Professional Documents
Culture Documents
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.
1 2 3 4 5 6 7 8 9 10 11 12
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.
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
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
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
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:
X: Aos Codificados -5 -4 -3 -2 -1 0 1 2 3 4 5 0
X2 25 16 9 4 1 0 1 4 9 16 25 110
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.
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.
Las medias de
, se determinan como:
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.
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:
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).
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.
2)
Tendencia:
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.
4)
Cclico:
Similar al anterior excepto que no ocurre a intervalos regulares, adems no tiene una extensin constante.
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.
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: .
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
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
Dnde:
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.