Equipo territorial Minedu

 3. TÉCNICAS DE PREDICCIÓN

3.1 ¿Qué son los pronósticos y cómo se deben considerar?

El efecto de una predicción en donde se debe considerar solo como una medición de evidencias incompletas, basadas en comportamientos empíricos de situaciones parcialmente similares o en inferencias de datos estadísticos disponibles. Los diversos métodos para hacer pronósticos deben ser considerados, muchas veces, como complementarios. Difícilmente los resultados de uno coinciden con los de otros. De la misma forma, posiblemente unos sirvan más en un periodo de tiempo que otros, es decir, mientras unos puedan ser recomendables para proyectar los primeros años de la demanda, otros serán los más adecuados para el largo plazo.

3.2 ¿Qué comportamiento caracteriza a la demanda de productos innovativos?

El estudio del comportamiento histórico de la demanda que ha tenido la competencia ya establecida es fundamental para elegir la técnica de pronóstico a emplear, la técnica de pronóstico a emplear, tanto en lo que se refiere a su tendencia, estacionalidad, impacto de variables externas y comportamiento frente a los cambios en los ciclos económicos como a sus reacciones (positivas y negativas) a campañas promocionales, cambios de precios o readecuación de las características del producto, etcétera. En proyectos innovativos se debe tener muy en cuenta el ciclo de vida de productos similares. Es posible que en una etapa inicial de su desarrollo sea una función exponencial la que mejor explique el comportamiento de la demanda en el periodo introductorio (crece muy lentamente al principio mientras el producto se conoce, para luego aumentar fuertemente); que en una segunda etapa, de crecimiento, sea una función lineal con tendencia positiva la que mejor explique el desarrollo del mercado; y que, en la etapa madurez, se opte también por una función lineal creciente a tasas sustancialmente menores. Incluso puede haber una etapa de saturación, donde la demanda llegue a 0, como por ejemplo los  derivados de la obsolescencia por los continuos tecnológicos (regla de cálculo, telégrafo y pronto, el fax). Ciclos de vida de un producto: introducción, crecimiento, madurez y obsolescencia

3.3 ¿Cuáles son las categorías generales de técnicas de predicción y cuándo debe usarse cada una de ellas?

Se clasifican en dos categorías: las cuantitativas y las cualitativas Cuando se dispone de datos históricos suficientes, es posible utilizar los modelos cuantitativos de proyección. Dos grupos se identifican en esta categoría: los modelos causales y los modelos de series de tiempo. Un tercero, el de datos de panel, es solo una combinación de los dos anteriores. Si estos no existen o son insuficientes, lo mejor es recurrir a los métodos cualitativos.

3.4 ¿En qué consisten los modelos causales de pronóstico?

Estos requieren que exista una relación entre los valores de ambas variables y que los de la variable independiente sean conocidos o que su estimación otorgue una mayor confianza. La forma más común de hacer proyección causal es el ajuste de curvas, el cual se puede realizar aplicando el método de regresión, que predice el comportamiento de una variable dependiente a partir de una línea recta, exponencial u otra formada por los datos de la variable independiente y regresión múltiple a la que recurre a varias.

3.5 Interprete la siguiente función de tendencia de la demanda de atenciones geriátricas si x es la cantidad de adultos mayores de una comuna: Y = 314 + 2,07x.

Donde Y es la función de proyección o línea de tendencia; 314, el comportamiento no explicado por la variable x; 2.07, el comportamiento explicado por la variable x que indica en cuánto cambia el valor de Y por cada unidad que cambie x.

3.6 ¿Qué indican los conceptos de regresión y residuo en el resumen de resultados de la regresión del Excel?

Regresión: variación que se puede explicar por los datos del modelo (dispersión en los valores estimados con respecto al promedio de los datos observados) y corresponde a la suma de los cuadrados de las diferencias entre cada valor estimado por el modelo y el promedio de los datos observados.

Residuos: suma de los cuadrados de las diferencias entre los datos observados y los determinados por el modelo.

3.7 ¿Cómo se interpreta un coeficiente de determinación cercano a 1?

Si el coeficiente es positivo y elevado (muy cercano a 1), las variables x e y tienen comportamientos altamente relacionados. Si el coeficiente es 1, no existe diferencia entre el valor estimado y los datos observados.

3.8 ¿Cómo se interpreta un coeficiente de determinación cercano a −1?

Si el coeficiente muestra valores negativos, el comportamiento de las variables es opuesto, es decir, mientras mayor sea el valor de x, menor será el de y. Si el coeficiente es 0, no existe correlación entre las variables, y la ecuación obtenida no sirve para estimar el valor de Y

3.9 ¿Qué busca determinar una prueba de hipótesis?

Dado que estadísticamente los resultados varían según sea la composición de los datos, se hace necesario determinar si los valores de a y b son o no válidos realizando una prueba de hipótesis, puesto que las variaciones se pueden deber a las diferencias propias de los grupos (edad, sexo, etc.) o se explican por el azar. Cuando las diferencias no se deben al azar, se clasifican como estadísticamente significativas, aceptando que las diferencias se explican porque los grupos están compuestos por individuos de diversas características.

3.10 ¿Para qué se utiliza el estadístico F?

Se utiliza para determinar si todas las variables de la función en su conjunto son o no significativas, y se calcula dividiendo el promedio de los cuadrados de la regresión por el promedio de los cuadrados de los residuos. Aunque para dos variables es suficiente el coeficiente R2 (o R cuadrado), se muestra el cálculo del estadístico F para los datos del Excel que se observan en el cuadro de la pregunta 3,6. F = 8522887,3 / 1256660,161 = 67,82174682 Este valor es el que aparece en la celda E12.

3.11 ¿A qué se denomina una relación espuria?

Cuando todos los indicadores se consideren como válidos, podría darse el caso de que dos variables que no tengan ninguna relación entre sí sugieran la aceptación del modelo. Por ejemplo, el comportamiento observado en el consumo de cerdos con el crecimiento de los de los enfermos de sida. Aunque ambas variables se muestren muy correlacionadas y aunque a y b sean muy significativas, no cabe duda de que una no explica a la otra.

3.12 ¿Qué son los modelos de series de tiempo?

...