Pronostico de Una Variable.
Pronostico de Una Variable.
Pronostico de Una Variable.
DEYKA JIMÉNEZ
JAIME CÁRDENAS
JOSÉ BARRAGÁN
FRANCISCO GUERREL
DOROTEO BENÍTEZ
MIGUEL MENDOZA
INTRODUCCIÓN
Nos ocupamos de la estadística descriptiva , en la cual se
organizan los daros en una tabla de distribución de frecuencias y
se calculas las medidas de tendencias central y de dispersión,
para describir las características que hacían referencia a una
sola variable.
METODOS HISTÓRICOS
MÉTODOS CASUALES
ventas y de • Promedio móvil. lineal simple.
distribuidores. • Mínimos cuadrados
• Intuición de ventas por aplicados a la regresión
días feriados u otras simple.
actividades. • Regresión múltiple.
• Opinar sobre el • Regresión curvilínea.
pronóstico del tiempo. • Regresión logística.
• Predecir sobre el éxito de • Series de tiempo.
un producto en el • Atenuación exponencial.
mercado.
1.3 USO DEL MÉTODO GRÁFICO
SE DEBEN GRAFICAR LOS DATOS Y DETERMINAR SI EXISTE UNA RELACIÓN
ENTRE LAS VARIABLES, A ESTA GRÁFICA SE LE DENOMINA DIAGRAMA DE
DISPERSIÓN.
Ventajas
• Ahorra tiempo y trabajo.
• Ayuda a planear operaciones y juzgar sus resultados.
• El analista puede eliminar valores extremos que distorsionan la tendencia general.
Desventajas
• Potencialmente, refleja los errores subjetivos del analista.
• Debido a la presencia del elemento subjetivo en los métodos gráficos, la falta de experiencia puede conllevar a
utilizar malas escalas en la evaluación.
• En una ecuación es más fácil de resumir las relacione y evaluar resultados para predecir nuevas observaciones.
TIPOS DE RELACIÓN ENTRE LAS
VARIABLES
ANÁLISIS DE REGRESIÓN LINEAL
SIMPLE
El pronóstico se convierte en una cuestión de determinar la línea de mejor tendencia general y de
interpolar o extrapolar esta línea hacia un comportamiento futuro.
Variable independiente
REFLEXIONES SOBRE EL MODELO
FÓRMULAS
Expresión de una línea recta Llevar a cabo una organización de datos para aliviar dificultades al
momento de llamar la atención sobre la información en referencia.
Pendiente
Punto de inserción
Enero 50
Febrero 51
Marzo 48
Abril 60
Mayo 60
Junio 66
Julio 59
Agosto 70
Septiembre 68
Octubre 74
Noviembre 79
Diciembre 76
Utilice el modelo de predicción correcto para estimar la demanda de próximo mes de enero.
SOLUCIÓN
PASO #1
Graficar los datos para comprobar la existencia de una tendencia lineal. Para ello, se definen previamente las
variables.
60 60 59
60 50 51 S N D
48 O
50 E I
P O V C
40 E F M A M J J A T C I I
N E A B A U U G T E
30 E B Y N
I E
R R L O E U M M
20 R R Z I O I I S M B B B
O E L O R R
10 R
O O T B R
MESES O R E E E
0 O
E
PASO #2 PASO #3
Los valores generados serán asignados en las Se reemplazan los resultados de las ecuaciones
expresiones que corresponden a la pendiente y para obtener los resultados de “b” y “a”.
punto de intersección de la línea de mejor
aproximación.
b= (12)(5338)-(78)(761)
MES X1 Y1 X1, Y1 X12 Y12
(12)(650)-(78)2
ENERO 1 50 50 1 2500
FERERO 2 51 102 4 2601
b=2.74 artículos por mes
MARZO 3 48 144 9 2304
Este valor se interpreta estadísticamente como el
ABRIL 4 60 240 16 3600 incremento de la demanda en promedio por mes
MAYO 5 60 300 25 3600
JUNIO 6 66 396 36 4356
JULIO 7 59 413 49 3481
AGOST 8 70 560 64 4900
O
Se calcula el punto de intersección.
SEPTIE 9 68 612 81 4624
MBRE
TOTALE
S
78 761 5338 650 49459
a= -45.6 artículos
CONCLUSIÓN
PASO #4
Como sistema de causas posibles que pueden afectar el
Finalmente, la línea de regresión o de mejor pronóstico de la demanda se identifican algunos externos
aproximación quedará representada por la siguiente no controlables por la empresa los cuales deben
ecuación. monitorearse.
Y=45.6 + 2.74X ESTOS FACTORES PUEDEN SER:
Competencia
Precio de venta
PASO #5 Innovaciones en el mercado por la moda u
otros diseños
Para obtener la demanda estimada en el próximo mes
de enero se sustituye el valor “x” por 13.
Cabe indicar, que mientras más dispersos se encuentran los puntos con res
2 Variación explicada
𝑟 =¿ Variación total
2 2
𝑟 =( 0.946)
2
𝑟 =0.929
Este indicador descriptivo, mide la eficiencia de expresión utilizada para realizar el pronóstico,
por ello, se puede decir que el modelo utilizado es 89.5% eficiente.
EJEMPLO #4
Una pequeña cooperativa se especializa en venta de 2 productos: café en polvo y chocolate en polvo.
Esta cooperativa ha recibido a 2 estudiantes para realizar un proyecto de final de curso. Este
proyecto consiste en evaluar el efecto que tiene el precio del chocolate en polvo, en balboa, sobre la
demanda del café en polvo, en libras. Para ello se ha registrado información que se presenta a
continuación:
Graficar los datos para comprobar la Ordenar los pares de datos resultados de los términos de
existencia de una tendencia lineal las ecuaciones. Los valores aquí generados serán
asignados en las actuaciones que correspondan a la
pendiente y punto de intersección de la línea de mejor
VENTAS DE CAFÉ SEGUN EL aproximación.
PRECIO DEL CHOCOLATE
1000
900 PASO #3
800
700
Se remplazan los resultados en las ecuaciones para
Ventas en libra
600
500
400 obtener los valores de “b” y “a”.
300
200
100
0
10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
b
Precio en balboas
Ventas en libra
0 600
500
6 21 724 15204 441 52417 400 Y
6 300
200
7 21 680 14280 441 46240 100
0 0
10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
8 14 300 4200 196 90000 Precio en balboas
Para determinar el grado de relación entre ambas variables calculemos el coeficiente de correlación y de
determinación.
r 2
𝑟 =( 0.857)
2
2
𝑟 =0.734
r= + 0.857
Se interpreta que el 73.4% de la variabilidad de la venta
Este resultado indica que existe una es producto del precio del chocolate en polvo el restante
correlación o asociación “alta” entre las 26.6% de la variabilidad de es aplicada a otras variables
ventas de café y el precio chocolate en polvo. que no aparecen en el estudio en resumen la eficiencia de
la expresión utilizada para realizar el pronóstico es de
73.4%
EJEMPLO #5
La empresa Cajetón, es una pequeña empresa familiar dedicada a la fabricación de cajas de cartón de alta calidad. Esta
organización ha mantenido una buena relación con la Cooperativa dedicada a la venta de jugos de naranja, desde hace
ya 10 años. La Cooperativa embala sus productos en 2 tipos de caja chicas y grandes, las cuales son compradas a la
empresa Cajetón. Para realizar una mejor planificación de las compras la empresa Cajetón le ha contratado a usted
para determinar las ventas del próximo año.
A continuación, se presenta dicha información histórica de las ventas de cajas, en miles, y la calidad de cajas que se
puede obtener de una bobina estándar para cada tamaño:
50
Venta(en miles)
40
30
X1 X12 Y12 X1 X12 Y12
20 Y1 X1, Y1 Y1 X1, Y1
10
1 25 25 1 625 1 8 8 1 64
0
0 1 2 3 4 5 6 7 8
2 21 42 4 441 2 10 20 4 100
Año
3 33 99 9 1089 3 20 60 9 400
CHICAS GRANDES
4 30 120 16 900 4 16 64 16 256
Se reemplazan los resultados en las ecuaciones para obtener los valores “b” y “a”
b b
a a
Bobinas
Y=17.27 + 4.11X
PARA EL CASO DE CAJAS GRANDES
Y= 4.14 + 3.93X
Para el caso de cajas grandes
Y= 4.14 + 3.93(8)
Y=35.58
Bobinas
CONCLUSION GENERAL
Pronosticar es anticipar el valor futuro de una variable. Esto se logra aplicando técnicas
cuantitativas y la experiencia y juicio de la persona responsable de su elaboración. El
pronosticador deberá explorar y analizar, en primera instancia, los datos con que se cuente,
porque derivado de ello, se utilizará un método cualitativo o bien uno cuantitativo. Cuando se
tienen suficientes datos, se prefiere emplear una técnica cuantitativa, ya sea para pronosticar una
serie de tiempo o para desarrollar un modelo causal. Una serie de tiempo es una sucesión
histórica de datos, que puede ser estacionaria, con tendencia o estacional, y es posible desarrollar
su pronóstico con una técnica de suavización o con un método de descomposición. Por otro lado,
se desarrollará un modelo causal si se cuenta con datos que presentan una relación causa efecto,
en donde la aplicación de las técnicas de regresión lineal serán las más adecuadas para este fin.
Existen diferentes mediciones de error que caracterizan al pronóstico desarrollado, cualquier
método de pronóstico, sí están bien ejecutada sus fórmulas esto nos va a garantizar una mayor
precisión en la estimación, y por consecuencia una mejor toma de decisiones.
GRACIAS