REGRESIN LINEAL ESTACIONAL

Profesor:

LEONARDO FABIO SANCHEZ CARO

MODELAMIENTO Y SIMULACION

Alumno:

ANDRES CAMILO REYES

ERIKA GINETH ESPINOSA

JUAN SEBASTIAN GUERRA

DAMIAN ALEJANDRO FANDIO

BOGOT D.C.

NOVIEMBRE DEL 2016

UNIVERSIDAD CENTRAL DE COLOMBIA

 REGRESIN LINEAL ESTACIONAL

Contenido

1. INTRODUCCION................................................................................................2
2. DEFINICION DE PROBLEMA.............................................................................3
3. PLANTEAMIENTO DEL PROBLEMA.................................................................3
4. DESCRIPCION DEL MODELO MATEMATICO...................................................4
5. CODIGO FUENTE..............................................................................................6
6. INTERPRETACIN DE LOS RESULTADOS......................................................7
7. VALIDACION DEL MODELO..............................................................................8
8. LIMITACIONES DEL MODELO...........................................................................9
9. CONCLUSIONES...............................................................................................9
10. BIBLIOGRAFIA...............................................................................................9
 REGRESIN LINEAL ESTACIONAL

1. INTRODUCCION

La tendencia de las Exportaciones en Colombia ha cambiado en los ltimos aos,

los pronsticos desde el ao 2008 no fueron tan inexactos. El problema real est en
dar una mirada ms all, los pases de destinos no pasan por sus mejores
momentos, adicionalmente EE.UU. y China quienes son los ms grandes
compradores de materias primas y firmaron con Colombia el TLC, pero el
crecimiento en las exportaciones no se vio como se estimaba.
 REGRESIN LINEAL ESTACIONAL
2. DEFINICION DE PROBLEMA

El comportamiento de las Exportaciones en Colombia no es un tema fcil de

resolver y ms con la cada que ha tenido en los ltimos aos, segn los
expertos estos fenmenos son cclicos y se pueden predecir, sin embargo
los modelos utilizados no se ajustan a la realidad; se plantea la necesidad de
encontrar un modelo que se ajuste mejor a la realidad y que nos permita
elaborar un anlisis ms detallado de los sucesos histricos o por lo menos
de los ltimos aos.

3. PLANTEAMIENTO DEL PROBLEMA

Conocimientos cientficos que permiten formular el modelo

Series de tiempo
Una serie tiempo es una secuencia de observaciones, medidos en
determinados momentos del tiempo, ordenados cronolgicamente y,
espaciados entre s de manera uniforme, as los datos usualmente son
dependientes entre s. El principal objetivo de una serie de tiempo X t, donde
t=1,2,, n es su anlisis para hacer pronstico.

Componentes de una serie temporal

El anlisis clsico de las series temporales se basa en la suposicin de que
los valores que toma la variable de observacin es la consecuencia de tres
componentes, cuya actuacin conjunta da como resultado los valores
medidos, estos componentes son:

a.- Componente tendencia

b.- Componente estacional

c.- Componente aleatoria.

Asi se puede denotar la serie de tiempo como donde es la tendencia, es la

componente estacional e es la componente aleatoria.

Donde:
 REGRESIN LINEAL ESTACIONAL

4. CONOCIMIENTO CIENTIFICO QUE GOBIERNA EL PROBLEMA

Regresin lineal

El modelo de pronstico de regresin lineal permite hallar el valor esperado de una

variable aleatoria a cuando b toma un valor especfico. La aplicacin de este mtodo
implica un supuesto de linealidad cuando la demanda presenta un comportamiento
creciente o decreciente, por tal razn, se hace indispensable que previo a
la seleccin de este mtodo exista un anlisis de regresin que determine la
intensidad de las relaciones entre las variables que componen el modelo.

Cundo utilizar un pronstico de regresin lineal?

El pronstico de regresin lineal simple es un modelo ptimo para patrones de

demanda con tendencia creciente o decreciente, patrones que presenten una
relacin de linealidad entre la demanda y el tiempo.

Modelo de Regresin Lineal Simple

Formula:
 REGRESIN LINEAL ESTACIONAL

Pronstico del perodo t

Interseccin de la lnea con el eje

Pendiente (positiva o negativa)

Perodo de tiempo

Donde:

Ejemplo de aplicacin de un pronstico de Regresin lineal Simple

La juguetera Gaby desea estimar mediante regresin lineal simple las ventas para
el mes de Julio de su nuevo carrito infantil "Mate". La informacin del
comportamiento de las ventas de todos sus almacenes de cadena se presenta en el
siguiente tabulado.

El primer paso para encontrar el pronstico del mes 7 consiste en hallar la

pendiente, para ello efectuamos los siguientes clculos:
REGRESIN LINEAL ESTACIONAL
 REGRESIN LINEAL ESTACIONAL

Luego, y dado que ya tenemos el valor de la pendiente b procedemos a calcular el

valor de a, para ello efectuamos los siguientes clculos:

Ya por ltimo, determinamos el pronstico del mes 7, para ello efectuamos el

siguiente clculo:

Podemos as determinar que el pronstico de ventas para el perodo 7 es

equivalente a 13067 unidades.
REGRESIN LINEAL ESTACIONAL
 REGRESIN LINEAL ESTACIONAL

5. REPRESENTACIN COMPUTACIONAL

function [R] = ExpoCol(texto,suma)

%Est funcin halla el pronstico de las exportaciones por el mtodo
de
%de Regresin Lineal Estacional
%La matriz es m*n donde m=filas y n=columnas
m=size(texto,1);
n=size(texto,2);
Prom=zeros(m,1);
%Prom es el promedio de las filas
for i=1:m
s=0;
for j=1:n
s=s+texto(i,j);
p=s/n;
end
Prom(i)=p;
s=0;
end
Prom;
ss=0;
%pp es el promedio del promedio de las filas
for i=1:m
ss=ss+Prom(i);
end
pp=ss/m;
%IE es el ndice estacional
IE=zeros(m,1);
for i=1:m
IE(i)=Prom(i)/pp;
end
IE;
%Coloca la matriz A como un vector columna
DT=[];
for j=1:n
for i=1:m
DT=[DT;texto(i,j)];
end
end
DT; % ESTE VECTOR ES IGUAL AL Y
% Calcular la demanda desestacionalizada
h=size(DT,1);
DDT=zeros(h,1);
j=1;
for i=1:h
if j>12
j=1;
end
if j<=m
 REGRESIN LINEAL ESTACIONAL
DDT(i)=DT(i)/IE(j);
end
j=j+1;
end
DDT;

x=1:h; % A ESTA MATRIZ SE SUMAN LOS MESES QUE SE QUIEREN PRONOSTICAR

u=ones(h,1);
X=[u,x'];
B=inv(X'*X)*(X'*DT);
%Calcular el pronstico desestacionalizado (PDt) usando la ecuacion
de la recta
%obtenida con los periodos X y los datos originales(Y).

x12=1:h+suma;
PDT=zeros(h+suma,1);
for i=1:h+suma
PDT(i)=(B(2)*x12(i))+B(1);
end
PDT;
%El pronstico de t se calcula mltiplicando IEt*PDt
PT=zeros(h+suma,1);
j=1;
for i=1:h+suma
if j>12
j=1;
end
if j<=m
PT(i)=PDT(i)*IE(j);
end
j=j+1;
end
PT;
t=h+1:h+suma;
pronostico=PT(t)

%Grfica del perido vs el nmero de exportaciones

plot(x,DT);

Errorm=zeros(h,1);
j=1;
for i=1:h

Errorm(i)=DT(i)-PT(i);

i=i+1;
end
Errorm;
Errorprom = 0;
for i=1:h

Errorprom =Errorprom+Errorm(i);
 REGRESIN LINEAL ESTACIONAL

i=i+1;
end
Errorprom = Errorprom / h;

Errorabs = 0;
for i=1:h

Errorabs =Errorabs +abs(Errorprom-Errorm(i));

i=i+1;
end
Errorabs = Errorabs/h
Error_relativo = Errorabs/Errorprom

Error_cuadratico = 0;
for i=1:h

Error_cuadratico = Error_cuadratico + (abs(Errorprom-

Errorm(i)))^ 2;

i=i+1;
end

Error_cuadratico = Error_cuadratico / h;
Error_cuadratico= sqrt(Error_cuadratico)

Error_ponderado = Error_cuadratico/Errorprom
 REGRESIN LINEAL ESTACIONAL
INTERPRETACIN DE LOS RESULTADOS

Real vs Pronstico
12.00

10.00

8.00

6.00

4.00

2.00

0.00
0 2 4 6 8 10 12

Pronstico vs Real
12.00

10.00

8.00
Real
Pronstico
6.00

4.00

2.00

0.00
0 2 4 6 8 10 12

Segn el modelo de Regresin Lineal estacional Estacional, podemos inferir que si

dejamos solo los pronsticos de este modelo el comportamiento, de las variables
exgenas al modelo no se tienen en cuenta por lo tanto la comparacin entre los
datos reales y los simulados nos va a mostrar que el comportamiento es similar pero
la brecha de los datos sigue siendo muy grande.
 REGRESIN LINEAL ESTACIONAL
Si analizamos la primera grafica encontramos una cada en los datos reales que
nuestro modelo no puede explicar. Al hablar de variable exgenas, podemos decir
que es cualquier factor que afecte directa o indirectamente.

6. VALIDACION DEL MODELO

2015
Mes 2015 Real Pronostico
Enero 2902806.766 4978351.372
Febrero 3133114.358 4904724.178
Marzo 3457447.33 5451568.602
Abril 3214358.959 5425854.251
Mayo 3355682.206 5965781.307
Junio 3211180.154 5471557.513
Julio 3012425.227 5713285.675
Agosto 2808537.492 5581916.412
Septiembr
e 2870254.355 5622691.416
Octubre 2785789.493 5719924.501
Noviembre 2396184.281 5413885.895
Diciembre 2542995.35 5849611.245
Tabla1 : Datos reales y pronosticados
(fuente de los datos reales DANE)

Con el desarrollo en MATLAB logramos calcular los Errores, que demuestran que es
un modelo en el que se puede confiar si se requiere ver el posible comportamiento
mas no hacer clculos sobre datos reales.

Error Absoluto: 487,572.92 $

Error Relativo: -278.2711453

Error Cuadrtico: 586992.3287 $

Error ponderado: -335.0125109

 REGRESIN LINEAL ESTACIONAL
7. LIMITACIONES DEL MODELO

Este modelo se puede aplicar para la elaboracin de pronsticos basados en series

de tiempo estacionales, en donde los datos no se requiere sean exactos, ms se
requiera saber el comportamiento general que puede llegar a tener el factor a
evaluar, en este caso sern las exportaciones. Es importante resaltar que entre mas
grande sea la data los datos sern un poco mas confiables.

8. CONCLUSIONES

El modelo de Regresin Lineal estacional por si solo no logra dar un

pronstico acertado al comportamiento de las exportaciones en Colombia
La falta de informacin sobre el comportamiento de otros factores influye en
la convergencia del modelo matemtico referido a pronsticos comparado
con los datos reales
Al observar el comportamiento de las exportaciones inferimos que no es
lineal pero si es cclico
Con el modelo acertamos en el comportamiento de las exportaciones
aunque las brechas fueron muy grandes respecto a los datos reales
 REGRESIN LINEAL ESTACIONAL

9. BIBLIOGRAFIA

o Carroso, W. G. (2013). Suavizacin exponencial. Obtenido de UNAD:

http://datateca.unad.edu.co/contenidos/104561/Metodos_Probabilisticos_201
3/MODULO_2013_ACTAUALIZADO/leccin_4_suavizacin_exponencial.html

o Hanke, J., & Wichern, D. (2006). Pronsticos en los negocios. Obtenido de

https://books.google.com.co/books?
id=WaiOrL8oct4C&pg=PA121&lpg=PA121&dq=quien+desarrollo+el+suaviza
miento+exponencial&source=bl&ots=YdgFsace--&sig=OOA-
Cvgp9lCmTPz97deSaH0Q5JA&hl=es&sa=X&ved=0ahUKEwiZzZXlob3PAhXI
6iYKHfxFC2sQ6AEITzAI#v=onepage&q=quien%20des

o https://scalleruizunp.files.wordpress.com/2015/04/econometria_-
_damodar_n-_gujarati.pdf

o http://econometria.weebly.com/uploads/4/6/9/4/4694037/gretl_e_intro_econo
metra.pdf

o http://libros.metabiblioteca.org/jspui/bitstream/001/362/5/978-84-694-7251-
4.pdf