Promedios Mviles

Utiliza el promedio de los valores de los n datos ms recientes en la serie de tiempo como el pronstico para el siguiente periodo, expresado en forma matemtica. El trmino mvil indica que, conforme se dispone de nuevas observaciones para la serie de tiempo, se reemplaza la observacin ms antigua en la ecuacin y se calcula un nuevo promedio.

Sea la siguiente tabla:

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

Venta (En Millones de pesos) 17 21 19 23 18 16 20 20 22 20 15 22

Al usar los promedios mviles para pronosticar las ventas de gasolina, primero debemos seleccionar la cantidad de valores de datos que se incluirn en el promedio mvil de tres semanas.

Representamos grficamente el conjunto de datos de la tabla y queda cmo:

El clculo del promedio mvil para las primeras tres semanas de la serie de tiempo de ventas de gasolina es:

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

Venta (En Millones de pesos) 17 21 19 23 18 16 20 18 22 20 15 22

Promedio mvil con tres perodos

19 21 20 19 18 18 20 20 19

Una consideracin importante al seleccionar un mtodo de pronstico es la precisin del pronstico, pues evidentemente deseamos que los errores de pronstico sean pequeos. En la tabla siguiente, las ltimas dos columnas de la siguiente tabla, contienen los errores de pronstico y los errores de pronstico al cuadrado (23 19 = 4 y este al cuadrado = 16)

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

Venta (En Millones de pesos) 17 21 19 23 18 16 20 18 22 20 15 22

Promedio mvil con tres perodos

Error

Error al cuadrado

19 21 20 19 18 18 20 20 19

4 -3 -4 1 0 4 0 -5 3 0

16 9 16 1 0 16 0 25 9 92

Suma de Errores

Tcnica de los mnimos cuadrados:

Es una tcnica para ajustar una tendencia por medio de datos puntuales. El resultado es la mejor lnea de ajuste y tiene las siguientes propiedades: 1) Las desviaciones de todas las distancias verticales es cero. 2) La sumatoria de los cuadrados de todas las desviaciones verticales es mnima. 3) La lnea va a travs de las medias . En ecuaciones lineales, la mejor lnea de ajuste se obtiene con la solucin simultnea de a y b de las dos siguientes ecuaciones normales.

Si se codifican los datos, de modo que anteriores se cancelan y entonces:

los dos trminos en las ecuaciones

La codificacin se logra fcilmente con datos de series de tiempo, simplemente designando el centro de tiempo del perodo como X = 0 y teniendo un nmero igual de perodos positivos y negativos en cada extremo, los que hace que la suma total en X sea Cero.

Ejemplo: Utilizando el mtodo de los mnimos cuadrados, desarrollar la ecuacin lineal de tendencia con los datos de la tabla siguiente:

Aos 1 2 3 4 5 6 7 8 9 10 11 Suma total:

X: Aos Codificados -5 -4 -3 -2 -1 0 1 2 3 4 5 0

Y: Embarques (Toneladas) 2 3 6 10 8 7 12 14 14 18 19 113

X*Y -10 -12 -18 -20 -8 0 12 28 42 72 95 181

X2 25 16 9 4 1 0 1 4 9 16 25 110

a) Establecer la ecuacin completa. b) Determinar el valor pronosticado para el ao 16. Desarrollo: a)

La ecuacin de pronstico queda de la forma: Considerando que el Ao 6 X= 0 b) El ao 16 corresponde a X = 10, por lo tanto para ese ao, la proyeccin queda dada por: Y = 10.3 + 1.6 *( 10 ) = 26.3 toneladas.

Mtodos de regresin y correlacin:

Las tcnicas de regresin y correlacin, cuantifican la relacin estadstica entre dos o ms variables. La regresin lineal simple expresa la relacin entre una variable dependiente Y y una variable independiente X, en trminos de la pendiente y la interseccin de la lnea que mejor se ajuste a las variables. La correlacin simple expresa el grado o la cercana de la relacin entre las dos variables en trminos de un coeficiente

de correlacin que proporciona una medida indirecta de la variabilidad de los puntos alrededor de la mejor lnea de ajuste. Ni la regresin, ni la correlacin dan pruebas de la relacin causa-efecto.

Regresin lineal simple:

El modelo de regresin lineal simple, toma la forma: Yc = a + b* X, donde Yc , es la variable dependiente y X la variable independiente. Los valores de la pendiente b, y la interseccin a, se obtienen utilizando las ecuaciones normales escritas de la forma:

Las medias de

, se determinan como:

n: nmero de pares de observaciones realizadas.

1.- La empresa paraso analiza la relacin entre el consumo de energa (en KWH) y el nmero de habitaciones en una residencia privada unifamiliar. En una muestra aleatoria de 10 casas se obtuvo la siguiente informacin: a) Elabora el diagrama de dispersin.

b) Suponiendo que existe una relacin lineal, determina los parmetros a y b de la recta de regresin e interpreta su significado:

Con los datos del problema calculamos los parmetros a y b. Clculo del parmetro a: Aplicando la frmula anterior, se obtiene: b = 0,6666667. Tambin donde se obtiene un valor a= 1,33333 , de

Con los parmetros antes calculados se tiene la ecuacin de regresin lineal. Yp = 0,666667*X + 1,33333 De los cuales se puede interpretar que a nos representa que cuando no hay consumo en las habitaciones del edificio el consumo de energa por otros factores es 1,3333 kwh. es decir solo encendido de luces de calle. Y el parmetro b nos indica que tanto crece el consumo de energa conforme aumenta el nmero de habitaciones por edificio.

Desviacin Estndar de la Regresin:

Una lnea de regresin describe la relacin entre un valor dado de la variable independiente X y la media y.x de la distribucin de probabilidad correspondiente de la variable dependiente Y. El punto estimado o pronstico, es la media de la distribucin para un valor dado X. La desviacin estndar de la regresin Sx.y es la media de la dispersin de los datos alrededor de la lnea de regresin.

Canal de regresin lineal:

Es una herramienta de anlisis tcnico basada en el estudio estadstico utilizada para predecir el futuro desde datos pasados. El canal de regresin lineal es usado para determinar cundo el precio est sobre-desviado desde el punto de equilibrio representado por la lnea de tendencia de regresin lineal. Cmo antes se mencion, una lnea de regresin lineal es una lnea dibujada entre dos puntos utilizando el mtodo estadstico de los mnimos cuadrados. La lnea obtenida representa la aproximacin de los datos a una recta que aparece en la mitad exacta de los precios. Esta recta es una lnea de tendencia objetiva, llamada lnea de tendencia de regresin lineal, cuya inclinacin determina la tendencia del mercado. El canal de regresin lineal fue desarrollado por Gilber Raff. El canal es construido trazando dos lneas paralelas a la lnea de tendencia de regresin lineal. Estas dos lneas, las lneas del canal, se sitan a una distancia equidistante de la lnea de tendencia de regresin lineal (una desviacin estndar), una por encima y otra por debajo, formando el canal de regresin lineal. La distancia entre las lneas del canal es de 2 veces la desviacin estndar. Los canales de regresin lineal contienen la mayor parte del movimiento del precio. La lnea superior del canal representa una zona de resistencia mientras que la lnea inferior del canal representa una zona de soporte. El precio puede extenderse fuera del canal por un corto perodo de tiempo pero si el precio se mantiene fuera del canal por un perodo de tiempo largo, un cambio en la direccin de la tendencia puede estar prximo. La lnea de tendencia de regresin lineal muestra el punto de equilibrio y el canal de regresin lineal muestra el rango mximo de desviacin del precio desde la lnea de regresin lineal que puede esperarse.

Fuente: Canal de regresin lineal | Definicin http://www.efxto.com/diccionario/c/3930-canal-de-regresionlineal#ixzz2PsJt16A1

Estimacin del intervalo:

Se puede establecer una prediccin del intervalo, para un valor pronosticado individual de Yc , utilizando la expresin:

Intervalo de prediccin = Yc t*SIND

t: valor de la tabla de distribucin t, para el nivel de confianza especificado.

Para muestras grandes (n>100), la ecuacin del intervalo de prediccin, puede ser aproximada utilizando la distribucin normal (Z), en reemplazo de la t y la ecuacin para el intervalo de prediccin queda dada por:

Intervalo de prediccin = Yc Z*SIND

Significancia de la pendiente de la lnea de regresin: Esta medicin muestra que tan estadsticamente significativa, es la relacin entre X e Y.
Se calcula como:

El anlisis se hace comparando el valor obtenido tcalc , con el valor recogido de la tabla de distribucin t

Coeficiente de correlacin: El coeficiente de correlacin lineal simple r, es un nmero entre -1 y 1, que indica que tambin describe la ecuacin lineal, la relacin entre dos variables. El coeficiente r, toma un valor positivo si al aumentar el valor de X, tambin lo hace el valor de Y. Si al aumentar X, el valor de Y decrece, r tomar valores negativos. Finalmente, un r de valor cero, indica que no existe correlacin entre las variables. La tabla siguiente, muestra el valor de r, respecto al grado de correlacin existente:

La desviacin de todos los puntos Y, de la lnea de regresin Y c, consiste en la desviacin contabilizada por la lnea de la regresin (explicada) y la variacin aleatoria (no explicada).

Variacin total = explicada + no explicada.

El coeficiente de determinacin r2 es la razn de la variacin explicada a la variacin total.

El coeficiente de correlacin r es la raz cuadrada del coeficiente de determinacin.

Cuando el tamao de la muestra es lo suficientemente grande; por ejemplo mayor que 50 pares de datos, el valor de r, puede ser calculado ms directamente en base a la ecuacin:

Componentes de la demanda
1) Horizontal

La demanda flucta alrededor de una demanda promedio, la cual no aumenta o disminuye en forma consistente.

Ejemplo: Ventas de un producto en la etapa de madurez

2)

Tendencia:

Es el aumento o disminucin sostenida de la demanda entre un perodo y el siguiente.

Ej. Las ventas de un producto en etapa de crecimiento presentan esta caracterstica, as como los del perodo de declinacin.

3)

Estacional:

Se relaciona con la influencia de los factores estacionales que impactan en la demanda, en forma positiva o negativa.

Ejemplo: Artculos de Verano tales cmo Helados, trajes de bao, etc

4)

Cclico:

Similar al anterior excepto que no ocurre a intervalos regulares, adems no tiene una extensin constante.

Ejemplo: El impacto de una recesin.

Modelos de normalizacin exponencial:

En estos mtodos, el peso asignado a la demanda de un perodo previo, aumenta exponencialmente conforme los datos son ms recientes. Cundo Usarlos? Cuando se desea pronosticar un perodo corto. Cuando existe poca informacin externa o de las causas que lo generan. Cuando no se desea invertir mucho esfuerzo. Otorga la facilidad de utilizar medios computacionales. Cuando la actualizacin es simple, ya que se dispone permanentemente de nueva informacin.

Clasificacin de los modelos:

Modelo bsico de normalizacin exponencial.

Es aplicable cuando no existen componentes de tendencia o estacionalidad. La demanda flucta entorno a una demanda promedio. Llamada base. Las fluctuaciones en la demanda son causadas tanto por el cambio de base como por el ruido aleatorio. El objetivo es estimar la base y utilizarla para pronosticar. La base actual se estima tomando la base anterior y sumndole una fraccin de la diferencia entre la demanda real y la base anterior.

Donde: .

Factor de normalizacin entre 0 y 1, lo tpico es utilizar valores entre 0.01 y 0.30

En este modelo fsico, dado que no existen componentes de tendencia o estacionalidad, el pronstico para el nuevo perodo es la extrapolacin directa de la base actual calculada, o sea:

Ejemplo: Si = 0.2 Mes Inicial Enero Febrero Marzo Abril Mayo Junio Julio Dt -19.36 25.45 19.73 21.48 20.77 25.42 St 23.0 22.27 22.90 22.27 22.11 21.84 22.56 Ft -23.0 22.27 22.90 22.27 22.11 21.84 22.56

Algunas caractersticas y consideraciones:

El valor de , permite ponderar la influencia de la demanda real con respecto a la base anterior. Si las variaciones de la demanda se deben principalmente a la aleatoriedad, debe elegirse un valor bajo de Si las fluctuaciones se deben a una base variable, entonces se debe elegir u valor ms grande de

Modelo de tendencia lineal o aditiva

En estos modelos de normalizacin, la tendencia aparece expresada por la diferencia entre , la cual se sostiene durante el tiempo en un valor promedio. Para minimizar los efectos aleatorios, se normaliza esta diferencia aplicando otra constante llamada .

Segn estas consideraciones, la nueva ecuacin es:

Dnde:

Tt es la tendencia normalizada que se calcula como:

Para calcular el prximo periodo, se extrapola aadiendo la tendencia a la base calculada.

Y para m perodos

Ejemplo:

Si = 0.2 y = 0.1 Mes Inicial Enero Febrero Marzo Abril Mayo Junio Julio Dt -19.36 25.45 19.73 21.48 20.77 25.42 -St 20.0 19.87 20.98 20.81 20.99 21.02 21.96 -Tt 0 - 0.013 0.099 0.072 0.084 0.078 0.164 -Ft --19.86 21.08 20.88 21.06 21.10 22.13

Caractersticas y consideraciones: El modelo es valioso cuando existe una tendencia y variacin aleatoria en los datos. El proceso de inicializacin de este modelo es mejor cuando se dispone de ms datos. Se puede calcular la pendiente de la curva obtenida por regresin lineal de los datos, y esta corresponder a la tendencia inicial o bien se puede comenzar con el valor cero y calcularla a travs del perodo con datos.