLA 5.2

Promedios mviles y mtodos de atenuaciOn mviles y mtodos de atenuacin


PROMEDIO MOVIL PROMEDIO MVIL TRIMESTRAL DE ACME TOOL COMPANY ACME TOOL COMPANY
PRONSTICO DE PRONOSTICO DE PROMEDIO MVIL, PROMEDIO MOVIL,

Captulo 5 CapItulo

VENTAS AO A1O
1992

TRIMESTRE
1

Yt
550 400 350 600 750 500 400 650 850 600 450 700

TOTAL MOVIL MVIL

Y+
t

el

17 17 18 18 19 20 21 22 23 23 24 25 25 26 27 28 29

2 2 3
4 4
1993

1 2 3 3 4
1

1994 1994

2 2 3 3 4 1995
1 I

1,900 1,900 2,100 2,200 2,250 2,300 2,400 2,500 2,550 2,600

475

+275

525 550 562.5 562.5 575 600 625 637.5 650

-25 -150 +87.5 +275


0 O

-175 +62.5

peso a los periodos recientes. Inversamente, entre ms grande sea el nmero, se dar peso los periodos recientes. Inversamente, entre ms grande sea el nmero, menor peso a los periodos rns recientes. Es ms deseable un nmero pequefio cuando hay ms recientes. Es ms deseable un nimero pequeo cuando hay cambios sbitos en el nivel de Ia serie. Un nmero pequeflo asigna mayor peso a la historia sbitos la nmero pequeo la historia reciente, lo que permite que el pronstico se ajuste con ms rapidez al nivel actual. Cuando reciente, el pronstico se ajuste con ms rapidez al nivel actual. Cuando existan fluctuaciones amplias no frecuentes en la serie, es deseable un nmero mayor. existan fluctuaciones amplias no frecuentes en la serie, es deseable un nimero mayor. Ntese que una suposicin del promedio mvil es que los datos son estacionarios. El los datos son estacionarios. El ejemplo 5.4 muestra lo que sucede cuando se emplea la tcnica del promedio mvil en datos con tendencia. El examen de la cohunna de con tendencia. El examen de Ia colurnna de error de Ia tabla 5.3 muestra que todos los la tabla muestra que valores son positivos, lo que significa que el pronstico no se ajust a la tendencia. En la positivos, lo pronstico la tendencia. En la valores seccin diseada para siguiente seccin se presenta la tcnica de promedio mvil doble, la cual est disefiath para manejar datos con tendencia. tendencia.

Promedio mvil doble Promedio mvil


Una forma de pronosticar series de tiempo que tienen una tendencia lineal, consiste en de pronosticar de tiempo que tienen una tendencia lineal, consiste en Una utilizar la tcnica del promedio mvil doble. El mtodo hace lo que su nombre implica: se mvil doble. El mtodo hace calcula un conjunto de prornedios mviles y despus se calcula un segundo conjunto como conjlmto promedios mviles despus promedio mvil del primero. mvil del primero. semana Video Store. Adems, se muestran La fig. 5.3 muestra las rentas por semana de Movie Video Store. Aderns, se muestran en la grfica el promedio mvil de tres sernanas y el prornedio mvil doble para estos datos. de tres semanas promedio para estos datos. Ntese cmo el promedio mvil se ubica por debajo de los valores reales en periodos periodos Ntese crno el promedio rnvil se ubica por debajo de los valores reales comparables. Esto ilustra. lo que sucede cuando se usa la tcnica de promedio mvil en comparables. Esto ilustra lo que sucede cuando se usa tcnica promedio

promedio Mtodos de promedlo


TABLA 5.3 5.3

155

RENTAS SEMANALES DE MOVIE VIDEO STORE RENTAS SEMANALES DE MOVIE VIDEO STORE PARA EL EJEMPLO 5.4 EJEMPLO 5.4

UNIDADES RENTADAS SEMANA POR SEMANA


1 1 2 3 3 4 5 5 6 7 7 8 8 9 10 11 12 13 14 14 15 16
= 133. EMC = 133.

TOTAL MVIL MOVIL TRES SEMANAS TRES

PRONSTICO DE PRONOSTICO DE MVIL PROMEDIO MOVIL


A

Yt +/

e,

654 658 665 672 673 671 693 694 701 703 702 710 712 711 728

1977 1995

2010 2016 2037 2058 2088 2098 2106 2115 2124 2133 2151

659 665 670 672 679 686 696 699 702 705 708 711 717

13 8 8 1 1 21 15 15 7 3 8 7 3 3
17

datos con tendencia. Ntese tambin que el promedio mvil doble se ubica por debajo del tendencia. tambin qiie el promedio mvil doble se ubica por debajo proporcin similar a la que se ubica el primer conjunto por debajo primer conjunto en proporcion similar a la que se ubica el primer conjunto por debajo valores reales. Esta diferencia entre ambos los de los valores reales. Esta diferencia entre arnbos conjuntos se emplea para pronosticar los valores reales. reales. tcnica promedio resume mediante ecuaciones a 5.11. La tcnica de promedio mvil doble se resume mediante las ecuaciones 5.8 a 5.11.

730

710

5
c:>.

~
~

690

~ 670

~
Q

650

I I I I I I I I I I I '---'---'---'---'---'---'---'---'---'---'---'---'---'--~
I

5 5

7 7

8 8

10

11 11

12

13

14 14

15

Perodo Periodo

Figura 5.3 Figura 5.3

Promedios mviles dobles: Promedios mviles dobles: Movie Video Store.

156 156

mviles Promedios mOviles y mtodos de atenuacin

Captulo 5 CapItulo

Primero, Primero, se utiliza la ecuacin 5.7 para calcular el promedio mvil.


A

Yt + 1

Yt + Yt-11 + Ytt-2 + - 2 tn

Y+Y +Y +...+Y t-n+1 oo. + Y

t- n+ 1

Dado que M1 = Dado que MI mvil.

Y/+l'

Entonces se Entonces se usa la ecuacin 5.8 para calcular el segundo promedio ecuacin 5.8 para calcular el segundo promedio
M' = MH
t

M+M t-l +M /-2 +"'+Mt-n+l 1fl+1 t n n

M+M1+M2+...+M
= 2M - M; at = 2Mt - M

(5.8)

usa para calcular la diferencia entre ambos promedios mviles. La ecuacin 5.9 se usa para calcular la diferencia entre ambos promedios mviles. (5.9)

5.1 O es un factor de ajuste adicional, similar a la medicin de una pendiente La ecuacin 5.10 es un factor de ajuste adicional, similar a la medicin de una pendiente travs de la serie. que cambia a travs de la serie.
b b
t

= =

2 _2_(M - M') n- 1 t t

ni (MM)

(5.10)

ltimo, 5.11 periodos m en el futuro. Por ltimo, se utiliza la ecuacin 5.11 para realizar el pronstico de periodos ni en el futuro.

= a + btp Y/+ p = at + b,p


en donde
n = nmero de periodos en el promedio mvil = nmero periodos en el promedio mvil Y ~ = valor real de la serie en el periodo t valor real de en periodo nmero p = niimero de periodos a pronosticar hacia el futuro

(5.11)

Ejemplo 5.4

La empresa Movie Video Store funciona con varios distribuidores de renta de videocintas en distribuidores de videocintas en Denver, Colorado. La companIa est creciendo y requiere ampliar su inventario para dar cabida compaa para dar cabida la la compaa a Ia creciente demanda de servicios. El presidente de Ia compaIa asigna a Jill Ottenbreit para pronostique datos de renta disponibles de las ltimas 15 que pronostique las rentas del prximo mes. Los datos de renta disponibles de las ltimas 15 semanas presentan JiU desarrollar un pronstico semanas se presentan en la tabla 5.4. Como primer paso, Jill intenta desarrollar un pronstico utilizando un promedio mvil de tres semanas. EMC (elTor medio cuadrado) para este utilizando un prornedio mvil de tres semanas. El EMC (error medio cuadrado) para este modelo es 133. Puesto que los datos obviamente tienen tendencia, Jill encuentra que sus modelo es 133. Puesto que los datos obviamente tienen tendencia, Jill encuentra que sus pronsticos estn consistentemente subestimados de las rentas reales. razn, decide pronsticos estn consistentemente subestimados de las rentas reales. Por esta razn, decide intentar con el promedio mvil doble. Los resultados se presentan en la tabla 5.4. A intentar con el promedio mvil doble. Los resultados se presentan en la tabla 5.4. A continuacin se presentan los clculos para comprender el pronstico para la semana 16. Se pronstico semana 16. Se continuacin se presentan tres semanas (columna 3). ecuacin 5.7 para calcular el promedio mvil usa la ecuacin 5.7 para calcular el promedio rnvil de tres semanas (columna 3).

y 15+1

y15 + y15_1 + oo. + Y,53+1 + Y I5 -3+1 Yl5 + Y 15 - 1 +


3 3

Y 16 Y16

728+711+712 717 728 + 711 + 712 = 717 3 3

Mtodos de promedio
TABLA 5.4 5.4 PRONOSTICO DE PROMEDIO MOVIL DOBLE PARA PRONSTICO MVIL DOBLE PARA MOVIE VIDEO STORE: EJEM PLO 5.4 STORE: EJEMPLO 5.4
(1)

157

(2)

(3)
PROMEDIO MVIL MOVIL TRES SEMANAS TRES
MI M

(4)

(5)

(6)

(7)

(8)

VENTAS P0k VENTASPOR PERIODO SEMANA PERIODO SEMANA YI t 1 2 2 3 3 4 5 5 6 6 7 8 8 9 10 11 11 12 12 13 13 14 14 15 16 16


1

PROMEDIO MOVIL MVIL DOBLE


M' M,' I

VALOR DEo DE a

VALOR DEb DE b

PRONSTICO PRONOSTICO a + bp (p = 1) (p 1)

el

654 658 665 672 673 671 693 694 701 703 702 710 712 711 711 72S 728

659 665 670 672 679 686 696 699 702 705 708 70S 711 717

665 669 674 679 687 694 699 702 705 708 70S 712

675 675 684 693 705 704 705 708


711

5 5 3 3 5 5 7 9 5 3 3 3 3 3 3 5 5

680 678 689 700 714 709 70S 708


711

-9
15 5 5 1 -11 -7 2 2 1 1 -3 11 11
1

714 722

714 717 727

EMC = 63.7.

Dado M t 717. Entonces, Dado M1 = 717. Entonces, se emplea Ia ecuacin 5.8 para calcular el segundo promedio mvil la promedio mvil 4). de tres sernanas (columna 4). semanas

M~5 =

M +M 15 _ 1 +"+M 15-3+1 M I5 + M 15-I + ... + M I5 -3+1


15

717 + 711 + 708 717 711 + 708


3 3

- 712 = 712

ecuacin 5.9 para calcular la diferencia entre ambos promedios mviles (columSe usa la ecuacin 5.9 para calcular la diferencia entre ambos promedios mviles (columna 5). 5).
G

a15= 2M I5 - -M~5 = 2(717) -- 712 = 722 = 2M15 M5 = 2(717) 712 I5

La ecuacin 5.10 ajusta la pendiente (colunma 6). ajusta la pendiente (columna 6).
b15 b l5

= =

2 , 3=l (M15 - M5)2 (717- 712) = 5 (M M 15) = "2 (717 712) = 5


15 -

Se utiliza la ecuacin 5.11 para efectuar el pronstico de un periodo a futuro (columna 7). 5.11 pronstico futuro

a15 + b15(1) 722 .9 15+1 = G I5 + b150) == 722 + 5 =

727

158

Promedios mOviles y mtodos de atenuacin mviles

Captulo CapItulo 5

cuatro semanas futuro es El promedio de cuatro semanas a futuro es

Y15+4 lS + ls (4) = 722 + 5(4) 742 .9 15+4 ==a a15 +bb15(4) =722 + 5(4) = 742
EMe 133 a 63.7. Ntese que el EMC se redujo de 133 a 63.7.

las observaciones ms recientes apropiadas para contener Parece razonable que las observaciones ms recientes son apropiadas para contener informacin importante. En la siguiente seccin introduce tcnica que da la informacin ms importante. En Ia siguiente seccin se introduce una tcnica que da mayor nfasis a las observaciones ms recientes las observaciones recientes

MTODOS METODOS DE ATENUACIN EXPONENCIAL ATENUACIN


atenuacin exponencial es un mtodo utilizado para revisar constantemente una La atenuacin exponencial es un mtodo utilizado para revisar constantemente una estimacin luz de experiencias recientes. el promedio estimacin a la luz de experiencias ms recientes. El mtodo est basado en el promedio (atenuacin) de valores anteriores de serie, haciendo esto de forma decreciente (atenuacin) de valores anteriores de una serie, haciendo esto de forma decreciente (exponencial). Las observaciones se ponderan, asignando mayor peso a las ms recientes. ms recientes. (exponencial). Las observaciones se ponderan, asignando mayor peso ponderaciones empleadas se designan como a para Ia observacin ms reciente, a(1 Las ponderaciones empleadas se designan como a para la observacin ms reciente, a(l -a) para siguiente ms reciente, a(1 o2 para la siguiente y as sucesivamente. c para la siguiente ms reciente, a(1 - a)2 para Ia siguiente y asi sucesivamente. En una forma atenuada, se podria pensar en un nuevo pronstico (J)ara el periodo atenuada, se podra pensar en un nuevo pronstico (para el periodo t + 1), como el promedio ponderado de la nueva observacin (en el periodo t) y el promedio (en el periodo t) y el promedio anterior (para el periodo t). Se asigna la ponderacin aaal nuevo valor observado y y 1 a a! (para el periodo t). Se asigna Ia ponderacin a! nuevo valor observado 1- al anterior, suponiendo que 0 < a < l. De esta forma, pronstico anterior, suponiendo que O < a < 1. De esta forma,

nuevo pronstico == a x (nueva observacin) + (1- a) xx(pronstico anterior) pronstico a observacin) + (1 a) (pronstico anterior)
manera ms fonual, la ecuacin de atenuacin exponencial De manera ms fornial, la ecuacin de atenuacin exponencial es

= aY + (1 - a)Y,
en donde

(5.12)

Y'+I = nuevo valor atenuado o valor de pronstico para el siguiente periodo = atenuado valor de pronstico para el siguiente periodo a = constante de atenuacin (O < a < 1) = constante de atenuacin (0 < a l) Y, ==nueva observacin oovalor real de la serie en el periodo I Y, nueva observacin valor real de la serie en el periodo t Y, = valor atenuado anterior o experiencia promedio de la serie atenuada al periodo = Ia serie al t 1 t-- 1 En un esfuerzo por interpretar mejor a alfa, Ia ecuacin 5.12 se escribe como la escribe como
Y'+i = aY,
= = = =

+ (l - a)Y Y,+1aY+(la)Y
A

aY, aY, aY + Y, - aY1


Y, + a(Y -- 2,) a(Y, Y) ,

La atenuacin exponencial es simplemente el pronstico anterior (Y,) ms a veces el error atenuacin exponencial es simplemente el pronstico anterior (i,) ms el error (Y, Y,), anterior. (Y, -- Y,), en el pronstico anterior.

Mtodos de atenuacin exponencial

159 159

La atenuacin exponencial es un procedimiento para revisar constantemente tin exponencial un la luz de la experiencia ms reciente. pronstico a la luz de la experiencia ms reciente. constante de atenuacin sirve como el factor para ponderar. El valor real de a La constante de atenuacin a sirve como el factor para ponderar. El valor real de a el cual la observacin ms reciente influir en el determina el grado hasta el cual Ia observacin ms reciente puede influir en el valor del pronstico. Cuando a es cercana a 1, el nuevo pronstico incluir un ajuste sustancial de pronstico. Cuando es cercana a 1, el nuevo pronstico incluir un ajuste sustancial cualquier error ocurrido en el pronstico anterior. Inversamente, cuando cualquier error ocurrido en el pronstico anterior. Inversamente, cuando aa est cercana a pronstico es similar al anterior. Piense en Y, como tin promedio ponderado 0, el pronstico es similar al anterior. Piense en Y1 como un promedio ponderado de todas ponderaciones que disminuyen de exponencial las observaciones anteriores con ponderaciones que disminuyen de manera exponencial al los hacia atrs (en el Como se muestra en la tabla 5.5, la velocidad ir tomando los datos hacia atrs (en el tiempo). Como se muestra en la tabla 5.5, la velocidad anteriores pierden su importancia, depende de a con que los valores anteriores pierden su importancia, depende de a clave del anlisis es el valor de a Si se desea que los pronsticos sean estables y La dave del anlisis es el valor de a. Si se desea que los pronsticos sean estables y atenen las variaciones aleatorias, se requiere de un valor de apequeno. se atenen las variaciones aleatorias, se requiere de un valor de a pequeo. Si se desea una respuesta rpida al cambio real en el patron de observaciones, resulta ms apropiado tin respuesta rpida al cambio real el patrn de observaciones, apropiado un mayor valor de a. Un mtodo para estimar a consiste en un procedirniento iterativo que mayor valor de a. Un mtodo para estimar a consiste en un procedimiento iterativo que minimiza el error rnedio cuadrado (EMe) calculado en Ia ecuacin 4.6. Se calculan los medio cuadrado (EMC) calculado en la ecuacin 4.6. Se calculan los minimiza el pronsticos para aaigualaa.1, .2, ... , y para cada uno se se calcula la sumade los errores pronsticos para igual .1.........9, .9, y para cada uno calcula la suma de los errores cuadrados del pronstico. Para generar pronsticos futuros, se elige el valor de a que cuadrados del pronstico. Para generar pronsticos futuros, se elige el valor de a que el error ms pequeo. produce el error rns pequeo.

TABLA 5.5. 5.5.

COMPARACION COMPARACiN DE CONSTANTES DE ATENUACION CONSTANTES DE ATENUACiN

a=.1 a= .1
PERIODO
t t- II

a=.6 a=.6

CLCULOS CALCULOS

PONDERACIN .100 .090 .081 .073 .066 .590 1.000

CALCULOS CLCULOS PONDERACION PONDERACION PONDERACIN .600 .240 .096


.038 .015 .011

t- 2 t-2 t 3 t-- 3 t - 4 t-4 restantes Los restantes

x .1 .9 x.I

.9 X .9 X .1 x.9 X.I

x X x .1 .9 X .9 x .9 X .1 .9X.9X.9X.9X.1 .9 X .9 X .9 X .9 X .1
Total

X .6 .4 X .6 .4 X .4 X .6 X X .6 X X .4 X .6 .4 X .4 X .4 X .6

.4 X .4 X .4 X .4 X .6 .4x.4X.4X.4X.6

1.000

Ejemplo Ej emplo 5.5

La tcnica de atenuacin exponencial se muestra en tabla 5.6 para los datos de Acme Tool Company de 1988 a 1993, utilizando constantes de atenuacin de .1 y .6. Los datos de 1994 datos 1994 Company de 1988 1993, utilizando constantes de atenuacin de .1 y .6. se eniplearn como la parte de prueba para ayudar a evaluar qu modelo se desempea mejor. emplearn como Ia parte de prueba para ayudar a evaluar qu modelo se desempea mejor. La serie atenuada en forma exponencial se calcula asignando inicialmente }l1 igual a 500. Si atenuada forma exponencial calcula asignando inicialmente 9 igual Si anteriores disponibles, se podran usar para desalTollar 1988 hay datos anteriores disponibles, se podrian usar para desalTollar una serie atenuada hasta 1988

160

Promedios mOviles y mtodos de atenuaciOn mviles de atenuacin


EXPONENCIALMENTE 5.6 VALORES TABLA 5.6 VALORES ATENUADOS EXPONENCIALMENTE PARA EL EJEMPLO 5.5, VENTAS DE ACME TOOL COMPANY EJEMPLO 5.5, VENTAS COMPANY
VALOR REAL, PERIODO
1 I

Captulo 5 CapItulo 5

VALOR ATENUADO,
/1

ERROR DE DE PRONOSTICO, PRONSTICO,


el

VALOR ATENUADO,

Yr
500 350 350 250 400 450 350 350 200 300 300 350 350 200 150 150 400 550 350 250 550 550 400 350 600 750 500 400 650

Y/(a

= .1)

Y,(a = .6) = .6)

/1

ERROR DE PRONSTICO, PRONOSTICO,


C, e,

2 3 3 4 5 6 7 8 9 10 ii 11 12 13 13 14 15 16 16
17 l7 18 18 19 19 20 21 22 23 24 25

500 500 485 (1) 485 (1) 462 (3) 462 (3) 455 455 444 420 , 408 402 382 359 363 382 378 366 366 384 401 401 395 416 449 454 449 469 (4) 469 (4)

-150 150 -235 (2) 235 (2) -62 -5 -105 105 -244 244 -120 120 -58 -202 202 -232 232 +41 + 187 +187 -32 -128 128 +184 +166 -1 -51 +205 +334 +51 -54 +201

62

58

32

54

500 410 314 366 416 376 270 288 325 250 190 316 456 392 307 453 511 444 388 515 656 562 465 (4) 576 (4)

-150 150 -160 160 +86 +84 --66 -176 176 +30 +62 -125 125 -100 100 +210 +234 -106 106 -142 142 +243 +97 -121 121 -96 +212 +235 -156 156 -12 + 185 +185

96

12

Los nrneros entre parntesis se refieren explicaciones dadas dadas en Los nmeros entre parntesis se refieren a las a las explicacionesen el texto ci texto

y utilizar csta cxpericncia como ci valor inicial de Ia seric atenuada. A continuacin se muestran esta experiencia el la serie se muestran clculos quc conducen al pronstico dcl periodo 3) los clculos que conducen al pronstico del periodo 3. 1
1.
Y'+I
Y2+1 2+I

= ay, + (1 -av (1 aY 2 + (1 = a.2 + (1 --

a)y,
a)Y2

_v -'

.1 (350) (1 - .1 )500 = .1(350) + (1 - .1)500 = 485

2. El crror para este pronstico es error para este pronstico


f,

= 250 - - 485 = 250 485

=-235 235

3. El pronstico para ci periodo 4 es el es

.v 4 = .1(250) + .9(485) = 462 .1 (250) + .9(485)


1

Los nlillleros de gula Ia 44 se muestranentre parntesis en Ia tabIa 5.6. Los nrneros de gua 1a se muestran entre parntesis en la tabla 5.6.

exponencial Mtodos de atenuacin exponencial

161

4. Los pronsticos 4. Los pronsticos de ventas para el primer trimestre de 1994, utilizando constantes de ventas para el primer trimestre de 1994, utilizando constantes de atenuacin .1 .6 son 469 y 576, respectivamente. atcnuacin de .1 y .6 son 469 y 576, respectivamente.

Ntese 10 estable que son los valores atenuados para Ia constante de atenuacin de .1. lo estable que la de atenuacin de .1. la minimizacin Por otra parte, con base en Ia rninirnizacin del error medio cuadrado (EMC), resulta mejor (EMC), de .6, que tambin compara la media del porcentaje la constante de atenuacin de .6, que tarnbin es mejor si se compara la media del porcentaje absoluto (PEMA). Al comparar el pronstico para cada constante de atenuacin de error absoluto (PEMA). Al comparar el pronstico para cada constante de atenuacin con las ventas reales del primer trirnestre de 1994, tambin parece ser mejor Ia conStante ventas reales del plimer trimestre 1994, tambin ser mejor l? constante de atenuacin de .6. .6.
a =.1 ex = .1 ex = .6 a =.6 a = .34 ex = .34 EMC =25,317 EMC = 25,317 EMC = 23,216 EMC = 23,216 EMC = 21,421 EMC = 21,421
PEMA = 40.61% PEMA = 40.61 % PEMA 3X.14% PEMA = 38.14% PEMA = 35.41% PEMA = 35.41 % PME = -20.81% PME = -20.81% PME = PME = -10.33% PME = PME = -11.50%

Cuando se emplea un programa de computadora que elige en forma automtica la constante computadora que elige en forma automtica la constante de atenuacin, aesigual aa.34. El EMC se reduce a 21 421 y el PEMA equivale a 35.41%. atenuacin, aes igual .34. El EMC se reduce a 21 421 Y el PEMA equivale 35.41 %. El porcentaje medio de error (PME), aa veces denominado sesgo, es de -11.50% para este El porceritaje medio de error (PME), veces denorninado sesgo, es de 11.50% lo que significa que los pronsticos basados en este modelo son consistentemente modelo, lo que significa que los pronsticos basados en este modelo son consistenternente muy grandes. Se necesita investigar la posibilidad de una tendencia o variacin estacional necesita investigar Ia posibilidad de una tendencia o variacin estacional rnuy grandes. en los datos. datos. afecta el valor pronsticos subsecuentes es valor Otro factor que afecta ci valor de pronsticos subsecuentes es la eleccin del valor Otro factor Y. La tabla se us Y inicial de Y, 5.5. inicial de Y,. La tabla 5.6 muestra que se us Y, como valor inicial de Y,, en el ejemplo 5.5.
7, = y y = Yt

= 500

Esta eleccin tiende a dar mucho peso a Y. en periodos posteriores. Por fortuna, Ia influencia a dar mucho peso a Y en la influencia del pronstico inicial disrninuye en gran medida al incrementarse t. inicial disminuye medida al incrementarse t. del Otro enfoque para inicializar 1', consiste en promediar las primeras n observaciones. inicializar Y consiste en promediar las observaciones. columna de atenuacin comenzara entonces con La columna de atenuacin comenzaria entonces con

= y = Y=

= 1

11

Yl Y

Si se elige ii igual a 4, entonces ci valor inicial para el ejemplo 5.5 es n igual entonces el inicial ejemplo 5.5 Si

Y=

=1

500 350 250 400 500 + 350 + 250 + 400


4

375 =375

Rastreo
la supone la continuidad en el futuro de algn patrn Debido a que Ia atenuacin exponencial supone Ia continuidad en ci futuro de algn patron histrico, til desarrollar pueda utilizar para detem1inar cuando histrico, resulta iitil desarrollar una medida que se pueda utilizar para determinar cuando

162 162

Promedios mOviles y mtodos de atenuaciOn mviles de atenuacin

Captulo 5 Cap Itulo 5

modifica patrn bsico. La medida ms comn es seal de rastreo. Esta seal se modifica el patron bsico. La medida ms comn es la seal de rastreo. Esta seflal medicin del lmites, comprende el clculo de alguna medicin del error a travs del tiempo y establece Ilmites, cuando el error rebase dichos lmites, se alerte al pronosticador. de modo que cuando el error rebase dichos lImites, se alerte al pronosticador.

rastreo comprende el Una seal de rastreo comprende el clculo de alguna medicin del error a travs travs del tiempo establece lmites, de modo del tiempo y establece Ilmites, de modo que cuando el error rebase dichos cuando error rebase dichos lmites, alerte al pronosticador. ilmites, se alerte al pronosticador.

Por ejemplo, se puede emplear una seal de rastreo para determinar cundo debe rastreo para determinar cundo debe Por ejemplo, se puede emplear una seal cambiarse el tamao de utilizado tcnica atenuacin exponencial. Ya que cambiarse el tarnao de alfa utilizado en una tcnica de atenuacin exponencial. Ya que lo regular se pronostican un gran nmero de elementos, una prctica comn consiste por lo regular se pronostican un gran nmero de elementos, una prctica comn consiste en continuar con el mismo tamaflo de alfa durante varios periodos, antes de determinar si tamao de alfa durante varios periodos, antes de determinar si en continuar es necesaria una revision. Por desgracia, la simplicidad de utilizar un modelo establecido revisin. desgracia, la simplicidad utilizar un modelo establecido es de atenuacin exponencial es un fuerte motivador para no efectuar un cambio. Aunque en exponencial cambio. Aunque en algn punto es necesario actualizar alfa. Cuando un modelo produce pronsticos que algn punto es necesario actualizar alfa. Cuando un modelo produce pronsticos contienen un amplio margen de error, un cambio resulta apropiado. cambio resulta contienen Un sisterna de rastreo proporciona un mtodo para monitorear la necesidad de cambio. sistema Dicho sistema contiene un nivel de variaciones perrnisibles entre el pronstico y los valores pennisibles entre el pronstico y los valores reales. Mientras el pronOstico se ubique dentro del nivel, no es necesario modificar a alfa. pronstico se ubique dentro del nivel, no es necesario modificar a alfa. reales. sistema la Sin embargo, si el pronstico se sale del nivel, el sistema seala Ia necesidad de actualizar a alfa. ejemplo, las cosas van bien, la tcnica de pronstico debera subestimar Por ejemplo, si las cosas van bien, la tcnica de pronstico deberia subestimar y misma frecuencia. Se puede desarrollar una seal de rastreo con base en sobrestimar con la misma frecuencia. Se puede desarrollar una seflal de rastreo con base en este razonamiento. nmero subestimaciones en los ltimos n pronsticos. Sea U el nmero de subestimaciones en los ltimos n pronsticos. En otras palabras, otras palabras, U es el nimero de errores de entre los ltimos n que son positivos. Si el proceso est bajo U es nmero de errores de entre los ltimos n que son positivos. Si el proceso control, el valor esperado de U serIa n/2; pero se contempla una variabilidad de la muestra, U sera que no seran raros los valores cercanos a n/2. otro lado, valores que por lo que no serian raros los valores cercanos a n/2. Por otro lado, los valores que no produciendo pronsticos con sesgo. fueran cercanos a 11/2 indicara que la tcnica est produciendo pronsticos con sesgo. fueran cercanos ii/2 indicarIa que la tcnica

Ej emplo Ejemplo 5.5

Suponga que Acme Tool Company decidi usar Ia tcnica de atenuaciOn exponencial con alfa Tool Company decidi usar la tcnica de atenuacin exponencial con alfa igual a .1, como se muestra en el ejemplo 5.4. Si el proceso est bajo control y el analista el ejemplo 5.4. Si el proceso est bajo control y el analista igual .1, como se muestra decide monitorear los 10 ltimos valores de error, U tiene un valor esperado de 5. De hecho, decide monitorear los 10 ltimos valores de error, U tiene un valor esperado de 5. De hecho, 8 no seran alarmantes. de O, 1, 9 o 10 seran los valores de 2, 3, 4, 6, 7 u 8 no serIan alarmantes. Sin embargo, valores de 0, 1, 9 o 10 serIan preocupar, la probabilidad obtener dichos casualidad sera .024 de preocupar, ya que la probabilidad de obtener dichos valores por casualidad serla de .024 binomial). (distribucin binomial).
Si 2
~

8, procedimiento bajo control 8, entonces el procedimiento est bajo control

Si U> entonces el procedimiento est fuera de control Si U < 2 ooU> 8, 8, entonces el procedimientoest fuera de control

Mtodos de atenuaciOn exponencial atenuacin

163

Suponga que, de Suponga que, de los 10 pronsticos siguientes mediante esta tcnica, slo uno tiene un error 10 pronsticos siguientes mediante esta tcnica, solo uno tiene lOes muy baja, positivo. Debido a que la probabilidad de obtener slo un error positivo entre 10 es muy baja, positivo. Debido solo .011, se considera que el proceso est fuera de control (sobrestimando) y se deberla modificar debera .011, alfa. el valor de alfa. Otra forma de rastrear una tcnica de diagnstico consiste en determinar un nivel que fonna detenninar un nivel que pronstico. el EMe que se contuviera todos los errores de pronstico. Esto se puede lograr utilizando el EMC que se al determinar el tamao ptimo de alfa. Si la tcnica de pronstico es razonableestableci al determinar el tamao ptimo de alfa. Si la tcnica de pronOstico es razonabledebera mente precisa, el error de pronstico deberla estar en una distribucin normal con una media Bajo esta condicin, existe una probabilidad 95% de que una observacin real de cero. Bajo esta condicin, existe una probabilidad del 95% de que una observacin real se ubique dentro de aproxirnadarnente dos desviaciones estndar del pronstico. En general, aproximadamente dos desviaciones estndar del es suficiente un intervalo de confianza del 95% para los sistemas de rastreo. El ejemplo 5.6 intervalo de confianza 95% los sistemas de rastreo. El ejemplo 5.6 ilustra este enfoque.

Ejemplo Ej emplo 5.6

En el ejeniplo de Acme Tool Company, se determinOel valor ptimo de alfa como a = .34 Company, se determin el valor ptimo de alfa como a = .34 En ejemplo = 21,421. La desviacin estndar error de pronstico es 'I EMC --J 21,421 con un EMC = 21,421. La desviacin estndar del error de pronOstico es --J EMC '.J 21,421 = 146.4. El error de pronstico deberia presentar una distribucin normal con una media de presentar una distribucin normal con una media de 146.4. pronstico debera cero. Bajo esta condicin hay un 95% de posibilidad de que Ia observacin real se ubique 95% de posibilidad que la observacin real se ubique cero. Bajo esta condicin hay dentro de aproximadamente dos desviaciones estndar del pronstico o desviaciones dentro

1.96 VEMC = 1.96 \/21,421 1.96(l46.4) = ::286.9 1.96 VEMC = 1.96 V21,421 = 1.96(146.4) = 286.9
De ahI que para el ejemplo, la variacin permisible sea de 286.9. Si en cualquier pronstico ah el ejemplo, la variacin pennisible 286.9. Si en cualquier pronstico posterior el error es mayor a 286.9, existen motivos para pensar que se debe calcular un nuevo se debe calcular un nuevo valor Optimo para alfa. ptimo La exposicin anterior sobre seales de rastreo se aplica tambin a los mtodos an exposicin anterior sobre seales de rastreo se aplica tambin a an el resto del captulo. por abordar en el resto del capItulo.

NOtese que en la tcnica de atenuacin exponencial simple existe la suposicin de que Ntese que en la tcnica de atenuacin exponencial Ia
son estacionarios. El ejemplo 5.7 muestra lo que sucede cuando se emplea los datos son estacionarios. El ejemplo 5.7 muestra 10 que sucede cuando se emplea la

tcnica de atenuacin exponencial en datos con tendencia. Siempre que ,exista una tendencia en datos con tendencia. Siempre queexista
significativa, la atenuacin exponencial se ubicar por debajo de los valores reales significativa, la atenuacin exponencial se ubicar por debajo de los valores reales de pronstico de serie de tiempo, travs del tiempo. El examen de la columna de error pronstico de la serie de tiempo, aatravs del tiempo. El exarnen de la columna de error

en la tabla 5.7 muestra que todos los valores son positivos, lo que significa que el pronstico contempl tendencia. A continuacin se presenta la tcnica de atenuacin exponencial no conternpl la tendencia. A continuacin se presenta la tcnica de atenuacin exponencial cual se dise datos con tendencia. doble, la cual se diseflO para manejar datos con tendencia.

Atenuacin exponencial doble


La tcnica de atenuaciOn exponencial doble, tambin conocida como Mtodo de Brown, se de atenuacin exponencial doble, tambin se
para pronosticar series tiempo que tienen una tendencia lineal. Los conceptos usa para pronosticar series de tiempo que tienen una tendencia lineal. Los conceptos bsicos similares los de los promedios mviles dobles. La tcnica de atenuacin bsicos son sirnilares a los de los promedios mOviles dobles. La tcnica de atenuacin exponencial doble mediante el las ecuaciones 5.13 a 5.17. exponencial doble se resume mediante el uso de las ecuaciones 5.13 a 5.17.

164

Promedios mOviles y mtodos de atenuaciOn mviles de atenuacin


RENTAS POR SEMANA TABLA 5.7 MOVIE VIDEO TABLA 5.7 RENTAS POR SEMANA DE MOVIE VIDEO STORE PARA EL EJEMPLO 5.7 STORE PARA EL
RENTADAS UNIDADES RENTADAS POR SEMANA SEMANA
YI Yr
Yr

Captulo CapItulo 5

Yf+li +

e,

1
1

2 2

3 4 5 5 6 6 7 7 8 9 9 10 11 11 12
13

14 15 IS 16 EMe = 147.3. EMC = 147.3.

654 658 665 672 673 671 693 694 701 703 702 710 712 711 728

654 654 655.6 659.4 664.4 667.8 669.1 678.7 684.8 691.3 696.0 698.4 703.0 706.6 708.4 716.2

4.0 9.4 12.6 8.6 3.2 23.9 15.3 16.2 11.7 6.0 11.6 9.0 4.4 19.6

Debido a que los valores de las series no son pronsticos en s mismos, las ecuaciones sj ecuaciones comprensibles siguiente de actualizacin son ms comprensibles si se adopta la siguiente notacin.
At atenuado exponencialmente de Yt en el periodo A, = valor atenuado exponencialmente de Y, en el periodo t

A't doblemente atenuado exponencialmente de Y el A', = valor doblemente atenuado exponencialmente de Y,t en el t periodo I
El valor simple atenuado exponencialmente se calcula ahora mediante Ia ecuacin calcula ahora mediante la ecuacin El valor simple atenuado exponencialmente
5.13.
A, = aY, + (l -- a)A,1 aYt + (1 a)A'_1

(5.13)

se usa para calcular el valor doblemente atenuado exponencialmente. La ecuacin 5.14 se usa para calcular el valor doblernente atenuado exponencialmente.

A', = aA t + (l -- a)A_1 A', = aA, + (1 a)A ;-1


exponencialmente.

(5.14)

La ecuacin 5.15 se emplea para calcular la diferencia entre los valores atenuados La ecuacin 5.15 se emplea para calcular Ia diferencia entre los valores atenuados

a, = 2A t A', a t = 2A, -- A',

(5.15) (5. 15)

ecuacin factor adicional ajuste, similar a la medicin de una pendiente La eduacin 5.16 es un factor adicional de ajuste, similar a Ia medicion de una pendiente cambiar durante la serie. que puede cambiar durante la serie.
b b,t

= _a_ (A, -- A',) (A A') a t , = 1- a I

'-V

(5.16)

atenuacin exponencial Mtodos de atenuacin exponencial

165

Por Ultirno, la ecuacin 5.17 se usa para fonnular el pronstico de p periodos en el ltimo, Ia ecuacin 5.17 se usa para forrnular el pronstico de p el futuro.

= a, + h,p.
Ej emplo Ejemplo
5.7

(5.17)

Este ejemplo se refiere a! ejemplo 5.4 en ci que la empresa Movie Video Store pretendia Este ejemplo se refiere al ejemplo 5.4 el que la empresa Movie Video Store pretenda pronosticar sus rentas del prximo mes. Los datos de renta de las ltimas 15 semanas se pronosticar sus rentas del prximo mes. Los datos de renta las ltimas 15 semanas se
la 5.4. Jill intent un promedio mvil de presentan en Ia tabla 5.4. Jill intent desarrollar un pronstico mediante un promedio mvil de tres semanas y un promedio rnvil doble. Decide emplear una atenuacin exponencial de 0.4 un promedio mvil exponencial Ahora tiene los resultados, niostrados en Ia tabia 5.7. Ya que es obvio que los datos tienen una los resultados, mostrados la tabla los datos tienen una Jill tendencia, Jilt se encuentra con que su pronstico est siempre subestimando las rentas reales. razn, decide intentar la atenuacin exponencial doble. El programa de computadora Por esta razn, decide intentar Ia atenuacin exponencial dobie. El programa de computadora automticamente la niejor constante atenuacin minimizando el EMe. que utiliza selecciona automticarncnte Ia mejor constante de atenuacin minirnizando ci EMC. Los resultados se presentan en Ia tabla 5.8 para un valor de alfa de .4. Para poder comprender la alfa de .4. Para poder comprender el pronstico la semana 16, se presentan continuacin los clculos correspondientes. ci pronostico de Ia semana 16, se presentan aacontinuacin los ciculos correspondientes. emplea la ecuacin 5.13 para calcular el valor simple atenuado exponencialmente Se emplea Ia ecuacin 5.13 para calcular el valor simple atenuado exponencialmente 3). (columna 3).

= ay15 + (1 = .4(728) + (1 - .4)(708.4) = 716.2 .4(728) (1 .4)(708.4) = 716.2

TABLA 5.8 PRONOSTICO DE ATENUACION EXPONENCIAL DOBLE PARA MOVIE 5.8 PRONSTICO DE ATENUACiN EXPONENCIAL DOBLE PARA MOVIE STORE. TECNICA DE BROWN, PARA EL EJEMPLO VIDEO STORE, TCNICA DE BROWN, PARA EL EJEMPLO 5.7 (2) VENTAS VENTAS POR PERIODO SEMANA Y,
(1)

(3)

(4)

(5)

(6) (6) VALOR


DEb

(7)

(R) (8)

PRONSTICO PRONOSTICO

VALOR

A,
654 655.6 659.4 664.4 667.8 669.1 669.\ 678.7 684.8 6R4.8 691.3 696.0 698.4 703.0 706.6 708.4 716.2

A' I
654 654.6 656.5 659.7 662.9 665.4 670.7 676.3 682.3 687.8 692.0 696.4 700.5 700.5 703.7 703.7 708.7 708.7

DEa

a + hp + bp (p = 1) (p= 1)
654 654 657.3 664.2 672.2 676.0 675.3 692.0 699.0 706.3 709.7 709.1 714.0 716.8 716.2 728.7

e,

1 1 2 3 3 4 5 6 7 8 8 9 10 lO 11 1\ 12 13 14 15 16 \6 EMC = 39.82.

654 658 665 672 673 671 693 694 701 703 702 710 712 7\\ 711 728

654 656.6 662.3 669.1 672.7 672.8 686.7 693.3 700.3 704.2 704.8 709.6 712.7 713.\ 713.1 723.7

0 O .7 .7 1.9 3.1 3.3 2.5 5.3 5.7 6.0 5.5 4.3 4.4 4.1 4.\ 3.\ 3.1 5.0

4.0 7.7 7.8 0.8 -5.0 17.7 2.0 2.0 -3.3 -7.7 0.9 -2.0 -5.8 11.8

659

678

696

716

166

Promedios mviles y mtodos de atenuacin

Captulo Cap itulo 5

La ecuacin La ecuacin 5.14 se utiliza para calcular el valor doblemente atenuado exponencialmente se utiliza para calcular el valor doblemente atenuado exponencialmente (columna 4).
A

=A15 + (1 = .4(7 16.2) + (l - .4)(703.7) = 708.7 = .4(716.2) + (1 - .4)(703.7) 70S.7

La ecuacin 5.15 se utiliza para calcular las diferencias entre los valores atenuados exponencalcular diferencias los valores atenuados exponencialmente (columna 5).
a15 =

2A5 - A.5

2(716.2) = 2(7 16.2) -- 708.7 = 723.7


valor adicional la medicin de La ecuacin 5.16 es un valor adicional de ajuste, similar a Ia medicin de una pendiente que cambia a travs de la serie (columna 6). la serie (columna 6).
b15

1a (A5 - A'15)
(716.2 70S.7) = (716.2 - 708.7) = 5.0

= 1= ::

Finalmente se emplea la ecuacin 5.17 para hacer el pronstico de un periodo en el futuro Finalmente se emplea Ia ecuacin 5.17 para hacer el pronstico de periodo en el futuro
(colunma 7). (columna 7).
YI5+1

= =

a5 + b5(1) = 723.7 + 5.0(1) = 728.7 a l5 b I5 (1) = 723.7 + 5.0(1) = 72S.7

futuro El pronstico de cuatro semanas a futuro es


15+4 Y15+4

= a15 + b15(4) = 723.7 + 5(4) = a l5 b I5 (4)

= 743.7

Jill piensa que encontr una buena tcnica de pronstico. El EMC se redujo a 39.82. Como verificacin final, decide calcular los coeficientes de autocorrelacin de los residuales y probar para determinar si alguno de ellos es signiuicativamente diferente de cero. Las hiptesis nula detetminar alguno de ellos es significativamente diferente Las hiptesis nula alterna para probar si el coeficiente de autocorrelacin para un periodo de desfasamiento en y alterna para probar si el coeficiente de autocorrelacin para un periodo de desfasamiento en diferente particular es diferente de cero son

H o:

= O H0:Pp,0
k

H 1: Pk # O H1: PkO
Como n = 14, el error esthndar (desviacin estndar de la distribucin muestral de los = 14, el estndar (desviacin estndar de Ia distribucin muestral los coeficientes de autocorrclacin), es it'JT = .267. Si se prueba Ia hiptesis nula at nivel de al nivel de coeficientes autocorrelacin), es 11M = .267. Si prueba la hiptesis significancia de .05, el valor correcto estndar normal de z es 1.96 y el valor critico es significancia de .05, valor con'ecto estndar normal de es 1.96 el valor crtico es decisin 1.96(.267) = .524. La regla de decision es I .96(.267) = .524. La coeficiente autocorrelacin es menor que .524 mayor que .524, Si un coeficiente de autocorrelacin es menor que -.524oomayor que .524, en caso contrario, no rechazarla (rechazar H o rechazar la hiptesis nula; en caso contrario, no rechazarla (rechazar H0 si

.524 o rk < -.524 o rk> .524).

r>

Mtodos de atenuaciOn exponencial atenuacin

167

comandos Minitab autocorrelaciones para residuales de la tabla Los cornandos de Minitab para ejecutar las autocorrelaciones para los residuales de la tabla 5.8 son I 5.8

> C1 > SET Cl DATA > 4.0 7.7 7.8 > 4.0 7.7 7.8 DATA > END > C1 MTB > ACF Cl >

MTB

.8 -5 17.7 2 2 -3.3 7.7 .8 5 17.7 2 2 3.3 -7.7

.9 -2 5.8 11.8 .9 2 -5.8 11.8

of C1 ACF of Cl
-1 . o -o. 8 -o. 6 -o. 4 -o. 2 1.0 0.8 0.6 0.4 0.2

o.o 0.0

o. 2 0.2

o. 4 0.4

o. 6 0.6

o. 8 0.8

1.0 1.o

-- - -+- - - - -+- - - -+- - - -+- - - -+- - - -+- - +- - - -+- - +----+----+----+----+----+----+----+----+----+----+----+ XXX -0.062 1 0.062 XX 2 0.059 2 -0.059 XXX 3 0.080 3 0.080

4 -0.139 4 0.139
5 5

XXXX xxxx
XX

0.051

-0.1]? 6 0.1117 7 0 7 -o 0.212 8 8 9 -0.160 9 0.160

xxxx XXXX xxxxxxxx XXXXXXXX


XXXXXX xxxxxx
XXXXX xxxxx XXXX xxxx

10 0.126 10 -0.126 0.003 11


12 0.058

X X XX

MTB > STOP >

verificaron 12 periodos desfasamiento los coeficientes de autocorrelacin se ubican Se verificaron 12 periodos de desfasamiento y los coeficientes de autocorrelacin se ubican dentro dentro de los Ilmites apropiados. Jill concluye que esta serie de residuales es aleatoria. lmites apropiados. JiU serie de residuales es aleatoria.

Al igual que en la atenuacin exponencial simple, la eleccin de alfa es un problema. atenuacin alfa es un problema. selecciona minimizando EMe los pronsticos de estos Alfa se selecciona minirnizando el EMC entre los valores reales y los pronsticos de estos valores utilizando modelo. Algunos programas de computadora determinan valor valores utilizando el modelo. Algunos programas de computadora determinan este valor automtica. proceso de prueba y error. en forma autorntica. En caso contrario, ste se convierte en un proceso de prueba y error. problema al exponencial doble detenninacin Un problerna a! emplear la atenuacin exponencial doble es la deterrninacin de los la tendencia. ejemplo us iniciales de atenuada ajuste valores iniciales de la serie atenuada y el ajuste de Ia tendencia. En el ejemplo 5.7 se us de la serie para A A',. El problema supone el valor real de la serie para A,f y A ' f El problema consiste en que este procedimiento supone hay tendencia presente dar por resultado un error. Tender a subestimar una que no hay tendencia presente y dar por resultado un error. Tender a subestimar una tendencia positiva.

168

Promedios mOviles y mtodos de atenuacin mviles atenuacin

Captulo 5

Se pueden calcular los valores de Ia pendiente de la tendencia y Ia interseccin la tendencia y la interseccin Se pueden calcular los valores de la pendiente mediante el procedirnientode mnimos cuadrados que se expondr en el cap. 6. Las mediante el procedimiento de rnInimos cuadrados que se expondr en el cap. Las =O ao 650.3 y b0 = 4.9, Los valores iniciales estimaciones generadas para el periodo t = 0 son a0 = 650.3 Yb o = 4.9. Los valores iniciales estirnaciones generadas se establecen mediante las ecuaciones 5.18 y 5.19 establecen mediante las ecuaciones 5.18 y
I-a a I Ao=ao---bo A0 = a0 b0
a

(5.18)
(5.19)

A=a0-2
Ej emplo Ejemplo 5.8
a

lab
.4

Jill JiII calcula los valores apropiados para el ejemplo 5.7 usando las ecuaciones 5.18 y 5.19. valores 5.19.
1 1- a .6 A0 = a0 - - - b o = 650.3 - - 4.9== 642.9 Ao G o b( = 650.3 -4.9 642.9

A 'o = a() -- 2 A = Go

a ~ bo = 650.3 - 2 ~ 4.9 = 635.6 2 4.9 = 635.6 b0 =


a

.4

JiII comienza Ia atenuacin empleando estos valores. La colunma 3 es Jill la atenuacin empleando estos valores. La columna 3 es

A1==aY I + (1 -ay + (1 Al
La colunina 4 es columna

a)A I _

.4(654) (1 .4)(642.9) = 647.3 = .4(654) + (1 - .4)(642.9) = 647.3

A = cxA1 + (1 - cx)A1
= .4(647.3) (1 .4)(635.6) + 640.3 = .4(647.3) + (1 - .4)(635.6) + 640.3

columna La coluruna 5 es

a1 = 2A1 - A
6 es La columna 6 es
= 2(647.3) - 640.3 = 654.3 = 2(647.3) - 640.3 = 654.3

b1=

1a (A1A)
.6

= -~ (647.3 -- 640.3) = 4.7 = (647.3 640.3) = 4.7


La columna 7 es Yt + 1 = a1 + bl(l) = 654.3 + 4.7(1) = 659 = al b1(1) = 654.3 4.7(1) = 659

Atenuacin exponencial a;ustada a la tendencia: Atenuacin exponencial ajustada a Ia Mtodo Mtodo de Holt
Otra tcnica que se usa con frecuencia para manejar una tendencia lineal se denomina usa con frecuencia para manejar una tendencia lineal se denomina Otra tcnica

parmetros de Holl. La tcnica de Holt atena la Mtodo de dos parmetros de Holt. La tcnica de I-Jolt atenUa en forma directa Ia tendencia

Mtodos de atenuaciOn exponencial atenuacin exponencia

169

la diferentes constantes atenuacin para cada ellas. y Ia pendiente empleando diferentes constantes de atenuacin para cada una de ellas. En el enfoque de Brown, slo enfoque de Brown, solo se usaba una constante de atenuacin y los valores estimados de constante atenuacin los valores estimados de Ia tendencia sern muy sensibles variaciones aleatorias. La tcnica de la tendencia sern muy sensibles a variaciones aleatorias. La tcnica de Holt proporciona flexibilidad al seleccionar las proporciones las que se rastrearn la tendencia y la mayor flexibilidad al seleccionar las proporciones aa las que se rastrearn la tendencia y la pendiente. Las tres ecuaciones que se utilizan en esta tcnica son: tcnica 1. La serie exponencialmente atenuada: atenuada:
A, =

aY, + (1 -

+ T,1)

(5.20)

2. La estimacin de Ia tendencia: de la
T, =

- A,1) + (I - 13)T,1
= Y(+p =

(5.21 ) (5.21)

3. El pronstico dep periodos en el futuro: de p periodos en el futuro:

A, pT( A( + pT,

(5.22)

en donde
A r = nuevo valor atenuado A, = los datos (O = a = constante de atenuacin de los datos (0 ~ a ~ 1) Yr = nueva observacin o valor real de la serie, en el periodo t observacin o valor real de la serie, en el periodo 1', = {J = constante de atenuacin de la Ia tendencia /3 = constante de atenuacin de Ia estimacin de la tendencia
1) (OSo{JSol) estimacin de la tendencia futuro p = periodos a pronosticar en el futuro pronstico de p periodos Yr+p = pronstico de p periodos en el futuro +=

= T, =

Tr

(0fl

La primera ecuaciOn,5.20, es muy similar a la ecuacin original de atenuacin atenuacin La primera ecuacin, 5.20, es muy similar a la ecuacin original exponencial simple, 5.12, con excepcin de que se incorpora un nuevo trmino (Tr) para exponencial simple, de que (Ti) para la tendencia. La estimacin de la tendencia se calcula tomando la diferencia entre los valores Ia tendencia. Ia se calcula tomando sucesivos de atenuacin exponencial (A, -- A,_1).Ya que los valores sucesivos se atenuaron atenuacin exponencial (A r A r- 1). Ya que los valores sucesivos se atenuaron fines de aleatoriedad, diferencia constituye una estimacin de la en los con fines de aleatoriedad, su diferencia constituye una estimacin de la tendencia en los datos. Para atenuar Ia estimacin de la tendencia se utiliza una segunda constante de segunda constante de Para atenuar la estimacin de tendencia se utiliza atenuacin, /3 atenuacin, {J. La ecuacin 5.21 muestra que la estimacin de la tendencia (A, r -A,_1) se ecuacin 5.21 muestra que la estimacin de la tendencia (A - A r- 1) se multiplica por y se suma despus aaIa anterior estimacin de la tendencia (T,), multiplicada por y se suma despus la anterior estimacin de la tendencia (Tr), excepto que Ia atenuacin se realiza para La ecuacin 5.21 es (1 - {J). La ecuacin 5.21 es similar a la 5.20, excepto que la atenuacin se realiza para la /3). para los datos reales. El resultado la ecuacin 5.21 es una tendentendencia en vez de para los datos reales. El resultado de la ecuacin 5.21 es una tendenatenuada que excluye cualquier aleatoriedad. cia atenuada que excluye cualquier aleatoriedad. ecuacin 5.22 muestra el pronstico de p periodos a futuro. multiplica La ecuacin 5.22 muestra el pronstico de p periodos a futuro. Se multiplica la la (Tr) (P) el producto estimacin de Ia tendencia (T,) por el nmero de periodos en el pronstico (p) y el producto niimero de suma al nivel actual de los datos A r para eliminar aleatoriedad. se surna despus al nivel actual de los datos A,,, para eliminar aleatoriedad.

170

Promedios mviles y mtodos de atenuaciOn mviles y mtodos de atenuacin

Captulo 5 Cap [tub

Ejemplo 5.9

ilustra la atenuacin exponencial ajustada la La tabla 5.9 ilustra la atenuacin exponencial ajustada a Ia tendencia, para los datos de Acme Company. comenzar, se requieren dos valores estimados iniciales, el valor inicial Tool Company. Para comenzar, se requieren dos valores estimados iniciales, el valor inicial el valor inicial de la tendencia. lo regular, se estima estimado y el valor inicial de La tendencia. Por Jo regular, el valor inicial atenuado se estima cuantas observaciones anteriores de la serie. El valor inicial de la tendencia promediando unas cuantas observaciones anteriores de Ia serie. El valor inicial de Ia tendencia estima mediante de la pendiente de la ecuacin de la tendencia obtenida de datos se estima mediante el uso de la pendiente de Ia ecuacin de Ia tendencia obtenida de datos hay disponibles datos cero como estimacin inicial. anteriores. Si no hay disponibles datos anteriores, se usa cero como estimacin inicial. atena los datos El valor de alfa es similar al del modelo de atenuacin (ecuacin 5.12) y atena los datos eliminar aleatoriedad. La constante de atenuacin es como a, excepto que atena la para eliminar aleatoriedad.La constante de atenuacin es como a, excepto que atena Ia tendencia los datos. Ambas constantes de atenuacin eliminan aleatoriedad ponderando tendencia en los datos. Ambas constantes de atenuacin eliminan aleatoriedad ponderando valores anteriores. En Ia tabla 5.9 se demuestra la tcnica para aa= .3 y fi = .1. A contmuacin se presentan la tabla 5.9 se demuestra Ia tcnica para = Y fJ = continuacin presentan los clculos que conducen al pronstico del periodo 3. l. Actualizacin de Ia serie exponencialmente atenuada: la atenuada:
A, = cxY, +(l - - a)(A,1 + T,_1) aY + (1 a)(At-) + T'_l)

A z == .3yz + (l - .3)(A2_1 + T z _ 1 ) A2 .3y2 + (I - .3)(A Z_

= .3(350) + .7(500 + 0) = 455 .3(350) .7(500 O) = 455


2. Actualizacin de la estimacin de Ia tendencia la tendencia

T, = f3(A, -A_.) + (l -T, = f3(A - A,1) + (1

f3)T'_1

Tz T2== .1(A z - - AH) + (1 -- .I)1'2z _ 1 .l(A2 A2) + (l .1)T = .1(455- - 500) + .9(0) ==-4.5 .1 (455 500) + .9(0) 4.5

3. Pronstico de un periodo a futuro: periodo futuro:


Y,+p = A, = A,

+ pT, + pT,

Y2+1

= =

A2 + pT2 A z + pTz

,93 = 455 + (-4.5) = 450.5 y3 = 455 + (-4.5) = 450.5


4. Determinacin del error del pronstico del pronstico

e, = Y, - Y e = Y, - 1',

200.5 e3 = Y3 - Y3 = 250 -- 450.5== -200.5 250 450.5 e3


25 se calcula como:' El pronstico para el periodo 25 se calcula como:

1. Actualizacin de la serie exponencialmente: 1. Actualizacin de Ia serie exponencialmente:

A24== .3Y24 ++(1 -- .3)(A24_ + T241)) .3y24 (1 .3)(A z4 _ 1 + T Z4 - 1 A Z4

A2 = .3(650) + .7(517.6 + 9.8) = 564.2 A z = .3(650) .7(517.6 9.8) = 564.2

Mtodos de Mtodos de atenuacin exponencial


Actualizacin 2. Actualizacin de Ia estimacin de Ia tendencia: la la tendencia:

171

T24== .1(A 24 - - A24_1) +(1 -- .1)T24 - .l(A24 A 24 - 1) + (1 T 24

= .1(564.2 ~ 517.6) + .9(9.8) = 13.5 .1(564.2 - 517.6) + .9(9.8) = 13.5


Pronstico de 3. Pronstico de un periodo a futuro periodo futuro
= A24 + pT24

225 564.2 + (13.5) = 577.7 Y25==564.2 + (13.5) = 577.7

TABLA 5.9 PRONSTICO DE ATENUACION EXPONENCIAL DE LAS VENTAS DE PRONOSTICO TABLA 5.9 ATENUACIN EXPONENCIAL DE LAS VENTAS DE COMPANY, TCNICA DE HOLT, PARA EL EJEMPLO 5.9 ACME TOOL COMPANY, TECNICA DE HOLT, PARA EL EJEMPLO 5.9
(1) (I)

(2)
Yt

(3)
A,

(4)
T,

(5)

(6)

Y,

~
500 500 450.5 379.8 379.8 376.0 390.5 390.5 369.4 369.4 304.6 304.6 289.1 295.1 251.4 202.8 249.7 336.5 337.7 305.9 381.0 438.6 432.7 411.2 476.8 575.9 567.9 527.4 577.7

e,
0 O -150 -200.5 20.2 74.0 -40.5 -169.4 -4.6 60.9 -95.0 -101.4 197.2 300.3 13.5 -87.7 244.1 169.0 -38.6 -82.7 188.8 273.2 -75.9 -167.9 122.6 122,6

I I

2 3 3 4 5 5 6 6 7 7 8 8 9 9
10 tO

Ii 11
12 12

13 13 14 14
15 15

16 16 17 18 19 20 21 21 22 23 24 25 EMe 21 488.3. EMC = 21 488.3.

500 350 250 400 450 350 200 300 350 200 150 400 550 350 250 550 550 550 550 400 350 600 750 500 400 650

500.0 455.0 390.4 385.9 398.2 398.2 378.3 378.3 318.6 303.2 303.2 307.4 307.4 266.6 221.0 262.0 339.8 340.6 340.6 311.4 379.1 379.1 431.7 427.0 407.9 467.8 558.7 553.1 517.6 564.2

0 O -4.5 -10.5 -9.9 -7.7 -8.9 -14.0 -14.1 -12.3 -15.2 -18.2 -12.3 -3.3 -2.9 -5.5 1.8 6.9 5.7 3.3 8.9 17.1 14.8 9.8 13.5

la minimizacin del error medio Con base en Ia minimizacin del error rnedio cuadrado (EMC), este modelo no resulta de atenuacin exponencial utiliz mejor que el de atenuacin exponencial simple que utiliz una constante de atenuacin de .34. error mtodo de Holt .34. Si se compara los porcentajes de error medio absoluto (PEMA), el mtodo de Holt es mejor. Al comparar los prornedios de ventas reales para el primer trimestre de 1994, el comparar los promedios primer trimestre de 1994, el

172

Promedios mviles y atenuacin Promedios mOviles y mtodos de atenuaciOn

Captulo 5 Cap itulo

modelo de Holt parece desempearse mejor. Tambin el porcentaje medio de error (PME) desempearse porcentaje medio de error (PME) resulta menor en el mtodo de Holt.

a= .34
IX = .30 .10 f3=.10 IX

EMC 21,421 EMC = 21,421 EMC

PEMA PEMA PEMA PEMA

= 35.41% 35.41 %
= 33.48%

PME
PME

-11.50% = 11.50% -6.65% = 6.65%

.30} .30 = .30} f3 = .20

22,380 = 22,380

EMC 22,349 EMC = 22,349

PEMA = PEMA =

33.74%

PME

= 6.22% = -6.22%

Al utilizar un programa de computadora que elige de manera automtica las constantes de de computadora que elige de manera automtica atenuacin, a es igual .3 /3 es igual .2. El EMC se reduce ligeramente atenuacin, a es igual aa.3 y y f3es igual aa.2. El EMC se reduce ligeramente a 22 349 y el Y PEMA se mantiene casi igual en 33.74%. El porcentaje medio de error (PME) es 6.22%, que PEMA se mantiene casi igual en 33.74%. El porcentaje medio de error (PME) es -6.22%, que significa que predicciones basadas en modelo an consistentemente grandes. Se significa que las predicciones basadas en este modelo son ann consistentemente grandes. Se necesita investigar Ia posibilidad de que haya en los datos una variacin estacional. la posibilidad de que haya variacin estacional.

Atenuacin exponencial ajustada a la la Atenuacin exponencial ajustada a Ia tendencia y a Ia estacional: Modelo de variacin estacional: Modelo de Winter
examinar los datos de Acme Tool Company en la tabla 5.1, se observa que las ventas Al exarninar los datos de Acme Tool Company en la tabla 5.1, se observa que las ventas son consistentemente altas durante el primer y cumio trimestres y que son menores durante son consistentemente altas durante el primer y cuarto trimestres y que son menores durante Aparentemente patrn estacional. El modelo de atenuacin exponencial el tercero. Aparenternente existe un patron estacional. El modelo de atenuacin exponencial lineal y estacional de tres parrnetros de Winter, que es una extension del modelo de Holt, parmetros extensin del modelo de Holt, lineal pronstico. pudiera reducir el error de pronstico. Se utiliza una ecuacin adicional para detenninar la adicional para determinar la estacionalidad. Esta estirnacin est dada por un Indice estacional y se estacionalidad. Esta estimacin est dada por un ndice estacional y se calcula con la ecuacin 5.25, la cual muestra que la estimacin del Indice estacional (Y,/A1) se multiplica la cual muestra que la estimacin del ndice estacional (Y/Al) multiplica y, se la estimacin estacional (SI-L), multiplicada por (1 por 2 se suma despus a la estimaciOn estacional anterior (S(_L),multiplicada por (1 -razn YI ndice de hacerlo La razn Y, se divide entre Al para expresar el valor en forma de iiidice en vez de hacerlo A, para expresar el valor fonna en trminos absolutos, de modo qiie pueda prornediarse con el Iridice estacional atenuado modo que pueda promediarse el ndice estacional en t1111inos absolutos, al periodo t - L. L. al periodo ecuaciones que el Las cuatro ecuaciones que emplea ci modelo de Winter son:

n.

l. La serie exponencial atenuada: atenuada:

A=a
S

Y
L

+ (1 - a)(A,1 + T11)

(5.23 ) (5.23)

2. La estimacin de la tendencia: de la tendencia:


T1

f3(A - A1) + (1 - f3)T1


YI Y

(5.24)

3. La estirnacin de Ia estacionalidad: estimacin la

S = y - + (1 -- y)SfL SI = 'Y (l 'Y)S,-L


A,

(5.25)

El pronstico dep periodos en el futmo: 4. El pronOstico de p periodos en el futuro:

= (A - pT1)S11,

(5.26)

Mtodos de atenuacin exponencial atenuaciOn exponencial

173

en donde
A r = nuevo valor atenuado = nuevo valor atenuado

a = constante de atenuacin (O < a < 1) constante atenuacin (0 < 1)

fJ = constante de atenuacin de la estimacin de la tendencia /3 = (O < fJ < 1) (0<fl< 1)

Y= ~ =

nueva observacin o valor real de la serie en el periodo nueva observacin o valor real de la serie en el periodo t

Tr = estimacin de la tendencia T, = estimacin de constante de atenuacin de la estimacin la y= constante de atenuacin de Ia estimacin de Ia estacionalidad (O < y< 1) (0<7<1) Sr ==estimacin de la estacionalidad S1 estimacin de la p = periodos a estimar a futuro = periodos estimar futuro L = longitud de la estacionalidad estacionalidad L= Y,+= pronstico de p periodos a futuro Yr + p = pronstico dep periodos a futuro
La ecuacin 5.23 actualiza la serie atenuada. Una pequea diferencia en esta ecuacin atenuada. Una pequea diferencia en esta ecuacin la distingue de la correspondiente (5.20) en el modelo de Holt. En Ia ecuacin 5.23, Y1 se la correspondiente el modelo de Holt. En la ecuacin 5.23, Yr se divide Sr-L, lo cual ajusta Yr aala estacionalidad, eliminando as los efectos estacionales que S,_L, lo cual ajusta Y. la estacionalidad, eliminando asI los efectos estacionales pudieran existir en el dato original 1",. en el dato original ~. Despus de atenuar la estimacin de la estacionalidad y la estimacin de la tendencia estimacin de estacionalidad estimacin de Ia tendencia en en las ecuaciones 5.24 y 5.25, se obtuvo un pronstico con la ecuacin 5.26. sta es casi ecuaciones 5.24 5.25, obtuvo un pronstico con la ecuacin 5.26. Esta es casi la misma que Ia formula correspondiente, cuacin 5.22, que se emplea para obtener el la flmula correspondiente, cuaciOn 5.22, que se emplea para obtener el la pronstico en el modelo de Holt. La diferencia estriba en que esta estimacin para un diferencia estriba en que estimacin para un pronstico en el modelo de Holt. periodo futuro t + p, se multiplica por S,_L+. Este Indice estacional es ci iiltimo disponible, + se multiplica por Sr-L+p' ndice el ltimo de ahI que se utilice para ajustar el pronstico a Ia estacionalidad. utilice para ajustar el pronstico a la estacionalidad. de ah
Ejemplo Ej emplo 5.10
La tabla 5.10 ilustra la atenuacin exponencial ajustada a la tendencia y a la estacionalidad, ilustra la atenuacin exponencial ajustada tendencia y a la estacionalidad, La para los datos de Acme Tool Company. Para comenzar los clculos, se requieren las para los datos de Acme Tool Company. Para comenzar los clculos, se requieren las estimaciones iniciales de valor atenuado, tendencia y cada una de las cuatro estimaciones de las cuatro estimaciones de estirnaciones iniciales de valor atenuado, tendencia y cada estacionalidad. El valor inicial atenuado puede estimarse promediando unos cuantos valores estacionalidad. El valor inicial atenuado puede estimarse promediando unos cuantos valores anteliores de la serie. El valor inicial de Ia tendencia se puede estimar utilizando Ia valor inicial de la tendencia se puede estimar utilizando la anteriores de Ia serie. pendiente la ecuacin de tendencia obtenida de datos anteriores. Las estimaciones de pendiente de Ia ecuacin de tendencia obtenida de datos anteriores. Las estimaciones de estacionalidad se pueden calcular para datos anteriores mediante Ia descomposicin de la estacionalidad se pueden calcular para datos anteriores mediante la descomposicin de la serie de tiempo (cap. 8). (cap. serie de El valor de aes similar al dcl modelo de atenuacin exponencial simple (ecuacin 5.12), El valor de a es similar al del modelo de atenuacin exponencial simple (ecuacin 5.12), Y los datos para eliminar aleatoriedad. La constante de atenuacin f3 es similar a alfa, salvo y los datos para eliminar aleatoriedad. La constante de atenuacin /3 es similar a alfa, salvo que atenia la tendencia constante de atenuacin y que atena Ia tendencia en los datos. La constante de atenuacin r es parecida a alfa y a beta, datos. con excepcin de que atenia Ia estacionalidad de los datos. atena la estacionalidad los datos. con excepcin de En Ia tabla 5.10 se demuestra Ia tcnica de Winter para = .4, ,B= .1 y = .3 Ya que En la tabla 5.10 se demuestra la tcnica de Winter para aa= .4, f3 = .1 Y y = .3.. Ya que hay datos anteriores disponibles, se usa 500 como el inicial, O como el valor de no hay datos anteriores disponibles, se usa 500 como el valor inicial, 0 como el valor de estimacin inicial de tendencia y 1.0 como la estimacin inicial de estacionalidad. A estimacin inicial de tendencia y 1.0 como Ia estimacin inicial de estacionalidad. A los clculos que conducen a los valores atenuados actualizados para continuacin se presentan los clculos que conducen a los valores atenuados actualizados para el periodo 2. 2.

174

Promedios mOviles y mtodos de atenuacin Promedios mviles y

Captulo 5 Cap itulo 5

l. La serie exponencialmente atenuada: atenuada: 1.

A= Al =

a:

Y, S + (1 -(l
Y
,-L

a:)(A I _ 1 + T11) Tt-I)

A2 = .4

1.0

+ (1 - .4)(A21 + T21)

= .4-+ + - - .4)(500 O) 140 + 300 = 440 = .4 350 (1 (l .4)(500 + 0) = 140+ 300 =440 1.0
2. La estimacin 2. La estimacin de la tendencia: la tendencia:
T1 = {3(A, - A,1) T, = - At-I)

+ (1 -(l

{3)T'_1

T z = .1 (A z - - A2-\) + (l -- .1)Tz_ 1 T2 .1 (A2 A21) + (1

.1(440 - 500) (1 - .1)0 = = = 6 = .1(440 -500) + + (1 - .1)0 -66++O0 =-6

3. 3. La estirnacin de la estacionalidad: estimacin la estacionalidad:


S =Y (l y)St-L S1= y ---!.. + (1 -- y)S(_L
I

A,

S2 = .3

A2

+ (1 - .3)1.0

350 = .3 440 + (1 - .3)1.0 = .2386 + .7 = .9386 .3 (1 .3)1.0 = .2386 + .7 = .9386


Los clculos que conducen a! pronstico del periodo 6 se muestrari a continuacin. al del periodo 6 se muestran a continuacin. l. La serie exponencialmente atenuada: serie exponencialmente atenuada: 1

A5 = .4
= .4 450 = 1.0

+ (1 - .4)(A51 + T51)
+ .6[368.4 + (-11.2)1 = 394.189 .6[368.4 (-11.2)] = 394.189

2. La estirnacin de la tendencia: estimacin la tendencia:

T5 = .1(A5 - A5_) + (1 .1(394.189 - 368.2) .9( 11.2) 7.5 = .1(394.189 - 368.2) ++.9(-11.2) ==-7.5
3. La estimacin de la estacionalidad estimacin la estacionalidad

Ys S5 = .3 A + (1 - .3)S54 Ss = .3 (l - .3)SS_4
S

= .3 394.2 + .7(1.0) = .3425 + .7 = 1.0425 = .7(1.0) .3425 .7 = 1.0425

450 394.2

Mtodos de atenuacin exponencial exponencial

175

4. El pronstico de lm periodo a futuro 4. El pronstico de un periodo a futuro

Yt+p = (A1 + pT,)S,_L+P (A t + pT)St_L+P

y5+

= (A5 + pT5)S5_41I = (As + pT S )SS_4+

Y6 = [394.2 + 1(-7.5)](.9386) = 362.9 = 362.9 Y6 = [394.2 +


tcnica Winter resulta los modelos anteriores si se considera el La tcnica de Winter resulta mejor que los modelos anteriores si se considera el pronsticos el primer trimestre minimizar el EMC. Al comparar los pronsticos de ventas reales para el primer trimestre minimizar EMe. de 1994, tambin Ia tcnica de Winter parece desempenarse mejor. El uso de un programa 1994, la desempearse de de computadora para seleccionar de manera automtica las mejores constantes de atenuamanera automtica mejores constantes de atenuacin, reducirIa ann ms el EMC. reducira an ms el EMe.

PRONSTICO ATENUACION EXPONENCIAL DE LAS VENTAS DE TABLA 5.10 TABLA 5.10 PRONOSTICO DE ATENUACiN EXPONENCIAL DE LAS VENTAS DE TOOl COMPANY, TCNICA DE WINTER, PARA El EJEMPLO 5.10 ACME TOOL COMPANY, TECNICA DE WINTER, PARA EL EJEMPLO 5.10
(1)
t

(2)
1', Y,

(3)
A A, 500.0 440.0 360.4 368.2 394.2 381.2 311.9 295.6 303.0 260.3 219.5 277.5 364.7 364.7 377.0

(4)
T1 T,

(5)
St S,

(6)

(7)

Y,+p
500.0 500.0 500.0 500.0 500.0 500.0 500.0 500.0 357.0 357.0 362.9 338.8 305.5 293.2 271.2 202.9 206.2 287.6 321.7 296.5 404.9 490.3 387.3 337.6 554.1 591.0 491.7 430.9 687.3 751.9 546.2 449.6 718.8

e,
0.0 -150.0 -250.0 -100.0 93.0 -12.9 -138.8 -5.5 56.8 -71.2 -52.9 193.8 262.4 28.3 -46.5 145.1 59.7 12.7 12.4 12.4 45.9 159.0 159.0 8.3 -30.9 -37.3

I 1
2 2

3 3 4 5 5 6 6 7 8 9 10 11 12 13 14 15 16 17 18 18 19 19 20 21

500 350 250 400 450 350 200

300
350 200 150 150 400 550 350 250 550 550 400 350 600 750 500 400 650

22
23 24 25 26 27 28 28

354.1 354.1 403.1 426.4 437.5 450.1 450.1 471.9 471.9 531.8 548.8 546.4 546.4

0.0 -6.0 -13.4 -11.2 -7.5 -8.1 -14.2 -14.4 -12.2 -15.3 -17.8 -10.2 -0.5 0.8 -1.6 3.5 5.5 6.0 6.7 8.2 13.4 13.7 12.1 10.9

1.00

0.94
0.91

1.03 1.04 0.93 0.83 1.02 1.08 0.88 0.78 1.15 1.21 0.90 0.76 1.21 1.23 0.90 0.77 1.23 1.28 0.90 0.76 1.22

EMe EMC = 12431.5.

176

Promedios mOvilesy mtodos de atenuacin mviles y mtodos de atenuacin

Captulo CapItulo 5

El mtodo de Winter proporciona una forma fcil de explicar la estacionalidad en un proporciona una forma fcil de explicar la estacionalidad en un modelo, datos tienen un patrn estacional. Un mtodo alternativo consiste en modelo, cuando los datos tienen un patron estacional. Un mtodo alternativo consiste en desestacionalizacin es desestacionalizar primero o ajustar estacionalmente los datos. La desestacionalizacin es estacionalmente los datos. desestacionalizar primero o proceso que quita a los datos en bruto el efecto de estacionalidad; este proceso se un proceso que quita a los datos en bruto el efecto de estacionalidad; este proceso se estacionamostrar en el cap.8. Despus se aplica el modelo de pronstico a los datos sin estacionamostrar en cap.8. Despus se aplica el modelo de pronstico a los datos lidad y posteriormente los resultados se estacionalizan de nuevo para proporcionar pronsticos precisos. Es frecuente que los pronosticadores encuentren este mtodo ms preciso que el uso encuentren este mtodo uso del enfoque de Winter sobre los datos originales. Este enfoque es tambin ms flexible que originales. enfoque es tambin ms flexible que el mtodo de Winter, pues permite utilizar Ia atenuacin simple cuando los datos son datos son el mtodo de Winter, pues permite utilizar la atenuacin simple cuando estacionales, pero no hay presente una tendencia. presente una tendencia. estacionales, de corto plazo. La atenuacin exponencial es una tcnica popular para los pronsticos de corto plazo. frecuente que mtodos Sus mejores ventajas son un costo simplicidad. Sus mejores ventajas son un bajo costo y simplicidad. Es frecuente que los mtodos de exponencial nico se requieren pronsticos de inventaatenuacin exponencial sean el nico enfoque cuando se requieren pronsticos de inventarios que contienen miles de elementos. miles de elementos. basan en Los pronsticos de promedios mviles simples y atenuacin exponencial se basan en promedios prornedios ponderados de mediciones anteriores. La explicacin consiste en que los valores anteriores. informacin de to que futuro. anteriores contienen informacin de lo que ocurrir en el futuro. Debido a que los valoanteriores incluyen fluctuaciones aleatorias, asI como informacin relativa patrn res anteriores incluyen fluctuaciones aleatorias, as como informacin relativa al patron subyacente de una variable, se intento de atenuar estos valores. enfoque subyacente de una variable, se hace un intento de atenuar estos valores. Este enfoque fluctuaciones supone que las fluctuaciones extremas representan aleatoriedad en una serie de observaciorepresentan aleatoriedad en una de observaciotiempo. nes de tiempo. media de cierto nmero de valores Los promedios mviles implican el clculo de la media de cierto nilmero de valores Los promedios mviles implican el de una variable. Este promedio se convierte ahora en el pronstico del siguiente periodo; una variable. Este promedio se convierte ahora en el pronstico del siguiente periodo; hasta formular futuro deseado. despus, el proceso se repite hasta formular un pronstico del periodo futuro deseado. Este mtodo asigna una ponderacin igual a cada valor anterior. Sin embargo, se puede formular argumento convincente para impOltancia valores ms recientes. Se un argurnento convincente para dar mayor importancia a los valores ms recientes. Se emplea la atenuacin exponencial debido a que se asigna una ponderacin decreciente a emplea la atenuacin exponencial debido a que se asigna una ponderacin decreciente a las observaciones ms antiguas. Ambos enfoques comprenden una regla conjunto de las observaciones ms antiguas. Ambos enfoques comprenden una regla o conjunto de reglas para detenninar las ponderaciones. las ponderaciones. reglas

APLICACIN EN APLICACIN EN LA ADMINISTRACIN ADMINISTRACION


Los pronsticos son uno de los insumos ms importantes que desarrollan los administradores para auxiliarse en el proceso de toma de decisiones. Virtualmente, cada decision el proceso de toma de decisiones. Virtualmente, cada decisin res para auxiliarse algn operativa importante depende en algtin grado de un pronstico. La acumulacin de demanda se basa en un pronstico de la demanda esperada; el departamento de produccin tiene que programar los requerimientos de personal y los pedidos de materia prima prograrnar los requerimientos de personal y los pedidos de materia prima para el siguiente finanzas requerimientos o los dos siguientes meses; el departamento de finanzas debe determinar los requerimientos contrataciones suspensiones temporales. lista de aplicaciones de los pronsticos de contrataciones y suspensiones temporales. La lista de aplicaciones de los pronsticos numerosa. resulta muy numerosa. la importancia los pronsticos. De Los ejecutivos estn en realidad conscientes de la importancia de los pronsticos. De hecho, se dedica una gran cantidad de tiempo al estudio de las tendencias en asuntos hecho, dedica gran cantidad tiempo al estudio de las tendencias en asuntos econmicos polticos cmo pueden afectar los sucesos la demanda de productos y/o econmicos y politicos y cmo pueden afectar los sucesos la demanda de productos yb

Glosario Glosarlo

177 177

serVICIOS. Un aspecto de inters es la importancia que asignan los ejecutivos a los servicios. Un aspecto de inters es Ia importancia que asignan los ejecutivos a los

pronsticos cuantitativos, comparados con sus propias opiniones. Este aspecto es en especial participan sucesos que tienen un impacto significativo en demanda. sensible cuando participan sucesos que tienen un impacto significativo en la demanda. Un problema de pronstico cuantitativos datos histricos. problerna de los mtodos de pronstico cuantitativos es que dependen de datos histricos. Quiz por esta razn sean menos efectivos para predecir los Q uizpor esta razn sean menos efectivos para predecir los cambios que a menudo resultan mayor o menor demanda. computadora administradores en una mayor o menor dernanda. La computadora ha auxiliado a los administradores en la auxiliado automatizacin de Ia sensibilidad a cambios agudos en demanda, travs de sistemas autornatizacin de la sensibilidad a cambios agudos en la demanda, a travs de sisternas adaptativos y modelos causales. modelos causales. Los mtodos no formales son tiles por su relativa simplicidad. Estos mtodos Los mtodos no formales son tiles por su relativa simplicidad. Estos mtodos simples tienden ser menos costosos, ms fciles de implementar ms sencillos de simples tienden a ser menos costosos, ms fciles de implementar y ms sencillos de comprender. Con frecuencia, el costo la complejidad los modelos ms sofisticados comprender. Con frecuencia, el costo y la complejidad de los modelos ms sofisticados tienen que cualquier ganancia precisin. motivos, negocios tienen mayor peso que cualquier ganancia en precision. Por estos motivos, los negocios pequeos encuentran prcticos los modelos no formales. Las empresas que no tienen pequeos encuentran prcticos los modelos no formales. Las empresas que no tienen y/o personal capaz estadsticos, prefieren computadoras yb personal capaz de manejar modelos estadIsticos, prefieren tambin los modelos fOll11 a1es. A menudo, los administradores empresas se enfrentan la modelos no formales. A menudo, los administradores de empresas se enfrentan con la necesidad de preparar pronsticos COlio plazo para varios elementos diferentes. Un necesidad de preparar pronsticos a corto plazo para varios elementos diferentes. Un ejemplo clsico el del gerente que debe programar la produccin con base en algn ejemplo clsico es el del gerente que debe prograrnar la produccin con base en algiiin pronstico demanda, para cientos productos distintos, una lnea de produccin. pronstico de dernanda, para cientos de productos distintos, en una lInea de produccin. ltimo, las empresas nuevas que no tienen grandes bases de datos histricos, Por i'iltimo, las empresas nuevas que no tienen grandes bases de datos histricos, encuentran tiles enfoques. tiles estos enfoques. El mtodo de prornedio mvil realiza bien su trabajo de ajuste a los cambios en El mtodo de promedio mOvil realiza bien su trabajo de ajuste a los cambios en econmico los patrones. Es econmico de actualizar y no requiere almacenar muchos datos. Debido a muchos datos. ven de algm modo superadas por altos costos iniciales, los mtodos que estas ventajas se yen de algin modo superadas por altos costos iniciales, los mtodos de promedio mvil se usan con ms frecuencia cuando son necesarios pronsticos de promedio mvil se usan con ms frecuencia cuando son necesarios pronsticos repetidos. La atenuacin exponencial es una tcnica popular cuya fuerza reside en una buena La atenuacin exponencial es una tcnica popular cuya fuerza reside en una buena precisin plazo combinada rpida actualizacin de bajo costo. precision a corto plazo combinada con una rpida actualizaciOn de bajo costo. La tcnica se usa ampliamente cuando se requieren pronsticos regulares mensuales o semanales para cuando requieren pronsticos regulares mensuales o semanales un gran nirn-iero de elementos. La atenuacin expnencial se emplea cuando se requieren gran nmero de elernentos. La atenuaciOn expnencial se emplea cuando se sistemas de inventario que contienen miles de elementos. pronsticos de sistenias de inventario que contienen miles de elementos.

GLOSARIO
Atenuacin exonenciaI Atenuacin exponencial

Es un proceso utilizado para revisar constanternente un pronspara revisar constantemente un pronsla luz de la experiencia ms reciente. tico a Ia luz de la experiencia ms reciente. Promedio mvil encontrando Ia media especfico Promedlo mvil Se obtiene encontrando la media de un conjunto especIfico de valores y usndola despus para pronosticar el siguiente periodo. despus para pronosticar el siguiente periodo. Promedlo simple Se obtiene encontrando la media de todos los valores aplicables y Promedio simple obtiene encontrando la media de todos valores aplicables media para pronosticar el siguiente periodo. empleando despus esa media para pronosticar el siguiente periodo. alguna medicin Comprende el clculo travs del tiempo Seal de rastreo Cornprende el clculo de alguna medicin de error a travs del tiempo establecimiento lmites, de modo que y el establecirniento de lImites, de modo que cuando el error acumulativo rebase dicho el lmite, se alerte al pronosticador. pronosticador. ilmite,

178

mviles atenuacin Promedios mOviles y mtodos de atenuacin

Cap Itulo Captulo 5

FRMULAS CLAVE FORMULAS CLAVE

Modelo no formal Y t+I - Y , ,+1 - Y


Modelo no formal de " Modelo no formal = Y, + (Y, - Y'-l) tendencia Y'+I = Y1 + (Y1 - Y1_1) tendencia

(5.1 ) (5.1)

(5.2)

Modelo no formal de proporcin " Modelo no ~ Yt de cambio Y,+ 1 = Yt Yt+1 = Y, Yt-1 Y'-l Modelo no fomal Modelo no fomal = estacional t+I Modelo no formal de tendencia y estacional Modelo no
t+1

(5.3)
(5.4 ) (5.4)

(Y1 - Y11) +
4

+ (Y3

Y1_4)

(5.5)

Promedio simple

Y1 Y,+ I

tn
Yt+ Y'-l + Y, + Y,i
Y'-2 + ... + + Y,-n+l + ... Yt__n+1

(5.6)

Promedio mvil mvil

Y ,+ 1 = t+1

(5.7)

n n

Promedlo mvil doble Promedio mvil

M1+M,1+M12+"+M
n

- fl +

(5.8) (5.9)
(5.10) (5.10) (5.11) (5.11) (5.12) (5.12) (5.13) (5.13)

a1 = 2M1 b, = n
2 -= 1 (M, - M;) nI (M1M)

Y,+p
Atenuacin exponencial

a1 bp = a, + b,p

Y, Y,+ 1 = aY1 + (1 - a)Yt = aY, + (1 - a)Y,


A1

Atenuacin exponencial doble exponencial doble

aY1 + (1 a)A ~ _ I

A~ = aA1 + (l -A = aA, + (1
a1 = 2A, a, 2A, ,
A~ A

(5.14 ) (5.14) (5.15) (5.15)


(5.16) (5.16)

b = _a_ (A - A') b,=

(A,Ac) 1 - a' ,
b1p

1a

= a1 +

(5.17) (5.17)

Valores iniciales de Ia atenuacin exponencial doble iniciales de la exponencial doble


1- a Aa = aa - - - b a b a

A=a

1a

(5.18) (5.18)

Captulo 5 Capitulo

Problemas

179

A'0=a0-2 a o A 'o = Qo - 21-ab


Modetode Holt A, = aY, + (1 - a)(A,_1 + T,_1) Modelo de Holt A, = aY, + (1 a)(A,_i + T,_l)
T, TI = 13(A,- - A,_1) + (1 -- f3)T,_1 f3(A I A-J) (1 (3)T-J

lab

(5.19) (5.20) (5.21) (5.22) (5.23) (5.24)

Y,+p = A, + PT, Al + pT,


Modelo Modelo de Winter
A, A ,

=a a

lSI_L
S,L
Y

+ (1 -- a)(A,_1 + T,_1) (1 a)(A'_1 T,_I)

T, = /3(A, A_1) + (I - (3)T rT r = f3(A, - - A-J) + (1 - /3)T,11


y :' + (1 - y)SI_L SI = Y __L. + (1 - y)S,_L

(5.25)

= (A, + pT,)S,L,,

(5.26)

PROBLEMAS
1. Qu tcnica de pronstico revisa constanternente una estimacin a la luz de la experiencia ms constantemente una estimacin a Ia luz de Ia ,Qu reciente?

L,Qu tcnica de pronstico usa el valor del periodo actual como pronstico del siguiente 2. Qu tcnica de pronstico usa el valor del periodo actual como el pronstico del siguiente periodo?
3. Qutcnica asigna igual ponderacin a cada observacin? LQ tcnica asigna igual ponderacin a cada observacin?
4. Qu tcnica se debe emplear si los datos tienerl tendencia? emplear si los datos tienen Qu

Qu 5. Qu tcnica se debe emplear si los datos son estacionales? emplear los datos son estacionales?
6. La Apex Mutual Fund invierte principalmente en acciones de tecnologIa. Los valores de posesin tecnologa. fondo final cada de 1994, son los siguientes: neta del fondo al final de cada mes de 1994, son los siguientes:

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

PRECIO DEL FONDO 19.39 18.96 18.20 17.89 18.43 19.98 19.98 19.51 20.63 19.78 21.25 21.18 22.14

180 180
3.

Promedios mOvites y mtodos de atenuacin mviles y mtodos de

Captulo 5 CapItulo

valor del pronstico para la Mutual Fund, para cada mes, empleando un moEncuentre el valor del pronstico para Ia Mutual Fund, para cada mes, enipleando un modelo no formal . .El valor para diciembre de 1993 fue 19.00. delo no fomlal El valor para diciembre de 1993 fue 19.00. Evah'ie el mtodo de pronstico mediante b. Evale el mtodo de pronstico mediante DAM c. Evale el mtodo de pronstico mediante EMC pronstico mediante EMC Evale mtodo d. Evale el nitodo de pronstico mediante PEMA mediante PEMA Evahie mtodo e. Evale el mtodo de pronstico mediante PME pronstico mediante PME Evale mtodo f. Pronostique el precio de la Mutual Fund para enero de 1995. Mutual Fund para enero 1995. Pronostique el precio g. Escriba un mernorando resurniendo sus apreciaciones. un memorando resumiendo sus apreciaciones.

7. Con referencia al problema 6, utilice tin promedio rnvil de tres meses para pronosticar el precio tres meses pronosticar el precio Con referencia al problema 6, utilice un promedio mvil de la Mutual Fund para enero de 1995. Es este pronstico mejor que el fommlado con el este pronstico mej 1995. mtodo no formal? Explique. Explique.
8. Dada la serie siguiente: 8. Dada la serie siguiente:

PERIODO
I 2 3 4
5 5

YI Yt
200 210 215 216 219 220 225 226

Yt Y,

el

100

6 7 8

3.

Cul cs ci pronstico para ci periodo 8, utiiizando un prornedio rnvil de cinco meses? el periodo 8, utilizando un promedio mvil cinco meses? ,Cul es el pronstico b. Si se eniplea una constante de atenuacin de .4, j,cul serla ci pronstico de atenuacin exatenuacin .4, cul sera el pronstico de atenuacin exSi emplea tilla ponencial para el periodo 4? ponencial c. En el apartado b, ,cul seria ci error de pronstico para ci periodo 3? apartado cul sera el error de pronstico para el periodo 3?

9. El rendimniento de un bono de obligacin general de Ia ciudad de Davenport flucti.ia con el 9. El rendimniento de un bono de obligacin general de la ciudad de Davenport flucta con el Las cotizaciones mensuales 1994 son las siguientes: mercado. Las cotizaciones rncnsuaies para 1994 son las siguientes:

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

DEMANDA
9.29 9.99 10.16 10.16 10.25 10.61 10.61 11.07 11.52 11.52 11.09 11.09 1 0.() 10.80 10.50 10.86 10.6 9.97

CapItulo 5 Captulo

Problemas

181 181

a. Encuentre el valor de pronstico del rendimiento de los bonos de obligacion general para Encuentre rendimiento obligacion para cada mes, comenzando por abril, mediante un promedio mvil de tres meses. mediante promedio mvil b. Encuentre el valor del pronostico del rendimiento de los bonos de obligacion general para pronstico rendimiento obligacion general para mes, promedio mvil cada nies, comenzando por junio, mediante un promedio mvil de cinco meses. c. Evale estos mtodos de pronstico mediante DAM Evale mtodos de pronstico mediante DAM d. Evale estos mtodos de pronstico mediante EMC Evale mtodos de pronstico mediante EMC e. Evaliie estos mtodos de pronstico mediante PEMA Evale pronstico f. Evale estos mtodos de pronstico mediante PME Evale mtodos de pronstico mediante PME g. Pronostique el rendimiento para enero de 1995 usando la mejor tcnica. Pronostique rendimiento para enero de h. Redacte un memorando resumiendo sus apreciaciones. memorando resumiendo sus apreciaciones. 10. Esta pregunta se refiere al problema 9. Utilice la atenuacin exponencial con una constante de problema 9. Utilice atenuacin exponencial con una constante Esta pregunta atenuacin de un valor inicial de 9.29, para pronosticar rendimiento 1995. atenuacin de .2 y un valor inicial de 9.29, para pronosticar el rendimiento de enero de 1995. Es este pronstico mejor que el realizado mediante el modelo de promedio mvil? Explique. ,Es este pronstico mejor que el realizado mediante el modelo de promedio mvil? Explique. 11. La Hughes Supply Company utiliza un mtodo de administracin de inventario para determinar administracin determinar las demandas mensuales de varios productos. Se registraron los valores de demanda de las demandas mensuales de varios productos. Se registraron los valores de demanda de los ltimos 12 meses y estn disponibles para pronsticos posteriores. A continuacin se presentan estn disponibles pronsticos posteriores. A continuacin se presentan ltimos los valores de demanda de un dispositivo elctrico, para los 12 meses de 1994: demanda de un dispositivo 12 meses de 1994:

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

DEMANDA

205 25 I 251 304


2X4 24

352 300 30 241 24 2X4 3I2 312 29 2X9 35 3X5 256

Fuente: registros Fuente: registros de Hughes Supply Company.

atenuacin .5 y un valor inicial de 205, Use la atenuacin exponencial con una constante de atenuacin de .5 y un valor inicial de 205, para pronosticar la demanda en enero de 1995. Ia demanda en 1995. 12. La General American Investors Co., una companIa regulada de administracin de inversiones, General American Investors compaa administracin inversiones, invierte principalmente en acciones de calidad media y alta. Jim Campbell est estudiando el Campbell est estudiando el invierte principalmente en acciones de calidad media alta. valor de posesin por accin para esta compaflIa y le gustara pronosticar esta variable para 1993. compaa y le gustarla pronosticar

182

Promedios mviles mtodos de atenuacin Promedios mOviles y mtodos de atenuaciOn

Captulo 5 Capitulo

Los datos son los siguientes: los siguientes:

TRIMESTRE
1

2 18.47 23.85 23.94 19.19 19.80 25.05 26.06 26.69

3 3
17.63 17.63 20.44 24.84 18.97 18.97 22.89 20.33 28.89 28.71

1985 1986 1987 1988 1989 1990 1991 1992

16.98 16.98 21.95 22.75 18.04 18.23 21.50 25.33 27.44

20.65 19.29 16.70 17.03 21.41 20.60 30.60 28.56

The Value Une [nves/men/ Survey (Nueva York: Value Line, 1990, 1993), p. 2096. Fuente: The Value Line Investment Surve,v (Nueva York: Value Line, 1990, 1993), p. 2096.

Calcule el Calcule el valor de posesin por accin utilizando los siguientes mtodos de pronstico: no de posesin por accin utilizando los siguientes mtodos pronstico: fOfilal, promedio mvil atenuacin exponencial. Al coniparar estas tcnicas considere que formal, promedio mvil y atenuacin exponencial. Al comparar estas tcnicas considere que el valor real de posesin por accin para el primer trimestre de 1993 fue de 25.87. Redacte un posesin por accin para el trimestre de 1993 fue 25.87. Redacte valor real informe para Jim indicando el mtodo que debe utilizar y por qu. qu. indicando
Southdown, lnc., el tercer productor de cemento a nivel nacional, 13. Southdown, Inc., el tercer productor de cemento a nivel nacional, est impulsando un programa de querna de combustible de desperdicio. El costo total para Southdown se estima en 37 milloquema combustible de desperdicio. El costo total para Southdown se estirna en 37 millodlares. Por esta razn, es en extremo importante para la compaa tener un pronstico nes de dlares. Por esta razn, es en extremo importante para la cornpaflIa tener un pronstico trimestre de 1993. preciso de utilidades para el segundo trirnestre de 1993. Los datos son: utilidades

TRIMESTRE TRIM ESTRE


1

2
88.8 89.1 185.2 158.4 149.8 136.8 136.1

3 3 92.1 92.4 162.4 160.6 151.7 141.3 138.6

1986 1986 1987 1987 1988 1989 1990 1990 1991 1992 1993

77.4 77.5 74.7 129.1 127.2 103.0 107.3 106.1

79.8 80.1 178.1 138.7 132.9 123.5 123.7

Fuente: The Value Line [nves/men/ Survey (Nueva York: Value Line, 1990, 1993), p. 900. Fuente: The Value Line Investment Survey (Nueva York: Value Line, 1990, 1993), p. 900.

a. Utilice Ia atenuacin exponencial con una constante de atenuacin de .4 y un valor inicial la atenuacin exponencial con una constante atenuacin un valor inicial 77.4 para pronosticar los ingresos por accin para el segundo trimestre de 1993. de 77.4 para pronosticar los ingresos por accin para el segundo trimestre de 1993. b. Utilice ahora una constante de atenuacin de.6 y un valor inicial de 77.4 para pronosticar una constante de atenuacin de .6 y un valor inicial de 77.4 para pronosticar los ingresos por accin para el segundo trimestre de 1993. ingresos accin segundo 1993. c. Estime Ia constante de atenuacin que dar el mejor pronstico. la constante dar el mejor pronstico. d. Cmo es el valor de su pronstico comparado con el de 142 de Va/tie Line? de su pronstico comparado el de 142 de Value Line? Cmo

Captulo 5 CapItulo 5

Problemas

183

14. La Triton Energy Corporation realiza exploraciones y produce petrleo y gas. La presidenta de realiza exploraciones y produce petrleo y gas. la companIa, Gail Freeman, desea que un analista pronostique las ventas por accin para 1993. compaa, Gail Freeman, desea que un analista pronostique las ventas por accin ste pronstico Este ser un pronstico importante, ya que los planes de restructuracin de Triton se encuentran en en un bache. Los datos son:

POR ACCiN DE TRITON, 1974-1992 VENTAS POR ACCION DE TRITON, 1974-1 992

AO AT0 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983

VENTAS POR ACCION ACCIN

AO ARO 1984 1985 1986 1987 1988 1989 1990 1991 1992

VENTAS POR ACCION P0k ACCIN

.93
1.35
1.48 2.36 2.45 2.52 2.81 3.82 5.54 7.16

1.93
5.17 7.72 5.33 8.12 10.65 12.06 11.63 6.58

Fuente: The Value Line Investment Survey (Nueva York: Value Line, 1990, 1993), p. 1848. ValueLine Investmellt Survey (Nueva York: 1990, 1993), p. 1848. Fuente:

Utilice tanto el promedio mvil doble de Brown como Ia tcnica de Holt, para pronosticar 1993. la para pronosticar 1993. Compare los resultados mediante las mediciones apropiadas. Cmo resulta su pronstico Compare los resultados mediante las mediciones apropiadas. ,Cmo resulta pronstico de 8.30 de Value Line? comparado con el de 8.30 de Value Line?

15. La Consolidated Edison Company vende electricidad (82% de sus ingresos), gas (13%) y vapor Consolidated ingresos), (13%) y vapor la (5%) en Ia ciudad de Nueva York y en el condado de Westchester. A Bart Thomas, pronosticador de la compaIa, se le asigna la tarea de pronosticar las utilidades por trimestre para 1993. Los compaa, asigna la tarea de pronosticar las utilidades trimestre 1993. Los datos reunidos son: son:
TRIMESTRE DE CONSOLlDATED EDISON INGRESOS POR TRIMESTRE DE CONSOLIDATED EDISON DLARES), 1985-1992 (MILLONES (MILLONES DE DOLARES), 1985-1992

AO ANO 1985 1985 1986 1986 1987 1987 1988 1989


1990
1991 1992

MARZO 31 31 1441 1414 1284 1327 1387 1494 1479 1456

JUN10 30 JUNIO 30

SEPTIEMBRE 30 1526 1411 1493 1469 1575 1613 1720 1717

DICIEMBRE 31 31 1321 1321 1185 1185


1192 1192 1213 1213
1371 1371

1209 1187 1125 1102 1218 1263 1330 1280

1369 1369 1344 1344 1480

Fuente:The Value Line fllvestment Survey (Nueva York:York: Value Line, 1990, 1993), p. 168. Fuente: The Value Line hwestment Survey (Nueva Value Line, 1990, 1993), p. 168.

Determine Detem1ine la mejor tcnica y formule el pronstico para 1993. y formule el pronstico para 1993.

184

Promedios mviles y mtodos de atenuaciOn mviles y mtodos de atenuacin

Captulo 5 Cap Itulo

CASO DE ESTUDIO 5.1 ESTUDIO S.l

THE SOLAR ALTERNATIVE COMPANY 2 THE SOLAR ALTERNATIVE COMPANY2


La Solar Alternative Company est por iniciar su tercer ao en funcionamiento. La compafila fue fundada compaa por Bob y Mary Johnson, ambos profesores de ciencias en Ia secundaria local. Los Johnson fundaron Johnson, ambos ciencias en la fundaron en sus investiesta empresa para obtener ingresos complementarios a su sueldo acadmico. Con base en sus investigaciones sobre sistemas de energa gaciones sobre sistemas de energIa solar, pudieron armar un sistema solar para calentar agua en el hogar. para calentar el hogar. El sistema consta de un tanque de almacenamiento de 378.5 litros, de fibra de vidrio, dos paneles solares almacenamiento de fibra de vidrio, dos paneles .91 por instalacin. tuberla de .91 por (1.83 metros), controles electrnicos, tubera de PVC y diversas piezas para instalacin. El periodo de vida del sistema es de diez afios. Aunque desde el punto de vista financiero esta vida del sistema es de diez aos. El periodo situacin no representa la novedad situaciOn no representa una oportunidad atractiva de inversin, existe suficiente inters en la novedad oporturiidad atractiva de inversion, para proporcionar un nivel moderado de ventas. Despus de costos y gastos, los Johnson del concepto para proporcionar un nivel moderado de ventas. Despus de costos y gastos, los Johnson de sistema de obtienen alrededor de $75 dlares libres de los $2000 que cuesta un sistema instalado. El costo de dlares libres de los materiales y equipo es del 75% del costo del sistema instalado. Un punto a favor del bajo margen del instalado. Un ganancia de ganancia es que el producto no es lo suficientemente rentable como para tener competencia por parte lo para tener competencia los contratistas calefaccin. Los Johnson tienen el negocio en su casa, con una oficina en el de los contratistas en calefacciOn.Los Johnson tienen el negocio en su casa, con una oficina en ci stano y emplean su cochera en donde cabe solo un automvil, exclusivamente para aimacenar stano emplean su cochera en donde cabe slo un automvil, exclusivamente para almacenar componentes y materiales componentes y materiales del sistema. Como resultado, los gastos adicionales son mInimos. Los Johnson resultado, los gastos adicionales son mnimos. Los Johnson el funcionamiento de la disfrutan de un modesto ingreso complementario por el funcionamiento de la empresa, la cual tambin representa ciertas ventajas de carcter fiscal. ciertas ventajas de carcter fiscal. Bob y Mary estn satisfechos con el crecimiento del negocio. Aunque las ventas varan de un con crecimiento del negocio. Aunque las ventas varlan de un mes a otro, en general el segundo aflo fue mucho mejor que el primero. Muchos clientes en el segundo otro, en general el segundo ao el primero. Muchos clientes en el segundo ao fueron vecinos de personas que compraron el sistema durante el primer ao. Aparentemente, aflo fueron vecinos de personas que compraron el sistema durante el primer ao. Aparentemente, despus de ver funcionar con xito el sistema durante un ao, otros se animaron aaprobar ci concepto funcionar con xito durante un ao, otros se animaron probar el concepto solar. largo del ao. La mayor demanda se presenta al final del verano y solar. Las ventas se suceden a lo largo del ao. La mayor demanda se presenta al final del verano y principios del otoflo, cuando por lo regular la gente hace planes para preparar sus hogares para la principios del otoo, cuando por lo regular Ia gente hace planes preparar hogares temporada de invierno, cuando ernplearn calefacciOn. invierno, cuando emplearn calefaccin. Con el crecimiento anticipado del negocio, los Johnson piensan que necesitan un pronstico de ventas para manejar con efectividad el prximo afio. Por lo regular, toma de 60 aa90 dIas la recepciOn con efectividad el prximo ao. Por lo regular, toma de 60 90 das la recepcin almacenamiento, despus de de los tanques de almacenamiento, despus de hacer el pedido. Los paneles solares estn disponibles el pedido. Los paneles solares estn disponibles de inmediato Ia mayor parte del afio. Sin embargo, al final del verano y durante el otoo el tiempo parte del ao. Sin embargo, al final del verano y durante el la requerido ternlinar llevar 100 das. Aunque existe una competencia requerido para terminar un proyecto puede Ilevar de 90 a 100 dias. Aunque existe una competencia limitada, convertirse en una posibilidad real si se le pide al cliente potencial lirnitada, la prdida de ventas puede convertirse en una posibilidad real si se le pide al cliente potencial espere varios meses para instalarle. Tal importante la hacer proyeccin que espere varios meses para instalarle. Tal vez sea ms importante Ia necesidad de hacer una proyeccin los compras combinar factores con el de ventas para aprovechar los descuentos en compras por volumen. Al conibinar estos factores con el los componentes limitado almacenamiento disponible en la alto costo de los componentes del sistema y el limitado espacio de almacenamiento disponible en la
MES
Enero Febrero Marzo Abril Mayo Junio
2

1993
5 5 6 10 13 18 15

1994 1994
17 17 14 20 23 30 38

MES

1993 23 26 21 21 15 12 14

1994 44 41 33 23 26 17

Julio Agosto Septiembre Octubre Noviembre Diciembre

2 Este caso es una contribucin de William P. Darrow de Ia Towson State University, Towson, Maryland una contribucin William Darrow la Towson State University,

Captulo 5 CapItulo

Caso de estudio

185

cochera, necesari<Hiesarrollar W1 la cochera, hacen necesariodesarro1lar Un pronstico confiable. En Ia siguiente tabla se presenta la historia presenta historia de la compaa en sus dos primeros aos: de ventas de Ia compaIa en sus dos primeros afios:

PREGUNTAS
1. Identifique el modelo que deben emplear Bob y Mary como base en Ia planeacin de su empresa la 1995 y exponga por qu se eligi dicho modelo. en 1995 y exponga por qu se eiigi dicho modelo. 2. Pronostique las ventas para 1995. 1995.

ESTUDIO 5.2 CASO DE ESTUDIO 5.2

MR. TUX MR.


John Mosby, propietario de varias tiendas de renta de ropa de etiqueta Mr. Tux, comienza a pronosticar Mr. Tux, la importante su negocio, ventas mensuales en dlares. (Vanse los casos de Mr. Tux Ia variable ms inlportante de su negocio, ventas mensuales en dlares. (Vanse los casos de Mr. Tux final los cap. al final de los cap. 1 y 2). Una deysus empleadas, Virginia Perot, reuniPerot, reuni los datos dese I 2). Una de sus empleadas, Virginia los datos de ventas que ventas que se el del cap. presentaron en ci caso dcl cap. 2.. Sybil/Rlmner John us el programa Sybil/Runner en el caso de estudio 4.2, para analizar los patrones de los datos. pam Ahora dcsca pronosticar por mcdio de las tcnicas de promedio mvil y de atenuacin exponencial. desea medio de promedio mvii y de atenuacin exponencial. Comienza pidiendo al programa que pronostique mediante atenuacin exponencial simple. El pronostique mediante exponencial simple. El progrania le indique la constante de atenuacin (a) a programa Ic pide que indique la constante de atenuacin (a) a utilizar, o que indique si desea que calcule el valor ptimo. John hace esto ltimo y el programa encuentra que el valor ptimo de aes .400. ci ptimo. John hace esto iiltirno y el programa encuentra que el valor ptimo de aes .400. programa rcsmenes de mediciones de error. El progrania calcula tambin varios resiinienes de mediciones de error. Estos valores resumen eirores reales de los datos histricos, mediante el mtodo de atenuacin los errores en Ia prediccin de valores reales de los datos histricos, mediante el mtodo de atenuacin la prcdiccin dc exponencial simple en donde a = .400. John decide registrar tres mediciones de error que son: exponencial simple en donde a .400. John decide registrar tres mediciones de

DAM = 281.66 DAM = 281.66


PME = -5.0% = PME = 5.0% PEMA = 24.0% = PEMA = 24.0%
La desviacin absoluta media (DAM) es el error promedio en que se incurre al pronosticar valores absoluta media (DAM) es error promedio pronosticar valores porcent'e medio de error (PME) indica un ligero sesgo. El PEMA indica que ci error anteriores. anteriorcs. El porcentaje medio de eiTor (PME) indica un ligero sesgo. El PEMA indica que el error promedio es de 24 l Yo de los valores reales, una cifra que John encuentra ms bien elevada. 24% de los valores reaics, una cifra que John encuentra elevada. A continuacin, John pide al programa que aplique a sus datos la atenuacin exponencial de Holt. sus datos Ia atenuacin exponencial Holt.

Este programa utiiiza ci mtodo dc atcnuacin exponencial, pero puede tambin contemplar una programa utiliza el mtodo de atenuacin exponencial, puede tambin contemplar una
De nuevo, John hace que el programa las constantes a tendencia en los datos. Dc nuevo, John hace que el programa calcule las constantes ptimas a utilizar en Ia actualizacin dc Ia serie y la tendencia. Dichos valores resultan ser a = .167 y /3 = .001. Los tres la la scrie y Ia tcndcncia. Dichos valores resultan ser a = .167 Y fJ = .001. Los tres resmenes el restimcnes de medicin de error, para ci mtodo de Holt, son

= DAM ==245.84 DAM 245.84


PME = -6.1% = PME =-6.1% PEMA = 18.8% = PEMA = 18.8%
El siguicntc mtodo que prueba Jolm es la atenuacin exponencial de Winter. Este mtodo puede John cs Ia atenuacin exponencial de Winter. Este mtodo puede siguicnte tomar en cuenta tanto Ia tendencia como los factores estacionales, y da por resuitado las siguientes cuenta tanto la tendencia como los factores estacionales, y da por resultado las siguientes constantes de atcnuacin: a = .333, /3 = .667, y = .333. Las medicioncs de error son constantes de atenuacin: a = .333, fJ .667, r = .333. Las mediciones de eiTor son

DAM 334.52 = DAM ==334.52 PME -4.6 % = PME =-4.6%


=

PEMA = 22.6 % PEMA = 22.6

186

Promedios mOvfles y mtodos de atenuacin mviles y mtodos de atenuacin

Captulo 5 Capitulo

Por ltimo, John da instrucciones al programa para utilizar un promedio mvil de tres meses ultirno, John da instrucciones at programa para utilizar un promedio mvil de sobre sus datos. Las mediciones de error para este modelo son

DAM = 288.58 DAM = 288.58 PME =0.6% PME = 0.6 % PEMA =8.9% PEMA = 8.9 %
Al comenzar el estudio de los resultados de su aniisis, John se desilusiona con los resultados resultados su anlisis, 10hn se desilusiona con los resultados obtenidos. Esperaba que alguno de los mtodos le diera pronsticos precisos de los periodos anteriores: entonces podra usar ese mtodo para pronosticar los niveles de ventas de los meses por venir del entonces podrIa usar ese mtodo para pronosticar los niveles de ventas de los meses por venir del de estos mtodos prximo ao. Pero los errores prornedio (DAM) y los porcentajes de error (PEMA) de estos nitodos promedio lo llevan a buscar otra forma de pronstico. Ilevan

TAREA
1. Resurna el nivel de error para ci mejor mtodo encontrado por John mediante el programa ReslID1a el nivel eITor para el mejor mtodo encontrado por 10hn mediante el programa Sybil/Runner.

,Cul es 2. Cul es el valor ideal del PME a! utilizar cuaiquier mtodo de atenuacin exponencial? PME al utilizar cualquier ,Cuai es el significado signo negativo el PME? 3. Cual es ci significado de un signo negativo en el PME? ,Est 4. Est usted de acuerdo con la decepcin de John respecto a sus resultados? acuerdo con la decepcin de 101m respecto a sus resultados?

CASO DE ESTUDIO 5.3 ESTUDIO 5.3

CONSUMER CREDIT COUNSELING CREDIT COUNSELING


Consumer Credit Counseling (CCC) se describi en los caps.l (caso de estudio .2) y La operacin de Consumer Credit Counseling (CCC) se describi en los caps. I (caso de estudio 11.2) y 3 (caso de estudio 3.4). ejecutivo Marv Harnishfeger, lleg a la conclusin de que la variable ms importante El director ejecutivo Mary Harnishfeger, iieg a Ia conclusion de que Ia variable ms importante requera el nmero de que requerla pronosticar CCC era ci niimero de nuevos clientes por atender en el resto de 1993. Marv en ci resto Mary proporcion a Dorothy Mercer los datos mensuales de nuevos clientes atendidos por CCC en el periodo de 1993. Vase caso de estudio 4.3. En ese caso de estudio, Dorothy emple el anlisis de enero a marzo de 1993. Vase caso de estudio 4.3. En ese caso de estudio, Dorothy empleO ci aniisis autocorrelacin explorar el patrn de datos. Con base en de autocorreiacin para explorar el patrOn de datos. Con base en los resultados de esta investigacin:

TAREA
Desarrolle l. Desan'olle un modelo no formal para pronosticar ci nuimerode clientes a atender por CCC en el formal el nmero de clientes a atender por CCC en el resto de 1993. de 1993.
2. Desanolle un modelo de promedio mOvil para pronosticar el nmero de clientes a atender por Desarrolie un modelo promedio mvil para pronosticar el niimero de clientes a atender por el resto de 1993. CCC en ci resto de 1993. clientes a atender 3. Dcsarroile un modelo dc atenuaciOn cxponenciai para pronosticar ci nuirnero de ciientes a atender Desarrolle lID modelo de atenuacin exponencial para pronosticar el nmero el resto de 1993. por CCC en cl resto dc 1993. 4. Evaluicestos modelos mediante las tcnicas de medicin de eITor de pronstico que se Evale estos modelos mediante las tcnicas de medicin dc error de pronstico que se presentaron en ci cap. 4. el cap. 4.

Captulo 5 CapItulo

Caso de estudio

187

5. Elija el mejor modelo y formule ci pronstico para el resto de 1993. mejor modelo y fom1Ule el pronstico resto de 1993.

Determine por qu adecuado mtodo 6. Determine por qu es adecuado el mtodo de pronstico que eiigi. pronstico que eligi.

CASO DE ESTUDIO 5.4

PROYECCIN DE INGRESO QUINQUENAL PROYECCION DE INGRESO QUINQUENAL PARA DOWNTOWN RADIOLOGY PARA
Downtown Radiology est desarrollando el centro nidico de inigenes rns completo y tecnolgicamdico imgenes ms tecnolgicamente avanzado que cualquier otro ubicado en el area. El equipo que se planea para el centro ser igual cualquier rea. o superior a las instalaciones de imgenes de todos los centros medicos de la region. El centro tendr mdicos regin. tendr un digitalizador para tomografia computarizada CT serie 9800 y un equipo nuclear de imgenes por digitalizador para tomografia computarizada CT serie 9800 y un equipo nuclear de imgenes por resonancia magntica (MRI). Tambin incluir ultrasonido, medicina nuclear, angiografia por sustracTarnbin incluir ultrasonido, medicina nuclear, angiografia por sustraccin digital (DSA), equipo de mamografia y equipo convencional de radiologIa y fluoroscopa. Se mamografia convencional de radiologa y fluoroscopla. Se cin digital (DSA), equipo ofrecern membresas ofrecern membreslas mediante alguna forma de oferta pOblica, y Downtown desea una evaluaciOn oferta pblica, y Downtown evaluacin independiente del mercado, para lo cual solicit aaProfessional Marketing Associates, Inc., una independiente del mercado, para lo cual solicit Professional Marketing Associates, Inc., una evaluacin del mercado asI como una proyeccin de ingresos para cinco aos. as corno una proyeccin de ingresos para cinco aos.

ENUNCIADO DEL PROBLEMA


El propsito de este estudio consiste en pronosticar los prximos cinco ai'os para el centro mdico de prxirnos cinco aflos para ci centro medico de imgenes propuesto.

OBJETIVOS OBJET! VOS


del son Los objetivos del estudio son

Identificar areas de mercado para cada tipo de servicio a ofrecer por las nuevas instalaciones. reas las instalaciones. Reunir y analizar los datos existentes sobre ingresos en el area de mercado para cada tipo de el rea servicio a ofrecer por las nuevas instalaciones. ofrecer por las nuevas instalaciones.

Identificar las tendencias en la industria de atencin aa la salud, que afecten positiva o Identificar las tendencias en Ia industria de atencin la salud, que afecten positiva
negativamente servicios proporcionar por las nuevas instalaciones. negativarnente los ingresos por los servicios a proporcionar por las nuevas instalaciones. Identificar, en la planeacin del nuevo riesgo, factores en empresas, comercializacin o Identificar, en Ia planeacin dcl nuevo riesgo, factores en empresas, comercializacin o instalaciones, impactaran negativamente instalaciones, que inipactarian positiva o negativarnente las proyecciones de ingresos. Analizar los servicios anteriores de Downtown Radiology como una base de datos para el Analizar los servicios anteriores de Downtown Radiology como una base de datos para ci pronsticos desarrollar. modelo de pronsticos a desarroliar. Utilizar el modelo apropiado pronstico cuantitativo para liegar las proyecciones Utilizar el modelo apropiado de pronstico cuantitativo para llegar a las proyecciones de cinco aos de ingresos para ci centro propuesto. de ingresos para el centro propuesto.

METODOLOGIA Procedimientos P roced irn ie n to s


se Con ci propsito de formular Ia proyeccin de cinco aflos de ingresos, se implementaron los siguientes el la aos de pasos: se realiz un anlisis del nOmero de servicios anteriores. Sc desarroliO el mtodo apropiado de anlisis del nmero anteriores. Se desarroll ci mtodo pronstico y se utiliz para determinar un punto de partida para Ia proyeccin de cada servicio. la

188 188

Promedios mOviles y mtodos de atenuacin mviles y

Captulo 5 Cap Itulo 5

1. Se determin el area de mercado para cada tipo de servicio y se obtuvieron pronsticos de mercado cada tipo de servicio y se obtuvieron pronsticos de Se detennin el rea poblacin para 1986 y 1990. 1986 y 1990. 2. Se estudiaron patrones de referencias de doctores, para determinar ci ni:imero de doctores que referencias doctores, detenninar el nmero de doctores Se estudiaron patrones enviaban pacientes a Downtown Radiology, as como el nmero de pacientes que envi cada envi cada enviaban pacientes a Downtown Radiology, asI como ci nmero de doctor. 3. Se obtuvieron cifras del National Center for Health Statistics. Estas estadIsticas se compararon for Health Statistics. Estas estadsticas se compararon nmeros reales obtenidos de la comisin del hospital. con nmeros reales obtenidos de Ia comisin del hospital. 4. La participacin en el mercado de Downtown Radiology se calcui con base en tomografias participacin el mercado de Downtown Radiology calcul con base en tomografias computarizadas reales en el rea de mercado (la participacin en el mercado para otros servicios reales area mercado participacin en ci mercado otros servicios detennin en la participacin Downtown Radiology, comparada con se determin con base en Ia participacin de Downtown Radiology, comparada con las cifras proporcionadas por ci National Center for Health Statistics). el National Center for Health Statistics).

Suposiciones
el cuantitativo, fonnular Se hicieron las Para desarrollar ci pronstico cuantitativo, fue necesario formular ciertas suposiciones. Sc hicieron las siguientes: El nuevo centro de imgenes estar funcionando con todo el equipo, excepto del de MRJ, para El centro de imgenes estar funcionando con todo ci equipo, excepto del de MRJ, para el1 de enero de 1985. eli de enero de 1985. El equipo nuclear de imgenes por resonancia magntica (MRI) estar funcionando en abril de (MRJ) funcionando en abril de El 1985. menos para 50 mdicos en el La oferta de sociedad limitada tendr un mercado exitoso por lo menos para 50 medicos en ci area rea de servicio.

inters econmico en ci nuevo centro de imgenes, incrementarn Los doctores quienes tienen inters econmico en el nuevo centro de imgenes, incrementarn el nmero de pacientes que envIan al centro. envan ci nmero
MRJ el rea servico antes de 1987. No habr otros equipos MRI en ci area de servico antes de 1987.

El nuevo centro de imgenes ofrccer servicios a precios menores que la competencia. ofrecer servicios a precios menores que la competencia. Se llevar a cabo un esfuerzo efectivo de comercializacin, con una concentracin especial en y sindicatos. nmero empresas con gran nilmero de empleados, grupos de aseguradoras y sindicatos. Durante los primeros seis meses de funcionamiento, ci equipo MRT sustituir aproximadamente el MRJ sustituir aproximadamente ci 60% de los estudios de tomografia de la cabeza, que actualmente se hacen con ci equipo CT, el el el 12 siguientes. y absorber ci 70% en los 12 meses siguientes. mantener los El pblico en general seguir presionando a Ia industria de atencin a la salud, para mantener los pblico presionando a la precios bajos.

ala salud se 13.2% anualmente entre 1971 El costo de imgenes en la industria de atencin a la salud se elev 13.2% anualmente entre 1971 1981. La Health Care Financing Administration la incremento y 1981. La Health Care Financing Administration estima que ia tasa promedio de incremento anual se reducir aproximadamente a 11 o 12% entre 1981 y 1990 (Industry Surveys, abril de reducir aproximadamente 11 o 12% entre 1981 y 1990 (Industry Surveys, abril de 1984).
Las compaIas ascguradoras remboisarn a los pacientes entre el 80 y el 100% dcl costo de compaas aseguradoras rembolsarn a los pacientes entrc ci 80 y ci del News, imgenes de resonancia magntica (Imaging News, febrero de 1984). dc

Captulo 5 CapItulo

Caso de estudio
1800

189

1700 1600 1500 1400 1300 ;..:: 1200 <

J,

~ 1100
1000

.900 900
800

700 600 600

5.4 Figura 5.4


Rayos-X por mes, julio de 1981 a mayo de 1994. RayosX por mes, julio de 1981 a mayo de 1994.

500 ' - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Modelos
Se desalToll un pronstico para cada servicio con base en Ia experiencia anterior, las cifras de la desalTol1 un pronstico para cada servicio con base en la experiencia anterior, las la industria y suposiciones razonables. Debido aa que los modelos se desarrollaron basados en las desalTol1aron basados las industria y suposiciones razonables. Debido que los modelos suposiciones antes mencionadas , Si eStaSno son vlidas, los modelos no sern precisos. mencionadas, si stas no son vlidas, los modelos no sern precisos.

ANLISIS DE DATOS ANTERIORES ANALISIS

Rayos-X RayosX
Se analiz el ntU11ero de servicios de rayos-Xrealizados entrejulio de 1981 y mayo de 1984. Los datos analiz el nimero servicios de rayosX realizados entre julio de 1981 y mayo de 1984. comprenden rayos-X de diagnstico, rayosX gastrointestinales, imgenes del pecho, inyecciones y comprenden rayosX de diagnstico, rayos-X gastrointestinales, imgenes del pecho, inyecciones y procedimientos especiales. Los datos se presentan en la fig. 5.4. El examen de estos datos indica que procedirnientos especiales. Los datos se presentan en Ia fig. 5.4. El no estn presentes patrones de tendencia, cclicos o estacionales. Por esta razn, se eligi como mtodo ciclicos razn, se eligi corno mtodo apropiado de pronstico, la atenuacin exponencial. Se examinaron varios factores de atenuacin y se encontr que el mejor modelo lo proporcionaba una constante de atenuacin de .3. Este valor significa proporcionaba una constante de atenuacin de .3. Este valor significa que las observaciones histricas ms recientes recibieron una ponderacin de .3 y que al resto de la serie .3 ponderacin serie Ia tabla 5.11. El histrica se asign una ponderacin de .7. Este modelo se presenta en la tabla 5.11. El pronstico para junio de 1984 es de 855 servicios de rayos-X. es de 855 servicios de rayosX.

Ultrasonido
Se analiz el nmero de servicios de ultrasonido efectuados entre julio de 1981 y mayo de 1984. La fig. el niimero de servicios de ultrasonido efectuados entrejulio 1981 fig. 5.5 muestra el patrn de datos. Tampoco aqu se aprecia la presencia de un patrn de tendencia, cIclico cclico n-iuestra el patron de datos. Tampoco aquI se aprecia Ia presencia de un patron o estacional. De nuevo se determinO que el mejor modelo era el de atenuacin exponencial con un factor determin que el mejor modelo era el de atenuacin exponencial

190

Promedios mviles y mtodos de atenuacin Promedios mOviles y mtodos de atenuaciOn

Captulo 5 Cap Itulo

TABLA 5.11 TABLA 5.11

ATENUACION EXPONENCIAL ATENUACiN EXPONENCIAL


DATOS POR ATENUAR: RAYOS-X ATENUAR: DATOS

FACTOR DE ATENUACION = .3 ATENUACIN =


PERIODO
19
20
21

PERIODO
1 1

RAYOS-X
1,072.00 953.00 1,157.00 1,800.00 1800.00 1,085.00 837.00 1,301.00 1,262.00 977.00 937.00 780.00 873.00 808.00 796.00 752.00 901.00 978.00 770.00

VALOR ATENUADO 1,072.00 1,036.00 1,036.00 1,072.51 1,290.76 1,229.03 1,111.42 1,168.29 1,196.41 1,130.58 1,072.51 1.072.51 984.76 951.23 908.26 874.58 837.81 856.77 893.14 856.20

RAYOS-X
882.00 794.00 946.00 848.00 785.00 779.00 636.00 846.00 712.00 767.00 719.00 689.00 804.00 796.00 910.00 849.00 932.00

VALOR ATENUADO
863.94 842.06 873.87 873.87 866.11 841.78 822.94 766.85

2 2
3 3 4 5 5 6 7 8 9 10 11 11 12 13 14 15 16 17 18

22
23

24 24
25

1,168.29

26 26
27

28

29 30 31 32 33 34 35

790.60 767.02 767.02 752.61 752.61 733.53 754.67 767.07 809.95 821.66 854.76

140

135 130 125 120


'C

o 115 a 115

.9 110 "3 g 105


8 8

5 ., .g .8 ' 8 .,

lOO 100
95

90 90

fJ 5

85
80 80

65 65 70 70
60

75 75

Figura 5.5. 5.5.

Ultrasonidos en consultorio por mes, julio de 1981 a mayo de 1984. 1981 mayo de 1984. Ultrasonidos en consultorio por mes, julio

Capitulo Captulo 5

Caso de estudio estudlo

191 191

TABLA 5.12 ATENUACION EXPONENCIAL 5.12 ATENUACiN EXPONENCIAL

DATOS POR ATENUAR: ULTRASONIDOS EN CONSULTORIO DATOS ATENUAR: ULTRASONIDOS CONSULTORIO


PERIODO PERlODO 1
1

FACTOR DE ATENUACION = .3 ATENUACIN .3

VALOR ULTRASONIDOS ATENUADO ULTRASONIDOS ATENUADO 94.00 108.00 108.00 107.00 107.00 I03.00 103.00 77.00 111.00 111.00 84.00 83.00 78.00 82.00 88.00 79.00 79.00 80.00 86.00 88.00 105.00 105.00 96.00 94.00 98.20 100.84 101.49 101.49 94.14 99.20 94.64 91.15 87.20 85.64 86.35 84.14 82.60 81.82 83.07 84.55 90.69 92.28

PERlODO PERIODO
19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

VALOR ULTRASONIDOS ATENUADO


123.00 123.00 111.00 111.00 134.00 134.00 122.00 122.00 91.00 103.00 103.00 79.00 111.00 111.00 77.00 92.00 95.00 114.00 114.00 97.00 89.00 120.00 120.00 117.00 117.00 142.00 142.00 101.50 104.35 113.24 115.87 108.41 106.79 98.45 102.22 94.65 93.86 94.20 100.14 99.20 96.14 103.30 107.41 117.79

2 3 4 5 6 7

8 9
10 II 11 12 13 14 15 15 16 17 18

de atenuacin de .3. La tabla 5.12 niucstra qtie ci pronstico para junio de 1984 es de 118 servicios de tabla 5.12 muestra que el 1984 118 servicios de ultrasonido. Se analiz Se anaiiz el nmero de servicios de ultrasonido realizados por las dos unidades mviles nmero de servicios de ultrasonido realizados por las dos unidades mviles propiedad de Downtown Radiology, en el periodo de julio de 1981 a mayo de 1984. En Ia fig. 5.6 se Radiology, en ci periodo dejulio de 1981 a mayo de 1984. En la fig. 5.6 se
270 270 260 260 250 240 240 230 230 o . 220 220

210 210 200 8 200 190 5 190 180 '" 180 -

-8 170 170 ' 160 160

:3 140 140
130 130
120

150 150 -

110 100 ' - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

5.6 Figura 5.6

Ultrasonidos fuera de consultorio por mes, julio de 1981 a mayo de 1984. Ultrasonidos fuera de consultorio por mes, julio de 1981 mayo de 1984.

192
170 170 160 160 150 140 . 130 1 130 "3 120 110 tOO ~ 100 "';:' 90 = 80 ... 70 ..@ 60 .u C : 50 50 C ~ 40 '(3 Q ~ 30 20 10 10
C o

mviles y mtodos de atenuacin Promedios mviles y mtodos de atenuaciOn

Cap itulo Captulo 5

::s

OL-.-l.----.L..---l..----.JL-..l...---I.----l..----.J_..l...---I.----l..----.J_..l...----L----L---.I-.L----L----L---.I----'

3 3

4 4

6 6

7 7

8 8

9 9

10 10

11 11

12

13

14

15 15

16 16

17

18 18

19 19

20 21 21

22 17 22

Figura 5.7 Figura 5.7

Medicina nuclear fuera de consultorio por mes, agosto de 1982 a mayo de 1984. fuera 1982 a mayo de 1984.

patron datos. En apariencia, una tendencia creciente se puede nioderar muestra el patrn de datos. En apariencia, existe una tendencia creciente que se puede moderar mediante el mtodo de atenuaciOn exponenciallineal de dos parmetros, de Holt. Se emplean las constantes de atenuacin exponencial lineal de dos parmetros, de Holt. Se emplean las constantes de atenuacin a= .37 y f3 = .18; el pronstico parajlmio de 1984 es de 226. atenuacin a= y /3 = .18; ci pronstico parajunio de 1984 de

Servicios de Servicios de medicina nuclear


Se analiz el nmlero de servicios de medicina nuclear prestados por las unidades niOviles propiedad mviles propiedad anaiizO el nrnero de servicios de niedicina de Downtown Radiology, entre agosto de 1982 y mayo de 1984. La fig. 5.7 muestra ci patrOn de datos. de 1982 y mayo de 1984. La fig. 5.7 muestra el patrn de datos. Los datos no son estacionales y no presentan patrn de tendencia o cclico. Por este motivo, se escogi patron de tendencia ciclico. Por este motivo, se escogi

TABLA 5.13 5.13

ATENUACiN EXPONENCIAL ATENUACION EXPONENCIAL FACTOR DE ATENUACIN


= .3 .3

POR ATENUAR: MEDICINA NUCLEAR DATOS POR ATENUAR: MEDICINA NUCLEAR

FACTOR

PERIODO
14

VALOR SERVICIO FUERA DE CONSULTORIO ATENUADO DE CONSULTORIO ATENUADO


167.00 78.00 64.00 65.00 37.00 48.00 58.00 104.00 41.00 39.00 21.00 167.00 140.30 140.30 117.41 117.41 101.69 82.28 72.00 67.80 78.66 67.36 58.85 47.50

PERIODO

SERVICIO FUERA FUERA CONSULTORIO DE CONSULTORIO


29.00 49.00 56.00 44.00 14.00 14.00 24.00 36.00 41.00 65.00 19.00 19.00 61.00

VALOR ATENUADO
41.95 44.06 44.06 47.64 47.64 46.55

15 15
16 17 18 19 20 21 22 23 24

25 26 27 28 29 30 31 32 33 34 35

36.79 32.95 33.87 3H7 36.01 44.70 36.99 44.19

Captulo 5 CapItulo

Caso de estudio

193

.3 la atenuacin exponencial como el mtodo apropiado de pronstico. Se encontr que un factor de .3 corno el mtodo apropiado de pronstico. Se encontr daba el mejor modelo. Este modelo se presenta en la tabla 5.13. El pronstico de servicios de medicina servicios de medicina parajunio de 1984 nuclear parajunio de 1984 es de 44.

Tomograflas Tomografias computarizadas


el nmero de tomografias practicadas Se analiz tambin el nt'irnero de tomografias practicadas en el periodo de juliode 1981 a mayo de 1984. periodo dejulio de 1981 a mayo de 1984. Los datos se presentan en Ia fig. 5.8. No se encontr estacionalidad y no parece haber tendencia en el la fig. nmero de tomografias. Sin embargo, parece haber un patrn cclico. Sera importante conocer cuntas conocer cuntas nuimero de tomografias. Sin embargo, patron cIclico. SerIa 350 350 340 3401

"O -

.~

280 280270270 '[ 260260


1:3

330 330 320 320 310 310 300 300 290 290 -

E 250 250 0
0 240 ~ 240
~
C':l

230230 200200
190 190 180 180 \70 170 160 160 150 ' - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 150

E-

~ 220220 210210 0

Figura 5.8 Tomografias computarizadas por mes, julio de 1981 a mayo de 1984. 5.S Tomografias computarizadas por mes, julio de 1981 1984.
tornografias se realizaron el mes pasado para ci pronstico de lo que suceder este mes. Se examin un para el de suceder este mes. Se examin un tomografias el autolTegresivo (caps. 9 y 10) y se compar con un modelo de atenuacin modelo autolTegresivo (caps. 9 y 10) Yse compar con un modelo de atenuacin exponencial con una constante de atenuacin de .5. Una constante de atenuaciOn ms grande asigna mayor ponderaciOn en atenuacin de .5. Una constante de atenuacin mayor ponderacin el pronstico a las observaciones ms recientes. Se determin que era el mejor modelo y la tabla 5.14 muestra que la proyeccin del nOmero de tomografias para junio de 1984 es de 223. del nmero de tomografias parajunio de 1984 es de 223.

ANALISIS DEL AREA DE MERCADO ANLISIS REA DE MERCADO


Se determinaron las areas de mercado para los servicios que presta actualmente Downtown Radiology, detem1inaron las reas de mercado para los actualmente Downtown Radiology, exaniinando los registros de pacientes y los patrones de referencia de los doctores. Las reas de mercado areas examinando los registros de pacientes y para los servicios que no presta Downtown Radiology en Ia actualidad, se determinaron investigando la a Ia competencia y analizando las areas geogrficas que atienden. la reas

rea de mercado para tomografias computarizadas mercado para tomografias computarizadas Area
El rea de mercado para tomografias computarizadas del centro mdico de imgenes propuesta, incluye area del centro medico de imgenes propuesta,

los condados de Spokane, Whitman, Adams, Lincoln, Stevens y Pend Oreille en Washington y los condados Spokane, Whitman, Adams, Lincoln, Stevens y Pend Oreille en Washington y condados de Bonner, Boundaiy, Kootenai Benewah y Shoshone en Idaho. Con base en Ia proyecciOn Boundary, Benewah Shoshone en Idaho. Con base en la proyeccin

194
TABLA 5.14 5.14

mviles Promedios mOviles y mtodos de atenuacin


ATENUACiN EXPONENCIAL ATENUACION EXPONENCIAL

Captulo 5 Capitulo

DATOS POR ATENUAR: TOMOGRAFIAS COMPUTARIZADAS TOMOGRAFAS COMPUTARIZADAS DATOS

FACTOR DE ATENUACION = .3 ATENUACiN = FACTOR

TOMOGRAFIAS TOMOGRAFAS

VALOR

PERIODO COMPUTARIZADAS ATENUADO PERIODO COMPUTARIZADAS ATENUADO


I 1 2 3 3 4 5 5 6 7 8 9 10 II 11 12 13 14 14 15 16 16 17 18

VALOR TOMOGRAFAS TOMOGRAFIAS PERIODO COMPUTARIZADAS ATENUADO PERIODO COMPUTARIZADAS ATENUADO


19 20 21 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

238.00 250.00 214.00 344.00 236.00 266.00 248.00 261.00 322.00 327.00 312.00 297.00 299.00 272.00 279.00 322.00 276.00 320.00

238.00 244.00 229.00 286.5() 286.50 261.25 263.63 255.81 258.41 290.20 308.60 310.30 303.65 301.33 286.66 282.83 302.42 289.41 304.60

277.00 244.00 253.00 234.00 199.00 190.00 190(X) 187.00 226.00 190.00 151.00 201.00 166.00 166.0() 210.00 191.00 191.00 226.00 207.00 238.00

290.80 267.40 260.20 247.10 223.05 206.53 196.76 211.38 200.69 175.85 188.42 177.21 193.61 192.30 209.15 208.08 223.04

los porcentajes cOITespondientes, el rea de mercado para tomografias computarizadas de los porcentajes correspondientes, ci area de niercado para tomografias computarizadas tendr en 1985 una 1985 una poblacin de 630 655 personas y en 1990, 696 018 personas. de 630 655 personas yen 1990, 696 O18 personas.

Estimaciones cuantitativas cuantitativas


proyectar los ingresos es necesario determinar ciertas estimaciones Para proyectar los ingresos es necesario determinar ciertas estimaciones cuantitativas. La estimacin ms importante comprende el nmero de doctores que participarn en la sociedad limitada. La ms importante cornprende el niiniero de doctores que participarn en Ia sociedad limitada. La estimacin utilizada en clculos posteriores es que participarn por lo menos el 8% de Ia poblacin de la estirnacin doctores dcl condado de Spokane. del La siguiente incertidumbre que debe cuantificarse comprende Ia determinacin de cmo se siguiente inceltidumbre que cuantificarse comprende la determinacin de se afectar ci patron de referencias con Ia participacin de 50 doctores en la sociedad limitada. Se supone el patrn la participacin de 50 doctores en la sociedad limitada. Se supone que 30 de los doctores que actualmente envIan pacientes a Downtown Radiology, se unirn aaIa socicdad dc actualmente envan pacientes a Downtown Radiology, se unirn la sociedad De limitada. Dc los 30 que se adhieren, se suporic quc 10 no incrementarn sus referencias y que los otros sc adhicren, supone que incremcntarn 20 las dup1icarin. Tambin se supone que 20 doctores quc nunca han enviado pacientcs a Downtown duplicarn. Tambin se supone que 20 doctores que nunca han enviado pacientes la Radiology se unirn a la sociedad limitada y comenzarn a enviar por lo menos Ia mitad de su trabajo limitada y comenzarn a dc su trabajo a Downtown Radiology. La cuantificacin de referencias adicionales de doctores sc aclarar con algunas obscrvaciones se con algunas observaciones nmero de 50 doctores que se unirn a la sociedad limitada es conservador. Hay cualitativas. El nOmero de 50 doctores que se unirn a Ia sociedad limitada es conservador. Hay una fuerte posibilidad de que se unan doctores de areas fuera dcl condado de Spokane. Tradicionalrnentc, reas del Tradicionalmente, fucrte posibiiidad de sbita el patrn ci patron de referencias de los doctores cambia muy lentamente. Sin embargo, es probable que la sObita naturaleza competitiva dcl mercado tenga un impacto en las referencias mdicas. Si Ia sociedad limitada competitiva del tenga impacto Si la cspccialidades un potcncial refcrencias ci niimero se ofrece a doctores con especialidades con 1m alto potencial de referencias radiolgicas, el nmero de

Captulo 5 CapItulo

Caso de estudio

195

se ms nmero referencias se incrementar ms de lo proyectado. Es muy amplia la variabilidad en el ntimero Ia

de referencias de doctores por servicio. Pocos doctores abarcan un gran porcentaje de los servicios de abarcan Radiology, Downtown Radiology, si se recluta un nuevo nmero reducido de doctores con un alto porcentaje nuevo nmero reducido de doctores con un alto porcentaje lograra en el nmero total de servicios prestados por Downtown. de referencias, se lograria un gran efecto en el nmero total de servicios prestados por Downtown.

ltimo, debe imgenes, la Por ltimo, se debe estimar el efecto que tendr el nuevo centro de imgenes, en Ia participacin de Downtown Radiology en el mercado. El nuevo centro tendr el mejor participacin de Downtown Radiology en el mercado. El nuevo centro tendr el mejor equipo estar preparado efectuar todo espectro servicios menor costo. El equipo y estar preparado para efectuar todo el espectro de servicios a menor costo. El

nmero nmero de nuevos doctores que enviarn pacientes aumentar con base en la comunicacin doctores que enviarn pacientes aumentar base en la comunicacin verbal de los nuevos doctores que inviertan. Si se formulan convenios entre el nuevo centro fonnulan y las compafilas de seguros, las empresas con un gran nmero de empleados yb los las compaas seguros, empresas con un gran nmero de empleados y/o sindicatos, Downtown podrIa incrementar su participacin en ci mercado sindicatos, Downtown podra incrementar su participacin en el mercado por lo menos en 4% en 1985, 2% en 1986 y 1% en 1987, reteniendo esta participacin en 1988 y 1989. En 1985,2% 1986 y 1% en 1987, reteniendo 1988 1989. En el resto de este informe, se har referencia a este incremento en Ia participacin en el el ci resto de este informe, se har referencia a este incremento en la participacin imagen mercado corno el efecto de irnagen total. como

Proyecciones de ingresos Proyecciones


Se realizaron proyecciones de ingresos para cada servicio. En eSte caso de estudio, solo se presentan de ingresos para cada servicio. En este estudio, slo se presentan las correspondientes a tornografias computarizadas. tomografias

Proyecciones de tomografias Proyecciones de tomografias computarizadas


en el modelo de atenuacin exponencial y Con base en el modelo de atenuaciOn exponencial y en lo sucedido en los primeros cinco meses de lo
1984, ci pronOstico de tomografias computarizadas para 1984 (enero de 1984 enero de 1985) es de 2600. 1984, el pronstico de tomografias computarizadas para 1984 (enero de 1984 aaenero de 1985) es de 2600. El National Center for Health Statistics reporta un Indice de 261 tomografias por cada 100 mu Statistics ndice tomografias por cada 100 mil por mes. Utilizando la poblacin para el rea de mercado habitantes, por mes. Utilizando Ia poblaciOn proyectada de 630 655 personas para el area de mercado tomografias coniputarizadas, el mercado seria de 19 752 servicios en 1985. El nmero real de tomografias computarizadas, el mercado sera de 19 752 servicios en 1985. El nmero real de tomografias computarizadas que se efectuaron en el rea de mercado en 1983, se estimO en 21600. tomografias computarizadas que se efectuaron en el area de mercado en estim estimacin conocimiento real de los Esta estimaciOn se bas en el conocimiento real de los servicios prestados por: Downtown Radiology por: Radiology (4970), Deaconess 300) YKootenai (1 820) as como estima(2600), Sacred Heart (4970), Deaconess (3 850), Valley (2 300) y Kootenai (1 820) asI como estimaciones para Radiation Therapy (2 400) y Northwest Imaging (4 000). Si las estimaciones son precisas, (2 YNorthwest Imaging (4000). Si las estimaciones son precisas, Downtown Radiology tena, en 1983, una participacin el Downtown Radiology tenla, en 1983, una participaciOn aproximada en ci mercado de 10.5%. Tambin se analizaron los valores reales pam 1982, resultando que Downtown Radiology tenla airededor del 15.5% de para tena alrededor del 15.5% de participacin en el mercado de tomografias computarizadas, en ese ao. De ah que se pronostica que tomografias computarizadas, en ese aflo. De ahI que se pronostica que participacin en el mercado 13% del Downtown Radiology prornedia airededor del 13% del mercado. Radiology promedia alrededor Con base en el incremento de referencias de doctores pertenecientes a la sociedad limitada pertenecientes y en un anlisis del nOmero de referencias promedio para tomografias computarizadas, se proyecta, a anlisis del nmero de referencias promedio para tomografias computarizadas, partir de esta fuente, un incremento de 320 tomografIas computarizadas para 1985. Si se emplean tomografas computarizadas para 1985. Si se los valores reales de 1983, la proporciOn para el rea de mercado de tomografas computarizadas 1983, la proporcin para ci area de mercado de tomografias mil habitantes. patrn contina, el nmero de es de 3 568 (21 600/6.054) por cada 100 mu habitantes. Si este patron continua, ci nmero de de 3 568 (21 600/6.054) por tomografias computarizadas en el rea de mercado se incrementar a a 22514(3 568 X 6.31) en tomografias computarizadas en el area de mercado se incrementar 22 514 (3 568 x 6.31)

1985. De ah que se proyecta que la participacin en el mercado de Downtown Radiology 1985. De ahI que se proyecta que la participacin en el mercado de ser del 13% (2 920/22 514) Cuando aumenta al 4% la participacin en el mercado con base del 13% (2 920b22 514) Cuando aumenta al 4% la participacin en el mercado con base Radiology aumenta en la suma total de imgenes, la participacin en el mercado de Downtown Radiology aumenta al 17% y el nmero proyectado de tomografias computarizadas alcanzar 3 827 (22 514 x .17). a! ci niuiiero proyectado de tomografias computarizadas aicanzar

196

Promedios mviles mtodos de atenuacin Promedios mOviles y mtodos de atenuaciOn

Captulo 5 CapItulo

No obstante, la investigacin parece indicar que el equipo MRI sustituir eventualmente un gran indicar sustituir eventualmente un gran nmero tomografas computarizadas de cabeza (Applied Radiology mayo/junio de 1983 niimero de tomografias computarizadas de la cabeza (Applied Radiology mayo/junio de 1983 y febrero Diagnostic Imaging, febrero de 1984). El National Center for Health Statistics indica que el 60% de El National Center for Health Statistics indica que el 60% de las tomografas computarizadas fueron de cabeza. registros Downtown Radiology todas las tomografias computarizadas fueron de la cabeza. Los registros de Downtown Radiology que en 1982 el 59% las tomografas la y 54% en 1983. mostraron que en 1982 el 59% de las tomografias computarizadas fueron de la cabeza y 54% en 1983. Si el 60% de las tomografas de Downtown son de la cabeza y el equipo MRI sustituye aproximadamente 60% de las tomografias de Downtown la cabeza y el equipo MRI sustituye aproximadamente el 60% de stas, se requieren nuevas proyecciones de este tipo de servicio para 1985. Considerando el de stas, se requieren nuevas proyecciones de este tipo de servicio para 1985. Considerando que el equipo MRI solo funcionar la mitad del ao, se pronostica una reduccin de 689 tomografas slo funcionar la mitad del ao, se pronostica una reduccin de 689 tomografias (3 827/2 x .60 x .60). .60). (3 El nmero proyectado de tomografas computarizadas para 1985 es de 3 138. El costo promedio nmero tomografias computarizadas para 1985 es de costo promedio de un estudio de este tipo es de $360 dlares yyel ingreso proyectado para los mismos es de $1 129680. tipo de $360 dOlares el ingreso proyectado paralos mismos es de $1 129 680. En la tabia 5.15 se muestran los ingresos proyectados por tomografias computarizadas para los se muestran los ingresos proyectados por tomografas computarizadas para Ia tabla prximos cinco aos. Se estima que el costo del servicio se incremente aproximadamente en un 11% 11 % prOximos cinco aos. Se estima que el costo del servicio se incremente aproximadamente anual. Sin considerar el efecto del equipo MRI, la proyeccin de tomografas computarizadas para 1986 ci La proyeccin de tomografias computarizadas para 1986 es de 4363 (6.31 X .19). Sin embargo, si ci es de 4 363 (6.31 x 1.02 x 3 568 x .19). Sin embargo, si el 60% de las tomografias son de la nmero proyectado de tomografias se reducira cabeza y el MRI absorbe el 70% de stas, el nimero proyectado de tomografias se reducirla

a2531 [4463 - (4463 x .60 x .70)]. a 2531 [4463(4463x.60x.70)].


TABLA 5.15 PROYECCiN DE INGRESOS DE CINCO 5.15 PROYECCION DE INGRESOS DE CINCO AOS POR TOMOGRAFIAS COMPUTARIZADAS A1OS POR TOMOGRAFAS COMPUTARIZADAS

A4O AO
1985 1986 1987 1988 1989

SERVICIOS
3,138
2,531 2,531

INGRESOS $1,129,680 1,012,400 1,012,400 1,205,904 1,205.904 1,223,626 1,223,626 1,383,363

2,716 2,482 2,482 2,529

Sin considerar ci efecto del equipo MRI, la proyeccin de tomografas computarizadas para 1987 el Ia proyeccin tomografias computarizadas para 1987 4683 (6.31 .20). nmero es de 4 683 (6.31 x 1.04 x 3 568 x .20). Considerando el efecto del equipo MRI, el nmero .70)]. proyectado de tomografias se reducira aa2716 [4683 - (4 683 x .60 x .70)]. de tomografias se reducirla 2 716 [4 683 (4683 Sin considerar ci efecto del equipo MRI, Ia proyeccin de tomografas computarizadas para 1988 el la proyeccin tomografias computarizadas para 1988

.20). Considerando el efecto del equipo MRI, nmero 4 773 (6.31 es de 4773 (6.31 x 1.06 x 3 568 x .20). Considerando el efecto del equipo MRI, el nmero proyectado de tomografias se reducira a 2 482 [4773 -- (4 773 x .60 x .80)]. reduciria 482 [4 773 (4773 .80).
Sin considerar ci efecto del equipo MRI, Ia proyeccin de tomografas computarizadas para 1989 el la proyecciOn de tomografias computarizadas 4 863 (6.31 .20). MRI, el nmero es de 4863 (6.31 x 1.08 x 3 568 x .20). Considerando el efecto del equipo MRI, el nitmero reducira 2 529 [4 863 - (4863 .80). proyectado de tomografias se reducirla a 2529 [4863 - (4 863 x .60 x .80)].

PREGUNTA
El contador de Downtown Radiology proyectO que los ingresos serIan considerablemente ms altos. Downtown Radiology proyect ingresos seran considerablemente ms altos. Debido a que Ia participacin de propiedad se ofrecer mediante algn tipo de oferta pithlica, ia propiedad se ofrecer mediante algn tipo de oferta pblica, la Debido que la participacin administracin de Downtown Radiology debe tomar una decisiOn con respecto a la precision de las decisin con la precisin de las administracin proyecciones de Professional Marketing Associates. Se Ic pide analizar ci informe. j,Cules serIan sus proyecciones de Professional Marketing Associates. Se le pide analizar el informe. Cules seran sus recomendaciones?

Versin Plus VersiOn estudiantil de Forecast Plus

197 197

VERSION ESTUDIANTIL DE FORECAST PLUS VERSIN ESTUDIANTIL DE FORECAST PLUS


mediante la seleccin de la opcin del menu principal. Se accesa el paquete de pronsticos mediante la seleccin de la opcin 3 del men principal. Si est usted empleando discos (no en im sistema de disco duro), el programa le solicitar empleando discos (no un disco duro), solicitar Si principal del sistema, el mensaje: que inserte el disco principal del sistema, con el mensaje:
Insert MAIN Insert MAIN SYSTEM DISK in default drive drive Press <ENTER> ready Press <ENTER> when ready

En este momento deber sustituir el Data Management Disk por el Main System Disk. momento sustituir Data Management Disk Main System Disk. En Presione <Enter> y el programa solicitar el nombre del archivo de datos a utilizar: solicitar nombre utilizar: Presione <Enter>

What is the name of the data file? CREDIT is the name of the data file? CREDIT

El menu le permite elegir entre 13 diferentes tcnicas de pronstico mediante la siguiente men le permite elegir entre 13 diferentes mediante siguiente pantalla:

file name: Data file name: Variable:

B: CREDIT B: NUMBER OF CLIENTS F

Forecasting Analysis * * * *** 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. Simple Moving Average (unweighted) Average (unweighted) Single Exponential Smoothing Single Exponential Double Exponential Smoothing Smoothing Double Smoothing Holt's Two-Parameter Smoothing Harmonic Smoothing Harrison's Harmonic Smoothing Brown's Quadratic Exponential Brown's Quadratic Exponential Smoothing Winter's Seasonal Smoothing Seasonal Smoothing Robust Decomposition Decomposition Census X-11 Decomposition Trend Analysis Regression Trend Analysis Multiple Regression Analysis Analysis Filtering Generalized Adaptive Filtering Analysis Box-Jenkins Analysis Return to Main Menu

Which?

los datos de nuestro cliente El programa de anlisis exploratorio de datos mostr que los datos de nuestro cliente la presentaban una tendencia. Una tcnica que elegimos intentar es Ia atenuacin exponencial doble, opcin 3. En la pantalla aparece: 3. pantalla aparece: doble,

198

Promedios mOviles y mtodos de atenuacin mviles


NUMBER OF CLIENTS-DOUBLE EXPONENTIAL SMOOTHING
Smoothing Constant = 0.35 = 0.35 Lead Time = 1 1 Lead

Captulo 5 Cap Itulo

RESIDUAL AUTOCORRELATION FUNCTION


Mean of the Residuals = .72 the Residuals = .72 Standard Deviation of the Residuals = 26.9765 26.9765 Standard Deviation of the Residuals

Lag

Value

T-Value -1.0
: ------------

- - - - - - - - - - - - - - - - - - - - - - - - -----

1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 10 10
11

12 13 13 14 14 15 16 17 18 19 20 21 21 22 23 23 24 25 26 27 27 28 28 29 30 31 31 32

-0.12 -0.06 -0.08 -0.05 -0.03 --0.10 -0.01 -0.03 -0.13 -0.03 0.03 0.22 -0.04 0.04 -0.15 -0.01 0.18 -0.17 -0.05 -0.00 0.05 -0.12 0.03 0.26 -0.04 -0.04 -0.08 0.08 0.19 -0.28 0.08 -0.17

-1.20 -0.55 -0.77 -0.52 -0.33 -0.93 -O .10 -0.10 -0.29 -1.19 -0.33 0.31 2.10 -0.36 0.35 -1.32 -0.11 -0.11 1. 55 1.55 -1.49 -0.43 -0.03 0.42 -0.97 0.25 2.13 -0.35 -0.34 -0.62 0.61 1. 46 1.46 -2.14 0.56 -1.25

-0.55 [ -0.77 [
[ [ [ [ -0.29 [ [ -0.33 [ [ [ [ [ [ [ [ [ [ [ [ [ [ [ [ [ [ -0.62 [ [ [ [ [ [ [ [ [ [

..... .

0.0
-

--

---

+1.0 -:

..... ....... .... . ..... . ....... .


:

.... .. . ... . ...... .. . ... .... . .


:

] ] ] ] ] ] ] ] ] ] ] ]

] ] ]

. ..... ..
:**
:

.... ..
. :** .
:

: : :

.....

] ] ] ] ] ] ] ] ] ] ] ] ] ]
] ] ] I
I I

: - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - --:

] = Estimated Two-Standard Error Limits Limits Estimated Two-Standard

Box-Pierce Chi-Square Statistic with 32 Degrees for Freedom = 43.2 43.2 Box-Pierce Chi-Square Statistic with 32 Degrees for

.089 Probability = .089


NUMBER OF CLIENTS-DOUBLE EXPONENTIAL SMOOTHING NUMBER OF CLIENTS-DOUBLE

= 0.35 Smoothing Constant = 0.35

= 1 Lead Time = 1

SUMMARY STATISTICS
122.15 Mean of the Original Data = 122.15 Standard Deviation of the Original Data = 30.043 Standard Deviation of the Original Data = 30.043

= .72 Mean of the Residuals = .72 Standard Deviation of the Residuals of the Residuals Standard
Absolute Mean Absolute % Error % Error

26.977
Square Mean Square Error

Mean % Error %
1. .0430 1 0430 -2.9088 -2 . 9088

Optimization Period Period of Series Remainder of Series Series Entire Series

19.4225 19.4225 17.8037 18.2002

-1.9410

609.0 609 .0 757.1 720.8

Figura 5.9 Atenuacin exponencial doble para el caso de estudio 5.3. 5.9 Atenuacin exponencial doble para el

Pronstico mediante hojas de clculo PronOstico mediante

199

Double Exponential Smoothing Double Smooth Constant: Starting values [SO(1) ,SO(2): [SO(1) SO(2) time: Lead time: of forecasts: Number of forecasts: Time plot of original data, forecasts, and error: original data, forecasts. and error: autocorrelation function: Residual autocorrelation function: Table of original data, forecasts, and error: data. forecasts, and error: Surnmary statistics: Summary statistics: Final smoothed statistics: statistics: ENTER to accept: Press ENTER to accept:
A

A
1

Y Y Y Y N N y Y N N

Para ejecutar la tcnica de atenuacin exponencial doble, podernos emplear las tcnica de atenuacin exponencial doble, podemos emplear Para ejecutar se muestran. Cuando asigna la opcin de automtico (A) opciones por omisin que ya se muestran. Cuando se asigna la opcion de automtico (A) la constante de atenuacin, el programa intentar encontrar mejor constante de a la constante de atenuacin, el programa intentar encontrar la mejor constante de especificado (el valor por omisin para automtico es de .1 a .9 atenuacin en el nivel especificado (el valor por omisin para automtico es de .1 a .9 con .1). Para la dos valores iniciales. incrementos de .1). Para Ia atenuacin exponencial doble, se requieren dos valores iniciales. lnea pronosticar. 1 La lInea Lead Time, se refiere al periodo que se desea pronosticar. El valor por omisin 1 lID pronstico periodo inmediato siguiente. El nunero de pronsticos proporciona tin pronstico para el periodo inmediato siguiente. El nrnero de pronsticos of forecast) se refiere a cuntos pronsticos se desea que produzca el programa. (Number of forecast) se refiere a cuntos pronsticos se desea que produzca el programa. Para nuestro ejemplo, podrIamos haber elegido 9, para producir pronsticos para el resto podramos haber elegido 9, pronsticos resto 1993. de 1993. salida. fig. A continuacin, se presentan diversas opciones de salida. La fig. 5.9 muestra la salida cuando se responde Y la funcin de autocorrelacin residual y las estadsticas cuando se responde Y a la funcin de autocorrelacin residual y a las estadIsticas de resumen y N a las otras opciones. las otras opciones. resurnen y Por ltimo el programa preguntar si desea almacenar pronsticos de los Por ltimo el programa preguntar si desea almacenar los pronsticos de los residuales:
Do save the forecasts of residuals (y/n)? Do you want to save the forecasts of residuals (yin)?

PRONSTICO MEDIANTE HOJAS DE CALCULO HOJAS DE CLCULO PRONOSTICO


ForeCalc tm programa ForeCaic es un prograrna de pronstico que trabaja con datos registrados en hojas de clculo 1-2-3. Inserte ForeCalc enlcelo con su copia de Lotus como Lotus 1-2-3. Inserte ForeCaic y enlcelo con su copia de Lotus 1-2-3 como un programa agregado. ampla capacidad de Lotus 1-2-3 al proporcionarle tm conjunto externo agregado. Esto amplIa la capacidad de Lotus 1-2-3 al proporcionarle un conjunto adicional de menus. Forecalc emplea varios modelos diferentes de atenuacin exponencial mens. Forecalc emplea varios modelos diferentes de atenuacin exponencial sus datos. para el pronstico de sus datos.

200

Promedios mOviles y mtodos de atenuaciOn mviles atenuacin

Captulo 5 Cap [tub

El problema. los ejemplos 5.5 a! 5.10, se utilizaron modelos de atenuacin El problema. En En los ejemplos 5.5 al 5.10, se utilizaron modelos de atenuacin exponencial sobre los datos de ventas trimestrales de Acme Tool Company, de 1988 a 1993. Se requiere el pronstico para 1994. pronstico 1994.

La solucin mediante hoia de clculo. Coloque el disco ForeCalc La solucin mediante hoja de clculo. Coloque el disco de ForeCaic en la unidad A y escriba INSTALLH despus del indicador de comandos A:. Siga las indicacioy escriba INSTALLH despus del indicador de comandos A:. Siga las indicacioinstalacin. nes de instalacin. Una vez concluida sta, entre a Lotus 1-2-3 (version 2.3) y capture los vez concluida sta, entre a Lotus 1-2-3 (versin datos de la tabla 5.6 en las celdas Al a A24 de la hoja de clculo. Escriba /ADDIN datos de la tabla 5.6 en las celdas Al a A24 de la hoja de clculo. Escriba /ADD-IN ATIACH /AA, que equivale seleccionar los comandos ADDIN FILE del men ATTACH /AA, lo que equivale a seleccionar los comandos ADD-IN FILE del menu principal y ATTACH del submen. En la pantalla aparecer Ia solicitud del nombre del principal ATTACH submen. la pantalla aparecer la solicitud del nombre del archivo a incorporar: archivo

Enter add-in to attach: C:\123R23\*.ADN Enter add-in to attach, C,\123R23\' .ADN

presentar lista de programas que se pueden incorporar a 1-2-3. Seleccione: Se presentar una lista de programas que se pueden incorporar a 1-2-3. Seleccione:
FORECALC.ADN FORECALC . ADN

El administrador de incorporacin de programas presenta una lista de teclas de funcin administrador de incorporacin de programas presenta una lista de teclas funcin disponibles:
No~Key 7 No-Key 7

8 8

9 9

la 10

Si no desea asignar ninguna tecla de funcin al programa incorporado, seleccione N0-KEY. asignar ninguna tecla de funcin al programa incorporado, seleccione NOKEY. lnea de men aparece el submen de incorporacin de programas. Seleccione En la lInea de menu aparece el submen de incorporacin de programas. Seleccione INVKE FRECALC. lnea men men de ForeCalc: INVOKE y elija FORECALC. En la IInea de menu aparece el menu de ForeCalc:
Data
Options Quit Forecast Options Quit

1. Seleccione DATA RANGE o DR. Presione <Enter>. La pantalla solicita ci rango de Presione el rango de 1. datos a considerar:
data range: Enter data range:
Al

Como los datos se encuentran en las celdas Al a A24, escriba Al. . A24. La pantalla Como los datos se encuentran en las celdas Al A24, escriba Al. A24. solicita el nmero de periodos a manejar por afio: periodos a manejar por ao: ci nmero
.

Enter number of periods per year: number of periods per year:

12

Ya que los datos son trimestrales, teclee un 4. La pantalla solicita el periodo inicial: son trimestrales, 4. La pantalla solicita el periodo inicial:

Pronstico PronOstico mediante hojas de clculo


ForeCalc Forecasts ForeCaic

201

WINTERS
FORECAST 756.359 531.543 404.522 690.502 (95%) UPPER (95%) 904.482 704.977 601.225 909.117

PERIOD
1/1994 1/ 1994 2/1994 2/ 1994 3/1994 3/ 1994 4/1994 4/ 1994

LOWER (95%) (95%) 608.236 358.109 207.819 471.887

Exponential smoothing parameter values. smoothing


Level parameter: parameter: parameter: Trend parameter: Seasonal parameter: 0.591565 0.029564 0.366746 R-square: 0.799 Adjusted R-square: 0.799 Durbin-Watson: 1.527 Durbin-Watson: 1.527 Standard forecast error: 66.237 Standard forecast error: 66.237 RMS Error: 61.959 RMS Error: 61.959 Error: 0.115 MAP Error: 0.115 Standardized BIC: 75.573 EIC: 75.573

Ini tial point: 1/1988 Initial point: 1/1988 Final point: 4/1993 Final point: Number of points: 24 points: 24 Number Mean value: 408.333 Mean value: deviation: 150.843 Standard deviation: 150.843

Figura 5.10 Atenuacin exponencial de invierno para ventas de Acme Tools Company. 5.10 Atenuacin exponencial invierno Acme Tools Company.

Enter starting period: period:

Los datos comienzan en el primer trimestre, as que teclee un 1. La pantalla solicita trimestre, asI que teclee un 1. pantalla el aflo inicial: ao
Enter starting year: 1900 year: 1900

comienzan 1988, 1988. la pantalla reaparece el men de Como los datos cornienzan en 1988, teclee 1988. En la pantalla reaparece el menu de ForeCalc. ForeCaic. 2. Despus de registrar las especificaciones de sus datos, genere el pronstico de la pronstico la 2. Despus de registrar las especificaciones de sus datos, genere siguiente manera: Seleccione: FORECAST Seleccione: AUTOMATIC [nmero a Digite: 4 [nrnero de periodos a pronosticar] Presione: <Enter> El programa elige automticamente el mejor modelo a utilizar y optimiza los parmetros modelo a utilizar y optimiza los parmetros del modelo para asegurar un pronstico preciso. Seleccione: Seleccione: VIEW Ia pantalla (fig.5 .10), se exhiben los pronsticos y sus lImites de confianza En la pantalla (fig.5.l O), se exhiben los pronsticos y sus lmites de confianza asociados. ForeCalc nmero estadsticas resumidas ForeCaic tambin proporciona cierto niimero de estadisticas resurnidas que describen a qu tan bien se ajusta el modelo a su serie de datos. Seleccione: DIAGNOSTICS

202

mviles mtodos de atenuacin Promedios mOviles y mtodos de atenuaciOn

Captulo 5 Cap Ituto

Estas estadIsticas se muestran tambin en Ia fig.5.10. El programa ForeCaic permite ForeCa1c Estas estadsticas se muestran tambin en la fig.5.10. El adems obtener grficas e impresiones para cada una de las opciones. opciones. adems obtener grlicas impresiones

BIBLlOGRAFIA BIBLIOGRAFIA
AAKER, D. A. YyJACOBSON, R. "The Sophistication of of 'Naive' Modeling". International Journal01 AAKER, D. A. JACOBSON, R. "The Sophistication 'Naive' Modeling". International Journal of Forecasting 3 (314) (1987): Forecasting 3 (314) (1987): 449-452. DALRYMPLE, D. D. J. y KING, B. E."Selecting Parameters for ShortTerm Forecasting Techniques." DALRYMPLE, 1. Y KING, B. E."Selecting Pararneters for Short-Tenn Forecasting Techniques." Decision Sciences 12 (1981): 661-669. (1981): GARDNER, E. S., Jr. Yy DANNENBRJNG, G. "Forecasting with Exponential Srnoothing: Sorne GuideliGARDNER, E. S., Jr. DANNENBRING, D. D. G. "Forecasting with Exponential Smoothing: Some Guidelines for Model Selection." Decision Sciences 11 (1980): 37~383. nes for Model Selection." Decision Sciences 11(1980): 370-383. HARRISON,P. P. "Exponential Srnoothing and Short-Tenn Sales Forescasting." Management Science HARRISON, J. J. "Exponential Smoothing and ShortTerm Sales Forescasting." 13 (11) (1967): 821-842. 13(11) (1967): HOLT, C. C. "Forecasting Seasonal and Trends by Exponential1y Weighted Moving Averages." Office HOLT, C. C. "Forecasting Seasonal and Trends by Exponentially Weighted Movmg ofNaval Research, Memorandum No. 52 (1957). Mernorandurn of Naval LEDOLTER, J. J. y ABRAHAM, B. "Some Comments of theInitialization of Exponential Smoothing." LEDOLTER, y ABRAHAM, B. "Sorne Cornrnents of the Initialization of Exponential Srnoothing." Journal of Forecasting 3 (1) (1984): 79-84. Journal 01 Forecasting 3 (1984): MAKRIDAKIS, S.S. y WHEELWIRIGHT, S Interactive Forecasting, Palo Alto, Calif.: Scientific Press, MAKRJDAKIS, y WHEELWIRIGHT, S .C. .C. Interactive Forecasting, Palo Alto, Calif.: Scientific Press, 1977, pp. 145-152. 1977, pp. McKENZIE,E., E., "An Analysis of General Exponential Smoothing".Operations Research 24 (1976): McKENZIE, "An Analysis of General Exponential Srnoothing". Operations Research 24 131-140. 13 1-140. THIEL, H. YWAGE, S. S. "Some Observations on Adaptive Filtering."Management Science.l0 (2) (1964): THIEL, H. y WAGE, "Sorne Observations on Adaptive Filtering." Management Science. 10(2) (1964): 198 - 224. 198-224. WINTERS, P.R. "Forecasting Sales by ExponentialIy Weighted Moving Averages." Management WINTERS, P.R. "Forecasting Sales by Exponentially Weighted Moving Averages." Science 6 (1960): 324-342. Science (1960):

CAPITULO

Anlisis de regresin

En el cap. 2, se expuso Ia reiacin lineal entre dos variables numricas (correlacin). Una cap. 2, se expuso la relacin lineal entre dos variables numricas (correlacin). Una vez establecida una reiaciOn lineal, se puede emplear 'el conocimiento de la variable vez establecida una relacin lineal, se puede emplear el conocimiento de la variable grfico ms sencillo para independiente para pronosticar la variable dependiente. El modelo grfico ms sencillo para relacionar una variable dependiente con tilla soia variable independiente es una Ilnea recta. dependiente lnea recta. una sola independiente En En este capitulo se exponen los modelos de regresin lineal simple (lnea recta) y cmo captulo exponen los modelos regresin lineal simple (linea recta) y ajustarlos a un conjunto de puntos de datos mediante el mtodo de mInimos cuadrados. conjunto puntos de datos mediante el mtodo de mnimos cuadrados. ajustarlos a Debido a que se requieren muchos ciculos en ci anlisis de regresin, se hace nfasis en requieren clculos en el anlisis de regresin, Debido aplicaciones de crnputo para las tcnicas expuestas. aplicaciones cmputo la relacin variables, el cap. 2, Para ampliar el anlisis de Ia reiacin entre dos variables, que se abord en el cap. 2, siguiente ejemplo. considere el siguiente ejemplo.

Ej empio Ejemplo
6.1

Suponga que el Sr. Bump observa el precio y volumen de yenta de galones de leche de 10 Suponga que el observa el precio y volumen de venta galones leche 10 semanas elegidas en forma aicatoria, Los datos obtenidos se presentan en Ia tabla 6.1. semanas elegidas en forma alcatOlia. Los datos obtenidos se presentan en la tabla 6.1. Primero, el genera dispersin de datos, que muestra Primero, el Sr. Bump genera un diagrama de dispersion de los datos, que se muestra en la flg. 6.1. En el diagrama parece ser que existe una relaciOn lineal negativa entre Y, ci niimero En una relacin lineal negativa entre Y, el nmero In fig.

TABLA 6.1 TABLA 6.1


DE LECHE LECHE

DATOS DATOS PARA EL EJEMPLO 6.1: GALONES EJEMPLO GALONES

SEMANA

NIVEL SEMANAL NIVEL DE VENTAS, Y Y (MILES DE GALONES)


10 6 5 12 10 15 5 12

PRECIO DE VENTA, X VENTA, X PRECIO

(MILES

1
2 2 3 3

$1.30 2.00
1.70 1.50 1.60 1.20

4 5 5 6 7 5 8 9 10 tO

17

1.60 1.40 1.00


1.10

20

204

Anlisis de regresin

Captulo 6 Capitulo 6

de gaiones de leche vendidos y X, el precio de cada galn. Parece que al elevarse el precio, el galones elevarse precio, el X, el galn. volumen disminuye. Ahora, ci Sr. Bump desea medir el grado esta relacin aparente. Los clculos que Ahora, el Sr. Bump desea medir el grado de esta relacin aparente. Los clculos que la tabla 6.2. necesita se presentan en Ia tabia 6.2. El coeficiente de correlacin para esta muestra de datos se calcuia a partir de Ia ecuacin coeficiente de correlacin para esta muestra de dabs se calcula a partir de la ecuacin 2.16:

r= r = VnX2 -- (X)2 .. Yn~y2 - (Y)2 Yn~X2 (~X)2 Vy2 - (~Y)2


(10)(149.3) - (14.4)(112) (I0)(149.3) - (14.4)(112)

n>.XY - (X)(Y)

= \/(10)(21.56) - 14.42. V(i0)(i,488) -- 11222 Y(10)(21.56) - 14.4 2 Y(l0)(1,488) 112


1493 -- 1612.8 1493 1612.8 Y215.6 207.36 Y14,880 12,544 = V215.6 - 207.36 . \/14,880 - 12,544 -119.8 \/8.24 "./2,336

-119.8 (287)(48.33)
= .86 = --.86

-119.8
138.7

La muestra de 10 puntos de datos revela un coeficiente de correlacin simple de -.86, una de datos revela un coeficiente de correiacin simple de -.86, concluir relacin lneal ciertamente negativa entre Y yyX. De ah que el Sr. Bump pueda concluir en relacin lineal ciertamente negativa entre V X. Dc ahi que el Sr. forma tentativa que al aumentar ci precio de un galn de leche, disminuye el nmero de galones el ci nmero vendidos.
TABLA TABLA 6.2
Y

CALCULOS REQUERIDOS PARA EL EJEMPLO 6.1 PARA EL EJEMPLO 6.1


K X
1.30

XY
13.0 12.0 8.5 18.0 16.0 18.0 8.0 8.0

X2 X2
1.69

y2
100 36 25 144 100 225 25 144 289 400 1,488

10 n = 10

10

6 6 5 5 12
10 15 5 5

2.00
1.70 1.50 1.60 1.20 1.60

4.0 2.89
2.25 2.56 1.44 2.56

12
17 20 112

Totales Totalcs

1.40 1.00 1.10 14.4

16.8 17.0 22.0 149.3

1.% 1.96 1.00 1.21 21.56

La siguiente pregunta que pudiera presentarse es, qu tanto disminuye ci volumen al siguiente pregunta que pudiera presentarse es, ,qu tanto disminuye el volumen al el elevarse ci precio? Esta pregunta sugiere dibujar una linea recta a travs de los puntos exhibidos el diagrama de dispersin. Despus dibujar esta lnea, la pendiente de sta mostrar la en ci diagrama de dispersion. Despus de dibujar esta linea, Ia pendiente de sta mostrar Ia disminucin promedio en Ypara cada dOiar de incremento en X. (Vea Ia fig. 6.1). disminucin promedio Ypara cada dlar X. (Vea la fig.

Lnea de regresiOn regresin Linea


y

205

30

Ol
'O

:g

Vl

20

bIl

"
la

o o o o o o
1.00 1.50

11

OL-----------'----------'---X
2.00

Precio

Figura 6.1 Figura 6.1

Diagrama dispersin Diagrama de dispersion para ci ejemplo 6.1. el 6.1.

LNEA DE REGRESiN LINEA DE REGRESION


De hecho, el Sr. Bump hubiera podido dibujar una lnea recta aatravs de los puntos de De hecho, Sr. Bwnp hubiera podido dibujar una Ilnea recta travs de los puntos datos, intentando que la recta se ajustara lo ms posible a los puntos. Sin embargo, un mejor plmtos. procedimiento consiste en encontrar la ecuacin de la lnea se ajuste a los puntos. procedimiento consiste en encontrar la ecuacin de Ia linea que mejor se ajuste a los puntos. Esta lnea recta es de la forma Y = b o + bX. El primer trmino de esta ecuaciOn, b0, se bX El primer trmino de esta ecuacin, b o, Esta lInea recta es de Ia forma i = denomina interseccin de Y, ya que es el valor que toma Y cuando X es igual a cero. Al que Y cuando X es igual a cero. denomina interseccin de Y, ya que es el segundo tmino, b, se Ic denornina pendiente de Ia recta, pues representa la cantidad de representa la cantidad de segundo trnino, b, le denomina pendiente de la recta, cambio Yal incrementar X en exposicin sobre la pendiente en carnbio en Y al incrernentar X en una unidad (recuerde la exposicin sobre Ia pendiente en el Entonces, el Sr. Bwnp desea calcular valores bo y ci cap. 2). Entonces, lo que ci Sr. Bump desea hacer es calcular los valores de b0 Y de b. necesario definir qu significa que una lnea ajuste a los Pero antes es necesario definir qu significa que una Ilnea se ajuste "mejor" a los puntos de datos reunidos. Existen muchas definiciones, pero la que se utiliza casi puntos datos relmidos. Existen muchas definiciones, pero la que se utiliza casi universalmente en el anlisis de regresin es: anlisis de regresin es:

lnea mejor conjunto de puntos de datos XY, La Ilnea que ,nejor se ajuste a un conjunto de puntos de datos X-Y, es aquella minimiza Ia suma distancias al cuadrado puntos a la lnea, que minirniza la suma de las distancias al cuadrado de los puntos a la lInea, Y. A esta ilnea se le conoce como lnea medidas en direccin vertical o hacia Y. A esta lnea se le conoce como la ilnea su ecuacin se denomina ecuacin de de regresin y su ecuacin se denornina ecuacin de regresin.

definicin, el mtodo que se emplea para encontrar los valores de b0y b se Bajo esta definiciOn, el mtodo que se emplea para encontrar los valores de boY b se conoce corno mtodo de mnimos cuadrados. Para encontrar las ecuaciones para b y b0 como intodo de niIninios cuad,'ados. Para encontrar las ecuaciones bo se requiere el iiso del ciculo. La derivada de estas dos ecuaciones aparece en el Apndice uso clculo. detivada estas dos ecuaciones aparece en el Apndice A, con los siguientes resultados: los siguientes resultados:

206
b

Anlisis de regresiOn de regresin

Captulo 6 CapItulo

nXYIXY b- nX2 - (X)2


nIXY - IXIY nIX 2 - (IX)2

(6.1 ) (6.1)

b = IY _ bIX o_ n o n n

bfl' bX

(6.2)

Ejemplo 6.2

presentan en 6.2 Los clculos para los datos que se presentan en la tabla 6.2 son

b= b =
ba b0

(10)(149.3) - 14.4)( 112) ( 10)( 149.3) - ( (14.4)(112)

(10)(21.56) - (14.4)2 (10)(21.56) (14.4)2


112
10

-119.8 119.8 8.24

14.54 - -14.54

\1~

14.54)( - (-14.54)(

14.4 \

1~~4) = 11.2 + 14.54(1.44) = 32.14 11.2 + 14.54(1.44) 32.14 10


)

esta manera, ecuacin la recta que mejor se ajusta a los puntos de datos reunidos, De esta manera, la ecuacin de la recta que mejor se ajusta a los puntos de datos reunidos, bajo el mtodo de minimos cuadrados es mnimos bajo

y = ba + bX Y=b0+bX
= 32.14 - 14.54X = 32.14 14.54X

(6.3)

de la muestra. Esta ecuacin se denomina ecuacin de regresin de Ia muestra. El Sr.. Bump desearia ahora interpretar los valores en esta ecuacin. La interseccin de Bump deseara ahora interpretar valores esta ecuacin. La interseccin de Y ba, es valor de Y cuando X es igual a cero. Una estricta interpretacin sugerira que el Y, b0, es el valor de Y cuando X es igual a cero. Una estricta interpretacin sugerirIa que el nmero de galones vendidos cuando X = 0 (esto es, si precio in galn de leche fuera niirnero de galones vendidos cuando X = O (esto es, si el precio de in gaion de leche fuera cero), es de 32 140 galones. Esta interpretacin no concuerda con el sentido coniiin, ya que cero), de 32 140 galones. Esta interpretacin no concuerda con ci sentido comn, ya que esperara ms uno esperarla que se "vendiera" ms leche si fuera gratis. El problema aqu ilustrado comprende aqul prediccin de un valor para Y con base en un valor de X para ci se ha reunido la prediccin de un valor para Y con base en un valor de X para el que no se ha reunido la muestra. la muestra valor de cero evidencia en Ia muestra. Es decir, ninguno de los puntos de Ia niuestra tiene un valor de cero o cercano a cero para X. En este caso, corno en niuchos otros de anlisis de regresin, no es cero para X. En este caso, como en muchos otros de anlisis de regresin, no es posibie hacer una interpretacin i'itii de Ia interseccin de Y. En trminos ms generales, posible una interpretacin til la interseccin de Y. trminos ms generales, es prudente predecir valores de Y para cualquier X ms all del nivel X no es prudente predecir valores de Y para cualquier X que est rns aii del nivel de las X reunidas la muestra. reunidas em los datos de ia muestra. El valor El valor de la pendiente, b, se pudiera interpretar como ci cambio prornedio en Y, que la pendiente, se pudiera interpretar como el cambio promedio en Y, que disminuye en un prornedio ocurre al incrernentar X en 1. En este ejemplo, Y disminuye en un promedio de 14.54 (es decir, incrementar X en l. En se venden se venden 14450 galones menos) cuando Xaurnenta en 1 (el costo de un gain de leche se galones menos) cuando X aumenta en 1 (el costo galn leche se eleva en Si). Cada diar de incrernento en un gain de leche reduce Ia cantidad comprada en $1). Cada dlar de incremento en un galn de leche reduce la cantidad comprada en un promedio de 14 450 galones. 0, para poner esta declaracin en unidades ms comprensibies, 14 0, para poner esta declaracin en unidades ms comprensibles, la evidencia de Ia nmestra indica que cada incremento de 1 centavo en un galn de leche, leche, la evidencia de la muestra indica que cada incremento de centavo en un reduce la reduce Ia cantidad comprada en un promedio de 145.4 galones. promedio de 145.4 galones. puede ilustrar la relacin XY dibujando, el diagrama dispersin, lnea recta Se puede ilustrar la reiacin X-Y dibujando, en ci diagrama de dispersion, la lInea recta
que mejor se ajusta a los puntos de datos, como se muestra en la fig. 6.2. Ntese que las que mejor se ajusta a los puntos de datos, como se muestra en Ia fig. 6.2. Ntese que las distancias verticales de los puntos hacia Ia lInea se nmestran corno Ilneas punteadas. Si se muestran como lneas punteadas. Si se distancias verticales de los puntos hacia la lnea elevaran al cuadrado estas distancias elevaran al cuadrado estas distancias y se sumaran, esta suma seria Ia rns baja posible para sumaran, suma sera la ms baja posible para cualquier linea que pudiera dibujarse a travs de estos puntos. Cualquier otra IInea dibujada a lnea travs de estos pW1tOS. Cualquier otra lnea dibujada a travs travs de estos puntos tendrIa una suma mayor de distancias al cuadrado. Dc modo que, de tendra una distancias cuadrado. De modo que, de acuerdo con ci procedimiento de rnInimos cuadrados, esta lnea representa el mejor ajuste para el mnimos cuadrados, ilnea representa 10 de la muestra. los 10 puntos de ia muestra.

Linea de regresin Lnea de regresiOn


y
b o=32.14

207

30

~ Y=32.14-14.54X

o ;
"O

'" !!
t>O

20

J!
~
10

o L---------,,-'::-::--------::-';:-;:--X
\.00 1.00
2.00

Precio

Figura 6.2 6.2

Linea regresin Lnea de regresin para los datos del Sr. Bump. Sr.

este punto, se debe destacar la lnea regresin En este punto, se debe destacar que a la lInea de regresin calculada se le denomina lnea la lnea se ajusta correctamente lInea de regresin de la muestra, debido a que es la lInea que mejor se ajusta puntos de datos de la muestra, extrados en forma aleatoria de la poblacin de dichos a los puntos de datos de Ia muestra, extraidos en forma aleatoria de Ia poblacin de dichos datos. Como es comn en los procesos de estadsticas, las estadsticas distinguen puntos de datos. Como es comn en los procesos de estadIsticas, las estadIsticas distinguen entre valores datos la poblacin valores de datos muestra. Para entre los valores de datos de la poblacin y los valores de datos de una muestra. Para mantener claramente separados estos dos gmpos, notacin diferente mantener claramente separados estos dos grupos, se emplea una notacin diferente para describir las relaciones existentes entre X y Y, como se muestra en Ia tabla 6.3. muestra en la tabla 6.3. relaciones existentes entre X Y, coeficientes de correlacin de Ia poblacin y de Ia muestra que aparecen en Los coeficientes de correlacin de la poblacin y de la muestra que aparecen en la abordaron el cap. 2. La ecuacin de regresin de la muestra la ecuacin tabla 6.3, se abordaron en el cap. 2. La ecuacin de regresin de Ia muestra es Ia ecuacin la mejor se ajusta a los puntos de datos observados la muestra. forma de Ia recta que mejor se ajusta a los puntos de datos observados de Ia muestra. En forma la relacin XY revelada la muestra, subyacente a Ia relacin X-Y revelada por los valores de datos de Ia muestra, se encuentra la relacin XY de toda la poblacin, representada por el modelo de regresin de Ia relacin X-y de toda la poblacin, representada por el modelo de regresin de la poblacin. Este modelo sugiere que cada valor de Y en poblacin es igual de poblacin. Este modelo sugiere que cada valor de Y en la poblacin es igual al valor de interseccinf3 o, ms una constante f3 veces su valor de .x, ms un trmino de error fE. interseccin /3, ms una constante /3 veces su valor de X, ms un trmino de error . error son las diferencias los valores reales de la poblacin Entonces, los trminos de error son las diferencias entre los valores reales de la poblacin y los valores representados por la ecuaciOn de regresin del problema o fE = Y - (/3 + fiX). los valores representados por la ecuacin problema o = Y - (/Jo + f3 X). muestra, En una muestra, estas diferencias o errores se denominan residuos. residuos. mayora los paquetes de cmputo realizan correlacin y anlisis de regresin. La mayorIa de los paquetes de cmputo realizan correlacin y anlisis de regresin. final del captulo, en la seccin "Paquete de cmputo Minitab", se presentan las Al final del capitulo, en la seccin "Paquete de cmputo Minitab", se presentan las instrucciones los ejemplos 6.1 y 6.2. instmcciones de Minitab para los ejemplos 6.1 y 6.2.

TABLA 6.3 TABLA 6.3

NOTACiN PARA POBLACiN V NOTACION PARA LA POBLACION Y LA MUESTRA


MUESTRA
Coeficiente de correlacin = r Coeficiente de correlacin = Ecuacin de regresin de Ia muestra: la de

POBLACIN POBLACION Coeficiente de correlacin = Coeficiente de correlacin = p Modelo de regresin de la poblacin: la poblacin:

Y=f30+J3X+ y = f30 + f3X + fE

y = b o + bX Y=b0+bX

208

Anlisis regresin Arilisis de regresin

Captulo 6 Capitulo

ERROR ESTNDAR DE LA ESTIMACIN ERROR ESTANDAR DE LA ESTIMACION


Despus de calcular la ecuacin de la lnea de regresin de la muestra, el Sr. Bump podrIa Ia IInea de regresin de Ia muestra, Sr. Bump podra la muestra se encuentran interesarse en medir hasta qu grado los puntos de datos de Ia muestra se encuentran interesarse en medir hasta qu grado los puntos de datos dispersos airededor de lnea regresin muestra. dispersos alrededor de la lInea de regresin de la muestra. En particular, quisiera calcular la tpica un punto de datos a la lnea de regresin, medida en direccin de Y. Ia distancia tipica de tin punto de datos a la lInea de regresin, medida en direccin de Y. Este concepto de medicin de dispersion es similar a la nocin de desviacin estndar Este concepto de medicin de dispersin es similar la nocin de desviacin estndar su media. En el anlisis dispersin empleada para medir la dispersion de valores de datos alrededor de su media. En el anlisis medicin de regresin, la medicin se denomina error estndar de la estimacin y est representado denomina error estndar de la estimacin y est representado smbolo por el sImbolo Sy. x' La ecuacin correspondiente es

n-2

(6.4)

error estndar de la estimacin mide la cantidad estndar en la cual los El error estndar de la estimacin mide Ia cantidad estndar en la dual los valores estimados (fl.' reales de Y difieren valores reales de Ydifieren de los valores estimados (Y).l
la similitud entre la ecuacin 6.4 y la fnnula de desviacin estndar la Ntese Ia similitud entre la ecuacin 6.4 y Ia formula de desviaciOn estndar de la muestra numerador se encuentran muestra en Ia estadIstica descriptiva simple. Vase cap. 2. En el numerador se encuentran la estadstica descriptiva simple. Vase cap. 2. las mediciones reales de datos (Y) y las mediciones reales de datos (1') y el valor "promedio" o "esperado" de la variable (1') "promedio" o "esperado" de la variable (Y) como se determninamediante la lnea de regresin de la muestra. Estas distancias se elevan detennina mediante la lInea de regresin de la muestra. Estas distancias se al cuadrado, se suman y se dividen entre los grados de libertad, y se obtiene la raIz cuadrada. entre grados de libertad, y se obtiene la raz cuadrada. (Ntese que se pierden dos grados de libertad ya que se estn estimando dos parmetros de grados parmetros la poblacin mediante valores de datos de Ia muestra, a saber, b o Y b.) As, el error estndar la Ia valores b0 y b.) AsI, el error estndar mide distancia tpica desde un punto mide la distancia tIpica o estndar desde un punto de datos a Ia lInea de regresin de la la lnea de regresin de la muestra. Un anlisis de regresin que tenga un error estndar pequeno implica puntos regresin tenga un error estndar pequeo implica puntos muestra. cercanos la lnea de regresin. Por el contrario, un error estndar grande de datos muy cercanos a Ia ilnea de regresin. Por el contrario, un error estndar grande datos estn muy dispersos alrededor la lnea. significa que los puntos de datos estn muy dispersos airededor de la linea. clculo, la se puede convertir Para fines de clculo, Ia ecuacin 6.4 se puede convertir en

s S

y,x

JU' -- b0Y - bXY b,~Y


n-2

- hXY n - 2

(6.5)

Para ejemplo Bump, estndar Pam el ejemplo del Sr. Bump, el error estndar es

1 El error estndar de Ia estimacin tarnbin se puede delmir como la desviacin estndar de las dstribuciones la tambin puede defmir desviacin las d;stribuciones Y supuestas de Y para cualquier X dada.

Prediccin de Y Prediccin de'(

209
S s yx =

j ~ j 59~14
j

1,488 (32.14)(11:) + (14.54)(149.3) 1,488 -- (32.14)(112) + (14.54)(149.3)


8

59.14 = v7.39 V7.39

2.72 = 2.72 El error estndar es una medicin de la distancia vertical estndar desde los puntos medicin distancia vertical El desde datos de la muestra hacia la lnea de regresin de la muestra. Se puede utilizar para de datos de Ia muestra hacia Ia Ilnea de regresin de la muestra. Se puede utilizar para comparar la dispersin de puntos de datos airededor de la lnea de regresin que se comparar la dispersion de puntos de datos alrededor de la ilnea de regresin que se dispersin encuentran en esta situacin, con la dispersion de puntos de datos en otras situaciones. Los los analistas experimentados lo emplean para juzgar hasta qu grado se pudieran resumir los analistas experimentados lo emplean para juzgar hasta qu grado puntos de datos de Ia muestra mediante Ia Ilnea de regresin de mejor ajuste. Adems, se datos de la muestra mediante la lnea regresin ajuste. Adems, supone que la poblacin de puntos de datos presenta una distribucin normal alrededor de supone puntos distribucin normal airededor lnea regresin de la poblacin. Se puede usar Syx como una estimacin la linea de regresin de Ia poblacin. Se puede usar s,,,, como una estimacin de la desviacin desviacin estndar de esa distribucin normal. La importancia de realizar tal suposicin de normalidad normal. de realizar tal abordar ms adelante en este captulo. se abordar rns adelante en este capItulo.

PREDICCIN DE Y PREDICCIN DE Y
La siguiente tarea consiste en estimar el valor de Y para un valor dado de X. Para obtener Y dado de X. Para obtener de punto, de una prediccin de pun to, se emplea la ecuacin de regresin. Se sustituye el valor de X en emplea Ia ecuacin de regresin. la ecuacin y se encuentra el valor de prediccin para V. se encuentra el valor de prediccin para Y.

Ej emplo Ejemplo 6.3

Suponga que el Sr. Bump desea pronosticar la cantidad de leche vendida si el precio se que el Bump desea pronosticar Ia cantidad de leche vendida si precio se 6.3 tenemos: estableciera en $1.63 dlares. Dc Ia ecuacin 6.3 tenemos: dlares. De la estableciera

y = 32.14 - 14.54 X 32.14 14.54 X

= 32.14 -- 14.54(1.63) 32.14 14.54(1.63)


8.440 o = 8.440 o 8 440 galones Obsrvese que estimado es el Y; es decir, representa el punto sobre lnea de Obsrvese que este estimado es el valor de Y; es decir, representa el punto sobre la lInea de regresin en donde x 1.63. regresin en donde x = 1.63.

SV'X"

da cuenta los de datos que generaron la lnea Desde luego, el Sr. Bump se da cuenta de que los puntos de datos que generaron Ia linea encuentran dispersos alrededor de esa linea, segn la medicin por medio de de regresin se encuentran dispersos alrededor de esa lnea, segn la medicin por medio de Para hacer una prediccin de intervalo de Y cuando 1.63, debe tomar en cuenta esta s... Pam hacer una prediccin de intervalo de Y cuando X = 1.63, se debe tomar en cuenta esta dispersin. se debe considerar un segundo factor antes de hacer tal prediccin. dispersion. Adems, se debe considerar un segundo factor antes de hacer tal prediccin. lnea de Anteriormente se estableci que Ia linea de regresin calculada era Anteriormente se estableci que la lnea de regresin calculada era una linea de regresin de Ia muestra, ya que se calcul a partir de una muestra aleatoria de diez puntos regresiOn de la muestra, ya que se calcul a partir de una muestra aleatoria de diez puntos no de todos los puntos de datos de la poblacin. Otras muestras aleatorias de de datos y no de todos los puntos de datos de Ia poblacin. Otras muestras aleatorias de diez puntos de datos podrIan producir diferentes lneas de regresin de la muestra, de forma diferentes lineas de regresin de Ia muestra, de forma podran donde varias muestras extradas de una poblacin tienen medias diferentes. similar al caso donde varias muestras extraldas de una poblacin tienen medias diferentes. modo para hacer una prediccin intervalo de Y deben considerar tanto De modo que para hacer una prediccin de intervalo de Y se deben considerar tanto la dispersin de los puntos de datos de la muestra alrededor de lnea de regresin dispersiOnde los puntos de datos de la muestra alrededor de la Ilnea de regresin la muestra, como la dispersin de varias lneas la de la muestra, como Ia dispersion de varias Ilneas de regresin de Ia muestra alrededor de la verdadera Ilnea de regresin de la poblacin. lnea regresin de la poblacin.

210

Anlisis de regresin regresin

Captulo 6 Cap itulo

El error estndar de pronstico mide Ia variabilidad de los valores de prediccin de error estndar de pronstico mide la variabilidad de los valores de prediccin de y alrededor del verdadero valor de Y para un valor dado de X; tornando en cuenta los dos los dos Y airededor del verdadero valor de Y para un valor dado de X tomando factores mencionados. de pronstico es factores mencionados. El error estndar de pronstico es

s=s y.x S

f f

yox

Fe
1

I +-+ ++
1 I
11

(X-X)2 !'(X - X) 2 (XX)2

(XX)

(6.6)

Ntese que s...eses un tnnino en este error estndar,ya que el primer trmino bajo Ntese que s. x un trmino en este error estndar, ya que el primer tnnino bajo radical es 'l. Los otros factores miden la variabilidad de las lneas el signo radical es I. Los otros factores miden Ia variabilidad de las lmneas de regresin de la muestra airededor de la verdadera Ilnea de regresin. Ntese tambin que en Ia ecuacin alrededor la verdadera lnea de regresin. Ntese tambin que en la ecuacin 6.6 aparece el valor particular de X que se est utilizando. En otras palabras, el error de aparece valor particular X est utilizando. palabras, de pronstico depende del valor de Xpara el cual se desea un pronstico. El error de pronstico del valorde X para el cual se desea un pronstico. ms pequeo posible es X = X, pues asi el tercer trmino bajo el radical equivale a cero (X as tercer mas pequeno posible X= X; - X)2 = 0. Entre ms alejado est X de X, mayor seth el error de pronstico. ms alejado est X de X, mayor ser el error de pronstico. = O.
Ejemplo 6.4
grfica, el intervalo prediccin dcl 95% del Sr. Bump para varios valores de X, De manera grfica, el intervalo de prediccin dcl 95% del Sr. Bump para varios valores de X, se vera similar al de 1a fig.6.3. se veria similar al de la fig.6.3. En forma rns especIfica, el error estndar dcl pronstico para x = 1.63 sc calcula corno: forma ms espccfica, ci cstndar = 1.63 sc calcula como:

s1 = 2.72 \/1 + sr = 2.72 ~I + 10 + 10 +

(1.63 - 1.44)2 (1.63 - 1.44f


.8240 .8240

2.72(1.066) 2.90 = 2.72(1.066) = 2.90


clculo, (X _:\12 determin corno se muestra en la tabla 6.4. Nota: En este clculo, L(XX)2 sese determin como seniuestra en Ia tabla 6.4.

y Y

Lnea de / Linea de de regresin

Ia muestra la

Intervalo de pronstico de 95% para Y

x L---------------'------------x
x

Figura 6.3 6.3

Intervalo pronstico Intervalo de pronstico para los datos del Sr. Bump.

Prediccin de Y PredicciOn de'(


TABLA 6.4 CALCULO DE L (X -- X ) 6.4 CLCULO DE X)2 EL EJEMPLO 6.4 PARA EL EJEMPLO 6.4

211

x
1.30 \.30 2.00 1.70 1.50 1.60 1.20 \.20 1.60 1.40 1.00 1.00 1.10 1.10

(X-X)2
.0196 .3136 .0676 .0036 .0256 .0576 .0256 .0016 .1936 .1156 = .8240 = .8240

(X -

X)l

Mediante la ecuacin 6.7 se calcula un intervalo de prediccin de 95% para Y cuando Mediante Ia ecuacin 6.7 se calcula un intervalo de prediccin de 95% para Ycuando

X = 1.63. Esta ecuacin se puede emplear siempre que el tamao de Ia muestra sea X = 1.63. Esta ecuacin se puede emplear sienipre que el tamao de la muestra suficientemente grande (n ~ 30). 30 ).

y ZSf Y Zs1.
bsicas:

(6.7)

Al calcular un intervalo de prediccin, se hacen suposiciones importantes. De hecho, Al procedimiento regresin se apoya sobre las siguientes suposiciones todo el procedirniento de anlisis de regresin se apoya sobre las siguientes suposiciones

1. La poblacin de Yvalorespresenta una distribucin normal con respecto a a ilnea de la lnea Lapoblacin de Y valores presenta una distribucin normal con la fig. la de la poblacin. Esta condicin se muestra regresin de a poblacin. Esta condicin se muestra en Ia fig. 6.4. En Ia prctica, se obtienen resultados razonablemente precisos siempre que los valores de Y tengan una obtienen resultados razonablernente precisos siempre que los valores de tengan una distribucin aproxi madarnente nonnal. di stribuci on aproximadamente nonnal. 2. La dispersin de los puntos de datos de la poblacin airededor de la ilnea de regresin dispersion lospiintos de lapoblacin alrededor de la lnea de regresin de la poblacin permanece constante a lo largo de la ilnea. Esto es, la varianza de la de la lnea. Esto es, la varianza de la ms poblacin no es rns grande ni ms pequea al incrementarse el valor de los puntos pequea al de datos de X. La violacin a esta suposicin se conoce como heterosedasticidad y de datos de X. La violacin a esta sup osicin se conoce como heterosedasticidad en el condicin se aborda en detalle en ci cap.7; en el cap. 9 se presenta un ejemplo de esta condicin cura. y su cura. 3. Los trminos de error (E) son independientes entre si. Esta suposicin implica una Los trminos de son independientes entre si. suposicin muestra aleatoria suposicin se conoce como muestra aleatoria de puntos de datos X-Y. La violacin a esta suposicin se conoce como datosX-Y. correlacin serial y ocurre con frecuencia cuando los X-y miden correlacin serial y ocurre con frecuencia cuando los valores de datos X-Y se miden a travs del tiempo. En el cap. 9 se trata Ia identificacin y solucin de este problema. tiempo. la el cap. se trata 4. Existe en la poblacin una relacin lineal entreXy Y Las lIneas de regresin no lineal lineal entre X y Y Las lneas de regresin en lapoblacin una ampliacin caso lineal expuesto en este captulo. Existen tcnicas constituyen una ampliacin al caso lineal expuesto en este capItulo. Existen tcnicas para manejar relaciones no lineales entre X y Y; algunas de elias se cornentan rris relaciones no lineales entre X Y; algunas ellas se comentan ms en este captulo. adelante en este capItulo.

En realidad Ia prediccin de intervalo dada por Ia ecuacin 6.7 solo es aproximadala prediccin de intervalo dada la slo es aproximadamente correcta para el ejemplo del Sr. Bump. Para un uso correcto del valor de Z de la de la mente correcta para ci ejemplo del Sr. Bump. Para un uso correcto dci valor

212
y Y

regresin Anlisis de regresin

Captulo 6 Capitulo

Distribucin nonnal de valores valores Distribucin de Y con respecto de Y con respecto a un punto de estimacin de Ycon igual de estimacin de Y con igual vananza varlanza

Lnea Linea de regresin de la Ia muestra

'-------~-------"7_----___;;;_---x

Tres posibles valores de La variable de pronstico valores de la pronstico

Figura 6.4 6.4

Suposicin de normalidad. normalidad.

debe haber un tamao de muestra reducido. Como regla tabla la curva n01111al, tabla de Ia curva normal, no debe haber un tamao de rnuestra reducido. Como regla de de un tamao muestra por lo menos 30, para utilizar la tabla normal. oro, se requiere de un tarnao de muestra de por to menos 30, para utilizar la tabla normal. Para tamaos de muestra redticidos resulta apropiado calcular el intervalo de prediccin tamaos de muestra reducidos resulta apropiado calcular el intervalo de prediccin este caso, el intervalo se convierte en mediante la distribucin t. En este caso, el intervalo se convierte en

ts1

(6.8)

(Para la tabla t, dI = n - 2.) 2.) df Para los datos del Sr. Bump, un conjunto de 10 puntos de datos, resulta apropiada Ia conjunto 10 puntos de datos, resulta apropiada la formula de distribucin t. As, el fnnula de distribucin t. AsI, el intervalo es

y tS (SI

8.44 2.306(2.90) 8.44 2.306(2.90)


8.44 6.69 8.44 6.69
1.75 a 15.13 1.75 15.13
bien o bien

1 750 galones a 15 130 galones 750 galones 15

lill intervalo fonna ms amplio que el producido La ecuacin 6.8 predice un intervalo en cierta forma imis amplio que el producido si se empleara la curva normal, Jo que refleja Ia presencia de un tamaiio de muestra reducido. nOlmal, lo la tamai'o muestra reducido. Ntese Ia amplitud extrema del intervalo de conhianza caiculado. Es tan arnplio que resulta la extrema del intervalo de confianza calculado. amplio resulta virtualmente ini,til en la prediccin de Y. Aunque esta imprecision se hace rnuy notoria en viItualmente intil de Y. imprecisin hace muy notoria en Ia del estirnacin lo es en ci punto la la amplitud del intervalo, no Jo es en el punto de estimacin calculado a partir de Ia ecuacin

Coeficiente de determinaciOn determinacin

213

de regresin. Este grado de precision implIcito es el mayor beneficio de la estimacin del regresin. precisin implcito la estimacin del intervalo. Otro punto importante a recordar es que no resulta prudente predecir ms all del resulta prudente predecir ms Otro punto importante a recordar es que nivel de datos observados. Por lo tanto, se justifica que el Sr. Bump intente predecir Y Bump intente predecir Y nivel de datos observados. Por lo tanto, se justifica que el cuando x = 1.63, ya que algunos de los valores originales de X se encuentran cerca de 1.63. x= X Por otra parte, no harla bien en predecir Y cuando x = 3.00. No se han reunido valores de parte, hara Y cuando x = 3.00. No se han reunido valores de datos cercanos a este alto valor y, por esta razn, cualquier prediccin que comprenda dicho comprenda dicho sera altamente sospechosa. precio valor de X serla altamente sospechosa. Para estimar la cantidad vendida cuando el precio unitario $3 dlares, Sr. Bump debe suponer que modelo lineal ain es vlido. unitario es de $3 dlares, el Sr. Bump debe suponer que el modelo lineal an es vlido. Pudiera tener una buena razn para suponer esto, pero no posee evidencia directa que lo razn evidencia lo Pudiera tener una esto, pero sustente.

COEFICIENTE DE DETERMINACIN COEFICIENTE DE DETERMINACION


A continuaciOn se expone una til estadIstica denominada coeficiente de determinacin. continuacin se expone til estadstica determinacin. Considere la fig. 6.5, muestra lnea de regresin de Bump Considere la fig. 6.5, que muestra la lInea de regresin de la muestra del Sr. Bump con un punto de datos hipottico. Al considerar datos individual se junto con un punto de datos hipottico. Al considerar el punto de datos individual que se la lnea de regresin, el Sr. Bump primero "esperara" que este valor de Y fuera ubica bajo la linea de regresin, el Sr. Bump primero "esperarla" que este valor de Y fuera igual al promedio de todos los valores de Y, es decir Y. AsI, la distancia vertical entre Y y todos los valores de Y, es decir Y. As, distancia vertical entre Y y Y que se muestra en Ia fig. 6.5, se convierte en Ia diferencia total o desviacin que debe la fig. 6.5, se convierte en la diferencia total o desviacin que debe que explicarse. Parte de esta distancia vertical es fcilmente explicable. Se esperarla que el valor de explicable. esperara valor de Y fuera igual a Y, slo si el valor de X de la observacin fuera igual a X. Sin embargo, ste Y fuera igual a Y, sOlo si el valor de X de Ia observacin fuera igual a X. Sin embargo, es el caso. El valor de X para esta observacin es considerablemente ms alto que no es el caso. El valor de X para esta observacin es considerablemente ms alto que X lo tanto, es comprensible qu el valor de Y de esta observacin pudiera haberse Por lo tanto, es comprensible por qu el valor de Y de esta observacin pudiera haberse Ya Y: el movido de Y a Y: el valor de X de Ia observacin es mayor que ~ y es sabido que X y Y X de la observacin es mayor que X, y es X Y

y
32.14=h 32.14= h o

30

~
Ac11.2= Y

Lnea LInea de regresin Bmnp del Sr. Bump


/\ A

y = 32.14 14.54X Y=32.14-14.54X

20

I I I

10

YY (Total)

- - - - -

O}

f _Y (Explicada por X) - ~ (Explioada po' X)

(NoexplicadaporX) : o } y - y (No explicada por X) 0 OL-----------L----'-------'------------X


LOO 1.00 Precio

}_P

X= 1.44 x = 1.44

2.00

6.5 Figura 6.5

Variacin explicada del Sr. Bump. Variacin explicada y no explicada para los datos del Sr. Bump.

214

regresin Anlisis de regresin

Captulo 6 Cap Itulo

tienen una fuerte correlacin negativa (r = .86). De ah que la distancia vertical Y Ji' tienen una fuerte correlacin negativa (r = -.86). De ahI que Ia distancia vertical Y - Y se "explique" mediante el movimiento de X, mientras que Ia distancia Y Y no se explique "explique" mediante el movirniento de X, mientras que la distancia Y -- Y no se explique movimiento de X. por el movimiento de X. Ejemplo 6.5
Sr. Bump, un mayor valor de X 1.70, Para los datos del Sr. Bump, considere un punto de datos con un mayor valor de X (x = 1.70, Y = 5). Para este punto de datos. Para este punto de datos. y = 5).

y = 32.14 - 14.54(1.70) Y= 32.14 14.54(1.70)


= 32.14 - 24.72 = 7.422 = 32.14 24.72 = 7.422

Por lo tanto tanto


y = 11.2 Y =11.2
-

YR = 7.422 = 7.422
Y = 5 Estos valores se presentan en Ia fig.6.6. la fig.6.6. Estos En este caso, La distancia de Ya 9 se explica mediante el movimiento de X (1.44) a su caso, la distancia de Y a ji mediante ci movimiento de (1.44) valor real (1.70), como se esperaba de acuerdo con el conocimiento de Ia relacin entre Y y valor real (1.70), conio se esperaba de acuerdo con el conocimiento de la relacin entre Y X -.86). En otras palabras, el movimiento de X de 1.44 1.70 explica el movimiento de X (r = .86). En otras palabras, ci movimiento de X de 1.44 aa1.70 explica el movimiento de 11.2 a 7.422, pero no explica el movimiento de 7.422 y de 11.2 a 7.422, pero no explica el movirniento de 7.422 a 5.00.

y=5

Lnea regresin Linea de regresin

11.2 = Y 11.2=Y

I I I I I I I I

---{) Y = 11.2 -o y 11.2


$ 9= 7.422

0 O

y =5 Y
2.00 2.00

o
6.6 Figura 6.6

1.00 1.00

x = 1.44 X = 1.44

Pronstico para ci Pronstico de Y para el ejemplo 6.5.

Para encontrar la porcin de La desviacin total que se explica mediante X para la desviacin total que explica mediante X para Pam encontrar la porClOn cualquier observacin, se debe dividir Ia desviacin explicada entre Ia desviacin total, de la desviacin la desviacin total, de observacin, la manera siguiente: siguiente:

Coeficiente de determinaciOn Coeficiente de determinacin

215

Porcentaje de desviacion total explicada por


y y Porcentaje de desviacion total no explicada por Porcentaje

x= X =

y- Y y
Y _

yy-y X= y-y x- Y-

Por supuesto, se deben considerar todos los puntos de datos, no solo uno. Adems, ci clcuio slo el clculo los puntos de datos se realiza con diferencias al cuadrado. Este clculo se hace para todos los puntos de datos se realiza con diferencias al cuadrado. Este clculo se hace de modo que el resultado final tenga una interpretacin til. interpretacin til. El sImbolo del coeficiente de deterrninacin de la muestra es r2 y su valor se define smbolo del coeficiente de detenninacin de la muestra es ? y se define

corno como
r2 = r2

Desviacin no explicada 1 - ---------=---- = Desviacin total

- V)2
(Y - V)2

(6.9)

El coeficiente de determinacin mide el porcentaje de variabilidad en Y que El coeficiente de determinacin mide el porcentaje de variabilidad en Y que puede explicarse a travs del conocimiento de la variable independiente X explicarse a travs del conocimiento de Ia variable independiente X ecuacin 6.9 la fonna usual de definir 1)., establece el porcentaje de La ecuacin 6.9 es Ia forma usual de definir r2, y establece que ci porcentaje de

variabilidad en Y que se explica mediante la variabilidad en X, es 100%, menos el porcenmediante Ia variabilidad en X, es 100%, menos el Y que explicado porX, El valor de 1). taje no explicado por X. El valor de ,2 es un valor muy importante en cualquier anlisis importante aniisis el la variabiiidad de regresin, ya que muestra el grado hasta ci cul estn relacionadas Ia variabilidad de Xy Y. x y Y. la prctica, ? puede calcular la fnnula el En Ia prctica, r2 se puede calcular mediante Ia siguiente formula equivalente en ci ciculo: clculo:

r2
Ejemplo 6.6
r2

boY + bXY - fly2 b0Y bXY - ny2 y2 _ ny2

- -

(6.10)

Para los datos del Sr. Bump, r2 se calcula con Ia ecuacin 6.10. Sr. Bump, ,;2 la

(32.14)(112) - (14.54)(149.3) -- (10)(1 1.2)2 (32.14)(l 12) - (14.54)(149.3) (10)(l1.2f 1,488 (10)(11.2)2 1,488 -- (I0)(11.2)2 174.9 3,599.68 -- 2,170.82 - 1,254 3,599.68 2,170.82 - 1,254 174.9 1,488 1,254 = 234 = .747 1,488 -- 1,254 234

Con base en este valor de r2, se formulan las siguientes declaraciones: base en este valor de ?, se formulan las siguientes declaraciones: 1, De la variabilidad en la cantidad de leche vendida, ci 75% se puede explicar l. De Ia variabilidad en la cantidad de leche vendida, el 75% se puede explicar por Ia la precio de la leche. variabilidad en el precio de Ia leche. la variabilidad en la cantidad de leche vendida, se puede explicar mediante 2. De Ia variabilidaden Ia cantidad de leche vendida, el 25% no sepuede explicar mediante la variabilidad el la la variabilidad volumen leIa variabilidad en ci precio de Ia leche. Esta porcin en Ia variabilidad del volumen de leche se debe explicar mediante factores que an no han sido identificados en este anlisis debe explicar mediante factores an no han sido identificados en este anlisis de regresin (v. gr., clima, cantidad de publicidad, disponibilidad de productos sustitutos). clima, cantidad de publicidad, disponibilidad de productos sustitutos).

216

Anlisis de regresin

Captulo 6 CapItulo 6

el coeficiente de correlacin (ignorando de Ntese que r2 es el cuadrado de r, ci coeficiente de correlacin (ignorando errores de es redondeo). Esto es determinacin Coeficiente de determinacin
1,). r2

(coeficiente de correlacin)2 corre1acinY

= (r)2 = (r)2

Por lo tanto 10 .75 = (_.86)2 .75 = (-86)


= .75 .75 = .75 Entonces, dpor qu es necesario identificar ambos valores en un anlisis de regresion? por valores un anlisis de regresin? La respuesta es que cada uno tiene una ventaja sobre ci otro. cada tiene una ventaja sobre el otro. La ventaja del coeficiente de correiacin (r) es que revela relaciones tanto positivas del coeficiente de correlacin es que revela relaciones tanto positivas como negativas. En el caso de los datos reunidos por ci Sr. Bump. existe una reiacin de los datos reunidos por el Sr. Bump. existe una relacin como negativas. En ci negativa (r = -.86). En otros casos, se podria revelar una reiacin positiva mediante el valor -.86). En otros casos, se podra revelar una relacin positiva mediante el de r. Como se vera en ci siguiente capItulo, es importante identificar las relaciones ver en el siguiente captulo, es importante identificar las relaciones Como existentes entre ciertos pares de variables, cuando se confrontan con un gran conjimto de variables, gran conjunto existentes entre variables y es necesario saber si existen relaciones positivas o negativas. NOtese que cuando si o Ntese que cuadrado el coeficiente de correlacin, el valor es siempre positivo, perdindose se eleva al cuadrado ci coeficiente de correiacin, el valor es siempre positivo, perdindose la relacin. la naturaleza de Ia relacin. del coeficiente de determinacin (r) que tiene una interpretaLa ventaja dei coeficiente de determinacin (r2) consiste en que tiene una interpretacin til. El valor de mide el porcentaje de variabilidad en Y que se explica por la cion muy tii. El valor de r2 mide el porcentaje de variabilidad en Y que se explica por la variabilidad en X Esta interpretacin es muy tii, io que hace de r2 una de las estadIsticas X Esta interpretacin es muy til, 10 que hace de una de las estadsticas consuitadas con mayor frecuencia en ci anlisis de regresin. consultadas mayor frecuencia en el anlisis de regresin. ilustra dos casos extremos para y cuando es igual La fig. 6.7 ilustra dos casos extremos para r2, cuando es igual a cero y cuando es igual l. En el primer caso, ninguna variabilidad Y a 1. En ci primer caso, ninguna variabilidad de las Y se explica mediante X: ci diagrama mediante X el diagrama r de dispersion sugiere que no existe relacin lineal entre Xy V. Cuando r cuadrada = 1, toda X y Y. l, toda dispersin existe las Y la variabilidad de las Y se explica cuando se conoce X: todos los puntos de datos de Ia muestra X: todos los sobre la lnea de regresin. se ubican sobre Ia linea de regresin.

r,

y Y

t-----'-...,.............,...,--'-...,....-- Y =Y Y Y

_ -

'------------x x
,.2 =1-r(Y-Y)2/r(y-y)2

X
,.2 =1-r(y-Y)2/r(y-y)2
A = 1 (YY)2fE(YY)2

r2 = 1 (Y Y)2/(YY)2
= 1-1=0 =1-1=0
(a) Sin correlacin lineal

=1-0=1 =I-0=1

(b) Correlacin lineal perfecta

Figura 6.7 6.7

Valores Vaiores extremos de

r2.

Residuos

217

RESIDUOS
Sr. Bump comenz slo 10 venta semanal (la El anlisis del Sr. Bump comenz con solo 10 cantidades de volumen de yenta semanal (Ia Y). Si hubiera disponible ms informacin, el podra la variable Y). Si hubiera disponible ms informaciOn, el Sr. Bump podria emplear Ia media y de Y como pronosticador de cada volumen de venta semanal. Si lo hace, generar ciertos V de V como pronosticador de cada volumen de yenta semanal. Si lo errores, uno por cada prediccin que haga. Estos errores, denominados residuos, se cada prediccin que haga. Estos errores, denominados residuos, errores, uno expusieron anteriormente en este capItulo. Al estimar los valores de Y con Y, el Sr. Bump captulo. valores de Y Y, Sr. Bump expusieron anteriormente minimiza los errores de estimacin sobre un largo periodo, ya que emplea el volumen medio un largo periodo, ya que emplea el volumen medio galones, como la mejor estimacin volumen de yenta cada de ventas, 11 200 galones, como Ia mejor estimacin del volumen de venta de cada de ventas, 11 semana. Los errores suman cero, ya que Ia media es el centro matemtico de la distribuciOn cero, ya que la media es el centro matemtico de la distribucin de Y. Las diez predicciones y los diez residuos se muestran en Ia tabla 6.5. Y. Las diez predicciones y los diez residuos se muestran en la Adems de los residuos, Ia tabla 6.5 muestra la suma de los residuos elevados al residuos, la tabla 6.5 muestra los residuos elevados al Adems de cuadrado. Este clculo se efectila con el propOsito de poder medir la cantidad total de error; se efecta propsito de error; debido debido a que hay residuos tanto positivos como negativos, Ia suma de los residuos reales hay residuos tanto positivos negativos, la los residuos reales siempre es cero. Al valor de Ia surnatoria se le denomina suma de residuos cuadrados y la sumatoria se le denomina suma de residuos cuadrados siempre es cero. Al representa la variabilidad total de Y alrededor de la media. Esta es la variabilidad total representa Ia variabilidad total de Y alrededor de Ia media. Esta la variabilidad (233.60) que el Sr. Bump desea reducir, introduciendo el conocimiento de una variable conocimiento una variable (233.60) que Sr. Bump desea reducir, introduciendo relacionada, X. La fOrmula para obtener la suma de los residuos cuadrados alrededor de la relacionada, X La frmula para obtener Ia suma de los residuos cuadrados alrededor de la media de Y, o Ia suma total de cuadrados es Y, o la suma total cuadrados es

- Y)2

(6.11) (6.11 )

swna cuadrados se puede convertir en una vananza, dividindola La surna de los residuos cuadrados se puede convertir en una varianza, dividindola entre el nmero de grados de libertad. Como se est estimando un parmetro de la poblacin niimero de libertad. Comose est estimando un parmetro de la poblacin (ji.) mediante una estadIstica de Ia muestra ( Y), se pierde un grado de libertad. AsI, el grado estadstica la muestra Y), As, (ji)

TABLA 6.5 6.5


y REAL YREAL
10

RESIDUOS PARA LOS DATOS DEL SR. BUMP RESIDUOS PARA LOS DATOS DEL SR. BUMP
PRONSTICO DE YY(l7) PRONOSTICO DE (Y)
11.2

RESIDUO (Y - - Y) RESIDUO (Y
~ 1.2 -1.2 -5.2 -6.2

(Y -

Y)2

6 5 5 12

11.2 11.2

11.2 11.2 11.2


11.2 11.2

.8

la 10
15

-1.2
3.8 -6.2
.8 5.8

5
12 17 20

11.2 11.2
11.2 11.2

11.2 11.2 11.2 11.2 Swnas Sumas

8.8 0.0

1.44 27.04 38.44 .64 1.44 14.44 38.44 .64 33.64 77.44 233.60

218

Anlisis de regresin Anhsis de regresion

Captulo 6

de libertad apropiado es 11 - - 1. De modo que la varianza total de Y alrededor de su media libertad apropiado es /1 l. modo que total Y airededor de su media es

s2 =
Y

I(Y - Y)2 y)2

nI
11 -

(6.12)

La raz cuadrada de esta varianza es la desviacin estndar de Y. Nota: La raiz cuadrada de esta varianza es Ia desviacin estndar de Y.

Ejemplo 6.7

datos del Sr. Blll11p, Para los datos del Sr. Bump,

S2

233.6 = 25 96 = 233.6 = 25.96 9 .

el siguiente importante: esta varianza de valores Y calcul Ntese ci siguiente punto importante: esta varianza de los valores de Y se calcul usando Y como ci mcjor estimador de los valores senianales de Y. Esto es, no se ha utilizado informacin elmcjor semanales Y. Esto es, no acerca acerca de la variable relacionada X. Cuando ci Sr. Bump incluye informacin con respecto a la variable relacionada X. el Sr. Bump incluye informacin con respecto a X, resultara una menor varianza Y X est cOlTclacionada con y podran X, resu]tarIa una menor varianza de Y puesto que X est colTelacionada con Y y se podrIan efectuar predicciones ms precisas mediante la ecuacin de regresin. ecuacin de regresin.

Suponga ahora que el Sr. Bump utiliza la ecuaClOn de regreslOn calculada para Suponga ahora que el Sr. Bump utiliza la ecuacin de regresin caiculada para

Y. Corno l estableci una reiacin de predecir Y. Como l estableci una relacin entre X y Y con base en los puntos de datos de X con base en los muestra = -.86), lInea de regresin debera generar predicciones ms precisas para la muestra (r = .86), Iala lneade regresin deberIa generar predicciones ms precisas para y que las generadas cuando se utiiiz Y para predecir los vaiores de Y. Si ci Bump Y que las generadas cuando se utiliz Y para predecir los valores de Y. Si el Sr. Bump predice Y mediante esta ecuacin de regresin, ann habr residuos, aunque i espera que predice mediante esta ecuacin regresin, an residuos, aunque l espera que sean menores. En forma similar, tanto Ia suma de residuos cuadrados como Ia varianza de sean menores. En f01111a similar, tanto la suma de residuos cuadrados como la varianza de

TABLA 6.6

RESIDUOS DE LOS DATOS DEL SR. BUMP ANLISIS ANALISIS DE LOS RESIDUOS DE LOS DATOS DEL SR. BUMP

PRONOSTICO DE y(h PRON~TICODE Y(Y)


X

Y Y
10 10

USANDOY = 32.14 - 14.54X USANDO Y= 32.14 14.54X


13.238 13.238 3.060 7.422 10.330 8.876 14.692 8.876 11.784 17.600 16.146

RESIDUO (Y -- Y) (Y -3.23X 3.238 2.940 -2.422 2.422 1.670 1.124 .308 .30X -3.876 3.876 .216 - .600 .600 3.854 0.000

(Y (Y _

y)2 Y)2

1.30 2.00 1.70 1.70 1.50 1.60 1.20 1.60 1.40 1.00 1.10

6 5 12 10 15 5 12 17 20

Surnas Sumas

10.48 8.64 5.87 2.79 1.26 .09 15.02 .05 .36 14.85 59.41

Residuos

219

los valores de Y alrededor de la lnea de regresin deberan ser menores. Se infiere que r2 Y alrededor de Ia linea de regresin deberian ser menores. que? los valores ser ms grande. La tabla 6.6 presenta este anlisis de residuos. grande. residuos. En el uadro 6.6 se puede apreciar que Ia suma de residuos cuadrados se reduce de uadro 6.6 se puede apreciar la suma de residuos cuadrados reduce de 233.6 5941; la reduccin ocm-re debido a que los residuos ahora comprenden la 233,6 a 5941; la reduccin ocurre debido a que los residuos ahora comprenden la de alrededor variabilidad de Y airededor de la ilnea de regresin, variabilidad de los valores de Y alrededor de Ia lnea de regresin, en vez de airededor de Y. En otras palabras, el conocimiento de la variable relacionada X reduce el error de la de Y. En otras palabras, ci conocirniento de la variable relacionada X reduce el error de Ia tal el Sr. Bump pudiera esperar, a travs del conocimiento del coeficiente prediccin, tat como el Sr. Bump pudiera esperar, a travs del conocirniento del coeficiente la de correlacin de Ia muestra entre X y 1'. La surna de residuos cuadrados es Xy Y. La suma de residuos cuadrados es

- Y)2
de Y alrededor de los valores de prediccin es La varianza de Y airededor de los valores de predicciOn es
S 2 s2yx

(6.13)

(YY)2

n-2

(6.14)

Ejemplo
6.8

Para los datos de ci Sr. Bump datos de el Sr. Bump


59.41 = = 59.41 = 7.43 8
8

S2
y'X

Ntese que este rcsultado es ci cuadrado del error estndar de Ia es'imacin, s3,. resultado el cuadrado enor estndar la estimacin, Syx. Del eli-or original ,qu porcentaje puede ci Sr. Bump explicar Del elTor original qu porcentaje puede el Sr. Bump explicar a travs del conocimiento de Ia variable relacionada X? Este valor es el coeficiente de determinacin r2.. la relacionada Xl el coeficiente de detem1inacin r 2

r2

.2 1 =

I(Y I(YY)22 ----'----'----'-I(Y - Y)2 (YY)2


= =

1 - 59.41 1 - .254 .746 =1'=1.254=.746 233.6 La respuesta, por supuesto, es ci mismo valor de r2 que se obtuvo anteriormente, e indica que el mismo ? anteriom1ente, indica que el conociniiento de X le pem1ite a ci Sr. Bump explicar ci 74.6% de Ia variabilidad de Y ci conocimiento de X Ic pernlite a el Sr. Bump explicar el 74.6% de la variabilidad de Y alrededor de su media. Tambin, ci 25,4% de Ia variabilidad de Y no se explica mediante el Tambin, el 25.4% la variabilidad Y explica mediante el airededor de de X. conocimiento de X.

La relacin entre Ia desviacin total, Ia desviacin explicada y Ia desviacin no la desviacin total, la desviacin explicada la desviacin no La relacin explicada es: Desviacin total = desviacin explicada + desviacin no expiicada explicada Desviacin total = desviacin explicada

I(Y - Y)2 Y)2


233.6

233.6

= = =

I(Y - Y)2 (Y Y)2


174.2 233.6

+ + +

(Y - Y)2
59.4

220

regresin Anlisis de regresin

Captulo CapItulo 6

PRUEBA HIPTESIS PRUEBA DE LA HIPOTESIS


En el cap. 2, se advirti que ci coeficiente de correlacin de la muestra r tiene su contraparte el ci Ia la poblacion, denorninado p (rho). En forma similar, la en Ia poblacin, denominado p (rho). En forma similar, la poblacin de todos los puntos X Y posee un coeficiente de detenninacin jo Como tenerse presente que X - Y posee un coeficiente de determinacin p2. Corno siempre, debe tenerse presente que la inforrnacin de Ia informacin de la muestra produce estadsticas de muestra que permiten al pronosticador estadIsticas de muestra que al inferencias sobre las relaciones existentes entre Xy Y junto con todos los puntos de hacer inferencias sobre las relaciones existentes entre X y Yjunto con todos los puntos de la poblacin. estadstica podra datos de Ia poblacin. Una prueba estadistica que se podria considerar es
H0:

=0

B es la pendiente de la verdadera ilnea de regresin de Ia poblacin. El no rechazar en donde 13es la pendiente de la verdadera lnea de regresin de la poblacin. El no rechazar significa que diferencia del la la esta hiptesis nula significa que a diferencia del hecho de que Ia evidencia de Ia muestra produjo un valor diferente de cero para b, la evidencia no es lo suficienternente fuet-te para cero para b, la evidencia no es lo suficientemente fuelte para rechazar la de que la lnea de la rechazar la nocin de que Ia Ilnea de regresin para todos los puntos de datos de la poblacin declaracin es equivalente a establecer que p 0. es plana (horizontal). Ntese que tal declaracin es equivalente a establecer que p = O. Una poblacin de puntos datos que tiene una lnea de regresin plana tendr tambin un poblacin de puntos de datos que tiene una Ilnea de regresin plana tendr tambin im coeficiente de correlacin cero. coeficiente Cmo podra ser cero cuando Cmo podria ser ~ cero cuando b es diferente de cero? Considere la fig. 6.8, en diferente cero? Considere fig. 6.8, en donde se muestra poblacin de puntos de datos donde se muestra una poblacin de puntos de datos a partir de Ia cual se seleccion una la se seleccion muestra de cinco puntos (los puntos de la muestra se sealan con x). Como sugiere este Como sugiere este muestra de cinco puntos (los puntos de muestra puntos de diagrama dispersin, diagrama de dispersion, si se seleccionan suficientes puntos de datos de muestra, resultar obvio que Ia poblaciOn de puntos de datos tiene una linea de regresin con una pendiente la poblacin de puntos de datos tiene lnea regresin con una pendiente plana. Esto plana. Esto es, tanto J3 como p son cero. Sin embargo, en Ia muestra aleatoria de cinco tanto ~ corno p son cero. embargo, en la muestra aleatoria de cinco se muy lnea puntos de datos, se seleccionaron puntos que se ubican rnuy cerca de una ilnea de regresin ascendente. SeIa errneo p3ltir esta evidencia que X Y de tendencia ascendente. Serla errOneo concluir a partir de esta evidencia que X y Y estn

y Y
..... ' b",O

bO

0 O 0 O

0 O

O
O

x X
O
",,"

o
..........

.....

............... o Lnea de regresin de Ia muestra la LInea de


X x
O 0

o 0
X X

"

.....

0 o
O

\ - - - - - - - -::"""'.:::;...-......;......;-------.....
O 0

0 O

.......... "

X x

............... X - -- -:

..... "

.......... .-

o_. - O...............
O

~=o

0
O 0

0 O
0 O

Lnea regresin verdadera Linea de regresin verdadera

0 O

O 0

x '----------------------x
Figura 6.8 Puntos de datos de la poblacin de la muestra. Figura 6.8 Puntos de datos de Ia poblacin yyde Ia muestra.

Prueba de Ia hipOtesis de la hiptesis

221

relacionadas en una forma lineal positiva. Sin embargo, si se prueba la hiptesis de que relacionadas en irna forma lineal positiva. Sin embargo, si se prueba la hiptesis de que f3 = 0, es probable que el pronosticador no pueda rechazarla. = O, es probable que el pronosticador no pueda rechazarla.

Ejemplo 6.9

Para los datos del Sr. Bump, Ia prueba aparece en Ia tabla 6.7. Sr. Bwnp, la la De la tabla t para n - 2 grados de libertad tabla 2 grados de libertad
t OI .(df=8) = 3.355 tol(df=8) = 3.355

tos(df=8) = 2.306 t05,(df~8J = 2.306

Sr. Bump rechazar la nula: la linea la De ahi que, el Sr. Bump pueda rechazar Ia siguiente hiptesis nula: Ia lnea de regresin de Ia ah poblacin tiene una pendiente plana (/3 = 0). O).
PRUEBA 6.7 PRUEBA DE HIPOTESIS PARA LA HIPTESIS LA TAB.LA 6.7 PENDIENTE
H,: J3 = U
S, = s =

V(x-x)'

(6.15) (6.16)

t=h-f3 s. -14.54 - O -14.54 14.54-0 -14.54 t--

- 2.72/V.824 -- 2.72/v':824
= 4.8 = ~4.8

3.00

Nota: Los valores utilizados Se calcularon anteriormenle en este Los valores utilizados se calcularon anterionnente captulo. El trmino Sb es el elTor estndar dci coeficiente de del coeficiente de capItulo. El tnnino sb es ci error regresin. regreSin.

Considere especiales Considere ahora dos situaciones especiales que ilustran Ia importancia de probar una la hiptesis hiptesis con respecto a la poblaciOn as como considerar el valor de r2. la poblacin asI como considerar el ?

Situacin Suponga que n = 1000 y r2 = .10. Se rechaza la siguiente hiptesis nula: H0: /3 = 0. la siguiente hiptesis nula: Ha: f3 = O. Suponga que = 1000 Y ? = .10. Sin embargo, la regresin no se considera til. se considera til. Razn. tamao en extremo grande de la muestra produce estimacin Rcizn. El tamaio en extremo grande de Ia muestra produce una estimacin muy precisa de J, el coeficiente de determinacin de la poblacin. Se puede rechazar la nocin determinacin de la poblacin. Se nocion p2, de que este coeficiente sea igual a cero. Sin embargo, Ia relacin entre X y Y, aunque el coeficiente cero. Sin embargo, la relacin y Y, de pronosticador confia en que existe, es muy dbil (T = .10). Por lo tanto, queda establecido, confia en que existe, es muy dbil (p = .10). Por lo tanto, queda establecido, con un margen reducido de error, que existe uria dbil relacin en la poblacin entre X y existe una dbil relacin poblacin entre con Y, por lo que el pronosticador no puede utilizar el anlisis de regresin. Y, por lo que anlisis de regresin.

222

Anlisis de regresin

Captulo 6 CapItulo 6

Situacin

p = O. 13=0.

Suponga que n = 3 y r2 = .95. La siguiente hiptesis no se puede rechazar: H0:: Suponga que = Y r 2 .95. La siguiente hiptesis no se puede rechazar: H o

Razn. Los tres puntos de datos casi se ubican sobre una lnea recta. Sin embargo, Los puntos datos casi ubican sobre ilnea recta. embargo, es un tamao de muestra en extremo reducido, lo que no constituye suficiente evidencia tamao de muestra en extremo reducido, lo que no constituye suficiente evidencia es para hacer una declaracin positiva acerca de todos los puntos de datos de la poblacin. La poblacin. acerca de todos los puntos de datos requiere reunir mayor hiptesis nula no se puede rechazar debido al elevado valor de r2. Se requiere reunir mayor evidencia de poder efectuar declaraciones significativas con respecto evidencia de la muestra antes de poder efectuar declaraciones significativas con respecto poblacin. a la poblacin. Algunos paquetes de cmputo no calculan la estadIstica t. En su utilizan una Algunos paquetes de cmputo no calculan la estadstica t. En su lugar utilizan una prueba de proporcin de varianza o estadstica F. Para probar la hiptesis de que un modelo estadIstica F. modelo divide una estimacin desviada la en particular es bueno, se divide una estimacin no desviada de Ia varianza explicada por el modelo, entre la estirnacin no desviada del error de varianza no explicado para el modelo, entre la estimacin no desviada del error varianza explicado para emplea calcular la estadstica modelo. modelo. La ecuacin 6.17 se emplea para calcular la estadIstica F.

r.

F=

Varianza contabilizada Varianza total total

(r~ -

r~)/(KF K (r. - r)/(KF -- KR) (1 -- rr)/(n -- K (1 ~)/(n KF)


R)

(6.17)

en donde

r; = r2 para el modelo completo r


r~ ,;1. para el modelo restringido r ==r2 para el modelo restringido KF = nmero de parmetros linealmente independientes a estimar en el el KF = nrnero de parrnetros linealmente independientes modelo completo completo K R = nmero de parmetros linealmente independientes a estimar en el el KR = nrnero de parmetros linealmente independientes a modelo restringido n = tamao de la muestra n= r;. - ~ = porcentaje de varianza total explicada por la(s) = variable(s) el modelo variable(s) en el modelo completo pero no en el modelo restringido 1 - r. = porcentaje de la varianza total no explicada por el modelo - r;. = porcentaje de la varianza total no explicada completo

modelo completo es modelo que el analista est interesado en probar. El modelo El modelo completo es el modelo que el analista est interesado en probar. El modelo pronosticador restringido se forma mediante el uso de la media de Ia variable Y (1') como el pronosticador mediante el uso de la media de la variable Y (Ji) o variable independiente. r~ es el porcentaje de la varianza explicada cuando se emplea X independiente. r es el porcentaje de la varianza explicada cuando se emplea X Y. r es cero que de la media de Y predecir Y no explica la para predecir Y. r~ es cero ya que el uso de Ia media de Y para predecir Y no explica la ninguna variable Y. varianza de ninguna variable Y. Para determinar el valor apropiado de F a partir de la tabla C.6, el analista necesita la tabla C.6, el analista necesita Pam determinar el valor apropiado de F conocer dos parmetros: los grados de libertad tanto del nurnerador (KF - KR), como del parmetros: de libertad tanto del numerador (KF - K R), conocer denominador (n - KF). KF ).

Salida de cOmputo de cmputo

223

Ej emplo Ejemplo 6.10

La hiptesis nula para probar la ecuacin del .Sr. Bump, el modelo que usa el precio para La hiptesis nula para probar la ecuacin del .Sr. Bump, el modelo que usa predecir ventas, no es una buena hiptesis: el conocimiento del movimiento de la variable movimiento la variable predecir ventas, no una buena hiptesis: el conocimiento precio no explica un porcentaje significativo de la varianza de la variable ventas. Se usa Ia precio explica porcentaje significativo de la varianza de la variable ventas. Se usa la ecuacin 6.17 para calcular la estadIstica F apropiada. la estadstica apropiada.

F-

(r

- r)/(KF - KR)

(1 - r)/(n - KF)
(.746 0)/(2 1) (.746 -- 0)/(2 -- 1) (1 .746)/(10 2) (1 -- .746)/(10-2) .746 ~=23.5 = 23.5 .03175 .03 175

Debido a que Ia estadstica F calculada (23.5) es mayor que el valor tabulado de F para 1 y 8 la estadIstica F calculada (23.5) es mayor que ci valor tabulado de F para Debido grados de libertad a los niveles de significancia de .05 (5.32) Y .01 (11.26), se rechaza la niveles significancia de .05 (5.32) y .01 (11.26), grados de libertad a rechaza hiptesis nula en ambos niveles de significancia. El Sr. Bump concluye que es un buen modelo hiptesis en niveles de significancia. El Sr. Bump concluye que es un buen modelo y que explica un porcentaje significativo de la varianza de la variable dependiente. porcentaje significativo de Ia varianza de variable dependiente.

SALIDA DE CMPUTO SAL IDA DE COMPUTO


problema anlisis regresin del Sr. Bump (datos de la El problerna de anlisis de regresin del Sr. Bump (datos de la tabla 6.1) se ejecuta en un cmputo de regresin para producir Ia salida que se presenta en tabla 6.8. programa de crnputo de regresin para producir la salida que se presenta en la tabia 6.8. salida es tpica las generadas por El paquete utilizado produce una salida que es tIpica en comparacin con las generadas por de anlisis de regresin. Aunque no hay un formato cstndar otros programas de anlisis de regresiOn. Aunque no hay un fonnato estndar para presentar resultados anlisis regresin, muestra la tabla 6.8 contielos resultados de un anlisis de regresin, la salida que se muestra en Ia tabla 6.8 contiene los vaiores que exhiben Ia rnayorIa de los programas de anlisis de regresin. Para los valores que exhiben la mayora de los programas de anlisis de regresin. Para la tenninologa la explicar ia terminologla utilizada en Ia salida de cmputo, en la siguiente lista se presentan de cmputo, en Ia siguiente lista presentan definiciones clculos relacionados con la tabla 6.8. definiciones y ciIcuios relacionados con Ia tabla 6.8.

1. Correlacin X vs. Y = .86. El coeficiente de correlacin de ia muestra (r) indica ia C'orreiacin X vs. Y -.86. El coeficiente de correlacin de la muestra (r) indica la relacin entre X y Y, o entre precio y ventas, respectivamente. Xy Y, 2. Coeficiente de regresin = -14.54.Este valor es Ia proporcin de cambio en Y(ventas) Coeficiente de regresin 14.54. Este valor es la proporcin de cambio en Y(ventas) cuando X (precio) se incrementa en una unidad (b). Cuando el precio se incrementa en XQrecio) se incrementa en una $1 14 $1 dlar, las ventas disminuyen en 14 540 unidades. 3. Error estndar del coeficiente de regresin = 3.0. Este valor es Ia desviacin estndar Error estndar del coeficiente de regresin = 3.0. Este valor es la desviacin estndar muestreo de la distribucin de rnuestreo del valor del coeficiente de regresin (b). s yx Sv.r
2.72

272 2.72
.908

Sb =

V(X X)2

= V824 V.824

3.00 = 3.00

224

regresin Anlisis de regresion

Captulo Cap Itulo 6

TABLA 6.8 6.8


VARIABLE NO. 2 2

CMPUTO EL PROBLEMA DE REGRESiN DEL SR. BUMP SALIDA DE COMPUTO PARA EL PROBLEMA DE REGRESION DEL SR. BUMP

MEAN

STANDARD DEVIATION 0.30258

CORRELATION MEAN X y X VS Y (1) -0.86 (1)

REGRESSION COEFFICIENT -14.54 0.30258 (2) (2)

STD. ERROR OF REG. COEF OF REG. COEF 3.00 (3) (3)

COMPUTED T VALUE -4.84 (4) (4)

1.44000

DEPENDENT 1 1 11.20000
INTERCEPT STO. ERROR OF STD. ESTIMATE ESTIMATE

5.09466 32.14 (5) (5)

5.09466

CORRELATION 0.86 MULTIPLE CORRELATION 0.86 R SQUARED

(7) (7)

0.746 (8) (8) (9) 0.714 (9)

2.725 (6) (6) CORRECTED R SQUARED CORRECTED

ANALYSIS OF VARIANCE FOR THE REGRESSION (14) OF VARIANCE FOR THE REGRESSION (14) SOURCES OF VARIATION
DEGREES FREEDOM OF FREEDOM 1 1 8 8 9 9 SUM OF SQUARES MEAN SQUARES F VALUE

TO REGRESSION ATTRIBUTABLE TO REGRESSION DEVIATION FROM REGRESSION DEVIATION TOTAL

174.175 174.175 174.175 59.425 (10) 7.428 (10) 233.600 (11 ) (11)

23.448

CORRELATION MATRIX: 2 BY 2 (13 ) CORRELATION MATRIX: 2 (13)


VAR.
1 1

2 2

1.000 -0.863

-0.863 1.000 TABLE OF RESIDUALS RESIDUALS

CASE NO. NO.


1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 10

Y VALUE Y
10.00000 6.00000 5.00000 12.00000 10.00000 15.00000 5.00000 12.00000 17.00000 20.00000

Y ESTIMATE 13.23543 3.05824 3.05824 7.41989 7,41989 10.32765 8.87376 14.68932 14.68932 8.87376 11.78154 11.78154 17.59706 17.59706 16.14317

RESIDUAL -3.23543 (12 ) (12) 2.94176 -2.41989 1.67235 1.12624 0.31068 -3.87376 0.21846 -0.59706 3.85683

Salida de cOmputo cmputo

225

4. Valor calculado tt = 4.84. El valor calculado ttse usa para probar si el coeficiente de 4. Valor calculado = -4.84. El valor calculado se usa para probar si el coeficiente fJ es fonna la regresin de Ia poblacin /3es diferente de cero en forma significativa.
t

14.54 = = b - f3 = - 14.54
Sh Sb
S

b-3

Sh Sb

sh =

= VI(X V(x -

yx

1)2 X)2

2.725 3.00 \1.8240 = 3.00 V.8240

-14.54 14.54 -4.85 (error de redondeo) t = - - - = 4.85 (error de redondeo) = 3.00

5. Insterseccin = 32.14. Este valor es ci punto de interseccin de y (b0). De ahI que la = 32.14. Este valor es el plmto de interseccin de y (b a). ah ecuacin completa de regresin sea

y = 32.14 l4.54X Y= 32.14 - 14.54X


6. Error estndar de la estiinacin = 2.725. El error estndar de la estirnacin indica que Error estndar de la estimacin = 2.725. El error estndar de la estimacin Y ubican forma tIpica airededor de lnea los valores de Y se ubican en fonTIa tpica alrededor de casi 2.725 unidades de la lInea 2.725 de regresin. s
y yx

= =

59.425 (YY)2 j"(Y -- 2 J59.4252 n 10 n-2 10 -- 2


y)2 =

= -

Y7.428 = 2.725 V7.428 = 2.725

7. Correlacin imiltiple = .86. El coeficiente de correlacin multiple es la raIz cuadrada mltiple .86. coeficiente mltiple la raz cuadrada r2 e indica el grado de relacin entreXy Y pero no el tipo de relacin. positiva de ,,2 e indica el grado de relacin entre X y Ypero no ci tipo de relacin.
.74 = 74 Vr2 V74 v? = V.74
r2

r = .86 = .86
8. r cuadrada==.746. La regresin explica ci 74.6% de Ia varianza en ci volurnen de ventas. cuadrada . 746. La regresin explica el 74.6% de la varianza en el volumen de ventas.
1

I(Y -- Y)2 E(Y y)2 I(Y -- Y)2 (Y y)2

---

59.4 233.6

1 .254 = .746 = I -- .254 = .746

9. r cuadrada corregida = = 714. El valor de r2 se ajusta a los grados de libertad apropiados. cuadrada corregida . .714. El valor de ,;2
.2

'C

I(Y -- Y)2/(n -- 2) Y Y)~(n 2) 1 - -'-------'----'---"I(Y -- Y)2/(n - 1) (Y Y)2/(n - 1)

1 _ 59.425/8 233.6,9 233.6/9

1 1

7.428 7.428 = 1 - .286 = .714 1 - 286 = 714 25.956 . .

226

regresin Anlisis de regresin

Captulo 6 Cap Itulo

10. Suma de desviaciones cuadradas de la regresin = 59.425. La suma de los residuos Suma de desviaciones cuadradas de la regresin = 59.425. residuos cuadrados es la diferencia entre la Yreal y la prediccin de Y(Y), elevada al cuadrado Y real la prediccin de Y (Y), y sumada (en ocasiones se le denomina como el error de la suma de cuadrados). ocasiones se le denomina como el error de la suina de cuadrados). I(Y - y)2 = 59.425 59.425 11. Suma total de cuadrados = 233.6. Es el valor de la suma de las desviaciones cuadradas cuadradas cuadrados = 233.6. Es el valor de la suma de la media. I(Y - Y)2 = 233.6 y)2 = 12. Tab/a de residuos. Los residuos miden Ia diferencia entre lo que es realmente Yy Jo que Tabla Los residuos miden la diferencia entre lo que es realmente Yy lo regresin. se predice que ser cuando se usa Ia ecuacin de regresin. Por ejemplo, la
1: Case 1: 2: Case 2:

Y = 10 -- 13.23543= -3.23543 = 10 13.23543 = 3.23543 Y -- Y = 6 - 3.05824 = 2.94176 3.05824 = 2.94176 Y Y=


Y -Y

13. Matriz de correlacin. La rnatriz proporciona Ia correlacin entre todas las variables en correlacin. La matriz proporciona la correlacin entre todas las variables en slo variables, slo hay un coeficente de conelacin el anlisis. Como solo comprende dos variables, sOlo hay un coeficente de correlacin (-.863). (.863). 14. Anlisis de varianza. El valor F (23.448) en esta tabla ANOVA (anlisis de varianza), varianza. El valor F (23.448) en esta tabla ANOVA (anlisis de varianza), nula de que la regresin no es significativa; es decir, Ia reduccin en prueba la hiptesis nula de que Ia regresiOn no es significativa; es decir, la reduccin en la suma de errores cuadrados de 233.6 a 59 425 se debe a la casualidad. Un valor alto elTores 233.6 a 59 425 se debe a la casualidad. Un valor alto de F permitirrechazar esta hiptesis, sugiriendo una regresin significativa. El vaFpermitir rechazar esta hiptesis, sugiriendo una regresin significativa. El valor de F (23.488 = 174.175/7.428) se hace ms grande en tanto se explique una mayor (23.488 = 174.175/7.428) parte cuadrados, mediante la regresin. parte de la suma total de residuos cuadrados, mediante Ia regresiOn. En este caso el valor el valor tabulado (dll! = 1, dft= 8, a= .01) es 11.26. De ah que se rechace la hiptesis F tabulado (df, = 1, dfd = 8, a= .01) es 11.26. De ahi que se rechace la hipOtesis de que la regresin no es significativa al nivel de significancia de 1%, ya que 23.488 > 11.26. regresin noes significativa significancia de 1%, ya que 23.488> 11.26. Los grados de libertad apropiados en cualquier anlisis dede regresin son k1, n-k y Los grados de libertad apropiados en cualquier anlisis regresin son k - 1, n - k y n - I 1 para los atribuiblesa a la regresin, La desviacin de la regresin y el total, n para los atribuibles la regresiOn, la desviacin de Ia regresin y el total, respectivamente, en donde k es el nmero de coeficientes de regresin calculados a partir respectivamente, en donde kes el nmero de coelicientes de regresin calculados partir de los datos de la muestra (todas las b).

Transformacin de variables Trans form acinde variables


tcnicas captulo apoya la suposicin existe una relacin lineal Las tcnicas en este capItulo se apoya en la suposicin de que existe una relacin lineal variable dependiente (Y) la variable de prediccin (X). Se supone tambin esta entre la variable dependiente (Y) y la variable de prediccin (X). Se supone tambin esta relacin entre Y y pronsticos multiples como se expone en relaciOn entre Y y pronsticos mltiples como se expone en el cap. 7. muestran En ocasiones, los datos de inters no muestran una relacin lineal. Si la relacin X-y relaciOn lineal. Si la relacin XY se acerca a ser lineal, Ia suposicin de este capItulo sobre Ia relacin de lInea recta podrIa lineal, la suposicin captulo la lnea podra se precisin. Cuando la forma de proporcionar suficiente precision. Cuando ste no es el caso, se debe encontrar la forma de manejar una relacin que no se puede aproximar a un modelo lineal. aproximar modelo lineal. maejar una relacin que

de cmputo Salida de cOmputo

227

Existen dos formas bsicas para el manejo de relaciones no lineales. El primero manejo de relaciones no lineales. El primero Existen dos fonnas bsicas para consiste en ajustar los datos con una Ilnea curva o modelo y emplear la relacin establecida lnea con fines de pronstico. Este enfoque constituye una ampliacin del modelo lineal descrito ampliacin del lineal descrito en este libro y es tema de ms avanzados tratamientos del anlisis de regresin. y es tema de ms avanzados tratamientos del anlisis de regresin. El segundo enfoque consiste en convertir una o ms variables a otra fonna, de modo convertir una o ms variables forma, que la relacin resultante con Y sea lineal. Cuatro de las transforrnaciones ms comunes relacin resultante con Y lineal. Cuatro de las transfonnaciones comunes que se usan para generar nuevas variables de prediccin son: el logaritmo de ~ la raIz que usan para generar nuevas variables de prediccin son: el logaritmo de X raz cuadrada de X, X cuadrada y el recIproco de X. Al graficar cada una de estas variables estas variables cuadrada de X, X cuadrada y el recproco de X. Al graficar cada una contra Y, la esperanza es que, aunque la relacin X-Yen s misma no es lineal, alguna de contra Y, la esperanza es que, aunque la relacin XY en si misma no lineal, alguna de transfonnaciones las transformaciones arroje una relacin lineal. De ser as, se puede tratar a Y y a esta nueva lineal. asI, se puede tratar a Yy captulo, incluyendo el clculo variable mediante el modelo lineal expuesto en este capItulo, incluyendo el clculo del variable mediante el modelo lineal expuesto en coeficiente de regresin y la ecuacin de regresin. la ecuacin de regresin. En el ejemplo siguiente, se emplea Minitab para graficar una relacin X-Y simple que siguiente, se emplea Minitab para graficar una relacin XY simple que calcule las cuatro transfonnaciones parece no ser lineal. Se instruye a! prograrna para que calcule las cuatro transformaciones lineal. Se instruye al programa descritas anteriorrnente. Entonces se pueden graficar estas variables contra Y, para producir anterionnente. Entonces se pueden graficar Y, para producir las grficas que se muestran. se muestran.

> MTB > DATA> DATA> DATA> MTB > > DATA> DATA> DATA> DATA> MTB > > MTB > > MTB > > MTB > > MTB > > MTB > MTB > ROW
1

SET C1 SET Cl 5 5 18 20 14 3 19 20 14 3 18 END SET C2 SET C2 25 12 30 10 50 90 25 12 30 END C2, PUT INTO C3 LOGE C2, PUT INTO C3 SORT 02, PUT INTO C4 SQRT C2, PUT INTO C4 C2 BY C2, PUT INTO C5 MULTIPLY C2 BY 02, PUT INTO C5 DIVIDE 1 BY C2, PUT INTO C6 DIVIDE 1 BY C2, PUT INTO C6 NAME C1 'Y' C2 'X' C3 'LOGX' C4 'SQRTX' 05 'X2' C6 1/Xe NAME Cl 'Y' C2 'X C3 'LOGX' C4 'SQRTX C5 'X2' C6 'l/X' PRINT C1-C6 PRINT C1C6 Y Y 5 5
18

X 10
50

LOGX
2.30259 3.91202 4.49981 3.21888 2.48491 2.48491 3.40120

SQRTX 3.16228 7.07107 9.48683 5.00000 3.46410 5.47723

X2

l/X 1/X X

2 2 3 3 4 4 5 5 6 6

20 14

3 3
19

90 25 12 30

100 2500 8100 625 144 900

0.100000 0.020000 0.011111 0.040000 0.083333 0.033333

El comando SET se usa para introducir Y y X en' C1y C2. se usa para introducir YyXen'C1 y C2. El cornando LOGE se emplea para calcular los logaritmos de los valores de X y comando LOGE se emplea para calcular los logaritmos de los valores de X almacenar los resultados en C3.

228

Anlisis de regresion regresin

Captulo 6 CapItulo

El comando SQRT se utiliza para calcular las races cuadradas de los valores de X y cornando SQRT se utiliza para calcular las ralces cuadradas de los valores X almacenar los resultados en C4. El comando MULTIPLY se usa para elevar a! cuadrado los valores de X y almacenar elevar al cuadrado los valores de X y almacenar los resultados en C5. El comando DIVIDE se emplea para los recIprocos de X y almacenar los resultados en recprocos los resultados en Xy C6.

MTB> PLOT Cl VS C2 MTB > PLOT Cl VS C2

18.0+
y Y

12.0+

6.0+ 6 . 0+

- - - - - -+- - - - - - - - -+- - - - - - - - -+- - - - - - - - -+- - - - - - - - -+- - - - - - - - -+X 30 45 60 75 90 15 75

MTB > PLOT Cl VS C3 MTB > PLOT Cl VS C3

18.0+ 18.0+
y Y

12 . 0+ 12.0+

6.0+ 6 . 0+

+ - - - - - - - - - + - - - - - - - - - + - - - - - - - - - + - - - - - - - - - + - - - - - - - - - + - - - - - - LOGX + LOCX 2.00 2.50 2.50 3.00 3.50 4.00 4.50

de cmputo Salida de cOmputo

229

MTB

> FLOT Cl VS C4 > PLOT Cl VS C4

18.0+
y Y

12.0+

6.0+ 6 . 0+

- - - - - -+- - - - - - - - -++ +
3.6

4.8

- - - - - + - - - - - - - - - + - - - - - - - - - + - - - - - - - - - +SQRTX + SQRTX 6.0 7.2 8.4 9.6

MTB MTB

> PLOT Cl VS C5 > FLOT Cl CS

18.0+
y Y
-

12 . 0+ 12.0+

6.0+ 6 . 0

++ + + - - - - - - - -+- - - - - - - - -+- - - - - - - - -+- - - - - - - - -+- - - - - - - - -+- - - - - - - - -X2 + + + X2


0

1500 1500

3000

4500

6000

7500

230

de regresin Anlisis de regresiOn

Captulo 6 Cap Itulo

MTB> PLOT Cl VS C6 MTB > PLOT Cl VS C6


*

18.0+
y Y

12.0+

6.0+ 6 .0+

0.000
MTB > STOP MTB > STOP

+- - - - - - - - -+- - - - - - - - -+- - - - - - - - -+- - - - - - - - -+- - - - - - - - -+- - - - - -1 Ix + + + + + + 1/x 0.020 0.040 0.060 0.080 0.100 0.020 0.100 0.080

0.040

Ntese que La primera grfica (X vs. fl produce una relacin no lineal. Es probable que la Y) produce relacin lineal. Es probable lnea travs estos puntos de datos se produzca en el anlisis y que el ajustar una ilnea recta a travs de estos puntos de datos se produzca en el anlisis y en en los pronsticos subsecuentes, un grado de error no deseado. pronsticos subsecuentes, un grado de En contraste, la segunda grfica (Y vs. logaritmo de X) y la ltima grfica (Y vs. segunda grfica (Y vs. logaritmo de X) la ltima grfica (Y vs. En contraste, recproco X) prometedoras modelo lineal. Se podran utilizar recIproco de X) se muestran ambas prornetedoras para el modelo lineal. Se podrIan utilizar los mtodos lineales de este captulo y del cap. 7, para emplear estos dos pronsticos en un los mtodos lineales de este capItulo y del cap. 7, pam emplear estos dos pronsticos en un intento por encontrar una ecuacin de prediccin con un grado aceptable de precision. precisin. intento una ecuacin de prediccin con un

APLICACIN EN LA ADMINISTRACIN APLICACIN EN ADMINISTRACION


anlisis de regresin es la herramienta estadstica ms ampliamente utilizada por la El anlisis de regresin es la herrarnienta estadIstica ms amplianiente utilizada por La administracin, cuando existe la necesidad de evaluar el impacto de una sola variable variable administracin, cuando existe la necesidad de evaluar el impacto de una independiente. independiente sobre una variable independiente. El anlisis de regresin junto con el anlisis regresinjunto con el anlisis de correlacin, ayuda al pronosticador a caracterizar las relaciones entre variables. El pronosticador caracterizar las relaciones entre variables. de correlacin, ayuda pronosticador puede determinar tanto la importancia como la direcciOn de La relacin entre detenninar la importancia como la direccin la relacin entre variables. La mayoria de Los problemas que utilizan el anlisis de regresiOn comprenden una mayora los problernas que utilizan el anlisis de regresin comprenden una versin ms compleja denominada mltiple (que version rns compleja denorninada anlisis de regresin mltiple (que se describir en el siguiente captulo), ya que la mayora de las relaciones implican el estudio de ms de una sigUiente capitulo), ya que La rnayoria de las relaciones implican el estudio de rns de una

Aplicacifleo la administracin AplicaciOnen Ia administraciOn

231

variable independiente. No obstante, en ocasiones se utilizan el anlisis de regresin simple independiente. obstante, en ocasiones se utilizan el anlisis y el anlisis de correiacin, algunos ejempios son anlisis de correlacin, algunos ejemplos son

Consumo de productos. Un fabricante pudiera intentar predecir qu tanta cerveza bebe Consumo deproductos. Un fabricante una persona por semana, a partir de variables como ingreso, edad educacin o clase ma persona semana, partir de variables como ingreso, edad educacin o clase social. Ventas. Un detallista podra intentar predecir las ventas de un producto para una tienda Ventas. Un detallista podrIa intentar predecir las ventas de un producto versus otra, con base en diferenciales de precio, ingreso relativo a la comunidad de los alrededores, el trato amistoso del personal de la tienda, o el nmero y fuerza de los airededores, el trato amistoso del personal de la tienda, o el nmero y fuerza de los competidores en cada area de mercado. rea de mercado. Precios de la bolsa. Un analista de bolsa de una empresa regional de corredores podrIa Precios de la bolsa. Un analista de bolsa de una empresa regional de corredores podra intentar predecir el precio de una nueva emisin de una empresa local, con base en la el precio de una nueva ernisin de una empresa local, con base en la economa regional, el ingreso, la poblacin o la imagen de la empresa. econornIa regional,

vencida que Cartera vencida. Un contador podrIa intentar predecir la cartera vencida que una vencida. Un contador podra intentar predecir en el compaa pudiera esperar encontrar en el siguiente trimestre fiscal, con base en el compaflIa pudiera esperar encontrar en el siguiente trimestre fiscal, nmero de personas desempleadas, crdito excesivo, tasas de inters o ventas nmero de personas desempleadas, crdito excesivo, tasas de inters ventas esperadas.
Requeriinientos de personal. Un director de personal de una gran compaIa manufacRequerimientos personal. Un director de personal de una gran compaa manufacturera podra intentar predecir los requerimientos de personal para el prxirno aflo, a requerimientos de prximo ao, turera podrIa intentar predecir la de sus su escala de salario comparada con la de partir de la edad promedio de sus empleados, su escala de salario comparada con Ia de la cornunidad de los airededores, nuevos contratos de ventas esperados o la disponibicomtmidad alrededores, o la disponibilidad de trabajos competitivos. Deinanda de Ufl centro comercial. El gerente de un nuevo centro comercial podrIa Demanda de un centro coinercial. El gerente de un podra tratar de anticiparse a la demanda, analizando el ingreso de la comunidad de los tratar de anticiparse a demanda, analizando el ingreso de la comunidad de el tamao de la proximidad dimensiones de otros centros alrededores, ci tarnao de Ia poblacin o la proxirnidad y dimensiones de otros centros comerciales. cornerciales.
detenninada relacin las variables independiente dependiente, Una vez determinada la relacin entre las variables independiente y dependiente, la administracin puede, en algunos casos, partir adrninistracin puede, en algunos casos, tratar de controlar la variable dependiente a partir detennina de este conocimiento. Por ejemplo, suponga que un gerente de comercializacin deterrnina significativa entre los gastos de publicidad y las ventas. La que existe una relacin positiva significativa entre los gastos de publicidad y las ventas. La podra ecuacin de regresin podrIa ser Ventas = $43 000 + .3 (gastos de publicidad) Ventas = $43 000 gerente podra A partir de esta ecuacin, el gerente de comercializacin podrIa intentar controlar las las la cantidad de publicidad que maximizar las utilidades. ventas aumentando o disminuyendo la cantidad de publicidad que maxirnizar las utilidades. Siempre que el administrador tenga control sobre la variable independiente, hay posibilidad control sobre variable independiente, posibilidad la variable dependiente. ah ecuacin regresin de un control parcial de la variable dependiente. De ahI que la ecuacin de regresin y el coeficiente de deterrninacin ayuden a Ia administracin a determinar si vale la pena dicho detenninacin ayuden la vale la pena dicho control.

232 232

Anlisis de regresiOn Anlisis de regresin

Captulo 6 CapItulo 6

GLOSARIO
Lnea de regresin. Una lnea de regresin es aquella que mejor se ajusta a un conjunto LInea de regresin. Una ilnea de regresin es aquella que mejor se ajusta a un conjunto las distancias a! cuadrado de los puntos la de datos X-Y. Minimiza la suma de las distancias al cuadrado de los puntos a Ia de datos X - Y. Minimiza lnea, medidas en direccin vertical o de Y. de Y. ilnea, Error estndar de estimacin. El error estndar de la estimacin mide la cantidad Error estndar de Iala estimacin.El error estndar de la estimacin mide la cantidad
estndar en que los valores reales de Y difieren de los valores estimados (Y). los valores reales de Y difieren de los valores estimados (Y).

fRMULAS CLAVE FORMULAS CLAVE

Mtodo de mmnimoscuadrados: frmula de la pendiente b = nXY -- IXIY mnimos cuadrados: formula Ia pendidnte b = nIXY nIX 2 - (IX)2 nIX2 - (IX)2 Mtodo de mnimos cuadrados: formula de interseccion con Y b = IY _ bIx Metodo de minimos cuadrados: frmula de interseccin con Y o n n n fl Ecuacin de regresin EcuaciOn
y = bo Y = b0 + bX bX

(6.1 ) (6.1)
(6.2) (6.2)

(6.3) (6.3)

Error estndar de la estimacin: formula definitoria Error estndar de la estimacin: frmula definitoria
S y.x yx

= =

YY)2 JI(Y -- 2Y)' n n-2


boIY - bIXY b0IY n - 2 n-2

(6.4) (6.4)

Error estndar de la estimacin: formula de clculo Error estndar de la estimacin: frmula de clculo
S

sy.x = yx

Iy2 1y2 --

(6.5) (6.5)

Error estndar del pronstico Error estndar del pronstico

S =Syx s=s y.x f

Intervalo de prediccin: muestra grande prediccin:

R
1

1+1+ +1-+ n
n

(X-X)2 (XX)2

I(X - X)2 I(XX)2

(6.6) (6.6)

Y ZSf Y Zs

(6.7) (6.7)
(6.8) (6.8)

Intervalo de prediccin: muestra reducida y ts1 Intervalo de prediccin: muestra reducida V ts Coeficiente Coeficiente de determinacin

= 1 r2 = 1 -

I(Y - Y)2 y)2


I(Y y)2 I(Y -- Y)2

(6.9) (6.9)

Coeficiente de determinacin: frmula de clculo Coeficiente de determinaciOn: formula


2

boIY + bIXY - ny2 bIY+bIXYnY2 0 Iy 1y22 _. ny2

(6.10) (6.10)

Captulo 6 CapItulo

Problemas

233

Suma total de cuadrados

- Y)2
s2
V

(6.11 ) (6.11)

Varianza total de Y alrededor de su media Y airededor Varjanza

l(Y - Y)2 y)2 n - 1

Suma de residuos cuadrados cuadrados

l(Y - Y)2 y)2 n - 2

ni

(6.12) (6.13)</