Mtodos Cuantitativos

Series de Tiempo Mtodo

Promedio Mvil Promedio Mvil Ponderado Suavizado Exponencial Regresin Lineal Estacional

Patrn de datos
Horizontal, Aleatorio Horizontal, Aleatorio Horizontal, Aleatorio Tendencia y estacionalidad Tendencia y estacionalidad

Horizonte de Tiempo
Corto Corto Corto Corto / Mediano Corto / Mediano

Modelo Causal Mtodo

Regresin Lineal Simple Regresin Lineal Mltiple

Patrn de datos
Patrones Complejos Patrones Complejos

Horizonte de Tiempo
Corto / Mediano /Largo Corto / Mediano /Largo

Pronsticos Ingenuos (simplista).

La manera ms fcil de pronosticar es asumir que la demanda del siguiente perodo es justamente igual a la demanda en el perodo ms reciente.

Promedio Mvil
Esta tcnica se basa en el promedio de n perodos anteriores de demanda para determinar la demanda futura del siguiente perodo. Se aplica con xito en patrones de serie horizontal. Su frmula matemtica es : Promedio Mvil = Demanda en m perodos previos m donde : n: nmero de perodos en el promedio mvil, ejm 3, 4, o 5 perodos. o Fn+1 Donde: F: demanda futura (para el perodo n+1) n: Perodo actual D: demanda histrica m: nmero de perodos a promediar.
=

Dm + Dm-1 + Dm-2 + Dm-3 ++ Dn-m m

Ejemplo1. Una tienda comercial presenta la siguiente demanda mensual de televisores: Mes 1 2 3 4 5 6 7 8 Demanda Real 100 115 118 114 112 120 110 ? Pronstico

Pronosticar la demanda para el mes 8, utilizando promedio mvil de las tres ltimas demandas. (n=3). Solucin: F8 = 112 + 120 + 110 3 114 televisores.

Pero como validar este pronstico, es decir saber si es aceptable o no. Para eso se da la serie de datos para determinar cuan precisa es la tcnica de pronstico. Por esta razn calculamos el pronstico en los perodos que preceden y llenamos el cuadro como sigue: Mes 1 2 3 4 5 6 7 8 Demanda Real 100 115 118 114 112 120 110 Pronstico

111.00 115.67 114.67 115.33 114.00

Monitoreo y control de Pronsticos

Definiciones: Error de Pronstico: Errort = Dt - Ft Dt : demanda real en el perodo t Ft : pronstico en el perodo t

Desviacin Media Absoluta MAD Seal de Rastreo: Es una medida que indica si el promedio de pronsticos est manteniendo el ritmo de los cambios reales en la demanda, ya sean hacia arriba o hacia abajo. La seal de rastreo es el nmero de desviaciones medias absolutas en que el valor del pronstico se encuentra por encima o por debajo de la ocurrencia real. Seal de Rastreo =
( Dt - Ft ) Error acumulado Dt - Ft

MAD Cuando los errores de los pronsticos se distribuyen normalmente, se tiene la siguiente relacin: 1 desviacin estndar () = 1.25 MAD Para un nivel de confianza del 99.7% se considera un rango de 3 , es decir la seal de rastreo debe estar dentro del rango de 3.75 MAD. Para nuestro ejemplo:
Mes 1 2 3 4 5 6 7 Demanda Real 100 115 118 114 112 120 110 Pronstico Error de pronstico Error acumulado Desviacin absoluta MAD Seal de Rastreo (SR)

111.00 115.67 114.67 115.33

3.00 -3.67 5.33 -5.33

3.00 -0.67 4.67 -0.67

3.00 3.67 5.33 5.33

3.00 3.33 4.00 4.33

1.00 -0.20 1.17 -0.15

Grficamente:
Seal de rastre o
3 2 1 MAD 0 -1 -2 -3 1 2 MES 3 4 SR

Como la SR se encuentra dentro los lmites establecidos los pronsticos se comportan adecuadamente. (Comportamiento normal).

Patrones de comportamiento deficientes de la seal de rastreo.

Seal de Rastreo
3 2 1 MAD 0 -1 -2 -3 1 2 3 MES 4 5 6 MAD SR 3 2 1 0 -1 -2 -3 1 2 3 MES 4 5 6 SR

Seal de Rastreo

Seal de Rastreo
3 2 1 MAD 0 -1 -2 -3 1 2 3 MES 4 5 6 MAD SR 3 2 1 0 -1 -2 -3 1 2

Seal de Rastreo

SR

3 MES

Patrones de comportamiento normal de la seal de rastreo.

Seal de Rastreo
3 2 1 MAD 0 -1 -2 -3 1 2 3 MES 4 5 6 MAD SR 3 2 1 0 -1 -2 -3 1 2 3 MES 4 5 6 SR

Seal de Rastreo

Ejercicio 01. En hoja de clculo.

Promedio Mvil Ponderado

Esta tcnica considera que los datos ms recientes son ms reveladores del futuro que los datos ms antiguos, es decir da un mayor peso a datos mas recientes. Se obtiene sumando el producto de la demanda de cada perodo por un factor de ponderacin y se divide el resultado entre la suma de todos los factores ponderados.

Fn+1 Donde:

aDn + bDn-1 + cDn-2 + + mD a+b+c++m

F: demanda futura n: Perodo actual D: demanda histrica a,b,c,..,m : Factores de ponderacin Ejemplo3. Saga desea pronosticar la demanda de lavadoras que vender mes de octubre de presente ao. A continuacin se presenta las demandas de lavadoras de enero a setiembre. El jefe de almacn de la tienda aplicar promedio mvil ponderado de los ltimos 3 meses con factores 4, 3 y 2 respectivamente. Mes 1 2 3 4 5 6 7 8 9 10 Solucin: F10 = 4x75 + 3x80 + 2x115 9 86 Lavadoras. Demanda Real 45 60 55 70 90 50 115 80 75 ? Pronstico

Validando este pronstico

Mes 1 2 3 4 5 6 7 8 9

Demanda Real 45 60 55 70 90 50 115 80 75

Pronstico

Error de pronstico

Error acumulado

Desviacin Absoluta

MAD

Seal de Rastreo (SR)

54.44 62.78 75.56 67.78 87.78 85.00

15.56 27.22 -25.56 47.22 -7.78 -10.00

15.56 42.78 17.22 64.44 56.67 46.67

15.56 27.22 25.56 47.22 7.78 10.00

15.56 21.39 22.78 28.89 24.67 22.22

1.00 2.00 0.76 2.23 2.30 2.10

Grfica del comportamiento de la seal de rastreo

Sea l de Rastreo
3 2 1 MAD 0 -1 -2 -3 1 2 3 MES 4 5 6 SR

Ejercicio 02. En hoja de clculo.

Suavizado Exponencial
Este mtodo toma el pronstico del perodo anterior y le incorpora un ajuste para obtener el pronstico del siguiente perodo. Este ajuste es proporcional al error anterior y se calcula multiplicando el error de pronstico del perodo anterior por una constante entre 0 y 1 denominada constante de suavizacin ( ). Es una tcnica para pronosticar basada en los errores de los pronsticos Fn+1 Fn+1 Donde: F: pronstico
= =

Fn + (Dn - Fn)

Dn + (1- )Fn

D: demanda real n: perodo actual. : constante de suavizacin, valor entre 0 y 1 Notas: Una ventaja de esta tcnica es que los datos que se requieren son slo del ltimo pronstico, la ltima demanda y el valor de . Esta tcnica es realmente es un promedio mvil ponderado. Mientras alfa est cerca a 1 se le est dando mayor peso a los ltimos datos de la demanda. En el caso extremo cuando alfa es 1,tenemos: Fn+1 Si Entonces para un perodo n Fn Pero Fn-1
= =

Dn
=

Fn+1

Dn + (1- )Fn

.(1)

Dn-1 + (1- )Fn-1 Dn-2 + (1- )Fn-2

.(2)

.(3)

Combinando 1,2 y3 , tenemos Fn+1

=

Dn + (1- )Dn-1 + (1- )2Dn-2 + (1- )3Dn-3 + (1- )4Dn-4+ (1- )5Fn-5

Ponderaciones decrecientes para perodos ms antiguos Ponderacin por perodo = 0.9 = 0.6 = 0.1 Ejemplo 4. El pronstico de ventas de pasajes areos a Lima fue de 145 el mes pasado y la venta real de pasajes fue de 156. Utilizando una constante de suavizacin, cual ser el pronsticos de pasajes el presente mes que est iniciando. F
=

(Dn) 0.9 0.6 0.1

(Dn-1) (1- ) 0.09 0.24 0.09

3 (1- )2 0.009 0.096 0.081

4 (1- )3 0.0009 0.0384 0.0729

5 (1- )4 0.00009 0.01536 0.06561

145 + 0.2(156 - 145)

F= 147 pasajes Notas: 0<<1

Si =0 Fn+1 = Fn Si =1 Fn+1 = Dn En resumen el valor de Fn+1 est entre Dn y Fn Ejercicio 03. En hoja de clculo.

Pronsticos en el mediano y largo plazo

Los pronsticos en el mediano plazo pueden ser explicados mediante un anlisis de regresin, este anlisis de regresin indica la tendencia de la demanda en funcin a otro factor formandose tendencias tales como: lineal, exponencial, logartmica, etc. Un anlisis de regresin se puede realizar sobre modelos de pronsticos: series de tiempo o causales.

Anlisis de Regresin
El anlisis de regresin se utiliza para determinar si un grupo de datos (una o ms variables independientes) guardan algn tipo de relacin o correlacin con otro grupo de datos (variable dependiente). Una vez que se hayan calculado dichas relaciones podrn hacerse pronsticos. Tipos de anlisis de regresin: Lneal y = a + bx Poli nmica y = b + c1x + c2x2 + c3x3 + + c6x6 Logartmica y = b + clnx Exponencial y = cebx Potencial y = cxb

Anlisis de Regresin Lineal

Es un modelo de pronstico que establece una relacin lineal entre una variable dependiente y una o ms variables independientes. Existen 2 tipos de regresin lineal: Anlisis de Regresin Lineal Simple. Modelo matemtico que slo contiene una variable independiente y una variable dependiente. Ecuacin matemtica: y = a + bx Anlisis de Regresin Lineal Mltiple. Modelo Matemtico que contiene 2 o ms variables independientes y una variable dependiente. Ecuacin matemtica: y = a + b1x1 + b2x2 + + bnxn Una vez que haya verificado a travs del anlisis de regresin que existe una relacin entre las variables dependiente e independientes, podr utilizar los valores de las variables independientes para pronosticar los valores de las dependientes. Anlisis de Regresin Lineal Simple. Modelo matemtico que slo contiene una variable independiente y una variable dependiente. Si los datos forman una serie de tiempo, la variable independiente es el tiempo en perodos y la variable dependiente son las ventas o demanda. Ecuacin de regresin: y = a + bx Donde: x : valores de la variable independiente y : valores de la variable dependiente a : interseccin con el eje vertical b : pendiente de la lnea de regresin n : nmero de observaciones Entonces, los valores de a y b se obtienen mediante las siguientes frmulas:
x y
2

- xxy
- (x)
2

n xy

- xy
2

a =

nx2

b=

n x2

- (x)

Ejemplo La empresa Motores Andinos S.A. produce motores petroleros Perkins. Durante ms de un ao, la planta de produccin ha operado a casi plena capacidad. El gerente de planta, estima que el crecimiento en las ventas continuar y desea desarrollar un pronstico a largo plazo que se usar para planear las necesidades de las instalaciones para los siguientes tres aos. Se han totalizado las cifras de ventas correspondientes a los ltimos diez aos:

Ao 1 2 3 4 5

Ventas anuales (miles de unidades) 1,000 1,300 1,800 2,000 2,000

Ao 6 7 8 9 10

Ventas anuales (miles de unidades) 2,000 2,200 2,600 2,900 3,200

Solucin:

Ventas anuales (miles de unid.) Ao 1 2 3 4 5 6 7 8 9 10 Totales

(y)
1,000 1,300 1,800 2,000 2,000 2,000 2,200 2,600 2,900 3,200
y = 21,000

Periodo (x) 1 2 3 4 5 6 7 8 9 10
x = 55

x2
1 4 9 16 25 36 49 64 81 100
x2 = 385

xy
1,000 2,600 5,400 8,000 10,000 12,000 15,400 20,800 26,100 32,000
xy = 133,300

1. Resolvamos ahora despejando los valores de a y de b: a = (385)(21,000) - (55)(133,300) 10(385) - (55)2 a = 913.333 b = (10)(133,300) - (55)(21,000) 825 b = 215.785 2. Ahora que conocemos los valores de a y de b, podemos utilizar la ecuacin de regresin para pronosticar las ventas de aos futuros: Y = 913.333 + 215.758X 3. Si deseamos pronosticar las ventas en miles de unidades para los tres aos siguientes, podramos reemplazar 11, 12 y 13, que son los tres valores siguientes de X, en la ecuacin de regresin de X:

Y11 = 913.333 + 215.758(11) = 3,286.7, o 3,290 miles de unidades Y12 = 913.333 + 215.758(12) = 3,502.4, o 3,500 miles de unidades Y13 = 913.333 + 215.758(13) = 3,718.2, o 3,720 miles de unidades

Ao 1 2 3 4 5 6 7 8 9 10 11 12 13

Ventas anuales (miles de unid.) (y) 1,000 1,300 1,800 2,000 2,000 2,000 2,200 2,600 2,900 3,200

Periodo (x) 1 2 3 4 5 6 7 8 9 10 11
12 13

x2
1 4 9 16 25 36 49 64 81 100

Xy
1,000 2,600 5,400 8,000 10,000 12,000 15,400 20,800 26,100 32,000

Pronstico 1,129 1,345 1,561 1,776 1,992 2,208 2,424 2,639 2,855 3,071 3,287 3,502 3,718

Anlisis de Regresin Lineal

4,000 Ventas Miles de unidades 3,500 3,000 2,500 2,000 1,500 1,000 500 1 2 3 4 5 6 7 8 9 10 11 12 13 Perodos Venta s Regre sin

Coeficiente de Correlacin (r). Explica la importancia relativa, el grado o fuerza de la relacin entre y & x; el signo de r indica la direccin de dicha relacin, y el valor absoluto de r la

magnitud de la relacin. r puede asumir cualquier valor entre -1 y +1. El signo de r ser siempre igual al signo de b. Una r negativa indica que los valores de y i x tienden a moverse en direcciones opuestas, y una r positiva indica que los valores de y i x se mueven en la misma direccin. As tenemos: -1 Una relacin negativa perfecta; conforme y sube, x baja unidad por unidad y viceversa. +1 Una relacin positiva perfecta; conforme y sube, x sube unidad por unidad y viceversa. 0 No existe relacin alguna entre y & x. +0.3 Una relacin positiva dbil. -0.9 Una relacin negativa fuerte.
Correlacin Positiva Pe rfecta
1200 1000 800 Ventas 600 400 200 0 1 2 3 4 5 6 7 8 9 10 Perodo Regresin Demanda

Correlacin Negativa Perfecta

1200 1000 800 Ventas 600 400 200 0 1 2 3 4 5 6 7 8 9 10 Perodo Regresin Demanda

r=+1
Correlacin Positiva
1200 1000 800 Ventas 600 400 200 0 1 2 3 4 5 6 7 8 9 10 Perodo Regresin Demanda 1200 1000 800 Ventas 600 400 200 0 1 2 3 4

r=-1
Sin Corre lacin

Regresin Demanda

10

Perodo

0<r<1 El coeficiente de correlacin se calcula como sigue: n xy

- xy - (y)
2

r=0

r=

[n x2

- (x)

] [n y2

Coeficiente de Determinacin (r2). Es el porcentaje de variacin en la variable dependiente y que es explicada por la ecuacin de regresin. El valor de r2 ser siempre un nmero positivo en el rango de 0 r2 1

Error estndar de pronstico o desviacin estndar. Un punto estimado de y es en realidad la media o valor esperado, de una distribucin de valores posibles. Para medir la exactitud de los estimados en la regresin se establecen rangos dentro de los cuales los datos reales ms probablemente ocurrirn. Syx =

y2 - a y - b xy n - 2

Lmite Superior = Yi + t Syx Lmite Inferior = Yi - t Syx Donde: Y: demanda pronosticada i : perodo pronosticado Syx : Desviacin estndar t : valor de la distribucin de probabilidad t student para un nivel de significancia del 0.01 y para n-2 grados de libertad para un nivel de confianza del 90% Para nuestro ejemplo: (1) r = 0.9702 Interpretacin: Existe una relacin lineal positiva fuerte entre la variable y & x (2) r2 = 0.9412 o 94.12%

Interpretacin: Indica que el 94.12% de la variacin total se explica por medio de la ecuacin de regresin. (3) Sxy = 173.0 miles de unidades (4) Estableciendo rangos: para un nivel de significancia 0.01 y a n-2 grados de libertad, para la demanda pronosticada del perodo 11 tenemos: LS = 3,286.7 + 1.86(173) = 3,610 miles de unidades. LI = 3,286.7 - 1.86(173) = 2,960 miles de unidades.

Interpretacin: Existe una probabilidad del 90% de que nuestras ventas anuales del prximo ao queden entre 3,610 y 2,960 miles de unidades. Slo existe una probabilidad del 10% de que nuestras ventas caigan fuera de este lmite. Nuestra mejor estimacin es 3,290 miles de unidades. Ejercicio 04. En hoja de clculo.

Pronsticos de serie de tiempo estacionalizados

Estacionalidad en los pronsticos de series de tiempo Por lo general, los patrones estacionales son fluctuaciones que ocurren dentro de un ao y tienden a repetirse anualmente. Estas estaciones pueden ser causadas o determinadas por el clima, las vacaciones, los das de pago, los eventos escolares o cualquier otro fenmeno. Se siguen estos pasos. 1. Seleccione un conjunto representativo de datos histricos. 2. Desarrolle un ndice de estacionalidad para cada estacin, es decir, mes o trimestre. 3. Utilice los ndices de estacionalidad para desestacionalizar los datos. En otras palabras, elimine los patrones estacionales. 4. Realice un anlisis de regresin lineal sobre los datos desestacionalizados. Ello resultar en una ecuacin de regresin de la forma: Y = a + bX. 5. Utilice la ecuacin de regresin para calcular los pronsticos del futuro. 6. Utilice los ndices de estacionalidad para volver a aplicar los patrones estacionales a los pronsticos. Ejemplo. El gerente de planta de una compaa , est intentando planear las necesidades de efectivo, personal y materiales y suministros para cada trimestre del prximo ao. Los datos de ventas trimestrales durante los ltimos tres aos razonablemente parecen reflejar el patrn de resultados estacional que debe esperarse en el futuro. Si el gerente de planta pudiera estimar las ventas trimestrales del siguiente ao, podra determinar las necesidades de efectivo, material, personal y suministros. A continuacin se presentan las ventas trimestrales de los ltimos 3 aos: 1. Primero, calculamos los ndices de estacionalidad:
Ventas trimestrales (miles de unidades) Ao 8 9 10 Totales Promedio trimestral Indice de Estacionalidad (IE)** Q1 520 590 650 1,760 586 0.809 Q2 730 810 900 2,440 813 1.122 Q3 820 900 1,000 2,720 906 1.251 Q4 530 600 650 1,780 593 0.818 Total Anual 2,600 2,900 3,200 8,700 725*

*Promedio general del trimestre = 8700/12 = 725. **IE Promedio del trimestre/Promedio general del trimestre. 2. A continuacin, desestacionalizamos los datos dividiendo cada valor trimestral entre su IE (ndice de estacionalidad). Por ejemplo, 520 0.809 = 642.8 , 730 1.122 = 650.6, y as sucesivamente.

Ao Q1 642.8 729.3 803.5

Datos trimestrales ajustados desestacionalizados

Q2 650.6 721.9 802.1 Q3 655.5 719.4 799.4 Q4 647.9 733.5 794.6

3.

A continuacin, hacemos un anlisis de regresin sobre los datos desestacionalizados (12 trimestres) y el pronstico de los siguientes cuatro trimestres:

Periodo
Ao 8, Q1 Ao 8, Q2 Ao 8, Q3 Ao 8, Q4 Ao 9, Q1 Ao 9, Q2 Ao 9, Q3 Ao 9, Q4 Ao 10, Q1 Ao 10, Q2 Ao 10, Q3 Ao 10, Q4 Totales

x
1 2 3 4 5 6 7 8 9 10 11 12 x = 78

Y
642.8 650.6 655.5 647.9 729.3 721.9 719.4 733.5 803.5 802.1 799.4 794.6 y = 8,700.5

y2
413,191.84 423,280.36 429,680.25 419,774.41 531,878.49 521,139.61 517,536.36 538,022.25 645,612.25 643,364.41 639,040.36 631,389.16 y2 = 6,353,909.75

x2
1 4 9 16 25 36 49 64 81 100 121 144 x2 = 650

Xy
642.8 1,301.2 1,966.5 2,591.6 3,646.5 4,331.4 5,035.8 5,868.0 7,231.5 8,021.0 8,793.4 9,535.2 xy = 58,964.9

4.

A continuacin utilizamos estos valores para para la regresin lineal:

a = 650(8,700.5) - 78(58,964.9) = 615.421 12(650) - (78)2 b = 12(58,964.9) - 78(8,700.5) = 16.865 12(650) - (78)2 Y = 615.421 + 16.865X 5. Ahora reemplazamos Los valores 13, 14, 15 y 16 (los siguientes cuatro valores de x) en la ecuacin. Estos sern los pronsticos desestacionaciolizados, en miles de unidades, para los siguientes cuatro trimestres: Y13 = 615.421 + 16.865(13) = 834.666 Y14 = 615.421 + 16.865(14) = 851.531 Y15 = 615.421 + 16.865(15) = 868.396 Y16 = 615.421 + 16.865(16) = 885.261 6. Utilizamos los ndices de estacionalidad (IE) para estacionalizar los pronsticos: Pronsticos estacionalizados [IE x Pronsticos desestacionalizados] (miles de unidades) 675 955 1,086 724

Trimestre Q1 Q2 Q3 Q4

IE 0.809 1.122 1.251 0.818

pronsticos desestacionalizados 834.666 851.531 868.396 885.261

Se han redondeado los pronsticos a un dgito significativo adicional a los de los datos originales. Ejercicio 05. En hoja de clculo.

Modelos Causales Anlisis de regresin lineal simple

Una relacin causal es aquella en la cual una ocurrencia de una variable independiente causa la variable dependiente. Si el elemento causante se puede prever con anticipacin, puede utilizarse como base para la proyeccin.

Ejemplo. Una empresa que fabrica cajas de cartn hace cajas para pizzas. El departamento de planeacin de operaciones sabe que un pronstico adecuado y preciso de cajas para pizza de un cliente est en relacin estrecha con los gastos de promocin de ste, el cual se puede obtener por adelantado antes de realizar el gasto. El departamento de planeacin de operaciones est interesado en establecer la relacin entre la promocin de la empresa de pizzas y las ventas. Una vez que eso se haya establecido, las rdenes de compra de las cajas para pizzas, en dlares, pueden expresarse como porcentaje fijo de las ventas. Publicidad y ventas trimestrales
Trimestre 1 2 3 4 5 6 7 8 9 10 Publicidad ($100,000) 4 10 15 12 8 16 5 7 9 10 Ventas (S Millones) 1 4 5 4 3 4 2 1 4 2

Haciendo el clculo de b y a, donde la publicidad es X, para el trimestre , las ventas son Y, para el trimestre t y Ft es el pronstico para el futuro periodo t.

Trimestre 1 2 3 4 5 6 7 8 9 10

Publicidad (x) 4 10 15 12 8 16 5 7 9 10 96

Ventas (y) 1 4 5 4 3 4 2 1 4 2 30

x2 16 100 225 144 64 256 25 49 81 100 1060

y2 1 16 25 16 9 16 4 1 16 4 108

xy 4 40 75 48 24 64 10 7 36 20 328

b= 10(328) - (96)30 = 0.29 10(1060) - (96)2 a = 30 0.29(96) = 0.22 10

Por tanto, la recta estimada de regresin, la relacin entre las ventas futuras (Ft) y la publicidad (Xt) es: Ft = .22 + .29 X, En el ejemplo anterior, quien hace la planeacin de las operaciones puede investigar los gastos planeados en publicidad y sobre esas ventas puede hacer el pronstico. Por ejemplo, la publicidad del prximo trimestre se espera que tenga un monto de 1 100 000 dlares. Sustituyendo 11 para X en la ecuacin anterior se tendr: Ft = .22 + .29(11) = 3.41 El pronstico de las ventas es de 3.41 millones de dlares. Si los pedidos de cajas representan el 5 por ciento de las ventas, quien planea las operaciones podra esperar que el monto total por concepto de pedidos sera de 170,500 dlares para el trimestre (.05X3.41). Tal estimacin puede ser de gran utilidad en la planeacin global de las operaciones. Evaluacin de cunto se apega la demanda al monto de publicidad invertida: r1 = r2 = El monto de la publicidad invertida explica aproximadamente 80% (r = 0.799) de la variacin observada en la venta trimestral de pizzas. Ejercicio 06. En hoja de clculo.