Métodos Prentice Hall, Inc. 4 1
|
|
- Purificación Espinoza Plaza
- hace 7 años
- Vistas:
Transcripción
1 Métodos Cuantitativos i de Negocios Capítulo 3 Pronósticos y Simulación PowerPoint presentation to accompany Heizer/Render Principles of Operations Management, 7e Operations Management, 9e 2008 Prentice Hall, Inc. 4 1
2 Bosquejo Qué son Pronósticos? Pronósticos y Horizontes de Tiempo Influencia del Ciclo de Vida del Producto Tipos de Pronósticos 2008 Prentice Hall, Inc. 4 2
3 Bosquejo Continúa La Importancia Estratégica té de los Pronósticos Recursos Humanos Capacidad Administración de la Cadena de Suministro i Siete Pasos en el Sistema de Pronósticos 2008 Prentice Hall, Inc. 4 3
4 Bosquejo Continúa Métodos de Pronósticos Métodos Cualitativos Métodos Cuantitativos 2008 Prentice Hall, Inc. 4 4
5 Bosquejo Continúa Pronósticos de Series de Tiempo Descomposición de Series de Tiempo Métodos Naive Promedios Móviles Suavizamiento Exponencial Suavizamiento Exponencial con Ajuste de Tendencia Proyecciones de Tendencia Variaciones Estacionales en Datos Variaciones i Cíclicas en Datos 2008 Prentice Hall, Inc. 4 5
6 Bosquejo Continúa Métodos Asociativos de Pronósticos: Regresión y Análisis de Correlación Usando Análisis de Regresión para Pronósticos Error Estándar de los Estimados Coeficientes de Correlación para Regresiones Lineales Análisis de Regresión Múltiple 2008 Prentice Hall, Inc. 4 6
7 Bosquejo Continúa Monitoreando y Controlando Pronósticos Suavizamiento Adaptivo Pronósticos Focus Pronósticos en el Sector Servicios 2008 Prentice Hall, Inc. 4 7
8 Objetivos de Aprendizaje Cuando se complete este capítulo estará capacitado para : Entender los tres horizontes de tiempo y que modelos aplicar en cada caso Explicar cuando se usa cualquiera de los modelos cualitativos Aplicar los métodos naive,,promedios móviles, suavizamiento exponencial, y tendencia 2008 Prentice Hall, Inc. 4 8
9 Objetivos de Aprendizaje Cuando se complete este capítulo estará capacitado para : Calcular medidas de la exactitud del pronóstico Desarrollar índices estacionales Conducir a una análisis de regresión y correlación Usar una señal de rastreo 2008 Prentice Hall, Inc. 4 9
10 Qué son Pronósticos? Procesos de predecir un evento futuro Base fundamental de todas las decisiones de negocios os Producción Inventarios Personal Facilidades d?? 2008 Prentice Hall, Inc. 4 10
11 Pronósticos: Horizonte de Tiempo Pronósticos de Corto Plazo Hasta 1 año, generalmente menos que 3 meses Compras, Programas de Trabajo, Niveles de fuerza laboral, Asignación de trabajo, Niveles de producción Pronósticos de Mediano Plazo 3 meses a 3 años Planes de ventas y Producción, Presupuesto Pronósticos de Largo Plazo Más de 3 + años Planes de nuevos productos, facilidad d de localización, investigación y desarrollo 2008 Prentice Hall, Inc. 4 11
12 Distinguiendo Diferencias Mediano/Largo plazo los pronósticos se ocupan más de comprender los problemas y soportar las decisiones i gerenciales referente a planificación, productos, plantas y procesos Corto plazo los pronósticos usualmente emplean diferentes metodologías que los pronósticos de largo plazo Corto plazo los pronósticos tienden a ser más exactos que los de largo plazo 2008 Prentice Hall, Inc. 4 12
13 Influencia del Ciclo de Vida del Producto Introducción Crecimiento Madurez Decline Introducción y crecimiento requieren mayores pronósticos que madurez y decline Conforme el producto pasa a través del ciclo de vida, los pronósticos son útiles en proyectar: Niveles de contratación de personal Niveles de inventarios Capacidad de la fábrica 2008 Prentice Hall, Inc. 4 13
14 Ciclo de Vida del Producto Introducción Crecimiento Madurez Decline ción ganizac de la Org egias d Estra Mejor periodo para incrementar su participación en el mercado Investigación y diseños son criticos Ventas Practico para cambiar precios o calidad de imagen Fortalecer nichos de mercado Portales de búsqueda en Internet LCD & plasma TVs Windows 7 ipods Escaso tiempo para cambiar imagen, precio, o calidad Costo competitivos resultan críticos Defender posición de mercados Pasar por restaurantes en coche Control de Costos crítico CD-ROMs TV Analogo 3 1/2 Floppy disks Figure Prentice Hall, Inc. 4 14
15 Ciclo de Vida del Producto ción ganizac de la Org egias d Estra Introducción Crecimiento Madurez Decline Diseño y desarrollo de productos críticos Cambios frecuentes de procesos y diseños Breve ejecución de producción Altos costos de producción Modelos limitados Atención a la calidad Pronósticos crítico Fiabilidad del producto y procesos Mejora en la competitividad del producto y las opciones Incrementos de capacidad Centrarse en el producto Mejorar la distribución Estandarización Menos rápido los cambios en el producto más de menores cambios Capacidad Optima Incremento de la estabilidad de procesos Grandes niveles de producción Mejoras del producto y reducción de costos Pequeñas diferenciación en el producto Minimización de costos Sobre capacidad en la industria Eliminar lineas que no producen buen margen Reducir la capacidad Figure Prentice Hall, Inc. 4 15
16 Tipos de Pronósticos Pronósticos Económicos Dirección del ciclo económico tasa de inflación, oferta de dinero, viviendas, etc. Pronósticos Tecnológicos Predecir la tasa del progreso tecnológico Impacto del desarrollo de nuevos productos Pronósticos de Demanda Predecir ventas de productos y servicos existentes 2008 Prentice Hall, Inc. 4 16
17 Importancia Estratégica té de Pronósticos Recursos Humanos Contratar, entrenar, despedir trabajadores Capacidad la falta de capacidad puede dar como resultado entregas poco confiables, pérdida de clientes, pérdida de posición en el mercado. Administración de la Cadena e Suministro buena relación con el proveedor y ventajas de precios Prentice Hall, Inc. 4 17
18 Siete Pasos en Pronósticos Determinar el uso del pronóstico Seleccionar los items a ser pronosticados Determinar el horizonte de tiempo a ser pronosticado Seleccionar el(los) modelo(s) de pronóstico Obtener los datos Realizar el pronóstico Validar e implementar los resultados 2008 Prentice Hall, Inc. 4 18
19 La Realidad!! Los pronósticos raramente son perfectos La mayoria de las técnicas asumen estabilidad subyacente en el sistema Pronósticos de familias de productos agregados son más exactos que pronósticos de productos individuales 2008 Prentice Hall, Inc. 4 19
20 Métodos de Pronósticos Métodos Cualitativos Usado cuando la situación ió es vaga o existen pocos datos Nuevos productos Nueva tecnología Involucra la intuición, experiencia e.g., pronosticar las ventas por Internet 2008 Prentice Hall, Inc. 4 20
21 Métodos de Pronósticos Métodos Cuantitativos Usado cuando la situación es estable y existen datos históricos Productos existentes Tecnología actual Involucra técnicas matemáticas e.g., pronósticos de ventas de televisores a color 2008 Prentice Hall, Inc. 4 21
22 Visión General de Métodos Cualitativos Jurado de ejecutivos Opiniones de un pool expertos de alto nivel, a veces ampliados por modelos estadísticos Método Delphi Panel de expertos, interrogados iterativamente 2008 Prentice Hall, Inc. 4 22
23 Visión General de Métodos Cualitativos Fuerzas de Ventas combinadas Las estimaciones de vendedores individuales id son revisados para moderación, luego agregados Encuestas de Mercado de Consumidores Preguntas al consumidor 2008 Prentice Hall, Inc. 4 23
24 Jurado de Ejecutivos Involucra un pequeño grupo de expertos de alto nivel yg gerentes El Grupo estima la demanda trabajando juntos Combinan la experiencia gerencial con modelos estadísticos Relativamente rápido Desventaja de Group-think 2008 Prentice Hall, Inc. 4 24
25 Fuerzas de Ventas Combinadas Cada vendedor proyecta sus propias ventas Combinación a nivel distrital, regional y nacional Los vendedores conocen los gustos de los consumidores Tiende a ser excesivamente optimista 2008 Prentice Hall, Inc. 4 25
26 Método Delphi Proceso de grupo Iterativo, continua hasta alcanzar el consenso 3 tipos de participantes Tomadores de Decisiones Asesores entrevistados Asesores (Administran el estudio) Tomador de Decisiones (Evalua las respuestas y toma decisiones) Entrevistados (Personas quienes pueden hacer juicios de valor) 2008 Prentice Hall, Inc. 4 26
27 Encuestas de Mercado a Consumidores Se pregunta a los consumidores respecto de sus planes de compra Los que los consumidores dicen, y lo que ellos hacen actualmente a menudo son diferentes A veces es dificil de responder 2008 Prentice Hall, Inc. 4 27
28 Visión General de Métodos Cuantitativos 1. Métodos Naive 2. Promedios Móviles 3. Suavizamiento Exponential Modelos Series de Tiempo 4. Proyección de Tendencia 5. Regresión Lineal Modelos Causales Asociativos 2008 Prentice Hall, Inc. 4 28
29 Pronósticos Series de Tiempo Conjunto de datos numéricos uniformemente espaciados Obtenida por observación de la respuesta de la variable para periodos de tiempo regulares Pronósticos basado solamente en valores pasados, ninguna otra variables importante Asume que los factores que influyeron en el pasado y en el presente continuará influyendo en el futuro 2008 Prentice Hall, Inc. 4 29
30 Componentes de Series de Tiempo Tendencia Ciclo Estacional Aleatorio 2008 Prentice Hall, Inc. 4 30
31 Componentes of Demanda Dema anda por un prod ducto o servicio Picos Estacional Variación Aleatoria Componente Tendencia Demanda Promedio de los 4 años Año Demanda Actual Figure Prentice Hall, Inc. 4 31
32 Componente Tendencia Patrón Persistente, en conjunto ascendente o descendente Cambia debido a población, tecnología, edad, d cultura, etc. Tipicamente duración de varios años 2008 Prentice Hall, Inc. 4 32
33 Componente Estacional Patrón regular de fluctuaciones de hacia arriba y hacia abajo Debido al clima, costumbres, etc. Ocurre en el lapso de un solo año Número de Periodo Duración Estaciones Semana Día 7 Mes Semana Mes Día Año Trimestre 4 Año Mes 12 Año Semana Prentice Hall, Inc. 4 33
34 Componente Cíclico Repetiendo movimientos de arriba y abajo Afectado por el ciclo económico, política, y factores económicos Multiples años de duración A menudo por relaciones asociativas o causal Prentice Hall, Inc. 4 34
35 Componente Aleatorio Fluctuaciones residual Errática, no sistemática Debido a variaciones aleatorias o eventos imprevistos Corta duración y no repetitivo M T W T F 2008 Prentice Hall, Inc. 4 35
36 Método Naive Asume que la demanda en el siguiente i periodo es la misma demanda del periodo más reciente p.e., Si en Enero las ventas fueron 68, entonces las ventas de Febrero serán 68 A veces costo efectivo y eficiente Puede ser un punto de inicio 2008 Prentice Hall, Inc. 4 36
37 Método Promedio Movil MA es una serie de medias aritméticas Usada si hay poca o nada de tendencia Usada a menudo para suavizar Provee una visión global de los datos en el tiempo Promedio Móvil = demanda en n periodos previos n 2008 Prentice Hall, Inc. 4 37
38 Ejemplo de Promedio Móvil Mes Ventas Actuales Promedio Móvil 3 - meses Enero 10 Febrero 12 Marzo 13 Abril 16 ( )/3 = 11 2 / 3 Mayo 19 ( )/3 = 13 2 / 3 Junio 23 ( )/3 = 16 Julio 26 ( )/3 = 19 1 / Prentice Hall, Inc. 4 38
39 Gráfico de Promedio Móvil Ventas Pronóstico Promedio Móvil Ventas Actual E F M A M J J A S O N D 2008 Prentice Hall, Inc. 4 39
40 Promedio Móvil Ponderado d Usado cuando la tendencia está presente Datos más antiguos menos importantes Ponderador basados en la experiencia i e intuición i ió (ponderador por periodo n) Promedio = x (demanda en periodo n) movil ponderado ponderadores d 2008 Prentice Hall, Inc. 4 40
41 Ponderados Aplicados Periodos Promedio Móvil Ponderado d 3 Último mes Meses 2 dos meses atrás 1 Tres meses atrás 6 Suma de ponderados Ventas Promedio Móvil Actuales Ponderado 3-meses Enero 10 Febrero 12 Marzo 13 Abril 16 [(3 x 13) + (2 x 12) + (10)]/6 = 12 1 / 6 Mayo 19 [(3 x 16) + (2 x 13) + (12)]/6 = 14 1 / 3 Junio 23 [(3 x 19) + (2 x 16) + (13)]/6 = 17 Julio 26 [(3 x 23) + (2 x 19) + (16)]/6 = 20 1 / Prentice Hall, Inc. 4 41
42 Problemas Potenciales Con Promedios Móviles Incrementa n suavizamientos al pronósticos pero hacen menos sensibles a los cambios No pronostica bien las tendencias Requiere extensos datos históricos 2008 Prentice Hall, Inc. 4 42
43 Promedio Móvil y Promedio Móvil Ponderado da de ventas Deman Ventas Actuales Promedio móvil Promedio móvil ponderado Figure 4.2 J F M A M J J A S O N D 2008 Prentice Hall, Inc. 4 43
44 Suavizamiento i Exponencial Forma de promedio móvil ponderado Ponderador declina exponencialmente Los datos más recientes pesan más Requiere suavizamiento constante ( ) Rango desde d 0 a 1 Elegido subjetivamente Involucra poco registro de datos pasados 2008 Prentice Hall, Inc. 4 44
45 Suavizamiento i Exponencial Nuevo Pronostico = Último periodo pronosticado + (demanda actual último periodo Último periodo pronosticado) F t = F t 1 + (A t 1 - F t 1 ) donde F t = nuevo pronóstico F t 1 = pronóstico previo = suavizamiento (o ponderador) constante (0 1) 2008 Prentice Hall, Inc. 4 45
46 Suavizamiento Exponencial Ejemplo Demanda pronosticada = 142 Ford Mustangs Demanda actual = 153 Suavizador constante = Prentice Hall, Inc. 4 46
47 Suavizamiento Exponencial Ejemplo Demanda pronosticada = 142 Ford Mustangs Demanda actual = 153 Suavizador constante =.20 Nuevo pronóstico = ( ) 2008 Prentice Hall, Inc. 4 47
48 Suavizamiento Exponencial Ejemplo Demanda pronosticada = 142 Ford Mustangs Demanda actual = 153 Suavizador constante =.20 Nuevo pronóstico = ( ) = = cars 2008 Prentice Hall, Inc. 4 48
49 Efectos de Constantes Suavizamiento Peso Asignado a Más 2do Más 3er Más 4to Más 5to Más Suavimien i Reciente Reciente Reciente Reciente Reciente to. Periodo Periodo Periodo Periodo Periodo Constante ( ) (1 - ) (1 - ) 2 (1 - ) 3 (1 - ) 4 = = Prentice Hall, Inc. 4 49
50 Impacto de Diferentes 225 Deman nda Demanda Actual =.5 = Trimestre 2008 Prentice Hall, Inc. 4 50
51 Impacto de Diferentes Deman nda 225 Demanda Actual Elegir altos valores de 200 cuando el promedio tiene buena probabilidad de cambiar 175 Elegir bajos valores de cuando el promedio es =.5 = estable Trimestre 2008 Prentice Hall, Inc. 4 51
52 Eligiendo El objetivo es obtener el pronóstico más exacto sin importar la técnica que se utilice Generamente hacemos esto seleccionando el modelo que nos da el menor error de pronóstico Error de Pronóstico = Demanda Actual Valor Pronósticado = A t - F t 2008 Prentice Hall, Inc. 4 52
53 Medidas Comunes del Error Desviación Media Absoluta (MAD MAD) ) MAD = Actual - Pronóstico n Media del Error al Cuadrado (MSE) MSE = (Errores de Pronóstico) 2 n 2008 Prentice Hall, Inc. 4 53
54 Medidas Comunes del Error Media Porcentual del Error Absoluto (MAPE MAPE) MAPE = n 100 Actual i - Pronóstico i /Actual i i =1 n 2008 Prentice Hall, Inc. 4 54
55 Comparación de Errores de Pronóstico Trim Pronóstico Desviación Pronóstico Desviación Tonelaje Redondeado Absoluta Redondeado Absoluta Real con para con para Descargado =.10 =.10 =.50 = Prentice Hall, Inc. 4 55
56 Comparación de Errores de Pronóstico Trim Pronóstico MAD Tonelaje = deviaciones Redondeado n Desviación Pronóstico Desviación Absoluta Redondeado Absoluta Real con para con para Descargado =.10 =.10 =.50 =.50 Para = = 82.45/ = For = = 98.62/ = Prentice Hall, Inc. 4 56
57 Comparación de Errores de Pronóstico (Errores de Pronóstico) 2 MSE = Pronóstico Tonelaje Redondeado n Absoluta Trim Desviación Pronóstico Desviación Redondeado Absoluta Real con para con para Descargado =.10 =.10 =.50 =.50 Para = = 168 1,526.54/ = = 205 1,561.91/ = Para = MAD Prentice Hall, Inc. 4 57
58 Comparasión de Errores de Pronóstico n MAPE = Trim 100 desviación i /actual i Pronóstico Desviación Pronóstico Desviación Tonelaje i = 1 Redondeado Absoluta Redondeado Absoluta Real con n para con para Descargado =.10 =.10 =.50 =.50 Para = = 44.75/ = 5.59% % Para = = 54.05/ = 6.76% MAD MSE Prentice Hall, Inc. 4 58
59 Comparasión de Errores de Pronóstico Pronóstico Desviación Pronóstico Desviación Tonelaje Redondeado Absoluta Redondeado Absoluta Real con para con para Trim Descargado =.10 =.10 =.50 = MAD MSE MAPE 5.59% 6.76% 2008 Prentice Hall, Inc. 4 59
60 Suavizamiento Exponencial con Trendencia Ajustada Cuando una tendencia está presente, el suavizamiento exponencial debe ser modificado Pronóstico Pronóstico Tendencia Incluyendo (FIT t ) = suavizado (F t) + (T t) suavizada tendencia Exponencialmente Exponencialmente (FIT t ) = (F t ) + (T t ) 2008 Prentice Hall, Inc. 4 60
61 Suavizamiento Exponencial con Trendencia Ajustada F t = (A t -1 ) + (1 - )( )(F t -1 + T t -1 ) T t = (F t - F t -1 ) + (1 - )T t -1 Paso 1: Calcular F t Paso 2: Calcular l T t Paso 3: Calcular el pronóstico FIT t = F t + T t 2008 Prentice Hall, Inc. 4 61
62 Suavizamiento Exponencial con Tendencia Ajustada: Ejemplo Pronóstico Demanda Pronóstico Tendencia Incluyendo Mes) Actual(A t ) Suavizado, F t Suavizada, T t Tendencia, FIT t Table Prentice Hall, Inc. 4 62
63 Suavizamiento Exponencial con Tendencia Ajustada: Ejemplo Pronóstico Demanda Pronóstico Tendencia Incluyendo Mes) Actual(A t ) Suavizado, F t Suavizada, T t Tendencia, FIT t Paso 1: Pronóstico para Mes F 2 = A 1 + (1 - )(F 1 + T 1 ) 8 28 F 2 = (.2)(12) + (1 -.2)(11 + 2) = = 12.8 unidades Table Prentice Hall, Inc. 4 63
64 Suavizamiento Exponencial con Tendencia Ajustada: Ejemplo Pronóstico Demanda Pronóstico Tendencia Incluyendo Mes) Actual(A t ) Suavizado, F t Suavizada, T t Tendencia, FIT t Paso 2: Tendencia para Mes T 2 = (F 2 - F 1 ) + (1 - )T T 2 = (.4)( ) + (1 -.4)(2) = = 1.92 unidades Table Prentice Hall, Inc. 4 64
65 Suavizamiento Exponencial con Tendencia Ajustada: Ejemplo Pronóstico Demanda Pronóstico Tendencia Incluyendo Mes) Actual(A t ) Suavizado, F t Suavizada, T t Tendencia, FIT t Paso 3: Calcular FIT para Mes FIT 2 = F 2 + T FIT 2 = = unidades Table Prentice Hall, Inc. 4 65
66 Suavizamiento Exponencial con Tendencia Ajustada: Ejemplo Pronóstico Demanda Pronóstico Tendencia Incluyendo Mes) Actual(A t ) Suavizado, F t Suavizada, T t Tendencia, FIT t Table Prentice Hall, Inc. 4 66
67 Suavizamiento Exponencial con Tendencia Ajustada: Ejemplo roducto Demand da del P Demanda Actual (A t ) Pronóstico incluyendo ttendencia(fit t ) Con =.2 y = Tiempo (mes) Figure Prentice Hall, Inc. 4 67
68 Proyecciones de Tendencia Ajustar a una línea de tendencia a los datos históricos para proyectar en el mediano y largo plazo La línea de tendencia pueden ser encontrada usando la técnica de mínimos cuadrados y ^y = a + bx ^ Donde y = valor calculado de la la variables a ser pronósticada (variable dependiente) a = intercepto el eje -y b = pendiente de la línea de regresión x = la variable independente 2008 Prentice Hall, Inc. 4 68
69 Métodos Mínimos Cuadrados Valor res de Variable Depen dente Observación Actual (valor de y) Desviación 1 (error) Desviación 3 Desviación 5 Desviación 2 Desviación 7 Desviación 4 Desviación 6 Línea de tendencia, y = a + bx ^ Periodo de Tiempo Figure Prentice Hall, Inc. 4 69
70 Métodos Mínimos Cuadrados Valor res de Variable Depen dente Observación Actual (valor de y) Desviación 1 (error) Desviación 3 Desviación 5 Desviación 2 Desviación 7 Desviación 6 Métodos de Mínimos Cuadrados minimiza la Desviación 4 suma del cuadrado de los errores (desviaciones) Línea de tendencia, y = a + bx ^ Periodo de Tiempo Figure Prentice Hall, Inc. 4 70
71 Métodos Mínimos Cuadrados Ecuaciones para calcular la regresión de las variables y ^ = a + bx b= xy - nxy x2 -nx 2 a = y - bx 2008 Prentice Hall, Inc. 4 71
72 Año Mínimos Cuadrados Ejemplo Periodo Demanda de energia de tiempo(x) Electricidad (y) x 2 xy x = 28 y = 692 x 2 = 140 xy = 3,063 x = 4 y = xy - nxy 3,063 - (7)(4)(98.86) b = = = x 2 - nx (7)(4 2 ) a = y - bx = (4) = Prentice Hall, Inc. 4 72
73 Año Mínimos Cuadrados Ejemplo Periodo Demanda de energia de tiempo(x) Electricidad (y) x 2 xy x = 28 y = 692 x 2 = 140 xy = 3,063 x = 4 y = xy - nxy 3,063 - (7)(4)(98.86) b = = = x 2 - nx (7)(4 2 ) a = y - bx = (4) = Prentice Hall, Inc. 4 73
74 Año Mínimos Cuadrados Ejemplo Periodo Demanda de energia de tiempo(x) Electricidad (y) x 2 xy La Línea 3 de Tendencia 80 es y ^ 5= x x = 28 y = 692 x 2 = 140 xy = 3,063 x = 4 y = xy - nxy 3,063 - (7)(4)(98.86) b = = = x 2 - nx (7)(4 2 ) a = y - bx = (4) = Prentice Hall, Inc. 4 74
75 e energía manda de Dem a 150 Mínimos Cuadrados Ejemplo Línea de tendencia, y ^ = x Años 2008 Prentice Hall, Inc. 4 75
76 Requerimientos de Mínimos Cuadrados 1. Siempre debemos graficar los datos para asegurar una relación lineal 2. No predecimos periodos de tiempo que van más alla de la base de datos 3. Las desviaciones alrededor de la línea de mínimos cuadrados son asumidos como aleatorios 2008 Prentice Hall, Inc. 4 76
77 Mínimos Cuadrados Ejemplo - EViews 2008 Prentice Hall, Inc. 4 77
78 Econometric Views Eviews Prentice Hall, Inc. 4 78
79 Crear Workfile e Ingresar Datos 2008 Prentice Hall, Inc. 4 79
80 Estimación de Mínimos Cuadrados con EVIEWS 2008 Prentice Hall, Inc. 4 80
81 Estimación de Mínimos Cuadrados con EVIEWS La columna con el nombre Coefficient recoge el valor de los estimadores de los parámetros asociados a cada una de las variables explicativas (independientes) La columna con el nombre Std Error errores estándar recoge la desviación típica estimada de los estimadores y mide, la precisión con la que son estimados los parámetros 2008 Prentice Hall, Inc. 4 81
82 Estimación de Mínimos Cuadrados con EVIEWS El estadístico t-statistic permite contrastar la hipótesis de que el coeficiente es igual a cero (H 0 = i =0, frente a H 1 = i 0) y que por lo tanto la variable en cuestión no es individualmente significativa para explicar el comportamiento de la variable exógena. Probability, indica la probabilidad de cometer el error de rechazar la hipótesis nula siendo cierta Prentice Hall, Inc. 4 82
83 Estimación de Mínimos Cuadrados con EVIEWS R-squared, coeficiente de determinación, sirve para valorar el éxito de la regresión para predecir los valores de la variable endógena dentro del periodo muestral. Adjusted R-squared, coeficiente R2 ponderado por los grados de libertad Prentice Hall, Inc. 4 83
84 Estimación de Mínimos Cuadrados con EVIEWS S.E. of regression, error estándar de la regresión, sirve para analizar la capacidad d predictiva del modelo, recoge la función objetivo ponderada por sus grados de libertad. Sum squared resid, suma de los errores al cuadrado, mide la diferencia entre el valor observado de Y con el estimado. (debe ser lo más pequeño posible) Prentice Hall, Inc. 4 84
85 Estimación de Mínimos Cuadrados con EVIEWS F-statistic, se construye para contrastar si los parámetros asociados a las variables explicativas del modelo son conjuntamente iguales a cero. Permite contrastar la capacidad explicativa conjunta de las variables introducidas en el modelo. Porb(F-statistic statistic), mide la probabilidad de rechazar la hipotesis nula siendo cierta Prentice Hall, Inc. 4 85
86 Estimación de Mínimos Cuadrados con EVIEWS Durbin-Watson stat, estadístico que se construye para contrastar t la hipótesis i de incorrelación ió entre las perturbaciones aleatorias frente a la presencia de autocorrelación según un esquema AR(1) Prentice Hall, Inc. 4 86
87 Análisis i de Regresión Múltiple Si más de una variable independiente di va a ser usada en el modelo, la regresión líneal puede ser extendida a regresión múltiple para acomodar varias variables independentes ^ y = a + b 1 x 1 + b 2 x 2 Genralmente, realizar estos cálculos es muy complicado y mayormente se hace con el apoyo de un software y una PC 2008 Prentice Hall, Inc. 4 87
88 2008 Prentice Hall, Inc. 4 88
Instituto Politécnico Nacional Escuela Superior de Cómputo Modelos de Pronóstico
Instituto Politécnico Nacional Escuela Superior de Cómputo Modelos de Pronóstico M. En C. Eduardo Bustos Farías 1 Gestión de Demanda Clientes Internos y Externos Proactiva: Promociones, Políticas de Precio,
Más detallesADMINISTRACION DE OPERACIONES I
ADMINISTRACIÓN DE LA DEMANDA 1. GENERALIDADES Para diseñar y ejecutar un sistema de operación que satisfaga a los clientes una empresa debe conocer cuanta demanda tiene que satisfacer, lo cual le conduce
Más detallesPlanificación y Comercialización Clase 5 Pronósticos
Planificación y Comercialización Clase 5 Pronósticos Fabrizio Marcillo Morla MBA barcillo@gmail.com (593-9) 4194239 Otras Publicaciones del mismo autor en Repositorio ESPOL Fabrizio Marcillo Morla Guayaquil,
Más detallesCapítulo 2 Modelos de Pronósticos
Capítulo 2 Modelos de Pronósticos Contenido 1. Conceptos (2 horas) 2. Promedios móviles con pesos y sin pesos (2 horas) 3. Suavizado exponencial sin ajuste de tendencia y con ajuste de tendencia (2 horas)
Más detallesMÉTODOS DE PRONÓSTICO TEMA 1: ANÁLISIS DE SERIES DE TIEMPO Y ELABORACIÓN DE PRONÓSTICOS
UNIDAD 4 MÉTODOS DE PRONÓSTICO TEMA 1: ANÁLISIS DE SERIES DE TIEMPO Y ELABORACIÓN DE PRONÓSTICOS Predicción de lo que sucederá en el futuro. 1 Predicción de lo que sucederá en el futuro. Los métodos de
Más detallesCAPÍTULO 5: Pronósticos de las Operaciones Productivas
CAPÍTULO 5: Pronósticos de las Operaciones Productivas Un Enfoque en Procesos para la Gerencia Fernando A. D Alessio Ipinza 1 Contenido 1. Introducción 2. Tipos de pronósticos 3. Los pronósticos y el ciclo
Más detallesPronóstico. Pronósticos. Factores Controlables. Porqué? Objetivo. Factores Incontrolables
2 Pronóstico Pronósticos 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 Administración de
Más detallesCAPÍTULO VI PRONÓSTICO DE OPERACIONES. ADMINISTRACIÓN DE LA PRODUCCIÓN Enfoque Estratégico de la Calidad
CAPÍTULO VI PRONÓSTICO DE OPERACIONES ADMINISTRACIÓN DE LA PRODUCCIÓN LOS PRONÓSTICOS Y EL CICLO OPERATIVO OPERACIONES PRONÓSTICO LOGISTICO PRONÓSTICO OPERACIONES/TECNOLOGICO PRONÓSTICO LABORAL FINANZAS
Más detallesMANA 705 DL Sistema Universitario Ana G. Méndez, Derechos Reservados. 1
MANA 705 DL - Taller Siete Tópico: Pronóstico y Gerencia de Inventario Diapositiva 1 Bienvenidos a la presentación del Taller Siete: Pronóstico y gerencia de inventario. Diapositiva 2 Al finalizar esta
Más detallesVentajas de los pronósticos
Ventajas de los pronósticos Un correcto pronóstico ofrece importantes ventajas: Reducción de excesos de inventario Menores faltas de inventario Reducción de la necesidad de fabricar innecesariamente para
Más detallesDIRECCIÓN Y ADMINISTRACIÓN DE PEQUEÑAS EMPRESAS
DIRECCIÓN Y ADMINISTRACIÓN DE PEQUEÑAS EMPRESAS Modulo tercero (integración). Clave de asignatura LC 735 PROFESOR: C.P. DAVID ARREDONDO ALCANTAR 1.- PRONOSTICOS 1.3.- Tipos de pronósticos. Los pronósticos
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesMotivación. Motivación PRONOSTICOS DE DEMANDA
4 PRONOSTICOS DE DEMANDA Dr. Jorge Ibarra Salazar Profesor Asociado Departamento de Economía Tecnológico de Monterrey Motivación Estudio de los métodos para pronosticar las ventas a partir de datos observados.
Más detallesAUTOR : NASSSIR SAPAG CHAIN REYNALDO SAPAG CHAIN QUINTA EDICION Msc. Javier Carlos Inchausti Gudiño 2011
AUTOR : NASSSIR SAPAG CHAIN REYNALDO SAPAG CHAIN QUINTA EDICION 2008 Msc. Javier Carlos Inchausti Gudiño 2011 CAPITULO 5 TECNICAS DE PROYECCION DE MERCADO TÉCNICAS DE PROYECCIÓN DEL MERCADO Precisión deseada
Más detallesREGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE
UNIDAD 3 REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE Relación entre variables de interés 1 Relación entre variables de interés Muchas decisiones gerenciales se basan en la relación entre 2 o
Más detallesDIRECCION DE OPERACIONES I TEMA 2 PRONOSTICOS
DIRECCION DE OPERACIONES I TEMA 2 PRONOSTICOS ADMINISTRACION DE LA DEMANDA Es una función compartida entre las áreas de comercialización y producción, la primera es la encargada de captar la información
Más detallesMaterial de apoyo para el EXAMEN FINAL del curso: OPERACIONES 1 / 2010
CURVA DE APRENDIZAJE Que es una curva de aprendizaje: Es una línea que muestra la relación existente entre el tiempo de producción por unidad y el número de unidades de producción consecutivas. Cuáles
Más detallesADMINISTRACION DE OPERACIONES
Sesión4: Métodos cuantitativos ADMINISTRACION DE OPERACIONES Objetivo específico 1: El alumno conocerá y aplicara adecuadamente los métodos de pronóstico de la demanda para planear la actividad futura
Más detallesTÉCNICAS DE PROYECCIÓN DE MERCADO FORMULACIÓN Y EVALUACIÓN DE PROYECTOS DE INGENIERÍA
TÉCNICAS DE PROYECCIÓN DE MERCADO FORMULACIÓN Y EVALUACIÓN DE PROYECTOS DE INGENIERÍA ÁMBITO DE LA PROYECCIÓN TÉCNICAS DE PROYECCIÓN DE MERCADO Ámbito de la proyección Situación presente Situación proyectada
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesMaterial 3 TÉCNICAS DE PRONÓSTICO DE VENTAS
Material 3 TÉCNICAS DE PRONÓSTICO DE VENTAS A. MÉTODO DE REGRESIÓN SIMPLE: Este método relaciona 2 variables, una variable dependiente, la cual es objeto de estimación y la segunda variable independiente,
Más detallesAnálisis de regresión y correlación lineal
Análisis de regresión y correlación lineal En las unidades anteriores hemos aplicado metodologías estadísticas para analizar la información de una variable desde una o más muestras utilizando las herramientas
Más detallesCorrelación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)
Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre
Más detallesLección 3. Análisis conjunto de dos variables
Lección 3. Análisis conjunto de dos variables Estadística Descriptiva Parcialmente financiado a través del PIE13-04 (UMA) GARCÍA TEMA 3. ANÁLII CONJUNTO DE DO VARIABLE 3.1 COVARIANZA COEFICIENTE DE CORRELACIÓN
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesNota de los autores... vi
ÍNDICE Nota de los autores... vi 1 Qué es la estadística?... 1 1.1 Introducción... 2 1.2 Por qué se debe estudiar estadística?... 2 1.3 Qué se entiende por estadística?... 4 1.4 Tipos de estadística...
Más detallesTALLER DE INTRODUCCIÓN A LOS NEGOCIOS
REGRESIÓN LINEAL SIMPLE INTRODUCCIÓN Si sabemos que existe una relación entre una variable denominada dependiente y otras denominadas independientes (como por ejemplo las existentes entre: la experiencia
Más detalles4. Regresión Lineal Simple
1 4. Regresión Lineal Simple Introducción Una vez conociendo las medidas que se utilizan para expresar la fuerza y la dirección de la relación lineal entre dos variables, se tienen elementos base para
Más detallesINGENIERÍA EN MANTENIMIENTO INDUSTRIAL
HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Estadística Industrial 2. Competencias Diseñar estrategias de mantenimiento mediante el análisis de factores humanos, tecnológicos,
Más detallesIntroducción a la Econometría
1Econometría Introducción a la Econometría -Que es la econometría - Por que una disciplina aparte? -Metodología de la econometría Planeamiento de la teoría o hipótesis Especificación del modelo matemático
Más detallesModelos de Calibración
Modelos de Calibración Resumen El procedimiento Modelos de Calibración esta diseñado para construir un modelo estadístico que describe la relación entre variables, X y Y, donde construir un modelo es construir
Más detallesUnidad Temática 3: Estadística Analítica. Unidad 9 Regresión Lineal Simple Tema 15
Unidad Temática 3: Estadística Analítica Unidad 9 Regresión Lineal Simple Tema 15 Estadística Analítica CORRELACIÓN LINEAL SIMPLE Indica la fuerza y la dirección de una relación lineal proporcional entre
Más detallesPRONÓSTICOS PARA LA TOMA DE DECISIONES
PRONÓSTICOS PARA LA TOMA DE DECISIONES Documento de Internet Explorer Conceptos Generales Pronosticar: Es emitir un enunciado sobre lo que es probable que ocurra en el futuro, basándose en análisis y en
Más detallesQué es? Primer paso Representación en un sistema de coordenadas. numéricos Cada punto muestra el valor de cada pareja de datos (X e Y)
Gráfico de dispersión Qué es? Primer paso Representación en un sistema de coordenadas cartesianas de los datos numéricos Cada punto muestra el valor de cada pareja de datos (X e Y) Gráfico de dispersión
Más detallesTema 2. Regresión Lineal
Tema 2. Regresión Lineal 3.2.1. Definición Mientras que en el apartado anterior se desarrolló una forma de medir la relación existente entre dos variables; en éste, se trata de esta técnica que permite
Más detallesCORRELACIÓN Y REGRESIÓN. Juan José Hernández Ocaña
CORRELACIÓN Y REGRESIÓN Juan José Hernández Ocaña CORRELACIÓN Muchas veces en Estadística necesitamos saber si existe una relación entre datos apareados y tratamos de buscar una posible relación entre
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesEXAMEN ECONOMETRÍA I GRUPO 31 LADE Prof. Rafael de Arce 3 de septiembre de Nombre y Apellidos:
EXAMEN ECONOMETRÍA I GRUPO 31 LADE Prof. Rafael de Arce 3 de septiembre de 2004 Nombre y Apellidos: PRIMERA PARTE: Preguntas tipo test (sólo debe marcarse una en cada caso): 1. En el Modelo Básico de Regresión
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detalles4.1 Análisis bivariado de asociaciones
4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis
Más detallesEJEMPLOS DE PRONÓSTICOS
PRONÓSTICO ES UNA TÉCNICA QUE PERMITE PREDECIR EL FUTURO, BASÁNDOSE EN: ACONTECIMIENTOS PASADOS. INFORMACIÓN ESTADÍSTICA RECABADA SOBRE EXPERIENCIAS SIMILARES. ESTIMACIONES BASADAS EN ESTUDIOS DE MERCADO
Más detallesESTADISTICA PARA LA ADMINISTRACION
ESTADISTICA PARA LA ADMINISTRACION ANALISIS DE SERIES DE TIEMPO Y PRONOSTICOS DE NEGOCIOS ALUMNOS: JANINE INDAHITA RIVERA ARZOLA DIANA CAROLINA ROMERO BERBER FRANCISCO ALFREDO MERCADO CARINA OLIVARES LEÓN
Más detallesEJERCICIO T1 NOMBRE: Correctas Incorrectas En Blanco Puntos
ECONOMETRÍA EJERCICIO T1 APELLIDOS: NOMBRE: FIRMA: GRUPO: DNI: Pregunta 1 A B C En Blanco Pregunta A B C En Blanco Pregunta 3 A B C En Blanco Pregunta 4 A B C En Blanco Pregunta 5 A B C En Blanco Pregunta
Más detallesPLAN ESTRATÉGICO. Visión. Misión. Objetivos. Planificación. Metas. Control.
PRONÓSTICOS PLAN ESTRATÉGICO Visión. Misión. Objetivos. Planificación. Metas. Control. PRONÓSTICOS Los juicios personales basados en la experiencia práctica y/o la investigación prolija deberán desempeñar
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más detallesModelación estadística: La regresión lineal simple
Modelación estadística: La regresión lineal simple Gabriel Cavada Ch. 1 1 División de Bioestadística, Escuela de Salud Pública, Universidad de Chile. Statistical modeling: Simple linear regression Cuando
Más detallesUniversidad Autónoma del Estado de México Facultad de Economía. PROGRAMA EDUCATIVO Maestría en Creación y Estrategias de Negocios
Universidad Autónoma del Estado de México Facultad de Economía PROGRAMA EDUCATIVO Maestría en Creación y Estrategias de Negocios UNIDAD DE APRENDIZAJE: «Métodos Cuantitativos para la Toma de Decisiones
Más detallesPronósticos Automáticos
Pronósticos Automáticos Resumen El procedimiento de Pronósticos Automáticos esta diseñado para pronosticar valores futuros en datos de una serie de tiempo. Una serie de tiempo consiste en un conjunto de
Más detallesASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez https://torrezcesar.wordpress.com
ASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez torrezcat@gmail.com https://torrezcesar.wordpress.com 0416-2299743 Programa de Estadística II UNIDAD IV: REGRESIÓN Y CORRELACIÓN MÚLTIPLE LINEAL TANTO
Más detallesUNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL. Tema:
UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL Tema: Correlación múltiple y parcial. Ecuaciones y planos de regresión La Plata, septiembre
Más detallesAjustando Curva SnapStat
STATGRAPHICS Rev. 9/14/26 Ajustando Curva SnapStat Resumen El procedimiento Ajustando Curva SnapStat crea un resumen de una pagina que describe la relación entre un solo factor cuantitativo X y una variable
Más detallesINTRODUCCIÓN OBJETIVOS Objetivos Principales
En este contexto, pronosticar por arriba de la demanda tiene entre sus consecuencias el excesivo inventario de fármacos, obsolescencia o caducidad, y por otro lado, pronosticar por debajo de la demanda
Más detallesEstadística Inferencial. Sesión 11. Regresión y correlación múltiple
Estadística Inferencial Sesión 11. Regresión y correlación múltiple Contextualización En la sesión anterior se presentó la regresión lineal simple y se mostró su uso en la obtención de una ecuación de
Más detallesMétodos de Pronósticos de la demanda. Unidad III
Métodos de Pronósticos de la demanda. Unidad III Instituto Tecnológico de Estudios Superiores de Zamora. Abril 2013 IMPORTANCIA ESTRATÉGICA DEL PRONÓSTICO. Un pronóstico es una predicción de eventos futuros
Más detallesAPUNTES SOBRE SERIES HISTÓRICAS O CRONOLÓGICAS
APUNTES SOBRE SERIES HISTÓRICAS O CRONOLÓGICAS 35 3 25 2 15 1 5 21 22 23 24 25 Reyes Donis, José Luis SERIES HISTORICAS O CRONOLÓGICAS Llamadas también series de tiempo, se denomina serie de tiempo a un
Más detallesProblemas. 1.- Se muestran en seguida las tasas de interés para 12 meses consecutivos de Bonos corporativos triple A.
Problemas. 1.- Se muestran en seguida las tasas de interés para 12 meses consecutivos de Bonos corporativos triple A. 9.5, 9.3, 9.4, 9.6, 9.8, 9.7, 9.8, 10.5, 9.9, 9.7, 9.6, 9.6 a) Elabore promedios móviles
Más detallesINDICE. XV 1. Introducción a los pronósticos Actividad
INDICE Prefacio XV 1. Introducción a los pronósticos 1 Historia de los pronósticos La necesidad de pronosticar 2 Tipos de pronostico Pronóstico macroeconómico 4 Selección del método de pronostico 5 Pasos
Más detallesMÉTODOS DE PRONÓSTICO JUAN DAVID ORTEGON JUAN DAVID BENAVIDEZ
MÉTODOS DE PRONÓSTICO JUAN DAVID ORTEGON JUAN DAVID BENAVIDEZ QUE ES UN PRONÓSTICO? En el ámbito de los negocios un PRONÓSTICO es una herramienta que permite hacer una estimación acerca de la probabilidad
Más detallesEXAMEN ECONOMETRÍA I GRUPO 53 - DADE 8 de septiembre de 2005 Prof. Rafael de Arce
EXAMEN ECONOMETRÍA I GRUPO 53 - DADE 8 de septiembre de 005 Prof. Rafael de Arce NOMBRE: DNI: PARTE I.- TEST 1. La hipótesis de rango pleno en el MBRL supone: Que las variables explicativas no tengan ninguna
Más detalles5. Regresión Lineal Múltiple
1 5. Regresión Lineal Múltiple Introducción La regresión lineal simple es en base a una variable independiente y una dependiente; en el caso de la regresión línea múltiple, solamente es una variable dependiente
Más detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
Más detalles1.- Concepto de demanda y función de demanda. Producto: Marca concreta, línea, gama, producto genérico
TEMA 7. LA PREVISIÓN DE DEMANDA 1.- Concepto de demanda y función de demanda El volumen total de compras realizado por una determinada categoría de clientes, en un lugar y en el curso de un período dado,
Más detallesTEMA 10 Correlación y regresión. El modelo de regresión simple
TEMA 10 Correlación y regresión. El modelo de regresión simple Karl Pearson (1857-1936) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones no lineales
Más detalles3.2: Medidas numéricas
Escaños Estadística Aplicada a las Ciencias Políticas 3.2: Medidas numéricas 80 60 40 20 0 0 2E+06 4E+06 6E+06 8E+06 1E+07 Población Hemos visto que había una relación aproximadamente lineal entre población
Más detallesIng. MSc. Luis Fernando Restrepo Gómez
Ing. MSc. Luis Fernando Restrepo Gómez Introducción a la Valuación Masiva METODOLOGÍA VALUATORIA Sigue los pasos de la metodología científica, y se apoya en el análisis estadístico de datos comparables.
Más detallesFORMULACIÓN Y EVALUACIÓN DE PROYECTOS SEMANA 2
FORMULACIÓN Y EVALUACIÓN DE PROYECTOS SEMANA 2 ÍNDICE ESTUDIO DE MERCADO... 3 APRENDIZAJES ESPERADOS... 3 INTRODUCCIÓN... 3 DEFINICIÓN DE PRODUCTO/SERVICIO... 3 ANÁLISIS DE DEMANDA... 4 1. MÉTODOS SUBJETIVOS...
Más detallesRegresión Múltiple b=read.table("datoempleado.dat",header=t,sep="\t")
Regresión Múltiple b=read.table("datoempleado.dat",header=t,sep="\t") Ejemplo: (archivo datoempleado.dat) Fh (Referencia=Mujer) variables en el archivo names(b) [1] "id" "sexo" "fechnac" "educ" "catlab"
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 4)
OBJETIVOS DE APRENDIZAJE: TEMA Nº ANÁLISIS CONJUNTO DE DOS VARIABLES Distinguir entre variables cualitativas y cuantitativas, y saber elegir los métodos en cada caso. Conocer métodos gráficos y cuantitativos
Más detallesEstadística I Solución Examen Final- 19 de junio de Nombre y Apellido:... Grupo:...
Estadística I Examen Final- 19 de junio de 2009 Nombre y Apellido:... Grupo:... (1) La siguiente tabla muestra las distribuciones de frecuencias absolutas de la variable altura (en metros) de n = 500 estudiantes
Más detallesPlanificación de las ventas Componentes del Plan de Ventas Presupuesto de Ventas Objetivos del presupuesto Preparación del presupuesto
Unidad Temática 03: Presupuesto de Ventas: Planificación y Ppto. Métodos de Cálculo Consideraciones i sobre el precio MSc. Pedro Bejarano V. PRESUPUESTOS EMPRESARIALES 1 Planificación de las Ventas Importancia
Más detallesAnálisis de Datos y Métodos Cuantitativos para la D.T. VI versión MGM
Universidad Católica del Norte Escuela de Negocios Mineros Magister en Gestión Minera Análisis de Datos y Métodos Cuantitativos para la D.T. VI versión MGM Antofagasta, Junio de 2013 Profesor: Fernando
Más detallesTécnicas de Planeación y Control
Técnicas de Planeación y Control 1 Sesión No. 5 Nombre: Métodos cuantitativos de pronóstico Contextualización Como vimos en la sesión anterior, el enfoque cualitativo nos sirve para efectuar pronósticos
Más detallesEstadística II Ejercicios Tema 5
Estadística II Ejercicios Tema 5 1. Considera los cuatro conjuntos de datos dados en las transparencias del Tema 5 (sección 5.1) (a) Comprueba que los cuatro conjuntos de datos dan lugar a la misma recta
Más detallesÍNDICE. Prefacio... xi
ÍNDICE Prefacio... xi Capítulo 1 Introducción... 1 1.1 Por qué hay que tomar este curso y quién utiliza la estadística?... 2 1.2 Historia... 3 1.3 Subdivisiones de la estadística... 4 1.4 Un enfoque simple
Más detalles(5 x 3) ( 3 x 5) ( 5 x 1) b1 335, ,3-26, ,59 b2 = 0, , ,8 12,85 = 2,94 b3-26,79 13,8 2, ,31
VENTAS PUBLIC. PRECIOS 1990 0, 0, 10 1991 1 0, 1992 2 0,8 199, 0,8 199 1, Y X U 0, 1 0, 10 U1 Modelo matricial con término constante 1 1 0, U2 (el vector de unos recoge ese término constante) 2 1 0,8 U,
Más detallesAnálisis de Series de Tiempo
CURSO REGIONAL SOBRE HOJA DE BALANCE DE ALIMENTOS, SERIES DE TIEMPO Y ANÁLISIS DE POLÍTICA MSc. Sandra Hernández sandra.hernandezro@gmail.com Sede Subregional de la CEPAL en México Ciudad de México, del
Más detalles7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE
ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago
Más detallesCAPÍTULO 5. Proyecciones de las Fuentes de Empleo Características Generales del Modelo de Regresión Lineal Múltiple de las Fuentes
CAPÍTULO 5 Proyecciones de las Fuentes de Empleo 5.1. Características Generales del Modelo de Regresión Lineal Múltiple de las Fuentes de Empleo a Nivel Nacional. Para la proyección de las fuentes de empleo
Más detallesTaller I Econometría I
Taller I Econometría I 1. Considere el modelo Y i β 1 + ɛ i, i 1,..., n donde ɛ i i.i.d. N (0, σ 2 ). a) Halle el estimador de β 1 por el método de mínimos cuadrados ordinarios. Para realizar el procedimiento
Más detallesModelos de Series de Tiempo
UNIVERSIDAD AUTONOMA DEL ESTADO DE MÉXICO FACULTAD DE PLANEACIÓN URBANA Y REGIONAL ESTADÍSTICA II Modelos de Series de Tiempo POR: LUIS CONRADO TOLEDO VEGA FECHA DE ELABORACIÓN: 1ra quincena de Marzo de
Más detallesCORRELACIÓN LINEAL SIMPLE
CORRELACIÓN LINEAL SIMPLE ANÁLISIS DE CORRELACIÓN Cuando se trabaja con dos variables, pueden surgir diferentes preguntas como: Existe relación entre lo que una empresa gasta en publicidad y el importe
Más detallesUniversidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL
Universidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL OBJETIVO Analizar las Diferentes formas de Describir la Relación entre dos variables numéricas Trazar un diagrama de dispersión
Más detallesUnidad 3. Separacion de costos fijos y costos variables. Objetivos especificos de aprendizaje
Unidad 3 Separacion de costos fijos y costos variables Objetivos especificos de aprendizaje Alterminar de estudiar este capitulo, el estudiante sera capaz de: Explicar el concepto de costos fijos. Explicar
Más detallesANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL
ANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL Msc. Lácides Baleta Octubre 16 Página 1 de 11 REGRESIÓN Y CORRELACIÓN LINEAL Son dos herramientas para investigar la dependencia de una variable dependiente Y
Más detalles3. RELACION ENTRE DOS CONJUNTOS DE DATOS.
3. RELACION ENTRE DOS CONJUNTOS DE DATOS. 3. 1 Introducción En la búsqueda de mejoras o en la solución de problemas es necesario, frecuentemente, investigar la relación entre variables. Para lo cual existen
Más detallesGeneralmente, el objetivo de cualquier estudio de econometría es la. búsqueda de relaciones matemáticas que permitan explicar el comportamiento
5. METODOLOGÍA ECONOMÉTRICA. Generalmente, el objetivo de cualquier estudio de econometría es la búsqueda de relaciones matemáticas que permitan explicar el comportamiento de una variable económica a partir
Más detallesGUIA DE EXCEL PARA ANÁLISIS ESTADÍSTICO BÁSICO DE DATOS EXPERIMENTALES
GUIA DE EXCEL PARA ANÁLISIS ESTADÍSTICO BÁSICO DE DATOS EXPERIMENTALES Material didáctico elaborado por: M.I. María Estela Audelo Vucovich M.E. Antonio García Osornio Abril de 2017 La hoja de cálculo es
Más detallesTEMA 3 PLANIFICACIÓN DE LOS RECURSOS HUMANOS
TEMA 3 PLANIFICACIÓN DE LOS RECURSOS HUMANOS El objeto de la planificación de recursos Proceso o conjunto de decisiones que toma una empresa para asegurarse de que dispone del personal necesario, en el
Más detallesINDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica
INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables
Más detallesCAPÍTULO 2: PRODUCTOS Y DEMANDAS. en Funpimet, por lo que aquí se analizan los datos históricos de ventas para pronosticar
CAPÍTULO 2: PRODUCTOS Y DEMANDAS. En el primer capítulo de este proyecto se expusieron los productos que se fabrican en Funpimet, por lo que aquí se analizan los datos históricos de ventas para pronosticar
Más detallescon los supuestos clásicos, uno de ellos es que ninguna de las variables X 1, X 2,, X K es
TEMA 2: EXTENSIONES DEL MODELO DE REGRESIÓN LINEAL MÚLTIPLE: MULTICOLINEALIDAD Y TRANSFORMACIONES LINEALES. Wooldridge: Capítulos 6 (apartado 6.1) y 7 Gujarati: Capítulos 9 (apartado 9.8), 10 y 12 1. MULTICOLINEALIDAD
Más detallesUNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo A)
TIEMPO: 2 HORAS Instrucciones: UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo A) 1. Este un modelo de examen que le servirá para autoevaluarse de todos los contenidos del curso de Econometria
Más detallesAnálisis Probit. StatFolio de Ejemplo: probit.sgp
STATGRAPHICS Rev. 4/25/27 Análisis Probit Resumen El procedimiento Análisis Probit está diseñado para ajustar un modelo de regresión en el cual la variable dependiente Y caracteriza un evento con sólo
Más detallesFORMACIÓN E-LEARNING. Curso Online de Planificación de la Demanda (Demand Planning)
FORMACIÓN E-LEARNING Curso Online de Planificación de la Demanda (Demand Planning) Puntos clave y herramientas para desarrollar una correcta planificación de la demanda y las previsiones de ventas para
Más detallesJustificación Comercial
Justificación Comercial Proyectos de Inversión Licenciatura en Administración Facultad de Ciencias Económicas y de Administración Marzo - Abril 2007 Contenidos Función de Demanda. Elasticidades Información
Más detalles