UNIVERSIDAD D E EL SALVAD OR

UNIVERSIDAD DE EL SALVADOR

FACULTAD DE INGENIERIA Y ARQUITECTURA ESCUELA DE INGENIERIA INDUSTRIAL PRESUPUESTOS DE PRODUCCION

yFacultad de Ingeniería y Arquitectura

TEMA: PRONOSTICOS POR MINIMOS CUADRADOS

DOCENTE Ing. Saúl Granados

INTEGRANTES

Carranza Martínez, YeniNathaly Hernández Amaya, Loida Eunice Orantes Tobar, David Alberto Santos Vásquez, Sandra Maribel

CM06021 HA04010 OT 04001 SV06002

Ciudad Universitaria, 14 de abril de 2011

[PRONÓSTICO POR MINIMOS CUADRADOS] UES

Índice Contenido
Introducción ........................................................................................................................i Objetivos ............................................................................................................................ ii Objetivo General ............................................................................................................. ii Objetivos Específicos ....................................................................................................... ii Contenido ...........................................................................................................................1 Pronostico ..........................................................................................................................1 Historia del método de mínimos cuadrados ........................................................................3 Definición del método .....................................................................................................4 Formulación dimensional de los problemas.....................................................................5 Deducción analítica de la aproximación discreta mínimo cuadrática lineal ......................6 Corolario .........................................................................................................................8 Deducción geométrica del problema discreto .................................................................9 Algunas Ventajas y restricciones del Modelo .................................................................12 Ventajas ....................................................................................................................12 Restricciones .............................................................................................................13 Pronostico por mínimos cuadrados ...................................................................................13 FÓRMULA GENERAL ......................................................................................................14 MÉTODO SIMPLIFICADO (PARES Y NONES) ....................................................................14 Ejemplos: ......................................................................................................................14 Método general ........................................................................................................14 Método simplificado .................................................................................................16 Conclusiones.....................................................................................................................22 Bibliografía .......................................................................................................................23

universidad de el salvador | Índice

universidad de el salvador | Introducción i . de una función o de una ecuación es lo que constituye un modelo matemático. se presentan los pronósticos en base al método de los mínimos cuadrados que es una de las herramientas de las más usadas en la actualidad para corregir tendencias y alinearlas hacia una tendencia lineal sobre el pronóstico de lo calculado. el pronóstico en la tendencia inflacionaria en los precios del petróleo y otras materia primas. El consumo continuo de un producto en el mercado. como consecuencia. son ejemplos de fenómenos reales que se pueden modelar matemáticamente por una función. hacer pronósticos acerca de su comportamiento. el aumento o decremento en la producción. el crecimiento en las ventas. En el caso en particular. el costo de la reducción de productos contaminantes en una determinada zona. dada en términos como por ejemplo. Tomando en cuenta lo anterior se puede hacer una inferencia en la necesidad de establecer o tomar en cuenta diversos modelos de pronóstico que pueden ayudarnos a determinar el comportamiento o tendencia de la o las variables seleccionadas. Este como todos los pronósticos tiene la finalidad de comprender los fenómenos y. la necesidad de realizar pronósticos sobre la variación a futuro del PIB en un país determinado. una descripción matemática de un fenómeno de la vida real.[PRONÓSTICO POR MINIMOS CUADRADOS] UES Introducción Como sabemos.

 Dar a conocer el algoritmo para poder lograr hacer el ajuste de las tendencias mediante el método de mínimos cuadrados para usarla como herramienta de pronóstico.  Conocer la forma de aplicación del método de mínimos cuadrados. universidad de el salvador | Objetivos ii .  Establecer las ventajas y limitaciones del método. Objetivos Específicos  Establecer una formación histórica de donde deriva el método.  Ejemplificar el uso de la técnica para dar una mejor comprensión de la misma.[PRONÓSTICO POR MINIMOS CUADRADOS] UES Objetivos Objetivo General Dar a conocer el método de Mínimos Cuadrados como una alternativa para pronosticar tendencias dentro de una diversa alternativas para elaborar dichos pronósticos.

será necesario definir primero algunas consideraciones sobre la necesidad de pronosticar Pronostico ¿Qué es un pronóstico? Es una serie de datos que en base a una serie de estudios determinan la demanda en un futuro de un determinado producto.  La intuición no necesariamente da los mejores resultados. Es necesario pronosticar cuándo se considera:  Un entorno altamente incierto.  Mejorar la planeación y la elaboración presupuestal  Cuando se desea mejorar en competitividad y lograr un cambio en la búsqueda de crecimiento universidad de el salvador | Contenido 1 . ¿Cómo se define el pronóstico? Es una técnica que permite predecir lo que ocurrirá en el futuro. El pronóstico dependerá de los cambios en las variables externas al sistema de producción.Es una inferencia a partir de ciertos datos.[PRONÓSTICO POR MINIMOS CUADRADOS] UES Contenido Para hablar de Mínimos Cuadrados.

hay varias clases de pronósticos que se pueden considerar y a continuación se presenta una tabla que nos describe una de las clasificaciones existentes. ¿Cuándo una empresa está en condiciones de optimizar? Cuando una empresa determina la demanda futura de sus pronósticos. En otras épocas los Reyes. Por su plazo: Según el entorno a pronosticar y y y y y y De corto plazo De largo plazo Micro Macro Cualitativo Cuantitativo Según el procedimiento empleado ¿Qué significa pronosticar? Es predecir el futuro a partir de algunos indicios ¿Cuáles son los antecedentes de los pronósticos? Tuvieron su origen en aspectos informales de la vida cotidiana. universidad de el salvador | Pronostico 2 .[PRONÓSTICO POR MINIMOS CUADRADOS] UES Para este efecto. los Políticos y personas adineradas acudían a los clarividentes para que les comentaran acerca de sus vidas en el futuro. Al paso del tiempo estas ideas las adoptan los comerciantes y empresarios y se fue formalizando poco a poco para el concepto de los pronósticos hasta llegar a la que hoy se conoce como un importante tema. y en base a esto planear y controlar la cantidad de productos que deberá producir. ¿Dónde se utilizan las técnicas de pronósticos en una empresa para determinar la demanda? Estas técnicas se utilizan en empresas para determinar la demanda futura de sus productos. está en condiciones de optimizar el uso de todos sus recursos. lograr sus objetivos y satisfacer la demanda de sus clientes oportunamente.

¿Cuál es la validez de un pronóstico? No es la verdad absoluta respecto a algún evento en el futuro. muchos científicos intentaron estimar su trayectoria con base en las observaciones de Piazzi (resolver las ecuaciones no lineales de Kepler de movimiento es muy difícil). La mayoría de evaluaciones fueron inútiles. el único cálculo suficientemente universidad de el salvador | Historia del método de mínimos cuadrados 3 . Durante el curso de ese año. un pronóstico solo es una aproximación a la realidad entre más se acerque a ella mejor será. Fue capaz de seguir su órbita durante 40 días. El día de Año Nuevo de 1801. el astrónomo italiano Giuseppe Piazzi descubrió el planeta enano Ceres. En una Sistema de producción se presentan 2 grupos de problemas a) Probabilidad de diseño b) Probabilidad de la planeación ¿Cómo se agrupan las técnicas de pronósticos que utilizan en la actualidad? Cualitativas Cuantitativas Combinación de ambas Historia del método de mínimos cuadrados Carl Friedrich Gauss.[PRONÓSTICO POR MINIMOS CUADRADOS] UES ¿Quién utiliza las técnicas de pronósticos? Personal especializado y adscritos a las áreas de producción y mercadotecnia de las productoras o bienes.

etc). se intenta encontrar la función que mejor se aproxime a los datos (un "mejor ajuste"). cuando aún tenía 18 años). Generalmente pueden ser datos históricos de determinadas variables como ventas. en la que.[PRONÓSTICO POR MINIMOS CUADRADOS] UES preciso para permitir aZach. Es decir. de acuerdo con el criterio de mínimo error cuadrático. apareciendo en el segundo volumen de su trabajo sobre mecánica celeste. que teniendo dichos datos históricos o experimentales. se pueden obtener la pendiente y la ordenada de origen de la recta que mejor se ajuste a los valores dados y con base a la ecuación o función poder estimar hacia el futuro. Definición del método Mínimos cuadrados: es una técnica de análisis numérico encuadrada dentro de la optimización matemática. En 1829 Gauss fue capaz de establecer la razón del éxito maravilloso de este procedimiento: simplemente. Pero su método de mínimos cuadrados no se publicó hasta 1809. reencontrar a Ceres al final del año fue el de un Carl Friedrich Gauss de 24 años (los fundamentos de su enfoque ya los había planteado en 1795. tasas de inflación. TheoriaMotusCorporumCoelestium in sctionibusconicissolemambientium. el método de mínimos cuadrados es óptimo en muchos aspectos. dados un conjunto de pares (o ternas. Se puede demostrar que LMS minimiza el residuo cuadrado esperado. pero requiere un gran número de iteraciones para converger. con el mínimo de operaciones (por iteración). etc. universidad de el salvador | Historia del método de mínimos cuadrados 4 . astrónomo alemán. Su uso básicamente se centra en que permite encontrar la ecuación de una línea recta a partir de datos previos o experimentales. El argumento concreto se conoce como teorema de Gauss-Márkov. costos de materias primas. intenta minimizar la suma de cuadrados de las diferencias ordenadas (llamadas residuos) entre los puntos generados por la función y los correspondientes en los datos. El francés Adrien-Marie Legendre desarrolló el mismo método de forma independiente en 1805. En su forma más simple. se llama mínimos cuadrados promedio (LMS) cuando el número de datos medidos es 1 y se usa el método de descenso por gradiente para minimizar el residuo cuadrado. Específicamente.

Elteorema de Gauss-Márkov prueba que los estimadores mínimos cuadráticos carecen de sesgo y que el muestreo de datos no tiene que ajustarse. equivalentemente. Queremos combinación lineal de las funciones base tal que .yk).[PRONÓSTICO POR MINIMOS CUADRADOS] UES Desde un punto de vista estadístico. o. minimizando la energía o maximizando la entropía. pero en general se basa en aquél que dé un menor error en la aproximación.yk). una base de m funciones linealmente independientes. encontrar una función esto es: Se trata de hallar los m coeficientes cj que hagan que la función aproximante f(x) sea la mejor aproximación a los puntos (xk. Sea fj(x). También es importante que los datos recogidos estén bien escogidos. Muchos otros problemas de optimización pueden expresarse también en forma de mínimos cuadrados. El error en un punto (xk. siendo . El criterio de mejor aproximación puede variar. para que permitan visibilidad en las variables que han de ser resueltas (para dar más peso a un dato en particular. en la minimización del radicando de dicho error. un requisito implícito para que funcione el método de mínimos cuadrados es que los errores de cada medida estén distribuidos de forma aleatoria. a una distribución normal. La técnica de mínimos cuadrados se usa comúnmente en el ajuste de curvas. el llamado error cuadrático. por ejemplo. véase mínimos cuadrados ponderados). Formulación dimensional de los problemas Supóngase con el conjunto de puntos (xk. definido como: universidad de el salvador | Historia del método de mínimos cuadrados 5 .yk) se podría definir como: La aproximación mínimo cuadrada se basa en la minimización del error cuadrático medio.

donde no conocemos aún . Para hallar la expresión de la fórmula general. a x2. Es posible generar otro tipo de aproximaciones si se toman los errores máximos o medios. según el criterio del error cuadrático medio.yk). que se llamarán funciones base. x y 1. Dichas funciones base pueden ser cualesquiera funciones. y sean m funciones . desde principios del Siglo XIX. Por ejemplo. y que minimicen la suma de los cuadrados de los residuos (S): Esto explica el nombre de mínimos cuadrados. se les conoce con el nombre de funciones base de la aproximación.[PRONÓSTICO POR MINIMOS CUADRADOS] UES Para alcanzar este objetivo. pero la dificultad que entraña operar con ellos debido al valor absoluto de su expresión hace que apenas se usen. La aproximación mínimo cuadrado tiene solución general para el caso de un problema de aproximación lineal en sus coeficientes cjcualesquiera sean las funciones base fj(x) antes expuestas. y para ese caso se deduce a continuación la fórmula general en el caso de que la aproximación sea discreta y lineal. A las funciones que multiplican a los coeficientes buscados. Deducción analítica de la aproximación discreta mínimo cuadrática lineal Sean n pares con abscisas distintas. Ahora buscamos los valores de . el método de mínimos cuadrados no ha sido superado. o alternativamente hacer uso del álgebra lineal en la llamada deducción geométrica. es posible o bien minimizar el error cuadrático arriba expuesto. La aproximación de mínimos cuadrados es la mejor aproximación al conjunto de puntos (xk. para lo cual se haría uso del cálculo multivariable (se trataría de un problema de optimización en cj). a pesar de diversos intentos para ello. y . cualesquiera linealmente independientes universidad de el salvador | Historia del método de mínimos cuadrados 6 . lo que quiere decir que . suponemos que la función f es de una forma particular que contenga algunos parámetros que necesitamos determinar. esto es. supongamos que es cuadrática. en su género. Para los Modelos estáticos uniecuacionales. Se puede demostrar que. Por lineal se entiende f(x) es una combinación lineal de dichas funciones base. es el que proporciona la mejor aproximación.

esto es: Así. En concreto.m. . los cj que minimizan Ecm también minimizan Ec. definido como el radicando del error cuadrático medio.. que recibe el nombre de "Ecuaciones Normales de Gauss". . y podrán ser calculados derivando e igualando a cero este último: Siendo i=1. Se obtiene un sistema de m ecuaciones con m incógnitas. . tomando por ello la forma: Ello equivale por tanto a hallar los m coeficientes tal función f(x) sea la mejor aproximación a los n pares .[PRONÓSTICO POR MINIMOS CUADRADOS] UES Se desea encontrar una función f(x) combinación lineal de dichas funciones base. Operando con ellas: universidad de el salvador | Historia del método de mínimos cuadrados 7 .2. de mínimo error cuadrático medio de la función f(x) con respecto a los puntos El error cuadrático medio será para tal caso: Minimizar el error cuadrático medio es equivalente a minimizar el error cuadrático. se desea que empleando el criterio .

tales que f(x)interpolara a tendría que cumplirse que: . como: La resolución de dicho sistema permite obtener. se obtiene que: Siendo (a.[PRONÓSTICO POR MINIMOS CUADRADOS] UES Si se desarrolla el sumatorio. para el saber de ellos para cualquier base de funciones derivables localmente. En forma matricial. la mejor aproximación mínimo cuadrática f(x) al conjunto de puntos antes mencionado. La solución es óptima esto es. entonces universidad de el salvador | Historia del método de mínimos cuadrados 8 .b)d el producto escalar discreto. proporciona la mejor aproximación siguiendo el criterio de mínimo error cuadrático . Corolario Si se tratara de hallar el conjunto {cj} tal que f(x) pasara exactamente por todos los pares . se visualiza la ecuación "i" del sistema de ecuaciones normales: . esto es. definido para dos funciones dadas h(x) y g(x) como: y para una función h(x) y vector cualquiera u. puesto que se obtiene al optimizar el problema.

ello se expresaría: Esto establece un sistema de n ecuaciones y m incógnitas.yk). deberá tender a pasar exactamente por todos los puntos. que son las ecuaciones normales de Gauss. y e le término independiente de las ecuaciones normales de Gauss coincide con el vector . siendo A la matriz de coeficientes exactas.[PRONÓSTICO POR MINIMOS CUADRADOS] UES En forma matricial. la aproximación tratará en realidad de hallar el vector c que mejor aproxime . Por tanto. Se puede demostrar que la matriz de coeficientes de las ecuaciones normales de Gauss coincide con . esto es. Deducción geométrica del problema discreto La mejor aproximación deberá tender a interpolar la función de la que proviene el conjunto de pares (xk. de manera que puede escribirse que los {cj} que mejor aproximan f(x) pueden calcularse como la solución al sistema: . y como en general n>m. Eso supone que se debería cumplir que: Sustituyendo f(x) por su expresión: universidad de el salvador | Historia del método de mínimos cuadrados 9 . quedaría sobre determinado: no tendría solución general.

entonces se ve claramente que al multiplicar A y c. pero como en general n>m. lo que se realiza es una combinación lineal de las columnas de A: El problema de aproximación será hallar aquella combinación lineal de columnas de A lo más cercana posible al vector b.[PRONÓSTICO POR MINIMOS CUADRADOS] UES Esto es. Se comprueba que el conjunto de las columnas de universidad de el salvador | Historia del método de mínimos cuadrados 10 . dicho sistema está sobredeterminado. no tiene solución general. definiendo su tamaño en base a la norma euclídea o usual del residuo. De ahí surge la necesidad de aproximarlo. Dicho sistema podría expresarse en forma matricial como: Esto es: La aproximación trata de hallar el vector c aproximante que mejor aproxime el sistema Ac = b. Con dicho vector c aproximante.r)2 el producto interior o escalar del vector residuo sobre sí mismo. Si atendemos al sistema Ac = b. es posible definir el vector residuo como: De manera que el mínimo error cuadrático supone minimizar el residuo. se tendría que verificar exactamente un sistema de n ecuaciones y m incógnitas. que equivale al error cuadrático: siendo (r.

Am) que son combinación lineal de los vectores de la base... se obtiene al resolver el sistema cuadrado: . y a cada uno de los vectores de la base.A2..Am). A esta ecuación se le llama ecuación normal de Gauss.A2. se sustituye la relación por universidad de el salvador | Historia del método de mínimos cuadrados 11 . Es inmediato ver que si el residuo une b con su proyección ortogonal. La condición de minimización del residuo será: Esto solo es cierto si: A su vez. De entre todos ellos. En el análisis de regresión. se tratará de hallar el más cercano al vector b. de los infinitos vectores del span(A1.. ortogonal a cada columna de A. cada una de las m condiciones de perpendicularidad se puede agrupar en una sola: Sustituyendo el residuo por su expresión: Por tanto..Am). Si estas son la unidad y la función x. sea mínimo.. Entonces.[PRONÓSTICO POR MINIMOS CUADRADOS] UES A engendran un Span lineal: span(A1..A2.... y es válida para cualquier conjunto de funciones base.A2.. que será el vector que una los extremos de los vectores b y proyección ortogonal de b sobre el span. esto es. el sistema Ac=b tendría solución). entonces es a su vez ortogonal al span(A1. esto es.Am). y que por tanto hace que el tamaño del vector r.... al que el vector b no tiene porqué pertenecer (si lo hiciera. entonces la aproximación se llama regresión lineal. que minimiza su norma euclídea. la mejor aproximación mínimo cuadrada lineal para un conjunto de puntos discretos.. sean cuales sean las funciones base.. el que cumple esto con respecto a la norma euclídea es la proyección ortogonal del b sobre span(A1.

Los parámetros (a. Si aparecen valores atípicos en los datos.  Es reproducible.. solo depende de los resultados experimentales. en cuyo caso la función f es lineal para los parámetros a ser determinados (ej. y por tanto de menor error cuadrático medio. (Es tentador pensar que la razón del nombre regresión lineal es que la gráfica de la función f(x) = ax + b es una línea. estimando a. universidad de el salvador | Historia del método de mínimos cuadrados 12 . los estimadores pueden estar sesgados. si tomamos f(x) = ax + b estandoa y b por determinar y con los términos de perturbación independientes y distribuidos idénticamente (véase el artículo si desea una explicación más detallada y con condiciones menos restrictivas sobre los términos de perturbación). Ob ervese que estamos asumiendo que los valores x son exactos. y que todos los errores están en los valores y.[PRONÓSTICO POR MINIMOS CUADRADOS] UES siendo el término de perturbación una variable aleatoria con media cero. La estimación de mínimos cuadrados para modelos lineales es notoria por su falta de robustez frente a valores atípicos (outliers). son más apropiados los métodos de regresión robusta. b y c es una transformación lineal del vector cuyos componentes son f(xi) + i). Como antes. Si la distribución de los atípicos es asimétrica. proporciona la misma ecuación. De nuevo. los estimadores mínimos cuadráticos son ineficientes y pueden serlo en extremo. distinguimos entre regresión lineal. f(x) = ax2 + bx + c). la regresión lineal es mucho más sencilla que la no lineal. En presencia de cualquier valor atípico. b y c en el ejemplo anterior) se estiman con frecuencia mediante mínimos cuadrados: se toman aquellos valores que minimicen la suma S. Algunas Ventajas y restricciones del Modelo Ventajas  Es objetivo. no importando quien realice el análisis. y regresión no lineal. Ajustar una curva f(x) = ax2 + bx + c. El teorema de Gauss-Márkov establece que los estimadores mínimos cuadráticos son óptimos en el sentido de que son los estimadores lineales insesgados de menor varianza. b y c por mínimos cuadrados es un ejemplo de regresión lineal porque el vector de estimadores mínimos cuadráticos de a.

donde x es la variable independiente (tiempo). de la ecuación que representa unos datos experimentales. Pronostico por mínimos cuadrados Esta es otra técnica de tipo cuantitativo que permite el cálculo de los pronósticos para períodos futuros. Esta técnica como su nombre lo indica se trata de sacar el total de las desviaciones elevadas al cuadrado a un valor mínimo: su objetivo es determinar los coeficientes a y b. En la práctica se pueden utilizar dos métodos para calcular los pronósticos a través de mínimos cuadrados: Fórmula general y Métodos simplificado. que son conocidos como coeficientes de regresión.  Requiere tener al menos 20 mediciones bajo las mismas circunstancias experimentales. de lo contrario es muy engorroso.[PRONÓSTICO POR MINIMOS CUADRADOS] UES  Proporciona una estimación probabilística.  Los pronósticos elaborados con este modelo sólo derivan en una tendencia lineal. Luego de haber definido lo que es un pronóstico y el método de mínimos cuadrados definiremos nuestro tema que es pronóstico por mínimos cuadrados. y es la variable dependiente (pronóstico de la demanda). Restricciones  Sólo sirve para ajustar modelos lineales. Para aplicar este método en el cálculo de pronósticos de la demanda. reales y precisos.  Proporciona intervalos pequeños de error. para lo cual requiere de registros históricos que sean consistentes. se deben tener en cuenta las siguientes expresiones matemáticas: universidad de el salvador | Pronostico por mínimos cuadrados 13 .  Se requiere de algún equipo de cálculo.

3. 8. en la práctica es más simple y se llega al resultado de forma más rápida. 6... empresa internacional en su área de pilas desechables.. 9. 4.[PRONÓSTICO POR MINIMOS CUADRADOS] UES FÓRMULA GENERAL donde:  n = tamaño de la muestra o el número de períodos  x = período en el que se desea el pronóstico  y = el pronóstico MÉTODO SIMPLIFICADO (PARES Y NONES) El método simplificado como su nombre lo indica. desea calcular el pronóstico de ventas para el año 2003. Las expresiones a usar son: Donde:  n = tamaño de la muestra o el número de períodos  x = período en el que se desea el pronóstico  y = el pronóstico ¿Cuándo será par y cuando será non? Pares: Debemos entender por pares el numero de períodos expresados de dos en dos (2..) Ejemplos: Método general Ejemplo 1: Panasonic.) Nones: Es cuando los períodos considerados en los cálculos son impares (1. 5. 7. teniendo como antecedentes los datos que se universidad de el salvador | Pronostico por mínimos cuadrados 14 .

se hará la planeación de los recursos a utilizar en el sistema. El cálculo del pronóstico se deberá emitir mediante la fórmula general y corroborarse con el método simplificado que corresponda.A de C.[PRONÓSTICO POR MINIMOS CUADRADOS] UES muestran en la tabla. Períodos 1990 1991 1992 1993 1994 1995 Ventas (miles) 85 89 92 95 93 98 552 x 1 2 3 4 5 6 21 xy 85 178 276 380 465 588 1972 x^2 1 4 9 16 25 36 91 Cálculo del pronóstico x son los períodos desde el primer dato histórico hasta el pronóstico a calcular Ejemplo 2: Sabritas S. desea elaborar el pronóstico de ventas para uno de sus productos en el año 2003 y en torno a éste resultado. para lo cual cuenta con el volumen de ventas anuales que se indican en la siguiente tabla. universidad de el salvador | Pronostico por mínimos cuadrados 15 .V.

[PRONÓSTICO POR MINIMOS CUADRADOS] UES El cálculo de éste pronóstico se deberá hacer a través de Fórmula General y Método Simplificado. Períodos 1987 1988 1989 1990 1991 1992 1993 1994 1995 å Ventas (miles) 120 121 117 118 124 125 120 118 130 1093 45 x 1 2 3 4 5 6 7 8 9 xy 120 242 351 472 620 750 840 944 1170 5509 285 x2 1 4 9 16 25 36 49 64 81 Cálculo del pronóstico Método simplificado Ejemplo 1: universidad de el salvador | Pronostico por mínimos cuadrados 16 .

90 $ 835 b = 4.100 1. a = 9. es decir. queriendo conocer cuál sería la tendencia para el 2005.971 / 110 = 45.472 3. 1999 Para cada año anterior se resta 1 (uno) y para cada posterior se suma 1 (uno) Período Año 1 2 3 4 5 6 7 8 9 10 11 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 Totales Ventas (y) U$S x 1000 408 701 803 929 230 1.858 -230 0 1.160 965 1.[PRONÓSTICO POR MINIMOS CUADRADOS] UES Vayamos a un ejemplo práctico: Cantidad de años a considerar impar Supongamos una empresa con información desde el año 1994 a 2004. se obtiene de la siguiente forma: 0 para el año que se encuentra exactamente a la mitad.804 -2. en este caso año 6.930 3.19 $45 En el año 2005. El coeficiente X.118 720 9. las ventas serían: Y = 835 + 45 x 6 = 1. En el cuadro siguiente puede verse cómo se armaría la tabla para calcular los totales en base a los cuales calcularemos a y b. dado que la cantidad de años a analizar ³n´ es impar (n = 11).106 universidad de el salvador | Pronostico por mínimos cuadrados 17 .184 / 11 = 834.971 25 16 9 4 1 0 1 4 9 16 25 110 En función de las fórmulas mencionadas obtendremos.150 4.050 1.184 X Xy x2 -5 -4 -3 -2 -1 0 1 2 3 4 5 0 -2.160 1.409 -1.040 -2.600 4. es decir para y = 6 (coeficiente que le correspondería al año 2005).

llevará coeficiente ±1 mientras que el que le sigue llevará coeficiente 1. El año que corresponde al total de años dividido dos (2). hacia atrás y hacia adelante.050 1.160 2. El resto de los años.480 5.645 -690 -1. Período 1 2 3 4 5 6 7 8 9 10 Año 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 Totales Ventas (y) U$S x 1000 701 803 929 230 1.118 720 8.6 $877 b = 5. es decir para y = 11 (coeficiente que le correspondería al año 2005).882 / 11 = 877.246 / 330 = 15.621 -4.100 1. las ventas serían: Y = 988 + 16 x 11 = 1. El coeficiente X. dado que la cantidad de años a analizar ³n´ es par (n = 10) se obtiene de la siguiente forma: En este caso no existe un año medio.100 1.826 6.052 universidad de el salvador | Pronostico por mínimos cuadrados 18 .309 -5. En el cuadro siguiente puede verse cómo se armaría la tabla para calcular los totales en base a los cuales calcularemos a y b. según corresponda.895 5.246 x2 81 49 25 9 1 1 9 25 49 81 330 a = 9. queriendo conocer cuál sería la tendencia para el 2005.776 x -9 -7 -5 -3 -1 1 3 5 7 9 0 xy -6.250 7.90 $16 En el año 2005.160 965 1. llevarán el coeficiente menos dos o más dos.[PRONÓSTICO POR MINIMOS CUADRADOS] UES Ejemplo 2: Vayamos a otro ejemplo práctico: Cantidad de años a considerar par Supongamos una empresa con información desde el año 1995 a 2004.

*los períodos se cuentan a partir de 1993 con números consecutivos impares de los asignados a x en un principio hasta llegar a 2003: universidad de el salvador | Pronostico por mínimos cuadrados 19 . teniendo como antecedentes los datos que se muestran en la tabla. empresa internacional en su área de pilas desechables.[PRONÓSTICO POR MINIMOS CUADRADOS] UES Ejemplo 3: Desarrollando el ejemplo de 1. desea calcular el pronóstico de ventas para el año 2003. Pares porque el número de períodos es par (6) Períodos 1990 1991 1992 Ventas (miles) 85 89 92 x -5 -3 -1 0 1993 1994 1995 95 93 98 552 1 3 5 0 xy -425 -267 -92 0 95 279 40 80 x2 25 9 1 0 1 9 25 70 NOTA: A x se le asignan valore impares porque es un problema par. Panasonic. El cálculo del pronóstico se deberá emitir mediante la fórmula general y corroborarse con el método simplificado que corresponda.

se hará la planeación de los recursos a utilizar en el sistema.A de C. para lo cual cuenta con el volumen de ventas anuales que se indican en la siguiente tabla.V.[PRONÓSTICO POR MINIMOS CUADRADOS] UES 96-7 97-9 98-11 99-13 2000-15 2001-17 2002-19 2003-21 Ejemplo 4: Desarrollando el ejemplo de 2. desea elaborar el pronóstico de ventas para uno de sus productos en el año 2003 y en torno a éste resultado. Sabritas S. Nones porque el número de períodos es impar (9) Períodos 1987 1988 1989 1990 1991 1992 1993 1994 1995 Ventas (miles) 120 121 117 118 124 125 120 118 130 x -4 -3 -2 -1 0 1 2 3 4 xy -480 -363 -234 -118 0 125 240 354 520 x2 16 9 4 1 0 1 4 9 16 universidad de el salvador | Pronostico por mínimos cuadrados 20 .

[PRONÓSTICO POR MINIMOS CUADRADOS] UES 1093 0 44 60 NOTA: A x se le asignan valores consecutivos *los períodos se cuentan a partir de 1992 con números consecutivos de los asignados a x en un principio hasta llegar a 2003: 96-5 97-6 98-7 99-8 2000-9 2001-10 2002-11 2003-12 universidad de el salvador | Pronostico por mínimos cuadrados 21 .

al mismo tiempo que es el de mayor uso dentro de las empresas.  El método de mínimos cuadrados es una técnica de las mejores aceptadas por sus resultados de fiabilidad en cuanto a la reducción del error derivado del ajuste en los datos reales respecto de la línea propuesta.[PRONÓSTICO POR MINIMOS CUADRADOS] UES Conclusiones  No en todas las tendencias se puede aplicar con fiabilidad el método de mínimos cuadrados. universidad de el salvador | 22 .  El método tiende a ser un poco engorroso en su cálculo de forma manual. pero este se vuelve el ideal cuando existe un ajuste de la tendencia y un programa mecanizado que nos permita su cálculo.  Muchas veces el método de mínimos cuadrados es el más aceptado dentro de las leyes tributarias y económicas de un Estado.

[PRONÓSTICO POR MINIMOS CUADRADOS] UES Bibliografía www..es universidad de el salvador | Bibliografía 23 .monografias.shtml http://henalova../placo.com/trabajos13/.blogspot.