Matriz De Impacto Cruzado.2

16,823 views

Published on

analisis estrategico

Published in: Education, Business, Technology
0 Comments
4 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
16,823
On SlideShare
0
From Embeds
0
Number of Embeds
74
Actions
Shares
0
Downloads
293
Comments
0
Likes
4
Embeds 0
No embeds

No notes for slide
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Cristina Gigola Departamento de Ingeniería Industrial y Operaciones
  • Matriz De Impacto Cruzado.2

    1. 1. PRONÓSTICO <ul><li>“ ES UNA ESTIMACIÓN CUANTITATIVA O CUALITATIVA DE UNO O VARIOS FACTORES (VARIABLES) QUE CONFORMAN UN EVENTO FUTURO, CON BASE EN INFORMACIÓN ACTUAL O DEL PASADO” </li></ul>
    2. 2. PORQUÉ? <ul><li>La empresa se mueve en un contexto altamente incierto </li></ul><ul><li>Política, tecnología y medio ambiente repercuten sobre variables relevantes para la empresa: costos de producción, inventarios, volumen de ventas </li></ul><ul><li>La empresa debe tomar decisiones sobre Factores Controlables tomando en cuenta Factores Incontrolables . </li></ul>
    3. 3. FACTORES CONTROLABLES <ul><li>AQUELLOS SOBRE LOS CUALES LA EMPRESA DECIDE SU ESTRUCTURA, NIVELES, POLÍTICA Y MODO DE OPERAR: </li></ul><ul><li>NIVELES DE PRODUCCIÓN </li></ul><ul><li>NIVELES DE INVENTARIO </li></ul><ul><li>CAPACIDAD </li></ul>
    4. 4. FACTORES INCONTROLABLES <ul><li>AQUELLOS SOBRE LOS CUALES LA EMPRESA NO PUEDE DECIDIR NI MODIFICAR: DEPENDEN DE FACTORES EXTERNOS A LA EMPRESA </li></ul><ul><li>DEMANDA DEL PRODUCTO </li></ul><ul><li>COMPETENCIA </li></ul><ul><li>ECONOMÍA </li></ul><ul><li>COMPORTAMIENTO DEL CONSUMIDOR </li></ul>
    5. 5. QUÉ PRONOSTICAR? <ul><li>LA EMPRESA REQUIERE PREDECIR FACTORES INCONTROLABLES :MERCADO, ENTORNO, ECONOMÍA, QUE SON INCIERTOS, PARA DECIDIR (PLANEAR) SOBRE FACTORES CONTROLABLES: NIVELES DE INVENTARIO, DE PRODUCCIÓN, CAPACIDAD. </li></ul>
    6. 6. OBJETIVO <ul><li>REDUCIR LA INCERTIDUMBRE DEL FUTURO, MEDIANTE LA ANTICIPACIÓN DE EVENTOS CUYA PROBABILIDAD DE OCURRENCIA SEA RELATIVAMENTE ALTA, RESPECTO A OTROS EVENTOS POSIBLES. </li></ul>
    7. 7. CLASIFICACIÓN DE PRONÓSTICOS <ul><li>HORIZONTE DE PLANEACIÓN </li></ul><ul><li>LARGO PLAZO: inversión en capital, localización de planta, nuevos productos, expansión, crecimiento del mercado, tecnología </li></ul><ul><li>MEDIANO PLAZO: tamaño de la fuerza de trabajo, ciclicidad de la demanda, requerimientos de capacitación </li></ul><ul><li>CORTO PLAZO: frecuencia de pedidos , demanda, niveles de inventario requeridos </li></ul>
    8. 8. CLASIFICACIÓN DE PRONÓSTICOS <ul><li>POR ÁREAS DE LA EMPRESA </li></ul><ul><li>MERCADOTECNIA: crecimiento del mercado, pronósticos económicos y poblacionales </li></ul><ul><li>PRODUCCIÓN: programas de expansión, pronóstico de la demanda a mediano y largo plazo </li></ul><ul><li>FINANZAS: presupuesto de gastos, ventas del próximo año </li></ul>
    9. 9. CLASIFICACIÓN DE TÉCNICAS DE PRONÓSTICOS <ul><li>POR TIPO DE DATOS </li></ul><ul><li>CUALITATIVAS: técnicas subjetivas. Utilizan información cualitativa (experiencia de expertos). </li></ul><ul><li>CUANTITATIVAS: se basan en datos numéricos y utilizan herramienta matemática y estadística para su elaboración. </li></ul>
    10. 10. TÉCNICAS CUALITATIVAS <ul><li>LA MISMA TÉCNICA USADA POR DOS EXPERTOS DISTINTOS PUEDE PRODUCIR RESULTADOS DIFERENTES </li></ul><ul><li>INVESTIGACIÓN DE MERCADOS </li></ul><ul><li>ANALOGÍAS HISTÓRICAS </li></ul><ul><li>MÉTODO DELPHI </li></ul><ul><li>CONSENSO GENERAL </li></ul><ul><li>IMPACTO CRUZADO </li></ul><ul><li>ANÁLISIS DE ESCENARIOS </li></ul>
    11. 11. <ul><li>OBTENER INFORMACIÓN ACERCA DEL COMPORTAMIENTO REAL DEL MERCADO, MEDIANTE ENCUESTAS DIRIGIDAS AL PÚBLICO CONSUMIDOR O A PARTIR DE LA EXPERIENCIA DE VENDEDORES, PARA CONCLUIR SOBRE EL COMPORTAMIENTO FUTURO </li></ul>INVESTIGACIÓN DE MERCADOS
    12. 12. ANALOGÍAS HISTÓRICAS <ul><li>SE FUNDAMENTA EN UN ANÁLISIS COMPARATIVO DE CASOS SIMILARES AL QUE SE ESTUDIA. TRATA DE RECONOCER PATRONES DE SIMILITUD PARA SACAR CONCLUSIONES Y OBTENER UN PRONÓSTICO: productos similares, producto en otros mercados, etc. </li></ul>
    13. 13. MÉTODO DELPHI <ul><li>PRETENDE LLEGAR A UN CONSENSO A TRAVÉS DE LA OPINIÓN DE EXPERTOS, EVITANDO LA CONFRONTACIÓN DE LOS MISMOS, YA QUE NO EXISTE UNA INTERACCIÓN DIRECTA ENTRE LOS PARTICIPANTES. ESTOS EXPRESAN LIBREMENTE SUS OPINIONES. </li></ul>
    14. 14. MÉTODO DELPHI <ul><li>Los expertos responden un cuestionario </li></ul><ul><li>Se obtiene la media y desviación de cada pregunta </li></ul><ul><li>Se pide justificar respuesta a aquellos que se encuentran fuera del rango de dos o mas desviaciones, sobre la media de cada pregunta. </li></ul><ul><li>Se pasa esta opinión a todos los participantes y se vuelve a aplicar el cuestionario </li></ul>
    15. 15. MÉTODO DELPHI <ul><li>El proceso se repite hasta lograr un consenso en las diferentes preguntas o hasta identificar subgrupos de opiniones </li></ul><ul><li>Con la información obtenida se procede a la toma de decisiones. </li></ul>
    16. 16. CONSENSO GENERAL <ul><li>SE REÚNE A UN GRUPO DE EXPERTOS </li></ul><ul><li>A PARTIR DE UNA LLUVIA DE IDEAS SE ESTABLECEN DISCUSIONES HASTA LLEGAR A UN ACUERDO QUE REFLEJE EL SENTIR DE LA MAYORÍA </li></ul>
    17. 17. IMPACTO CRUZADO <ul><li>DESARROLLAR UNA MATRIZ PARA ESTUDIAR LOS EFECTOS DE DIVERSOS FACTORES SOBRE LA PROBABILIDAD DE OCURRENCIA DE UN EVENTO, ASÍ COMO EL IMPACTO QUE ESTA PUEDA TENER EN OTRA SERIE DE EVENTOS </li></ul>
    18. 18. IMPACTO CRUZADO <ul><li>Determinar los eventos a incluirse en el estudio </li></ul><ul><li>Estimar la probabilidad inicial de cada evento y la probabilidad condicional de cada par de eventos </li></ul><ul><li>Seleccionar eventos en forma aleatoria y calcular su repercusión sobre los demás eventos como resultado de la ocurrencia o no del evento elegido. </li></ul>
    19. 19. ANÁLISIS DE ESCENARIOS <ul><li>Describir diferentes escenarios futuros posibles (mas probable, probable, poco probable) considerando factores que los determinen (cambios en la población, inflación, variación de la demanda) para reconocer las implicaciones a largo plazo de los cambios posibles </li></ul>
    20. 20. TÉCNICAS CUANTITATIVAS <ul><li>INFORMACIÓN: REQUIEREN DE DATOS HISTÓRICOS DE LAS VARIABLES INVOLUCRADAS </li></ul><ul><li>SUPUESTO: EL PATRÓN HISTÓRICO DE LAS VARIABLES SEGUIRÁ SIENDO VÁLIDO EN EL FUTURO ANALIZADO </li></ul>
    21. 21. TÉCNICAS CUANTITATIVAS <ul><li>EXTRAPOLATIVAS: ajustes de curvas y métodos de suavizamiento. Los patrones observados en el pasado se proyectan al futuro </li></ul><ul><li>ANÁLISIS DE SERIES DE TIEMPO: métodos de descomposición y modelos ARIMA (autorregresivos, integrados y promedios móviles) </li></ul><ul><li>MODELOS CAUSALES: modelos econométricos (regresión) </li></ul>
    22. 22. ETAPAS DE UN PRONÓSTICO <ul><li>DEFINIR EL PROPÓSITO </li></ul><ul><li>RECOLECTAR DATOS: fuentes primarias o secundarias </li></ul><ul><li>PREPARAR LOS DATOS:ordenar y clasificar </li></ul><ul><li>SELECCIONAR LA TÉCNICA ADECUADA: cualitativa o cuantitativa </li></ul><ul><li>EJECUTAR EL PRONÓSTICO: estimar errores </li></ul><ul><li>DAR SEGUIMIENTO: confrontar con información actual </li></ul>
    23. 23. ETAPAS DE UN PRONÓSTICO <ul><li>Facilite la toma de decisiones en el momento adecuado </li></ul><ul><li>Que sea entendida por el que toma las decisiones </li></ul><ul><li>Pase un análisis costo-beneficio </li></ul><ul><li>Cumpla con las restricciones del sistema: tiempo disponible, datos, disponibilidad de cómputo. </li></ul><ul><li>Cumpla con los criterios de: precisión, estabilidad, objetividad </li></ul>SELECCIÓN DE LA TÉCNICA ADECUADA: LA MEJOR TÉCNICA ES AQUELLA QUE
    24. 24. TIPOS DE DATOS <ul><li>OBSERVADOS EN UN MOMENTO PRECISO DEL TIEMPO: un día, una hora, una semana, etc.. Ejemplo: observar una característica en una muestra de productos para controlar calidad, ingreso de la población, grado de escolaridad de empleados, etc... </li></ul><ul><li>Objetivo: extrapolar a toda la población las características de la muestra </li></ul>
    25. 25. TIPO DE DATOS <ul><li>SERIES DE TIEMPO: una sucesión cronológica de observaciones de una variable a intervalos iguales de tiempo. </li></ul><ul><li>Ejemplo: ventas trimestrales de los últimos 5 años, desempleo en los últimos años, precio de un producto en el tiempo, etc.. </li></ul><ul><li>Objetivo: analizar patrones del pasado que puedan extrapolarse al futuro </li></ul>
    26. 26. PATRONES O COMPONENTES DE UNA SERIE DE TIEMPO <ul><li>TENDENCIA: componente de muy largo plazo </li></ul><ul><li>CICLICIDAD: componente de largo plazo </li></ul><ul><li>ESTACIONALIDAD:componente de corto plazo </li></ul><ul><li>FACTOR ALEATORIO: componente de muy corto plazo </li></ul>
    27. 27. TENDENCIA <ul><li>Crecimiento de la población </li></ul><ul><li>Inflación </li></ul><ul><li>Ventas de un producto en su etapa de crecimiento en el ciclo de vida </li></ul>COMPONENTE DE MUY LARGO PLAZO QUE REPRE- SENTA EL CRECIMIENTO O DECRECIMIENTO DE LOS DATOS EN UN PERÍODO EXTENDIDO FUERZAS QUE AFECTAN Y EXPLICAN TENDENCIA:
    28. 28. TENDENCIA: ventas de SEARS (1955-1985)
    29. 29. ESTACIONALIDAD <ul><li>PERÍODOS ESCOLARES </li></ul><ul><li>PERÍODOS VACACIONALES </li></ul><ul><li>PRODUCTOS DE ESTACIÓN </li></ul><ul><li>ESTACIONES DEL AÑO </li></ul>PATRÓN DE CAMBIO QUE SE REPITE AÑO CON AÑO EN EL MISMO NÚMERO DE PERÍODOS FUERZAS QUE AFECTAN Y EXPLICAN ESTACIONALIDAD:
    30. 30. ESTACIONALIDAD
    31. 31. CICLICIDAD <ul><li>PERÍODOS DE EXPANSIÓN Y DE RECESIÓN DE LA ECONOMÍA </li></ul><ul><li>CICLOS ECONÓMICOS </li></ul>FLUCTUACIÓN ALREDEDOR DE LA TENDENCIA QUE SE REPITE PERO A INTERVALOS DISTINTOS Y CON AMPLITUDES DISTINTAS FUERZAS QUE AFECTAN Y EXPLICAN CICLICIDAD:
    32. 32. CICLICIDAD
    33. 33. FACTOR ALEATORIO <ul><li>CAMBIOS CLIMÁTICOS </li></ul><ul><li>DESASTRES NATURALES </li></ul><ul><li>HUELGAS </li></ul><ul><li>HECHOS FORTUITOS </li></ul>MIDE LA VARIABILIDAD DE UNA SERIE CUANDO LOS DEMÁS COMPONENTES SE HAN ELIMINADO O NO EXISTEN FUERZAS QUE AFECTAN Y EXPLICAN ALEATORIEDAD
    34. 34. SERIE ALEATORIA:generada por números aleatorios
    35. 35. SERIE ESTACIONARIA <ul><li>SISTEMAS DE PRODUCCIÓN CON TASA UNIFORME </li></ul><ul><li>VENTAS DE PRODUCTOS EN SU ETAPA DE MADUREZ EN EL CICLO DE VIDA </li></ul>SERIE CUYO VALOR PROMEDIO NO CAMBIA A TRAVÉS DEL TIEMPO FUERZAS QUE AFECTAN Y EXPLICAN ESTACIONARIEDAD
    36. 36. SERIE ESTACIONARIA
    37. 37. SERIE CON VARIOS PATRONES
    38. 38. PATRONES Y CORRELOGRAMAS Una forma de saber si la serie tiene Tendencia, Estacionalidad, es una serie Aleatoria o una serie Estacionaria es mediante la observación del Correlograma. Correlograma: gráfica que muestra los coeficientes de autocorrelación de la serie
    39. 39. AUTOCORRELACIÓN <ul><li>CORRELACIÓN DE LA SERIE CON ELLA MISMA REZAGADA UNO O VARIOS PERÍODOS </li></ul>  (Y t -Y) (Y t-k - Y)  (Y t -Y) r k = donde: Y t = es la observación en el tiempo t Y = la media de los valores de la serie r k = coeficiente de Autocorrelación de orden k
    40. 40. TENDENCIA <ul><li>Si la serie tiene Tendencia los coeficientes de autocorrelación son significativamente distintos de cero en los primeros rezagos y caen gradualmente a cero. </li></ul>
    41. 41. SERIE DE DIFERENCIAS <ul><li>Para quitar la tendencia a la serie se usa el Método de Diferencias: se genera una nueva serie en la cual cada observación es la diferencia de la observación t y la observación t-1 de la serie original. </li></ul><ul><li>Dif t = Y t - Y t-1 </li></ul>
    42. 42. ESTACIONALIDAD <ul><li>Si la serie tiene un patrón estacional el coeficiente de autocorrelación correspondiente a cierto rezago (4 si la serie es trimestral, 12 si es anual, etc.) es significativamente distinto de cero. </li></ul>
    43. 43. ESTACIONALIDAD <ul><li>Quitando la tendencia a la serie Murphy (serie D(Murphy)), se observa una correlación significativamente distinta de cero en el rezago número 12 (observar que la serie es mensual) </li></ul>
    44. 44. SERIE ALEATORIA <ul><li>Si la serie es aleatoria los coeficientes de autocorrelación son todos significativamente cero </li></ul>
    45. 45. SERIE ESTACIONARIA <ul><li>Los coeficientes de autocorrelación de una serie estacionaria son cero excepto para los dos o tres primeros rezagos </li></ul>
    46. 46. TÉCNICAS EXTRAPOLATIVAS <ul><li>NOTACIÓN: </li></ul><ul><li>Y t : observación en el período t </li></ul><ul><li>F t : pronóstico para el período t </li></ul><ul><li>e t = Y t - F t : residuo en el período t </li></ul><ul><li>Los residuos permiten observar que tan bueno es el modelo para pronosticar períodos pasados </li></ul>
    47. 47. MEDIDAS DE ERROR <ul><li>SIRVEN PARA EVALUAR LA UTILIDAD DE UNA TÉCNICA DE PRONÓSTICOS, CALCULANDO UNA MEDIDA GLOBAL DE LOS RESIDUOS. </li></ul><ul><li>RESIDUOS : LA DIFERENCIA ENTRE EL VALOR REAL DE LA VARIABLE Y EL VALOR ESTIMADO POR EL MODELO </li></ul>
    48. 48. MEDIDAS DE ERROR <ul><li>LAS MEDIDAS DE ERROR SE CALCULAN SOBRE UNA RANGO DE DATOS DE PRUEBA COMÚN ( a todos los modelos) CONSTITUIDO POR K OBSERVACIONES HISTÓRICAS Y REALIZANDO LOS PRONÓSTICOS CORRESPONDIENTES CON LA TÉCNICA SELECCIONADA </li></ul>
    49. 49. MEDIDAS DE ERROR <ul><li>ERROR MEDIO (ME) : </li></ul>ME  e i k = <ul><li>ERROR MEDIO ABSOLUTO: </li></ul>MAD = <ul><li>ERROR MEDIO CUADRÁTICO (MSE): </li></ul> e i | k <ul><li>ERROR MEDIO ABSOLUTO PORCENTUAL: proporción del error </li></ul>identifica sesgo distancia promedio penaliza errores grandes  e i ) 2 = k MAPE  e i / y | k MSE =
    50. 50. SERIE DE VENTAS: ACME OBS TRIM. 1 TRIM. 2 TRIM. 3 TRIM. 4 1985 500.0000 350.0000 250.0000 400.0000 1985 450.0000 350.0000 200.0000 300.0000 1986 350.0000 200.0000 150.0000 400.0000 1988 550.0000 350.0000 250.0000 550.0000 1989 550.0000 400.0000 350.0000 600.0000 1990 750.0000 500.0000 400.0000 650.0000 1991 850.0000 600.0000 450.0000 700.0000 1992 550.0000 400.0000 500.0000 NA 1993 NA NA NA NA 1994 NA
    51. 51. MODELOS NAIVE <ul><li>ÚTILES CUANDO LA INFORMACIÓN MAS </li></ul><ul><li>RELEVANTE ES LA DE LOS PERÍODOS MAS </li></ul><ul><li>RECIENTES </li></ul><ul><li>MODELO 1: F t+1 = Y t </li></ul><ul><li>MODELO 2: F t+1 = Y t +(Y t - Y t-1 ) </li></ul><ul><li>MODELO 3: F t+1 =Y t-3 </li></ul>
    52. 52. MODELOS NAIVE: F t+1 = Y t ACME ACME1 500.0000 NA 350.0000 500.0000 250.0000 350.0000 400.0000 250.0000 450.0000 400.0000 350.0000 450.0000 200.0000 350.0000 300.0000 200.0000 350.0000 300.0000 200.0000 350.0000 150.0000 200.0000 400.0000 150.0000 550.0000 400.0000 350.0000 550.0000 250.0000 350.0000 550.0000 250.0000 550.0000 550.0000 400.0000 550.0000 350.0000 400.0000 600.0000 350.0000 750.0000 600.0000 Serie con tendencia y estacionalidad
    53. 53. MODELOS NAIVE: F t+1 = Y t Serie con tendencia y estacionalidad
    54. 54. MODELOS NAIVE: F t+1 = Y t +(Y t - Y t-1 ) ACME ACME2 500.0000 NA 350.0000 NA 250.0000 200.0000 400.0000 150.0000 450.0000 550.0000 350.0000 500.0000 200.0000 250.0000 300.0000 50.00000 350.0000 400.0000 200.0000 400.0000 150.0000 50.00000 400.0000 100.0000 550.0000 650.0000 350.0000 700.0000 250.0000 150.0000 550.0000 150.0000 550.0000 850.0000 400.0000 550.0000
    55. 55. MODELOS NAIVE: F t+1 = Y t +(Y t - Y t-1 )
    56. 56. MODELOS NAIVE: F t+1 =Y t-3 ACME ACME3 500.0000 NA 350.0000 NA 250.0000 NA 400.0000 NA 450.0000 500.0000 350.0000 350.0000 200.0000 250.0000 300.0000 400.0000 350.0000 450.0000 200.0000 350.0000 150.0000 200.0000 400.0000 300.0000 550.0000 350.0000 350.0000 200.0000 250.0000 150.0000 550.0000 400.0000 550.0000 550.0000 400.0000 350.0000 350.0000 250.0000 600.0000 550.0000
    57. 57. MODELOS NAIVE: F t+1 =Y t-3
    58. 58. ERRORES
    59. 59. MEDIDAS DE ERROR <ul><li>EL MODELO 3 TIENE MENOR MEDIDA DE ERROR </li></ul><ul><li>EXCEPTO PARA ME. ES EL MEJOR MODELO </li></ul><ul><li>EL MODELO 1 TIENE MEJOR ME PORQUE LOS </li></ul><ul><li>ERRORES SE CANCELAN. NO HAY SESGO. NO ES EL </li></ul><ul><li>MEJOR MODELO. </li></ul>
    60. 60. MODELO DE LA MEDIA TOTAL F t+1 =  Y t n <ul><li>ÚTIL CUANDO LA SERIE ES ESTACIONARIA </li></ul><ul><li>SE OBTIENE DEL PROMEDIO DE TODAS LAS </li></ul><ul><li>OBSERVACIONES HISTÓRICAS </li></ul>
    61. 61. MODELOS DE PROMEDIOS MÓVILES (simples de orden 3) F t+1 = Y t + Y t-1 + Y t-2 3 <ul><li>SE PROMEDIAN SOLO LAS ÚLTIMAS OBSERVACIONES </li></ul><ul><li>EL ORDEN SE DETERMINA A PRIORI </li></ul><ul><li>UN ORDEN GRANDE ELIMINA LOS PICOS (suaviza) </li></ul><ul><li>UN ORDEN PEQUEÑO PERMITE SEGUIR MUY DE </li></ul><ul><li>CERCA LOS CAMBIOS DE CORTO PLAZO </li></ul>
    62. 62. PROMEDIO MÓVIL DE ORDEN 2
    63. 63. PROMEDIO MÓVIL DE ORDEN 3
    64. 64. PROMEDIO MÓVIL DE ORDEN 4
    65. 65. PROMEDIO MÓVIL DOBLE LINEAL (Brown) F t+p = A t +p* B t
    66. 66. PROMEDIO MÓVIL DOBLE LINEAL (Brown)
    67. 67. SUAVIZAMIENTO EXPONENCIAL(simple) F t+1 =  Y t + ( 1-  ) F t <ul><li>PROMEDIA LOS VALORES HISTÓRICOS HASTA EL </li></ul><ul><li>PERÍODO t, CON PONDERACIONES QUE DECRECEN </li></ul><ul><li>EXPONENCIALMENTE </li></ul><ul><li>INCLUYE UN PARÁMETRO  QUE DEFINE LA </li></ul><ul><li>VELOCIDAD DE DECAIMIENTO </li></ul>0   <ul><li>F t INCLUYE LAS PONDERACIONES DE </li></ul><ul><li>OBSERVACIONES ANTERIORES </li></ul>
    68. 68. SUAVIZAMIENTO EXPONENCIAL SIMPLE (  0.2620)
    69. 69. SUAVIZAMIENTO EXPONENCIAL SIMPLE (  0.2620)
    70. 70. SUAVIZAMIENTO EXPONENCIAL DOBLE (  0.2620) F t+p= a t+p b t Donde= at= 2At - A’t bt=  /  (At - A’t) At=  Yt+(  )A t-1 A’t=  At+(  )A’ t
    71. 71. SUAVIZAMIENTO EXPONENCIAL DOBLE (  0.2620)
    72. 72. SUAVIZAMIENTO EXPONENCIAL DOBLE (  0.2620)
    73. 73. SUAVIZAMIENTO DE HOLT  = 0.31,  = 0
    74. 74. SUAVIZAMIENTO DE HOLT
    75. 75. SUAVIZAMIENTO DE WINTERS  =  1 ,  =  0, = 0 
    76. 76. SUAVIZAMIENTO DE WINTERS
    77. 77. MEDIDAS DE ERROR DADO QUE LA SERIE TIENE COMPONENTE ESTACIONAL, EL MEJOR MODELO ES WINTERS
    78. 78. EL MODELO DE REGRESIÓN <ul><li>DESCRIBE LA RELACIÓN ENTRE LA VARIABLE </li></ul><ul><li>A PRONOSTICAR (VARIABLE DEPENDIENTE, CON </li></ul><ul><li>OTROS FACTORES (VARIABLES INDEPENDIENTES) </li></ul><ul><li>QUE INFLUYEN EN EL COMPORTAMIENTO DE ESTA. </li></ul><ul><li>UNA VEZ IDENTIFICADAS LAS VARIABLES </li></ul><ul><li>INDEPENDIENTES QUE INFLUYEN (ESTÁN </li></ul><ul><li>CORRELACIONADAS) SOBRE LA VARIABLE </li></ul><ul><li>DEPENDIENTE, EL MODELO DESCRIBE ESTA </li></ul><ul><li>RELACIÓN Y LA CUANTIFICA </li></ul>
    79. 79. REGRESIÓN LINEAL VENTAS =  0 +  1 * PUBLICIDAD+  2 * PRECIO+  3 * PERÍODO+ U <ul><li>VENTAS : VARIABLE DEPENDIENTE, EXPLICADA, ENDÓGENA </li></ul><ul><li>PUBLICIDAD, PRECIO, PERÍODO : VARIABLES INDEPENDIENTES, </li></ul><ul><li>EXPLICATIVAS, EXÓGENAS . </li></ul><ul><li>EL MODELO ASUME QUE PUBLICIDAD, PRECIO Y PERÍODO </li></ul><ul><li>SON VARIABLES CORRELACIONADAS CON LAS VENTAS </li></ul><ul><li>EL MODELO PRETENDE EXPLICAR ESTA RELACIÓN </li></ul><ul><li>ES IMPORTANTE DEFINIR LA UNIDAD DE MEDIDA DE CADA </li></ul><ul><li>VARIABLE </li></ul><ul><li>U= ERROR DEL MODELO </li></ul>
    80. 80. REGRESIÓN LINEAL VENTAS =  0 +  1 * PUBLICIDAD+  2 * PRECIO+  3 * PERÍODO+ U <ul><li>LA FUNCIÓN DE REGRESIÓN POBLACIONAL (FRP): </li></ul>ES UNA REPRESENTACIÓN TEÓRICA DEL PROBLEMA, QUE REPRESENTA LA CORRELACIÓN LINEAL DE LAS VENTAS CON LAS VARIABLES INDEPENDIENTES <ul><li>EL ANÁLISIS DE REGRESIÓN ESTIMA EL MODELO </li></ul><ul><li>TEÓRICO, A PARTIR DE INFORMACIÓN MUESTRAL </li></ul><ul><li>(ver Tabla 1) CALCULANDO LA FUNCIÓN DE </li></ul><ul><li>REGRESIÓN MUESTRAL (FRM) </li></ul>
    81. 81.
    82. 82. REGRESIÓN LINEAL <ul><li>A PARTIR DE LA MUESTRA SE OBTIENEN LOS </li></ul><ul><li>COEFICIENTES (b0, b1, b2 y b3) DEL MODELO </li></ul><ul><li>MUESTRAL: </li></ul>VENTAS = b 0 + b 1 * PUBLICIDAD+ b 2 * PRECIO+b 3 * PERÍODO +e <ul><li>LOS COEFICIENTES SE CALCULAN MEDIANTE </li></ul><ul><li>LA TÉCNICA DE MÍNIMOS CUADRADOS LINEALES </li></ul><ul><li>CUANTO MAS REPRESENTATIVA SEA LA </li></ul><ul><li>MUESTRA MEJOR SERÁN LOS ESTIMADORES </li></ul><ul><li>EL ANÁLISIS DE LOS ESTIMADORES REQUIERE </li></ul><ul><li>INFERENCIA ESTADÍSTICA </li></ul>
    83. 83. REGRESIÓN LINEAL NOTACIÓN Y= VARIABLE DEPENDIENTE OBSERVADA Y= VALOR PRONOSTICADO X= VARIABLES INDEPENDIENTES (X = X1,X2,X3) Y= b 0 + b 1 * X1+ b 2 * X2+ b 3 *X3 E(Y/X) =  0 +  1 * X1+  2 * X2+  3 * X3 U= E(Y/X) - Y (ERROR ALEATORIO) e= Y - Y (ERROR DEL PRONÓSTICO)   
    84. 84. REPRESENTACIÓN GRÁFICA FRP: E(Y/X) FRM Xi Yi Yi  Ui ei
    85. 85. NOTACIÓN MATRICIAL SI SE TIENEN n OBSERVACIONES MUESTRALES (para cada variable) Y k VARIABLES: Y: VECTOR DE VALORES DE LA VARIABLE Y (n *1)  VECTOR DE COEFICIENTES DE LA FRP (k*1) X: MATRIZ DE VALORES DE LAS VARIABLES INDEPENDIENTES (n*k) b: VECTOR DE COEFICIENTES DE LA FRM (k*1) U: VECTOR DE ERRORES (FRP) (n*1) e: VECTOR DE ERRORES DEL PRONÓSTICO (FRM) (n*1)
    86. 86. NOTACIÓN MATRICIAL SE PRETENDE ESTIMAR: E(Y/X)= X  <ul><li>ESTIMANDO EL VECTOR  DE MANERA DE MINIMIZAR </li></ul><ul><li>LOS ERRORES Ui, QUE REPRESENTAN LA DISTANCIA </li></ul><ul><li>ENTRE CADA OBSERVACIÓN Y LA FRP </li></ul><ul><li>U ES UNA VARIABLE ALEATORIA NO OBSERVABLE, </li></ul><ul><li>QUE REPRESENTA TODAS LAS VARIABLES NO </li></ul><ul><li>CONSIDERADAS EXPLÍCITAMENTE EN EL MODELO </li></ul>
    87. 87. NOTACIÓN MATRICIAL LA FUNCIÓN DE REGRESIÓN MUESTRAL (FRM): Y= X b + e Y = X b  <ul><li>Y : VALORES DE LA VARIABLE DEPENDIENTE </li></ul><ul><li>X: MATRIZ DE VALORES DE LAS VARIABLES </li></ul><ul><li>INDEPENDIENTES </li></ul><ul><li>b: ESTIMADORES DE LOS PARÁMETROS  </li></ul><ul><li>Y: ESTIMADOR DE Y </li></ul> <ul><li>e: ESTIMADOR DE LOS ERRORES U </li></ul>
    88. 88. ESTIMACIÓN DE PARÁMETROS LOS COEFICIENTES SE ESTIMAN POR MÍNIMOS CUADRADOS <ul><li>e = Y - X b :errores </li></ul><ul><li>e e = (Y - X b) (Y - X b) :suma de errores cuadrados </li></ul>  <ul><li>DIFERENCIANDO RESPECTO DE b, IGUALANDO </li></ul><ul><li>A CERO Y DESPEJANDO b, SE OBTIENEN LOS </li></ul><ul><li>ESTIMADORES </li></ul><ul><li>EXISTEN PAQUETES COMPUTACIONALES QUE </li></ul><ul><li>REALIZAN ESTA OPERACIÓN, Y ADEMÁS </li></ul><ul><li>PROPORCIONAN INFORMACIÓN ESTADÍSTICA </li></ul>
    89. 89. EJEMPLO (ver Tabla1) (con E-VIEWS) <ul><li>VARIABLE DEPENDIENTE: VENTAS (Y) </li></ul><ul><li>VARIABLES INDEPENDIENTES: PRECIO Y PUBLICIDAD </li></ul><ul><li>MATRIZ DE CORRELACIÓN: </li></ul> VENTAS PUBLICIDAD PRECIO VENTAS 1.00000 0.902103 -0.823640 PUBLICIDAD 0.902103 1.00000 -0.823787 PRECIO -0.823640 -0.823787 1.00000
    90. 90. EJEMPLO
    91. 91. EJEMPLO
    92. 92. EL PRONÓSTICO <ul><li>SI EL MODELO ES ESTADÍSTICAMENTE ADECUADO, </li></ul><ul><li>EL PRONÓSTICO DE LAS VENTAS SE REALIZA: </li></ul><ul><li>SUSTITUYENDO LOS VALORES DE LAS VARIABLES </li></ul><ul><li>INDEPENDIENTES </li></ul>PUBLICIDAD = 500 PRECIO= 17.50 E(Y/X) ~ Y  = 581645.1 + 7688.73 * 500 - 90700.8 * 17.50 Y = 2,838,746.1 
    93. 93. SUPUESTOS DEL MODELO DE REGRESIÓN <ul><li>NORMALIDAD: Ui ~ N(0,  2  </li></ul><ul><li>INDEPENDENCIA DE ERRORES: cov (Ui,Uj)=0 </li></ul><ul><li>HOMOSCEDASTICIDAD: var (Ui /Xi)=  2 </li></ul><ul><li>MULTICOLINEALIDAD:  (Xi,Xj) =0 </li></ul><ul><li>BAJO ESTOS SUPUESTOS, LOS ESTIMADORES SON: </li></ul><ul><li>INSESGADOS: E(b)=  </li></ul><ul><li>LINEALES: b ES FUNCIÓN LINEAL DE Y </li></ul><ul><li>DE VARIANZA MÍNIMA: var(b) </li></ul>
    94. 94. SUPUESTOS DEL MODELO DE REGRESIÓN SI LOS SUPUESTOS NO SON VIOLADOS PUEDE HACERSE INFERENCIA ESTADÍSTICA: <ul><li>PRUEBAS DE SIGNIFICANCIA DE LOS COEFICIENTES </li></ul>Ho:  = 0 H1:   0 EN EL EJEMPLO,  o NO ES SIGNIFICATIVO (NÓTESE QUE SE VIOLA EL SUPUESTO DE MULTICOLINEALIDAD)
    95. 95. R 2 : COEFICIENTE DE DETERMINACIÓN R 2 : ES EL PORCENTAJE DE VARIACIÓN DE LA VARIABLE DEPENDIENTE, EXPLICADA POR LAS VARIABLES DEPENDIENTES EN EL EJEMPLO: LAS VARIABLES PRECIO Y PUBLICIDAD EXPLICAN EN UN 83% A LA VARIABLE VENTAS
    96. 96. ESTADÍSTICO DURBIN-WATSON d = 2(1-  e i e i-1 e i 2 ) <ul><li>PERMITE DETECTAR INDEPENDENCIA DE ERRORES </li></ul><ul><li>DEPENDE DEL NÚMERO DE VARIABLES </li></ul><ul><li>INDEPENDIENTES EN EL MODELO Y DEL NÚMERO </li></ul><ul><li>DE OBSERVACIONES EN LA MUESTRA </li></ul><ul><li>UN VALOR DE d CERCANO A 2 INDICA QUE LOS </li></ul><ul><li>ERRORES SON INDEPENDIENTES </li></ul>

    ×