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

como consecuencia. universidad de el salvador | Introducción i . el crecimiento en las ventas. son ejemplos de fenómenos reales que se pueden modelar matemáticamente por una función. la necesidad de realizar pronósticos sobre la variación a futuro del PIB en un país determinado. el aumento o decremento en la producción. 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. dada en términos como por ejemplo. Este como todos los pronósticos tiene la finalidad de comprender los fenómenos y. el pronóstico en la tendencia inflacionaria en los precios del petróleo y otras materia primas. hacer pronósticos acerca de su comportamiento. En el caso en particular. 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 consumo continuo de un producto en el mercado. una descripción matemática de un fenómeno de la vida real.[PRONÓSTICO POR MINIMOS CUADRADOS] UES Introducción Como sabemos. de una función o de una ecuación es lo que constituye un modelo matemático. el costo de la reducción de productos contaminantes en una determinada zona.

 Ejemplificar el uso de la técnica para dar una mejor comprensión de la misma. Objetivos Específicos  Establecer una formación histórica de donde deriva el método.  Establecer las ventajas y limitaciones del método.[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.  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 .

 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 .[PRONÓSTICO POR MINIMOS CUADRADOS] UES Contenido Para hablar de Mínimos Cuadrados. Es necesario pronosticar cuándo se considera:  Un entorno altamente incierto.Es una inferencia a partir de ciertos datos.  La intuición no necesariamente da los mejores resultados. 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. El pronóstico dependerá de los cambios en las variables externas al sistema de producción. ¿Cómo se define el pronóstico? Es una técnica que permite predecir lo que ocurrirá en el futuro.

¿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. ¿Cuándo una empresa está en condiciones de optimizar? Cuando una empresa determina la demanda futura de sus pronósticos. está en condiciones de optimizar el uso de todos sus recursos. lograr sus objetivos y satisfacer la demanda de sus clientes oportunamente. En otras épocas los Reyes.[PRONÓSTICO POR MINIMOS CUADRADOS] UES Para este efecto. hay varias clases de pronósticos que se pueden considerar y a continuación se presenta una tabla que nos describe una de las clasificaciones existentes. los Políticos y personas adineradas acudían a los clarividentes para que les comentaran acerca de sus vidas en el futuro. 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. y en base a esto planear y controlar la cantidad de productos que deberá producir. universidad de el salvador | Pronostico 2 . 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.

La mayoría de evaluaciones fueron inútiles.[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. ¿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). 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. Durante el curso de ese año. El día de Año Nuevo de 1801. Fue capaz de seguir su órbita durante 40 días. un pronóstico solo es una aproximación a la realidad entre más se acerque a ella mejor será. el astrónomo italiano Giuseppe Piazzi descubrió el planeta enano Ceres. el único cálculo suficientemente universidad de el salvador | Historia del método de mínimos cuadrados 3 .

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. astrónomo alemán. en la que. de acuerdo con el criterio de mínimo error cuadrático. Es decir. etc). costos de materias primas. 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. se intenta encontrar la función que mejor se aproxime a los datos (un "mejor ajuste"). pero requiere un gran número de iteraciones para converger. el método de mínimos cuadrados es óptimo en muchos aspectos. En su forma más simple. tasas de inflación. Definición del método Mínimos cuadrados: es una técnica de análisis numérico encuadrada dentro de la optimización matemática. El argumento concreto se conoce como teorema de Gauss-Márkov. que teniendo dichos datos históricos o experimentales. con el mínimo de operaciones (por iteración). Se puede demostrar que LMS minimiza el residuo cuadrado esperado. 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. Generalmente pueden ser datos históricos de determinadas variables como ventas. apareciendo en el segundo volumen de su trabajo sobre mecánica celeste. Específicamente. cuando aún tenía 18 años). dados un conjunto de pares (o ternas. TheoriaMotusCorporumCoelestium in sctionibusconicissolemambientium.[PRONÓSTICO POR MINIMOS CUADRADOS] UES preciso para permitir aZach. 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. El francés Adrien-Marie Legendre desarrolló el mismo método de forma independiente en 1805. etc. universidad de el salvador | Historia del método de mínimos cuadrados 4 . 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. Su uso básicamente se centra en que permite encontrar la ecuación de una línea recta a partir de datos previos o experimentales.

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

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

esto es: Así. los cj que minimizan Ecm también minimizan Ec.m. .. y podrán ser calculados derivando e igualando a cero este último: Siendo i=1. 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 . . 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.[PRONÓSTICO POR MINIMOS CUADRADOS] UES Se desea encontrar una función f(x) combinación lineal de dichas funciones base. Se obtiene un sistema de m ecuaciones con m incógnitas. se desea que empleando el criterio . En concreto. definido como el radicando del error cuadrático medio. que recibe el nombre de "Ecuaciones Normales de Gauss". Operando con ellas: universidad de el salvador | Historia del método de mínimos cuadrados 7 .2. .

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

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

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

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

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

 Proporciona intervalos pequeños de error. y es la variable dependiente (pronóstico de la demanda). Restricciones  Sólo sirve para ajustar modelos lineales. para lo cual requiere de registros históricos que sean consistentes. Pronostico por mínimos cuadrados Esta es otra técnica de tipo cuantitativo que permite el cálculo de los pronósticos para períodos futuros. se deben tener en cuenta las siguientes expresiones matemáticas: universidad de el salvador | Pronostico por mínimos cuadrados 13 . de la ecuación que representa unos datos experimentales. Luego de haber definido lo que es un pronóstico y el método de mínimos cuadrados definiremos nuestro tema que es pronóstico por mínimos cuadrados.  Se requiere de algún equipo de cálculo. En la práctica se pueden utilizar dos métodos para calcular los pronósticos a través de mínimos cuadrados: Fórmula general y Métodos simplificado.  Los pronósticos elaborados con este modelo sólo derivan en una tendencia lineal. donde x es la variable independiente (tiempo). que son conocidos como coeficientes de regresión. 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.  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. Para aplicar este método en el cálculo de pronósticos de la demanda. reales y precisos.

. 9. en la práctica es más simple y se llega al resultado de forma más rápida.. teniendo como antecedentes los datos que se universidad de el salvador | Pronostico por mínimos cuadrados 14 . 8. 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.[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.. empresa internacional en su área de pilas desechables.. 6. desea calcular el pronóstico de ventas para el año 2003.) Nones: Es cuando los períodos considerados en los cálculos son impares (1. 5. 3. 7.) Ejemplos: Método general Ejemplo 1: Panasonic. 4.

V. 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.[PRONÓSTICO POR MINIMOS CUADRADOS] UES muestran en la tabla. El cálculo del pronóstico se deberá emitir mediante la fórmula general y corroborarse con el método simplificado que corresponda. universidad de el salvador | Pronostico por mínimos cuadrados 15 .A de C. para lo cual cuenta con el volumen de ventas anuales que se indican en la siguiente tabla. desea elaborar el pronóstico de ventas para uno de sus productos en el año 2003 y en torno a éste resultado. se hará la planeación de los recursos a utilizar en el sistema.

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 .[PRONÓSTICO POR MINIMOS CUADRADOS] UES El cálculo de éste pronóstico se deberá hacer a través de Fórmula General y Método Simplificado.

858 -230 0 1.472 3.040 -2.90 $ 835 b = 4.100 1.118 720 9. En el cuadro siguiente puede verse cómo se armaría la tabla para calcular los totales en base a los cuales calcularemos a y b.[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. en este caso año 6.184 / 11 = 834. queriendo conocer cuál sería la tendencia para el 2005. las ventas serían: Y = 835 + 45 x 6 = 1. a = 9.050 1.971 25 16 9 4 1 0 1 4 9 16 25 110 En función de las fórmulas mencionadas obtendremos.930 3.600 4. es decir para y = 6 (coeficiente que le correspondería al año 2005).19 $45 En el año 2005.971 / 110 = 45. 1999 Para cada año anterior se resta 1 (uno) y para cada posterior se suma 1 (uno) Período Año 1 2 3 4 5 6 7 8 9 10 11 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 Totales Ventas (y) U$S x 1000 408 701 803 929 230 1.150 4. se obtiene de la siguiente forma: 0 para el año que se encuentra exactamente a la mitad.804 -2.160 1. dado que la cantidad de años a analizar ³n´ es impar (n = 11). El coeficiente X.106 universidad de el salvador | Pronostico por mínimos cuadrados 17 .409 -1. es decir.184 X Xy x2 -5 -4 -3 -2 -1 0 1 2 3 4 5 0 -2.160 965 1.

es decir para y = 11 (coeficiente que le correspondería al año 2005). hacia atrás y hacia adelante.160 965 1. El año que corresponde al total de años dividido dos (2).050 1.776 x -9 -7 -5 -3 -1 1 3 5 7 9 0 xy -6.480 5.645 -690 -1.895 5.118 720 8. 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 1.882 / 11 = 877.6 $877 b = 5.160 2. llevarán el coeficiente menos dos o más dos. las ventas serían: Y = 988 + 16 x 11 = 1.250 7. según corresponda.[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. queriendo conocer cuál sería la tendencia para el 2005. El coeficiente X. El resto de los años.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. 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.246 x2 81 49 25 9 1 1 9 25 49 81 330 a = 9.100 1.826 6.621 -4. llevará coeficiente ±1 mientras que el que le sigue llevará coeficiente 1.052 universidad de el salvador | Pronostico por mínimos cuadrados 18 .246 / 330 = 15.100 1.90 $16 En el año 2005.

Panasonic.[PRONÓSTICO POR MINIMOS CUADRADOS] UES Ejemplo 3: Desarrollando el ejemplo de 1. desea calcular el pronóstico de ventas para el año 2003. teniendo como antecedentes los datos que se muestran en la tabla. *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 . empresa internacional en su área de pilas desechables. El cálculo del pronóstico se deberá emitir mediante la fórmula general y corroborarse con el método simplificado que corresponda. 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.

para lo cual cuenta con el volumen de ventas anuales que se indican en la siguiente tabla.A de C.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. se hará la planeación de los recursos a utilizar en el sistema. 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 .

 Muchas veces el método de mínimos cuadrados es el más aceptado dentro de las leyes tributarias y económicas de un Estado.  El método tiende a ser un poco engorroso en su cálculo de forma manual.[PRONÓSTICO POR MINIMOS CUADRADOS] UES Conclusiones  No en todas las tendencias se puede aplicar con fiabilidad el método de mínimos cuadrados. al mismo tiempo que es el de mayor uso dentro de las empresas. pero este se vuelve el ideal cuando existe un ajuste de la tendencia y un programa mecanizado que nos permita su cálculo.  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. universidad de el salvador | 22 .

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

Sign up to vote on this title
UsefulNot useful