Está en la página 1de 30

PRONOSTICOS DE DEMANDA

CLASIFICACIN DE LOS MODELOS DE PRONSTICOS


Mtodos de Prediccin
Cualitativos Cuantitativos

Series de tiempo

Causale s
Proyeccin tendencia de de una
Modelos de regresin

Alisamiento

Proyeccin de tendencia

simple Promedios Moviles ponderado Suavizamiento Exponencial

serie de tiempo que tiene componente de tendencia estacional y

Lineal simple

Lineal mltiple

Mtodos Cualitativos Estos mtodos reciben tambin el nombre de tecnolgicos, porque histricamente se usaron primero para pronosticar cambios tecnolgicos. La posicin central en estos mtodos no la tienen los datos pasados, sino la experiencia de las personas. Frecuentemente se usa la experiencia y buen juicio de varios expertos. Estas tcnicas usan el criterio de la persona y ciertas relaciones para transformar informacin cualitativa en estimadoscuantitativos. Usos de estos mtodos. Las tcnicas cualitativas se usan cuando los datos son escasos, y son tiles para pronsticos a largo plazo, pronsticos de ventas y desarrollo de nuevos productos, inversiones de capital, planeacin estratgica y pronsticos tecnolgicos. Dentro de estos mtodos tenemos: El Mtodo Delphi. Este trata de obtener un consenso confiable entre diversos expertos para usarlo como base para pronosticar. Esta tcnica necesita un grupo de expertos que estn dispuestos a contestar una serie de preguntas, y exponer sus razones, respecto a algn desarrollo tecnolgico, por ejemplo. El mtodo Delphi funciona por rondas. Para ver como es esto, pongamos un ejemplo. Se hizo un estudio Delphi para saber cules eran los inventos y avances tecnolgicos que se iban a dar en los 20 aos siguientes. El estudio tuvo 4 rondas. Primera ronda. Mediante una carta se le pidi a los miembros del panel una lista de los inventos y avances cientficos que fueran a la vez tiles y factibles en los prximos 20 aos. El coordinador, despus de recibir las listas, hizo

una con los 50 avances ms mencionados. Segunda ronda. La lista de 50 fue enviada a los expertos para que los acomodaran temporalmente (en 4 periodos de 5 aos). Tomando como base el tiempo en que creyeran que haba una probabilidad de 50\% de que se realice el avance. Tercera ronda. El coordinador envi a los expertos dos listas: la lista de los avances en los que hubo consenso. la lista donde no hubo consenso indicndoles las medianas de los tiempos para los avances en que no hubo acuerdo.

Se les pidi que reconsideraran sus opiniones respecto a los avances en que no hubo consenso. A los expertos que difirieron mucho de los dems se les hizo notar. (Muchos de ellos cambiaron sus estimaciones). Cuarta ronda. Se repiti la tercera ronda para ``cerrar'' ms las opiniones de los expertos. El coordinador, elabor un informe final; en este informe se obtuvo no slo una lista de los avances que el panel de expertos consider como alcanzables sino una estimacin de los tiempos en que se van a alcanzar. El mtodo Delphi tiene las ventajas siguientes: queda documentado no slo el resultado sino el proceso que se sigui. los expertos interactan en forma annima. se evitan Las

divagaciones. dificultades son:

el coordinador debe permanecer ``neutral'' respecto a la discusin. puede haber dificultad en captar la atencin de los expertos. gracias a la tecnologa es posible acelerar la lentitud que va de la mano del correo. muchas veces las opiniones ``delatan'' al experto, dificultando el anonimato.

Investigacin de Mercados. Esta tcnica identifica a la poblacin de compradores prospectivos basados previa seleccin representativa, de tamao n, en la recoleccin de informacin mediante cuestionarios, entrevistas o estudios, etc., para obtener informacin o probar hiptesis acerca de mercados reales. Consenso de un Panel. Supone que la organizacin o empresa tiene expertos que poseen conocimientos o experiencia que les permite evaluar efectivamente los eventos inciertos del futuro. Se supone adems que cada uno de los expertos reconoce la capacidad de los otros en su rea y suplementando el conocimiento de cada uno se llega a un consenso acerca del pronstico apropiado de las ventas de la empresa. El problema que en un momento puede existir al hacer uso de ste procedimiento de prediccin es que puede existir al hacer uso de este procedimiento de prediccin es que puede existir un sesgo en los resultados,

debido a las jerarquas dentro del grupo causando que los expertos con menor rango se muestren renuentes en sus crticas a sus superiores aunque sientan que sus opiniones sean de mas valor que las emitidas por sus superiores. Analoga Histrica. Se usa para productos nuevos, basndose en el anlisis comparativo de la introduccin y crecimiento de productos similares. El mtodo supone que pueden usarse la historia de las ventas de un producto introducido en el pasado para evaluar el posible xito del producto actual. Una suposicin natural en este enfoque es que los ambientes del mercado son similares para ambos productos. MTODOS CUANTITATIVOS Los mtodos cuantitativos se basan en datos histricos. Esta informacin pasada se encuentra en forma numrica. Las fuentes usuales son los registros de la propia empresa o informacin oficial de diverso origen: gobierno, asociaciones de empresarios o profesionistas, organismos internacionales. Se debe tener cuidado, sobre todo cuando la informacin proviene de la propia empresa (aunque en la proveniente de otras fuentes tambin hay que cuidarse), que haya sido cuantificada de manera uniforme. Para informacin sobre costos, por ejemplo, hay que asegurarse que los costos incluyan los mismos conceptos en todos los aos que vamos a utilizar; de no ser as es preciso tratar previamente los datos. Para aplicar los mtodos cuantitativos es preciso convencernos, razonablemente, de que se cumple la llamada Hiptesis de Continuidad. Este supuesto es que los factores externos en los que se dieron los datos histricos no cambiarn en el futuro para el que estamos pronosticando. Estos factores son, en forma destacada: Economa en general. Competencia en el mercado (oferta). Estado del mercado (demanda). Estado tecnolgico del producto (``ciclo de vida del producto'').

Esta continuidad del ambiente nunca se da en forma perfecta, sino en forma gradual. Se requiere buen juicio para suponer que las violaciones a la continuidad no van a afectar a los resultados de la aplicacin del mtodo de pronstico. Dentro de los mtodos cuantitativos tenemos los siguientes : Anlisis de series de tiempo . Se llama serie de tiempo a cualquier sucesin de observaciones de un fenmeno que es variable con respecto al tiempo. Estos mtodos suponen que la variable pronosticada tiene informacin til para el desarrollo del pronstico sobre su comportamiento anterior , considerando probable que lo que sucedi en el pasado contine ocurriendo en el futuro. Es comn representar a las series de tiempo por medio de una ecuacin matemtica que describa los valores

de la variable observada como una funcin del tiempo o equivalentemente como una curva en una grfica en la que la coordenada vertical representa la variable Y y la coordenada horizontal representa el tiempo. El anlisis consiste en encontrar el patrn del pasado y proyectarlo al futuro. Patrones o componentes de una serie de tiempo Cuando se tienen datos para hacer un pronstico, la herramienta mas til es graficarlos! La grfica que queremos es la de los datos contra el tiempo. En el eje horizontal ponemos los tiempos y en el sentido vertical sealamos el punto cuya altura corresponda a la magnitud de la observacin que tengamos para cada tiempo. Por regla general, los datos se encuentran equiespaciados en el tiempo. Las diferentes formas que toma el arreglo de los datos en la grfica nos indican como debemos proceder en el pronstico. Las caractersticas que, de manera primordial, buscamos en la grfica son las regularidades que permitan la proyeccin del comportamiento observado en el pasado hacia el futuro. Los patrones regulares que nos son tiles son de varios tipos. Patrn horizontal o estacionario . Se presentan como un valor constante (recta horizontal) alrededor del cual los datos oscilan de forma irregular. Es el patrn de datos mas simple, la mejor manera de pronosticar en una situacin como sta es estimar la altura de la lnea horizontal y usar ese valor como pronstico. Datos con tendencia. Se presentan como una lnea lisa (una recta o una curva suave) que sube o baja monotonamente y los datos oscilan errticamente alrededor de ella. La manera de pronosticar que se ocurre primero, en este caso, es la de calcular una ecuacin para la lnea y usar ese valor para pronstico. Datos estacionales. Muchas series de datos presentan este tipo de comportamiento repetitivo. La componente estacional refleja cambios hacia arriba y hacia abajo en puntos fijos en el tiempo.

El origen del nombre estacional son, precisamente las estaciones del ao. Mucha de la actividad humana y muchos fenmenos naturales varan de acuerdo a las estaciones. Por extensin, en muchas actividades se presenta una oscilacin semanal o mensual similar a la de las estaciones del ao. Por ejemplo, no es raro observar que en algunos das de la semana se incrementa el ausentismo laboral. Tenemos otro ejemplo en la cantidad de transacciones que se realizan en las oficinas bancarias, estas presentan dos ``picos'' mensuales, al principio/fin y al medio. Cuando se estudia una serie con esta carcterstica, es deseable incorporarla al pronstico. En general se considera que esta componente o patrn ocurre con un perodo de un ao o menos. Otro tipo de patrn, es el que se llama cclico . Este se refiere a curvaturas de largo perodo asociadas con grandes ciclos econmicos. El pronstico en estas condiciones es mucho ms complicado ya que la forma de estos ciclos no es

simple y la teora econmica no se encuentra suficientemente desarrollada como para permitir una cuantificacin confiable de ellos. Claro que si observamos tal patrn en los datos, es conveniente incorporarlo al pronstico an cuando sea de una manera imperfecta. La diferencia principal entre los efectos o patrones estacionales y c clicos es que los efectos estacionales pueden predecirse, y ocurren a un intervalo de tiempo fijo de la ltima ocurrencia, mientras que los efectos cclicos son componentes impredecibles. MTODOS PARA SERIES DE DATOS HORIZONTALES. .PROMEDIO MVIL SIMPLE Este consiste en promediar slo las ltimas observaciones. Conforme avanza el tiempo dejamos fuera del promedio a los datos ms viejos y vamos incorporando datos nuevos. Por eso recibe el nombre de promedio mvil. Un promedio mvil tiene un parmetro que es la amplitud del promedio, es decir, cuntos datos ponemos en el promedio. Si el valor de este parmetro es grande, el suavizado es mayor; si es pequeo el suavizado es menor. En trminos matemticos, el clculo de los promedios mviles se realiza de la siguiente manera:

Se considera que:
Xt = F
t+1

Donde : Es el promedio mvil de n trminos de x calculados hasta el X t = perodo t F t + 1 = representa el pronstico de x en el perodo t + 1 valor real de x ( accidentes, ventas, demanda, etc. ) en el X i = perodo i

1 t X t = ----- S X i n i=(t-n+1) n = nmero de periodos de demanda a ser incluidos ( orden del promedio movil ) ? = Sumatoria El promedio mvil hasta el perodo t se usa para el pronstico del perodo t + 1 El error correspondiente a cualquier pronstico est representado por la

diferencia entre el valor real observado y el valor pronosticado. Este puede ser positivo o negativo, dependiendo de si el pronstico es demasiado bajo o es demasiado alto. Una consideracin importante al utilizar cualquier mtodo de pronstico es la precisin del pronstico. Es evidente que lo que se desea es que los errores de lo s pronsticos sean reducidos. Unas de las herramientas estadsticas mas usadas como medidas del error para evaluar la precisin de los mtodos de pronsticos son:

La desviacin absoluta de la media (DAM) . El error medio cuadrtico (EMC).

DAM = Suma de los valores absolutos de todos los errores de los pronsticos Numero de errores absolutos tomados
ECM = suma cuadrtica del error del pronstico Numero de errores al cuadrado tomados

EJEMPLO. Con la informacin mostrada en la siguiente tabla, Elabore promedios moviles de 3 y de 5 trminos para calcular el nmero de accidentes pronosticados para la decimatercera semana y explique cul de los dos promedios mviles, el de 3 o el de 5 trminos, ofrece mejores pronsticos

Semanas Perodo t

Nmero De Accidentes X

Promedio Mvil de 3 trminos Xt

Pronstico Ft+1

error

Promedio Movil de 5 trminos

Pronstcio Ft+1

error

Error Absoluto 3 trminos

Error Absoluto 5 trminos

1 2 3 4 5 6 7 8 9 10

200 135 195 198 310 175 155 130 220 277

176.66 176.00 234.33 227.66 213.33 153.33 168.33 209.00

176.66 176.00 234.33 227.66 213.33 153.33 168.33

21.34 134.00 - 58.33 - 72.66 - 83.33 66.67 108.67

207.60 202.60 206.60 193.60 198.00 191.40

207.60 202.60 206.60 193.60 198.00

- 32.60 - 47.60 - 76.60 26.40 79.00

21.34 134.00 58.33 72.66 83.33 66.67 108.67

32.60 47.60 76.60 26.40 79.00

11 12 13

235 240

244.00 250.66

209.00 244.00 250.66

26.00 - 4.00

203.40 220.40

191.40 203.40 220.40

43.60 36.60

26.00 4.00 575.00

43.60 36.60 342.40

Note que el promedio mvil va desechando los datos viejos conforme incorpora a los nuevos. Adems mantiene la misma ``importancia'' para la ltima observacin a lo largo del tiempo. Usando promedios moviles de 3 trminos el nmero de accidentes pronosticados para la decimatercera semana es de 251 . Y de 220 accidentes si usamos promedios mviles de 5 trminos. para evaluar la precisin pronstico y poder decidir cual de los 2 resultados de estos ofrece el mejor pronstico, haremos uso de la desviacin absoluta media ( DAM ) como medida de error. 575.00 342.40 DAM ( 3 trminos ) = --------------DAM ( 5 trminos ) = ----------------------= 63.88 ---= 48.91 9 7 Conviene usar promedios mviles de 5 trminos, en virtud a que en los presenta menor DAM clculos Este mtodo consiste en atenuar los datos al obtener la media aritmtica de cierto nmero de datos histricos para obtener con este el pronstico para el siguiente periodo. El nmero de datos a tomar en cuenta para calcular el promedio es una decisin de la persona que realiza el pronstico.

Este modelo solo es recomendable para series de tiempo que no presentan patrones de tendencia, estacionalidad, o ciclisidad en los datos.

Este mtodo de pronstico se utiliza cuando se quiere dar ms importancia a conjuntos de datos ms recientes para obtener la previsin. Cada punto de una media mvil de una serie temporal es la media aritmtica de un nmero de puntos consecutivos de la serie, donde el nmero de puntos es elegido de tal manera que los efectos estacionales y / o irregulares sean eliminados. El mtodo de media mvil simple es un procedimiento de clculo sencillo que pertenece a la categora de pronsticos de series de tiempo, es decir, que utiliza informacin histrica para poder generar un pronstico. Su aplicacin principal es cuando la demanda real no presenta mayores variaciones de corto plazo e idealmente no se presenta estacionalidades. En este contexto muchos productos alimenticios presentan estas caractersticas y por tanto su aplicacin puede resultar adecuada.

PROMEDIO MVIL PONDERADO En el mtodo anterior de los promedios mviles simples cada observacin del clculo del promedio mvil recibe la misma ponderacin o peso. En la tcnica de promedios mviles ponderados, implica la seleccin de pesos distintos para cada valor de los datos para despus calcular en calidad de pronstico un promedio ponderado. En donde la observacin mas reciente es la que recibe mayor ponderacin y el peso disminuye para los valores mas antiguos.. Por ejemplo, utilizando la serie de tiempo de la informacin del cuadro anterior , se procede a ilustrar el clculo de un promedio mvil ponderado de 3 trminos, en donde la observacin mas reciente recibe un peso

de 3 tantos el que se asigna a la observacin mas antigua, y la siguiente observacin mas antigua recibe un peso del doble que la mas antigua . El pronstico para el promedio mvil ponderado para la cuarta semana se calculara de la siguiente manera: Pronstico para el promedio movil 3 2 ------- ( 135 ) Ponderado para la cuarta semana = ------- ( 195 ) + + 6 6 1 --------- ( 200 ) = 175.80 6

Observese que, para el promedio mvil ponderado, la suma de los pesos es igual a 1. SUAVIZACIN EXPONENCIAL Alisamiento o suavizamiento exponencial El alisamiento exponencial es una tcnica de pronstico en la que se utiliza un promedio ponderado de una serie de valores anteriores o pasados para pronosticar el valor de la serie de tiempo en el perodo siguiente. Se usa para pronsticos a corto y mediano plazo, la expresin matemtica aplicada para este modelo es la siguiente: Ft+ 1 = Yt + (1- )Ft

Pronstico para el perodo t + 1 dato real Constante de alisamiento Los valores de la constante de alisamiento o suavizamiento

pronstico en el perodo t debe de andar entre 0 y 1 0 < < 1

Esta tcnica se basa en la atenuacin de los valores de la serie de tiempo, obteniendo el promedio de estos de manera exponencial; es decir, los datos se ponderan dando un mayor peso a las observaciones ms recientes y uno menor a las ms antiguas. Al peso para ponderar la observacin ms reciente se le da el valor , la observacin inmediata anterior se pondera con un peso de a (1 - ), a la siguiente observacin inmediata anterior se le da un peso de ponderacin de a (1 )2 y as sucesivamente hasta completar el nmero de valores observados en la serie de tiempo a tomar en cuenta para realizar la atenuacin, es decir, para

calcular el promedio ponderado. La estimacin o pronstico ser el valor obtenido del clculo del promedio. La expresin para realizar el clculo de la atenuacin exponencial es la siguiente.

Otra

expresin

equivalente

esta

es

la

siguiente

otra

forma

de

escribir

esta

expresin

es

la

siguiente

en

donde

es

el

error

El valor de a siempre se encuentra dentro del siguiente rango 0 < a > 1. Cuando existe una clara y considerable tendencia lineal en los valores observados en una serie de tiempo, los pronsticos obtenidos mediante la suavizacin exponencial simple quedan rezagados an al hacer variar el valor de alfa ( ),

para estos casos se utilizan dos diferentes tcnicas conocidas como el mtodo de Brown y el de Holt.

En ste mtodo as como tambin en todos los dems mtodos de suavizacin exponencial que veremos ms adelante se requiere de una inicializacin, es decir necesitan calcular encontrar asignarle un valor inicial a . Ya que si queremos

necesitamos conocer el valor de tenemos que:

. Si aplicamos la frmula para

como valor de estimar

no existen es imposible obtener el

. Por lo que es necesario recurrir a enfoques alternativos para . El nmero y naturaleza de valores a inicializar depende del mtodo de

suavizacin que se est utilizando. Si los datos son estacionales los valores iniciales para los factores estacionales se pueden calcular empleando algn mtodo de descomposicin, en el caso de que no hubiera datos suficientes para aplicar estos mtodos, la inicializacin de estos factores estacionales puede hacerse en base a estimaciones subjetivas o usando ndices estacionales ya conocidos.

El nivel suavizado o promedio S y la componente T de la tendencia se pueden estimar usando una de las siguientes alternativas:

1. Mnimos Cuadrados. Utilizando la tcnica de los mnimos cuadrados podemos estimar los valores iniciales. Como por ejemplo para obtener P1 para el caso del mtodo de la suavizacin exponencial simple; se podra usar el promedio de los 20 valores inmediatos pasados. Y para el caso del mtodo de una suavizacin exponencial lineal se podran obtener los valores de S y T resolviendo la ecuacin

para una lnea recta obteniendo la ordenada al origen y la pendiente usando stas como valores paramtricos iniciales es decir como los parmetros iniciales para S y T. Esto mismo se podra hacer en el mtodo de la suavizacin exponencial amortiguada. 2. Retro-prediccin. Esta es la tcnica empleada en la metodologa de Box Jenkins, pero tambin es posible utilizarla en los mtodos de suavizacin exponencial. Esto consiste en invertir la serie de tiempo y comenzar el proceso de estimacin a partir del ltimo valor es decir el ms reciente y terminarlo con el primer valor, es decir el valor ms antiguo. De esta manera se obtendrn pronsticos o estimaciones para mtricas para los primeros datos de la serie de tiempo que pueden ser utilizadas como valores iniciales para realizar el pronstico de la serie de tiempo cuando se calcula ste de la manera normal, es decir empezando por el dato ms antiguo al ms reciente.

3. - Arbitraria. Cuando no se disponen de datos suficientes para estimar los valores iniciales o cuando el analista no considera de suma importancia disponer de valores iniciales muy apegados a la realidad, se pueden utilizar valores arbitrarios como valores iniciales para un mtodo en particular de acuerdo al criterio del analista que realiza el pronstico. Como por ejemplo para la suavizacin exponencial simple se podra utilizar como valor inicial:

Como otro ejemplo para la suavizacin de Holt o para el suavizamiento amortiguado se podran usar los valores siguientes como valores iniciales:

Finalizando los ejemplos para la suavizacin de Winters podramos asignar como valores iniciales los que se muestran a continuacin:

en desestacionalizados de y

donde .

son

los

valores

A continuacin ilustraremos la aplicacin del mtodo de la suavizacin exponencial simple mediante el ejemplo siguiente. EJEMPLO. Una cadena de tiendas de abarrotes experiment las siguientes demandas semanales (en cajas) para una marca de detergente para lavadoras automticas.
PERIODO SEMANA DEMANDA PRONSTICO ERROR DEL PRONSTICO ERROR ABSOLUTO ERROR AL CUADRADO
2

t 1 2 3 4 5 6 7 8 9 10 11

Yt 22 18 23 21 17 24 20 19 18 21

Ft 22.00 22.00 21.20 21.56 21.45 20.56 21.25 21.00 20.60 20.08 20.26

Y t- F t 0 -4.00 1.80 -0.56 -4.45 3.44 -1.25 -2.00 -2.60 0.92

(Yt

F t)

0 4.00 1.80 0.56 4.45 3.44 1.25 2.00 2.60 0.92 21.02

0 16.00 3.24 0.31 19.78 11.84 1.55 3.99 6.75 0.85 64.33

a).los pronsticos correspondientes a cada una de las semanas l as como la de la dcima primera semana, empleando la tcnica de suavizamiento exponencia tambin calcule el error del pronstico para cada una de las semanas. b).- Calcule

el DAM y el ECM. Solucin. a).- Para iniciar los clculos del pronstico empleando sta tcnica, para el perodo 1 la demanda pronosticada ser la demanda real de ese mismo perodo. Y se iniciarn los clc ulos aplicando la expresin: F t+1
t

+ (1-

Asi para el calculo del pronstico para la segunda semana ( perodo t = 2 ) , se har de la siguiente manera: Se toman los valores tanto de la demanda real (Y t = 22 ) como de la demanda pronosticada (F t = 22 ) correspondientes al periodo 1 y estos se sustituyen en la ecuacin matemtica anterior, de la siguiente manera: F 1+ = 1 0.2 Y 1 + ( 1 - 0.2 ) F 1 F 0.2 ( 22 12 = ) + ( 0.2 ) 22 4.4 2 caja F = + ( 0.80 ) 22 = 2 s 2 Para el calculo del pronstico para la tercera semana ( perodo t = 3 ) Se toman los valores tanto de la demanda real (Y t = 18 ) como de la demanda pronosticada (F t = 22 ) correspondientes al periodo 2 y estos se sustituyen en la ecuacin matemtica anterior, de la siguiente manera:

METODO DE MINIMOS CUADRADOS El mtodo de mnimos cuadrados sirve para interpolar valores, dicho en otras palabras, se usa para buscar valores desconocidos usando como referencia otras muestras del mismo evento. El mtodo consiste en acercar una lnea o una curva, segn se escoja, lo ms posible a los puntos determinados por la coordenadas (x,f(x)), que normalmente corresponden a muestras de algn experimento. Cabe aclarar que este mtodo, aunque es sencillo de implantar no es del todo preciso, pero si proporciona una interpolacin aceptable.

Como se comento previamente se puede usar una recta o una curva como base para calcular nuevos valores. A continuacin se muestra el diagrama de flujo de datos del mtodos de mnimos cuadrados:

Es una tcnica de anlisis numrico enmarcada dentro de la optimizacin matemtica, en la que, dados un conjunto de pares ordenados: variable independiente, variable dependiente, y una familia de funciones, se intenta encontrar la funcin continua, dentro de dicha familia, que mejor se aproxime a los datos (un "mejor ajuste"), de acuerdo con el criterio de mnimo error cuadrtico. En su forma ms simple, intenta minimizar la suma de cuadrados de las diferencias en las ordenadas (llamadas residuos) entre los puntos generados por la funcin elegida y los correspondientes valores en los datos. Especficamente, se llama mnimos cuadrados promedio (LMS) cuando el nmero de datos medidos es 1 y se usa el mtodo de descenso por gradiente para minimizar el residuo cuadrado. Se puede demostrar que LMS minimiza el residuo cuadrado esperado,

con el mnimo de operaciones (por iteracin), pero requiere un gran nmero de iteraciones para converger. Desde un punto de vista estadstico, un requisito implcito para que funcione el mtodo de mnimos cuadrados es que los errores de cada medida estn distribuidos de forma aleatoria. El teorema de Gauss-Mrkov prueba que los estimadores mnimos cuadrticos carecen de sesgo y que el muestreo de datos no tiene que ajustarse, por ejemplo, a una distribucin normal. Tambin es importante que los datos a procesar estn bien escogidos, para que permitan visibilidad en las variables que han de ser resueltas (para dar ms peso a un dato en particular, vase mnimos cuadrados ponderados). La tcnica de mnimos cuadrados se usa comnmente en el ajuste de curvas. Muchos otros problemas de optimizacin pueden expresarse tambin en forma de mnimos cuadrados, minimizando la energa o maximizando la entropa. HISTORIA El da de Ao Nuevo de 1801, el astrnomo italiano Giuseppe Piazzi descubri el planeta enano Ceres. Fue capaz de seguir su rbita durante 40 das. Durante el curso de ese ao, muchos cientficos intentaron estimar su trayectoria con base en las observaciones de Piazzi (resolver las ecuaciones no lineales de Kepler de movimiento es muy difcil). La mayora de las evaluaciones fueron intiles; el nico clculo suficientemente preciso para permitir a Franz Xaver von Zach, astrnomo alemn, reencontrar a Ceres al final del ao fue el de Carl Friedrich Gauss, por entonces un joven de 24 aos (los fundamentos de su enfoque ya los haba planteado en 1795, cuando an tena 18 aos). Sin embargo, su mtodo de mnimos cuadrados no se public sino hasta 1809, y apareci en el segundo volumen de su trabajo sobre mecnica celeste, Theoria Motus Corporum Coelestium in sectionibus conicis solem ambientium. El francs Adrien-Marie Legendre desarroll el mismo mtodo de forma independiente en 1805.

En 1829, Gauss fue capaz de establecer la razn del xito maravilloso de este procedimiento: simplemente, el mtodo de mnimos cuadrados es ptimo en muchos aspectos. El argumento concreto se conoce como teorema de GaussMrkov. El procedimiento mas objetivo para de datos presentados en un diagrama de dispersin se conoce como "el mtodo de los mnimos ajustar una recta a un conjunto

cuadrados". La recta resultante presenta dos caractersticas importantes: 1. Es nula la suma de las desviaciones verticales de los puntos a partir de la recta de ajuste (Y - Y) = 0. 2. Es mnima la suma de los cuadrados de dichas desviaciones. Ninguna otra recta dara una suma menor de las desviaciones elevadas al cuadrado (Y - Y) 0 (mnima). El procedimiento consiste entonces en minimizar los residuos al cuadrado Ci Re emplazando nos queda

La obtencin de los valores de a y b que minimizan esta funcin es un problema que se puede resolver recurriendo a la derivacin parcial de la funcin en trminos de a y b: llamemos G a la funcin que se va a minimizar:

Tomemos las derivadas parciales de G respecto de a y b que son las incgnitas y las igualamos a cero; de esta forma se obtienen dos ecuaciones llamadas ecuaciones normales del modelo que pueden ser resueltas por cualquier mtodo ya sea igualacin o matrices para obtener los valores de a y b.

Derivamos parcialmente la ecuacin respecto de a

Primera ecuacin normal

Derivamos parcialmente la ecuacin respecto de b

Segunda ecuacin normal

Los valores de a y b se obtienen resolviendo el sistema de ecuaciones resultante. Veamos el siguiente ejemplo:

En un estudio econmico se desea saber la relacin entre el nivel de instruccin de las personas y el ingreso. EJEMPLO 1 Se toma una muestra aleatoria de 8 ciudades de una regin geogrfica de 13 departamentos y se determina por los datos del censo el porcentaje de graduados en educacin superior y la mediana del ingreso de cada ciudad, los resultados son los siguientes: CIUDAD : 1 2 3 4 5 6 7 8 % de (X) Graduados : 7.2 6.7 17.0 12.5 6.3 23.9 6.0 10.2 Ingreso (Y) Mediana : 4.2 4.9 7.0 6.2 3.8 7.6 4.4 5.4 (0000)

Tenemos las ecuaciones normales y = na + bx xy = ax + bx

Debemos encontrar los trminos de las ecuaciones y, x, xy, x Por tanto procedemos de la siguiente forma:

XY

4.2 4.9 7.0 6.2 3.8 7.6

7.2 6.7

30.24 51.84 32.83 44.89

17.0 119.00 289.00 12.5 77.50 156.25 6.3 23.94 39.69

23.9 181.64 571.21

4.4 5.4 43.5

6.0

26.40 36.00

10.2 55.08 104.04 89.8 546.63 1292.92

Sustituyendo en las ecuaciones los resultados obtenidos tenemos: 43.50 = 8a + 89.8b 546.63 = 89.8a + 1292.92b multiplicamos la primera ecuacin por (-89.8) y la segunda por (8) as: 43.50 = 8a + 89.8b (-89.8) 546.63 = 89.8a + 1292.92b (8) -3906.30 = -718.4a - 8064.04b 4373.04 = 718.4a + 10343.36b 466.74 = -0- 2279.32b

Este valor de b lo reemplazamos en cualquiera de las ecuaciones para obtener a as:

Reemplazando b = 0.20477 en la primera ecuacin normal

43.5 = 8a + 89.8 (0.20477) 43.5 = 8a + 18.3880 43.5 - 18.3880 = 8a 25.1120 = 8a

Tenemos entonces que los coeficientes de regresin son : a = 3.139 y b = 0.20477. Por tanto la ecuacin de regresin nos queda:

Significa entonces que por cada incremento en una unidad en X el valor de aumenta en 0.20477

se

Esta ecuacin permite estimar el valor de

para cualquier valor de X, por ejemplo:

Una ciudad que tiene un porcentaje de graduados a nivel superior del 28% la mediana de ingreso para la ciudad ser:

Los valores a y b tambin se pueden obtener de la siguiente forma: partiendo de las ecuaciones normales tenemos:

Si dividimos todos los trminos de la ecuacin (1) entre n nos queda:

Tenemos entonces que el primer termino es

el segundo termino es la incgnita por tanto nos queda:

a y el tercer termino es la incgnita b multiplicada por

entonces

Reemplazando a en la ecuacin (2) tenemos

a = 5.4375 0.20477 (11.2250) = 5.4375 2.2985 = 3.139 Se debe tener presente la diferencia entre el valor de de regresin y el valor de Y observado. Mientras obtenido con la ecuacin

es una estimacin y su bondad

en la estimacin depende de lo estrecha que sea la relacin entre las dos variables que se estudian; Y es el valor efectivo, verdadero obtenido mediante la observacin del investigador. En el ejemplo Y es el valor mediano del ingreso que obtuvo el investigador utilizando todos los ingresos observados en cada ciudad y es el valor estimado

con base en el modelo lineal utilizado para obtener la ecuacin de regresin

Los valores estimados y observados pueden no ser iguales por ejemplo la primera ciudad tiene un ingreso mediano observado de Y = 4.2 al reemplazar en la ecuacin el porcentaje de graduados obtenemos un estimado de

Grficamente lo anterior se puede mostrar as:

Claramente se observa en la grfica que hay una diferencia entre el valor efectivo de Y y el valor estimado; esta diferencia se conoce como error en la estimacin, este error se puede medir. A continuacin se ver el procedimiento. Error estndar en la estimacin El error estndar de la estimacin designado por sYX mide la disparidad "promedio" entre los valores observados y los valores estimados de formula. . Se utiliza la siguiente

Debemos entonces calcular los valores de

para cada ciudad sustituyendo en la

ecuacin los valores de los porcentajes de graduados de cada ciudad estudiada.

4.2 4.9 7.0 6.2 3.8 7.6 4.4 5.4

7.2 6.7 17.0 12.5 6.3 23.9 6.0 10.2

4.6 4.5 6.6 5.7 4.4 8.0 4.4 5.2

-0.4 0.4 0.4 0.5 -0.6 -0.4 0.0 0.2

0.16 0.16 0.16 0.25 0.36 0.16 0.00 0.04 1.29

Syx = 0.46 (decenas de miles $)

Como esta medida trata de resumir la disparidad entre lo observado y lo estimado, es decir, trata de medir la diferencia promedio entre lo observado y lo estimado esperado de acuerdo al modelo, puede considerarse como un indicador del grado de precisin con que la ecuacin de regresin, describe la relacin entre las dos variables. Este error estndar se ve afectado por las unidades y sus cambios ya

que es una medida absoluta, pues, se da en la misma unidad de medida que esta dada la variable Y; en el ejemplo 0.46 sern decenas de miles de pesos, razn por la cual no es posible comparar con las relaciones de variables dadas en distinta unidad de medida. Es necesario entonces calcular una medida que interprete o mida mejor el grado de relacin entre las variables.

INDICE DE ESTACIONALIDAD Este mtodo tiene los siguientes pasos:

Eliminar el componente estacional de la serie de tiempo(desestacionalizacin) la serie de tiempo queda nicamente con un componente de tendencia y as podremos determinar la expresin de la componente lineal de tendencia de la serie de datos. Finalmente para el desarrollo del pronstico consiste en incorporar el componente estacional utilizando un ndice estacional para ajustar la proyeccin de tendencia.

La expresin matemtica que se utiliza cuando la serie de tiempo presenta componente de tendencia y componente estacional es:

ESTACIONALIDAD. La estacionalidad es un comportamiento o patrn que a veces observamos en una serie de tiempo. Consiste en subidas y bajadas peridicas que se presentan en forma regular en la serie de tiempo.

Al tiempo entre un ``pico'' y otro en la grfica de la serie, se le llama perodo estacional. La mayora de las series que presentan esta caracterstica tienen periodicidad anual; en este caso, si la serie consiste de observaciones mensuales, el perodo ser 12, en cambio, si la serie es trimestral, el perodo ser 4.

ndices

estacionales

La manera matemtica de representar la estacionalidad es a travs de los llamados ndices estacionales. Para comprender qu son, cmo se calculan y para qu sirven, veamos un ejemplo.

La estacionalidad es un patrn que a veces observamos en una serie de tiempo. Consiste en subidas y bajadas peridicas que se presentan en forma regular en la serie de tiempo. Al tiempo entre un ``pico'' y otro en la grfica de la serie, se le llama perodo estacional. La mayora de las series que presentan esta caracterstica tienen periodicidad anual; en este caso, si la serie consiste de observaciones mensuales, el perodo ser 12, en cambio, si la serie es trimestral, el perodo ser 4. La manera matemtica de representar la estacionalidad es a travs de los llamados ndices estacionales. Para comprender qu son, cmo se calculan y para qu sirven, veamos un ejemplo. EJEMPLO:- Los datos trimestrales de ventas ( nmero de ejemplares que se venden ) de un libro de texto universitario en los ltimos 3 aos son los siguientes: Trimestres aos 1998 1999 2000 I II 1690 940 1800 900 1850 1100 III IV 2625 2500 2900 2360 2930 2615

a.- Calcule los ndices estacionales para los 4 trimestres b. - Determine la ecuacin de la expresin de la componente lineal de tendencia. c.- Calcule las ventas pronosticadas de libros de texto para el tercer trimestre del ao 2001 solucin: Trimestres aos 1998 1999 2000 I II III IV 1690 940 2625 2500 1800 900 2900 2360 1850 1100 2930 2615 totale s 7755 7960 8495

Para calcular ndices estacionales se pueden seguir muchos caminos, ste es quiz, el ms simple. Partiendo de los totales de cada ao, calculo un promedio trimestral para cada ao. Trimestres aos 1998 1999 2000 promedio IV totales s 1938.7 1690 940 2625 2500 7755 5 1990.0 1800 900 2900 2360 7960 0 2123.7 1850 1100 2930 2615 8495 5 I II III

Estos promedios son un trimestre ``tpico'' para cada ao. Fjese que ao con ao, las ventas en los segundos trimestre de cada ao estn en su punto mas bajo, seguidas de niveles mas altos de ventas en los terceros trimestres de cada ao esto es ocasionado por el efecto estacional, adems podemos notar que los trimestres tpicos van subiendo de valor. Esto es debido al efecto de la tendencia que tiene la serie. Ahora se divide cada dato entre el promedio del ao que le corresponda. Trimestres II III IV

aos 1998 1999 2000

1.2 0.87 0.48 1.35 9 1.1 0.90 0.45 1.46 9 1.2 0.87 0.52 1.38 3

Estos nmeros indican el porcentaje de cada uno de los trimestres en funcin del trimestre tpico de cada uno de los aos. Estos nmeros contienen la estacionalidad. Para terminar de tener los ndices estacinales, mismos que representan el efecto estacional de la serie de tiempo para cada uno de los trimestres promediamos los nmeros de cada trimestre (columna).
Trimestres I II III IV Indices Estac 0.88 0.49 1.40 1.24

El propsito de calcular indices estacionales es eliminar los efectos estacionales de la serie de tiempo. A este proceso se le llama desestacionalizar la serie de tiempo Para desetacionalizar la serie de tiempo, se dividen las ventas de cada uno de

los trimestres entre su indice estacional respectivo. aos perodo trimestre Ventas Indice Ventas

1998

1999

2000

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

I II III IV I II III IV I II III IV

reales estacional desestacionalizadas 1690 0.88 1920.45 940 0.49 1918.37 2625 1.40 1875.00 2500 1.24 2016.13 1800 0.88 2045.45 900 0.49 1836.73 2900 1.40 2071.43 2360 1.24 1903.23 1850 0.88 2102.27 1100 0.49 2244.90 2930 1.40 2092.86 2615 1.24 2108.87

La anterior informacin representa las ventas sin el componente estacional, quedndose solamente con la componente de tendencia. El siguiente paso es determinar la expresin matemtica de la expresin lineal de tendencia, para ello se emplea el procedimiento anterior, es decir, debemos encontrar con los datos desestacionalizados una ecuacin que tiene la forma Y = a + b x . Aos perodo x 1 2 3 4 5 6 7 8 9 10 11 12 78 trimestre Ventas desestacional Y 1920.45 1918.37 1875.00 2016.13 2045.45 1836.73 2071.43 1903.23 2102.27 2244.90 2092.86 2108.87 24135.69 xY 1920.45 3836.73 5625.00 8064.52 10227.27 11020.41 14500.00 15225.81 18920.45 22448.98 23021.43 25306.45 160117.51 x2 1 4 9 16 25 36 49 64 81 100 121 144 650

1998

1999

2000

I II III IV I II III IV I II III IV

suman

Con la informacin de este cuadro se calcularn los valores de a y de b usando las siguientes expresiones: N = 12 , porque son 12 trimestres o 12 datos recopilados Tendremos la expresin lineal de tendencia para la venta del libro de texto de este problema. = Y 1864.27 + 22.62 x La pendiente de 22.62 indica que, en los ltimos 12 trimestres la empresa ha tenido un crecimiento promedio desestacionalizado en las ventas del libro de texto de aproximadamente 22.62 libros por trimestre. Si se considera que la tendencia de los datos de ventas en los ltimos 12 trimestres es un indicador razonablemente bueno del futuro, entonces, puede utilizarse la ecuacin anterior para proyectar la componente de tendencia de la serie de tiempo para trimestres futuros. Entonces para calcular los pronsticos de las ventas de l libro de texto para los trimestres futuros, considerando tanto el efecto de tendencia como el efecto estacional la ecuacin que debemos de tomar en consideracin es: Y = ( 1864.27 + 22.62 x ) ( Indice estacional ) Para calcular el pronstico de ventas para el tercer trimestre del ao 2001 debemos de sustituir en la ecuacin anterior : Perodo x = 15 y el ndice estacional para el tercer trimestre es = 1.40 De tal manera que tendremos lo siguiente: Y = [ 1864.27 + ( 22.62 ) ( 15 ) ] ( 1.40 ) = ( 1864.27 + 339.30 ) ( 1.40 ) = 3085 libros de texto MTODOS CAUSALES DE PRONSTICOS Estos desarrollan un modelo de causa y efecto entre la demanda ( exteriorizacin de las necesidades y deseos del mercado y esta condicionada por los recursos disponibles ) y otras variables. Que permitan explicar mediante una ecuacin matemtica los valores de una variable en trminos de la otra. Por ejemplo, la demanda de helados puede relacionarse con la poblacin, un agricultor puede creer que la cantidad de fertilizante que utiliz influy en la cosecha lograda, etc. Uno de los mtodos causales mejor conocido es el del Anlisis de Regresin , en donde siempre se trata del uso de dos variables numricas. A la variable que queremos explicar le llamamos dependiente ( Y ) . A la variable que usamos para condicionar o para explicar la llamamos independiente ( X1 .X2 , X 3 , ... X n) Para ello es necesario encontrar una frmula matemtica que relacione la variable dependiente con la o las variables independientes y que permita estimar o

predecir los valores futuros que puede tener una variable ( dependiente ) cuando se conocen o suponen los valores de la otra u otras variables independientes Este tcnica se aplicar cuando la variable a pronosticar Y no est en funcin del tiempo. Consideraremos el caso en que la curva de regresin de Y sobre X sea lineal.

REGRESIN LINEAL SIMPLE. La regresin linial simple comprende el intento de desarrollar una lnea recta o ecuacin matemtica que describe la relacin entre dos variables En este modelo la variable a predecir Y est en funcin de una sola variable independiente X que no es de tiempo y la ecuacin matemtica que se usar ser la siguiente: Y = A + BX A esta expresin se le conoce como la ecuacin de la lnea de regresin. Donde A y B son coeficientes de regresin. A = a la altura de la recta, a este nmero se le llama ordenada al origen o intercepcin. B = pendiente o inclinacin de la recta de regresin X = es la variable independiente, que representa el valor o perodo para el cual se prepara el pronstico de Y Y = Valores reales recopilados. Hacer una regresin lineal es encontrar los valores de A y B adecuados. Estos valores se encuentran por el criterio que se llama de los mnimos cuadrados. Este criterio da como resultado una lnea recta que minimiza el cuadrado de las distancias verticales de cada observacin a la lnea. Representa un mtodo para pronosticar demandas futuras a mediano y largo plazo , en donde la demanda presenta tendencia constante, ascendente o descendente con variaciones irregulares. Para el calculo de los valores de A y de B se usan las siguientes expresiones: N x y - x y B = ---------------------------------N x2 - ( x ) 2 N = nmero de perodos o datos recopilados. y - bx A = ------------------------N

También podría gustarte