Professional Documents
Culture Documents
UNIVERSIDAD DE EL SALVADOR
INTEGRANTES
Carranza Martnez, YeniNathaly Hernndez Amaya, Loida Eunice Orantes Tobar, David Alberto Santos Vsquez, Sandra Maribel
ndice Contenido
Introduccin ........................................................................................................................i Objetivos ............................................................................................................................ ii Objetivo General ............................................................................................................. ii Objetivos Especficos ....................................................................................................... ii Contenido ...........................................................................................................................1 Pronostico ..........................................................................................................................1 Historia del mtodo de mnimos cuadrados ........................................................................3 Definicin del mtodo .....................................................................................................4 Formulacin dimensional de los problemas.....................................................................5 Deduccin analtica de la aproximacin discreta mnimo cuadrtica lineal ......................6 Corolario .........................................................................................................................8 Deduccin geomtrica del problema discreto .................................................................9 Algunas Ventajas y restricciones del Modelo .................................................................12 Ventajas ....................................................................................................................12 Restricciones .............................................................................................................13 Pronostico por mnimos cuadrados ...................................................................................13 FRMULA GENERAL ......................................................................................................14 MTODO SIMPLIFICADO (PARES Y NONES) ....................................................................14 Ejemplos: ......................................................................................................................14 Mtodo general ........................................................................................................14 Mtodo simplificado .................................................................................................16 Conclusiones.....................................................................................................................22 Bibliografa .......................................................................................................................23
Introduccin
Como sabemos, una descripcin matemtica de un fenmeno de la vida real, dada en trminos como por ejemplo, de una funcin o de una ecuacin es lo que constituye un modelo matemtico. El consumo continuo de un producto en el mercado, el aumento o decremento en la produccin, el crecimiento en las ventas, el pronstico en la tendencia inflacionaria en los precios del petrleo y otras materia primas, el costo de la reduccin de productos contaminantes en una determinada zona, la necesidad de realizar pronsticos sobre la variacin a futuro del PIB en un pas determinado, son ejemplos de fenmenos reales que se pueden modelar matemticamente por una funcin. Tomando en cuenta lo anterior se puede hacer una inferencia en la necesidad de establecer o tomar en cuenta diversos modelos de pronstico que pueden ayudarnos a determinar el comportamiento o tendencia de la o las variables seleccionadas. En el caso en particular, se presentan los pronsticos en base al mtodo de los mnimos cuadrados que es una de las herramientas de las ms usadas en la actualidad para corregir tendencias y alinearlas hacia una tendencia lineal sobre el pronstico de lo calculado. Este como todos los pronsticos tiene la finalidad de comprender los fenmenos y, como consecuencia, hacer pronsticos acerca de su comportamiento.
Objetivos
Objetivo General
Dar a conocer el mtodo de Mnimos Cuadrados como una alternativa para pronosticar tendencias dentro de una diversa alternativas para elaborar dichos pronsticos.
Objetivos Especficos
Establecer una formacin histrica de donde deriva el mtodo. Conocer la forma de aplicacin del mtodo de mnimos cuadrados. Dar a conocer el algoritmo para poder lograr hacer el ajuste de las tendencias mediante el mtodo de mnimos cuadrados para usarla como herramienta de pronstico. Ejemplificar el uso de la tcnica para dar una mejor comprensin de la misma. Establecer las ventajas y limitaciones del mtodo.
ii
Contenido
Para hablar de Mnimos Cuadrados, ser necesario definir primero algunas consideraciones sobre la necesidad de pronosticar
Pronostico
Qu es un pronstico? Es una serie de datos que en base a una serie de estudios determinan la demanda en un futuro de un determinado producto.Es una inferencia a partir de ciertos datos.
Cmo se define el pronstico? Es una tcnica que permite predecir lo que ocurrir en el futuro. El pronstico depender de los cambios en las variables externas al sistema de produccin.
Es necesario pronosticar cundo se considera: Un entorno altamente incierto. La intuicin no necesariamente da los mejores resultados. Mejorar la planeacin y la elaboracin presupuestal Cuando se desea mejorar en competitividad y lograr un cambio en la bsqueda de crecimiento
Para este efecto, hay varias clases de pronsticos que se pueden considerar y a continuacin se presenta una tabla que nos describe una de las clasificaciones existentes.
Por su plazo: Segn el entorno a pronosticar y y y y y y De corto plazo De largo plazo Micro Macro Cualitativo Cuantitativo
Qu significa pronosticar? Es predecir el futuro a partir de algunos indicios Cules son los antecedentes de los pronsticos? Tuvieron su origen en aspectos informales de la vida cotidiana. En otras pocas los Reyes, los Polticos y personas adineradas acudan 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 pronsticos hasta llegar a la que hoy se conoce como un importante tema. Dnde se utilizan las tcnicas de pronsticos en una empresa para determinar la demanda? Estas tcnicas se utilizan en empresas para determinar la demanda futura de sus productos, y en base a esto planear y controlar la cantidad de productos que deber producir. Cundo una empresa est en condiciones de optimizar? Cuando una empresa determina la demanda futura de sus pronsticos, est en condiciones de optimizar el uso de todos sus recursos, lograr sus objetivos y satisfacer la demanda de sus clientes oportunamente.
[PRONSTICO POR MINIMOS CUADRADOS] UES Quin utiliza las tcnicas de pronsticos? Personal especializado y adscritos a las reas de produccin y mercadotecnia de las productoras o bienes. Cul es la validez de un pronstico? No es la verdad absoluta respecto a algn evento en el futuro, un pronstico solo es una aproximacin a la realidad entre ms se acerque a ella mejor ser.
En una Sistema de produccin se presentan 2 grupos de problemas a) Probabilidad de diseo b) Probabilidad de la planeacin Cmo se agrupan las tcnicas de pronsticos que utilizan en la actualidad? Cualitativas Cuantitativas Combinacin de ambas
Carl Friedrich Gauss. El da de Ao Nuevo de 1801, el astrnomo italiano Giuseppe Piazzi descubri el planeta enano Ceres. Fue capaz de seguir su rbita durante 40 das. Durante el curso de ese ao, muchos cientficos intentaron estimar su trayectoria con base en las observaciones de Piazzi (resolver las ecuaciones no lineales de Kepler de movimiento es muy difcil). La mayora de evaluaciones fueron intiles; el nico clculo suficientemente universidad de el salvador | Historia del mtodo de mnimos cuadrados 3
[PRONSTICO POR MINIMOS CUADRADOS] UES preciso para permitir aZach, astrnomo alemn, reencontrar a Ceres al final del ao fue el de un Carl Friedrich Gauss de 24 aos (los fundamentos de su enfoque ya los haba planteado en 1795, cuando an tena 18 aos). Pero su mtodo de mnimos cuadrados no se public hasta 1809, apareciendo en el segundo volumen de su trabajo sobre mecnica celeste, TheoriaMotusCorporumCoelestium in sctionibusconicissolemambientium. El francs Adrien-Marie Legendre desarroll el mismo mtodo de forma independiente en 1805. En 1829 Gauss fue capaz de establecer la razn del xito maravilloso de este procedimiento: simplemente, el mtodo de mnimos cuadrados es ptimo en muchos aspectos. El argumento concreto se conoce como teorema de Gauss-Mrkov.
En su forma ms simple, intenta minimizar la suma de cuadrados de las diferencias ordenadas (llamadas residuos) entre los puntos generados por la funcin y los correspondientes en los datos. Especficamente, se llama mnimos cuadrados promedio (LMS) cuando el nmero de datos medidos es 1 y se usa el mtodo de descenso por gradiente para minimizar el residuo cuadrado. Se puede demostrar que LMS minimiza el residuo cuadrado esperado, con el mnimo de operaciones (por iteracin), pero requiere un gran nmero de iteraciones para converger. universidad de el salvador | Historia del mtodo de mnimos cuadrados 4
Desde un punto de vista estadstico, un requisito implcito para que funcione el mtodo de mnimos cuadrados es que los errores de cada medida estn distribuidos de forma aleatoria. Elteorema de Gauss-Mrkov prueba que los estimadores mnimos cuadrticos carecen de sesgo y que el muestreo de datos no tiene que ajustarse, por ejemplo, a una distribucin normal. Tambin es importante que los datos recogidos estn bien escogidos, para que permitan visibilidad en las variables que han de ser resueltas (para dar ms peso a un dato en particular, vase mnimos cuadrados ponderados). La tcnica de mnimos cuadrados se usa comnmente en el ajuste de curvas. Muchos otros problemas de optimizacin pueden expresarse tambin en forma de mnimos cuadrados, minimizando la energa o maximizando la entropa.
Se trata de hallar los m coeficientes cj que hagan que la funcin aproximante f(x) sea la mejor aproximacin a los puntos (xk,yk). El criterio de mejor aproximacin puede variar, pero en general se basa en aqul que d un menor error en la aproximacin. El error en un punto (xk,yk) se podra definir como:
La aproximacin mnimo cuadrada se basa en la minimizacin del error cuadrtico medio, o, equivalentemente, en la minimizacin del radicando de dicho error, el llamado error cuadrtico, definido como:
[PRONSTICO POR MINIMOS CUADRADOS] UES Para alcanzar este objetivo, suponemos que la funcin f es de una forma particular que contenga algunos parmetros que necesitamos determinar. Por ejemplo, supongamos que es cuadrtica, lo que quiere decir que , donde no conocemos an , y . Ahora buscamos los valores de , y que minimicen la suma de los cuadrados de los residuos (S):
Esto explica el nombre de mnimos cuadrados. A las funciones que multiplican a los coeficientes buscados, esto es, a x2, x y 1, se les conoce con el nombre de funciones base de la aproximacin. Dichas funciones base pueden ser cualesquiera funciones, y para ese caso se deduce a continuacin la frmula general en el caso de que la aproximacin sea discreta y lineal. La aproximacin de mnimos cuadrados es la mejor aproximacin al conjunto de puntos (xk,yk), segn el criterio del error cuadrtico medio. Es posible generar otro tipo de aproximaciones si se toman los errores mximos o medios, pero la dificultad que entraa operar con ellos debido al valor absoluto de su expresin hace que apenas se usen.
La aproximacin mnimo cuadrado tiene solucin general para el caso de un problema de aproximacin lineal en sus coeficientes cjcualesquiera sean las funciones base fj(x) antes expuestas. Por lineal se entiende f(x) es una combinacin lineal de dichas funciones base. Para hallar la expresin de la frmula general, es posible o bien minimizar el error cuadrtico arriba expuesto, para lo cual se hara uso del clculo multivariable (se tratara de un problema de optimizacin en cj), o alternativamente hacer uso del lgebra lineal en la llamada deduccin geomtrica. Para los Modelos estticos uniecuacionales, el mtodo de mnimos cuadrados no ha sido superado, a pesar de diversos intentos para ello, desde principios del Siglo XIX. Se puede demostrar que, en su gnero, es el que proporciona la mejor aproximacin.
Sean n pares
[PRONSTICO POR MINIMOS CUADRADOS] UES Se desea encontrar una funcin f(x) combinacin lineal de dichas funciones base, tomando por ello la forma:
Ello equivale por tanto a hallar los m coeficientes tal funcin f(x) sea la mejor aproximacin a los n pares
de mnimo error cuadrtico medio de la funcin f(x) con respecto a los puntos
Minimizar el error cuadrtico medio es equivalente a minimizar el error cuadrtico, definido como el radicando del error cuadrtico medio, esto es:
As, los cj que minimizan Ecm tambin minimizan Ec, y podrn ser calculados derivando e igualando a cero este ltimo:
Siendo i=1,2, . . .,m. Se obtiene un sistema de m ecuaciones con m incgnitas, que recibe el nombre de "Ecuaciones Normales de Gauss". Operando con ellas:
[PRONSTICO POR MINIMOS CUADRADOS] UES Si se desarrolla el sumatorio, se visualiza la ecuacin "i" del sistema de ecuaciones normales:
Siendo (a,b)d el producto escalar discreto, definido para dos funciones dadas h(x) y g(x) como:
La resolucin de dicho sistema permite obtener, para el saber de ellos para cualquier base de funciones derivables localmente, la mejor aproximacin mnimo cuadrtica f(x) al conjunto de puntos antes mencionado. La solucin es ptima esto es, proporciona la mejor aproximacin siguiendo el criterio de mnimo error cuadrtico, puesto que se obtiene al optimizar el problema.
Corolario
Si se tratara de hallar el conjunto {cj} tal que f(x) pasara exactamente por todos los pares , esto es, tales que f(x)interpolara a tendra que cumplirse que: , entonces
Esto establece un sistema de n ecuaciones y m incgnitas, y como en general n>m, quedara sobre determinado: no tendra solucin general. Por tanto, la aproximacin tratar en realidad de hallar el vector c que mejor aproxime . Se puede demostrar que la matriz de coeficientes de las ecuaciones normales de Gauss coincide con , siendo A la matriz de coeficientes exactas; y e le trmino independiente de las ecuaciones normales de Gauss coincide con el vector , de manera que puede escribirse que los {cj} que mejor aproximan f(x) pueden calcularse como la solucin al sistema: , que son las ecuaciones normales de Gauss.
[PRONSTICO POR MINIMOS CUADRADOS] UES Esto es, se tendra que verificar exactamente un sistema de n ecuaciones y m incgnitas, pero como en general n>m, dicho sistema est sobredeterminado, no tiene solucin general. De ah surge la necesidad de aproximarlo. Dicho sistema podra expresarse en forma matricial como:
Esto es:
La aproximacin trata de hallar el vector c aproximante que mejor aproxime el sistema Ac = b. Con dicho vector c aproximante, es posible definir el vector residuo como:
De manera que el mnimo error cuadrtico supone minimizar el residuo, definiendo su tamao en base a la norma eucldea o usual del residuo, que equivale al error cuadrtico:
siendo (r,r)2 el producto interior o escalar del vector residuo sobre s mismo. Si atendemos al sistema Ac = b, entonces se ve claramente que al multiplicar A y c, lo que se realiza es una combinacin lineal de las columnas de A:
El problema de aproximacin ser hallar aquella combinacin lineal de columnas de A lo ms cercana posible al vector b. Se comprueba que el conjunto de las columnas de
10
[PRONSTICO POR MINIMOS CUADRADOS] UES A engendran un Span lineal: span(A1,A2,...,Am), al que el vector b no tiene porqu pertenecer (si lo hiciera, el sistema Ac=b tendra solucin). Entonces, de los infinitos vectores del span(A1,A2,...,Am) que son combinacin lineal de los vectores de la base, se tratar de hallar el ms cercano al vector b. De entre todos ellos, el que cumple esto con respecto a la norma eucldea es la proyeccin ortogonal del b sobre span(A1,A2,...,Am), y que por tanto hace que el tamao del vector r, que ser el vector que una los extremos de los vectores b y proyeccin ortogonal de b sobre el span, sea mnimo, esto es, que minimiza su norma eucldea. Es inmediato ver que si el residuo une b con su proyeccin ortogonal, entonces es a su vez ortogonal al span(A1,A2,...,Am), y a cada uno de los vectores de la base, esto es, ortogonal a cada columna de A. La condicin de minimizacin del residuo ser:
A su vez, cada una de las m condiciones de perpendicularidad se puede agrupar en una sola:
Por tanto, la mejor aproximacin mnimo cuadrada lineal para un conjunto de puntos discretos, sean cuales sean las funciones base, se obtiene al resolver el sistema cuadrado: . A esta ecuacin se le llama ecuacin normal de Gauss, y es vlida para cualquier conjunto de funciones base. Si estas son la unidad y la funcin x, entonces la aproximacin se llama regresin lineal. En el anlisis de regresin, se sustituye la relacin
siendo el trmino de perturbacin una variable aleatoria con media cero. Obervese que estamos asumiendo que los valores x son exactos, y que todos los errores estn en los valores y. De nuevo, distinguimos entre regresin lineal, en cuyo caso la funcin f es lineal para los parmetros a ser determinados (ej., f(x) = ax2 + bx + c), y regresin no lineal. Como antes, la regresin lineal es mucho ms sencilla que la no lineal. (Es tentador pensar que la razn del nombre regresin lineal es que la grfica de la funcin f(x) = ax + b es una lnea. Ajustar una curva f(x) = ax2 + bx + c, estimando a, b y c por mnimos cuadrados es un ejemplo de regresin lineal porque el vector de estimadores mnimos cuadrticos de a, b y c es una transformacin lineal del vector cuyos componentes son f(xi) + i). Los parmetros (a, b y c en el ejemplo anterior) se estiman con frecuencia mediante mnimos cuadrados: se toman aquellos valores que minimicen la suma S. El teorema de Gauss-Mrkov establece que los estimadores mnimos cuadrticos son ptimos en el sentido de que son los estimadores lineales insesgados de menor varianza, y por tanto de menor error cuadrtico medio, si tomamos f(x) = ax + b estandoa y b por determinar y con los trminos de perturbacin independientes y distribuidos idnticamente (vase el artculo si desea una explicacin ms detallada y con condiciones menos restrictivas sobre los trminos de perturbacin). La estimacin de mnimos cuadrados para modelos lineales es notoria por su falta de robustez frente a valores atpicos (outliers). Si la distribucin de los atpicos es asimtrica, los estimadores pueden estar sesgados. En presencia de cualquier valor atpico, los estimadores mnimos cuadrticos son ineficientes y pueden serlo en extremo. Si aparecen valores atpicos en los datos, son ms apropiados los mtodos de regresin robusta.
Es objetivo, solo depende de los resultados experimentales. Es reproducible, proporciona la misma ecuacin, no importando quien realice el anlisis.
12
[PRONSTICO POR MINIMOS CUADRADOS] UES Proporciona una estimacin probabilstica, de la ecuacin que representa unos datos experimentales. Proporciona intervalos pequeos de error.
Restricciones
Slo sirve para ajustar modelos lineales. Los pronsticos elaborados con este modelo slo derivan en una tendencia lineal. Requiere tener al menos 20 mediciones bajo las mismas circunstancias experimentales. Se requiere de algn equipo de clculo, de lo contrario es muy engorroso.
Luego de haber definido lo que es un pronstico y el mtodo de mnimos cuadrados definiremos nuestro tema que es pronstico por mnimos cuadrados.
FRMULA GENERAL
donde: n = tamao de la muestra o el nmero de perodos x = perodo en el que se desea el pronstico y = el pronstico
Donde: n = tamao de la muestra o el nmero de perodos x = perodo en el que se desea el pronstico y = el pronstico Cundo ser par y cuando ser non? Pares: Debemos entender por pares el numero de perodos expresados de dos en dos (2, 4, 6, 8...) Nones: Es cuando los perodos considerados en los clculos son impares (1, 3, 5, 7, 9...)
Ejemplos:
Mtodo general Ejemplo 1: Panasonic, empresa internacional en su rea de pilas desechables, desea calcular el pronstico de ventas para el ao 2003, teniendo como antecedentes los datos que se
[PRONSTICO POR MINIMOS CUADRADOS] UES muestran en la tabla. El clculo del pronstico se deber emitir mediante la frmula general y corroborarse con el mtodo simplificado que corresponda.
x 1 2 3 4 5 6 21
x^2 1 4 9 16 25 36 91
x son los perodos desde el primer dato histrico hasta el pronstico a calcular Ejemplo 2: Sabritas S.A de C.V. desea elaborar el pronstico de ventas para uno de sus productos en el ao 2003 y en torno a ste resultado, se har la planeacin de los recursos a utilizar en el sistema; para lo cual cuenta con el volumen de ventas anuales que se indican en la siguiente tabla.
[PRONSTICO POR MINIMOS CUADRADOS] UES El clculo de ste pronstico se deber hacer a travs de Frmula General y Mtodo Simplificado.
Perodos 1987 1988 1989 1990 1991 1992 1993 1994 1995
Ventas (miles) 120 121 117 118 124 125 120 118 130
1093 45
x 1 2 3 4 5 6 7 8 9
x2 1 4 9 16 25 36 49 64 81
Mtodo simplificado
Ejemplo 1:
Perodo
A o
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 1,100 1,160 965 1,050 1,118 720 9,184
Xy
x2
-5 -4 -3 -2 -1 0 1 2 3 4 5 0
-2,040 -2,804 -2,409 -1,858 -230 0 1,160 1,930 3,150 4,472 3,600 4,971
25 16 9 4 1 0 1 4 9 16 25 110
En funcin de las frmulas mencionadas obtendremos. a = 9,184 / 11 = 834.90 $ 835 b = 4,971 / 110 = 45.19 $45 En el ao 2005, es decir para y = 6 (coeficiente que le correspondera al ao 2005), las ventas seran: Y = 835 + 45 x 6 = 1,106
a = 9,882 / 11 = 877.6 $877 b = 5,246 / 330 = 15.90 $16 En el ao 2005, es decir para y = 11 (coeficiente que le correspondera al ao 2005), las ventas seran: Y = 988 + 16 x 11 = 1,052
[PRONSTICO POR MINIMOS CUADRADOS] UES Ejemplo 3: Desarrollando el ejemplo de 1. Panasonic, empresa internacional en su rea de pilas desechables, desea calcular el pronstico de ventas para el ao 2003, teniendo como antecedentes los datos que se muestran en la tabla. El clculo del pronstico se deber emitir mediante la frmula general y corroborarse con el mtodo simplificado que corresponda. Pares porque el nmero de perodos es par (6) Perodos 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
*los perodos se cuentan a partir de 1993 con nmeros consecutivos impares de los asignados a x en un principio hasta llegar a 2003: universidad de el salvador | Pronostico por mnimos cuadrados 19
[PRONSTICO 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. Sabritas S.A de C.V. desea elaborar el pronstico de ventas para uno de sus productos en el ao 2003 y en torno a ste resultado, se har la planeacin de los recursos a utilizar en el sistema; para lo cual cuenta con el volumen de ventas anuales que se indican en la siguiente tabla. Nones porque el nmero de perodos es impar (9) Perodos 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
*los perodos se cuentan a partir de 1992 con nmeros 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
Conclusiones
No en todas las tendencias se puede aplicar con fiabilidad el mtodo de mnimos cuadrados. El mtodo de mnimos cuadrados es una tcnica de las mejores aceptadas por sus resultados de fiabilidad en cuanto a la reduccin del error derivado del ajuste en los datos reales respecto de la lnea propuesta.
El mtodo tiende a ser un poco engorroso en su clculo de forma manual, pero este se vuelve el ideal cuando existe un ajuste de la tendencia y un programa mecanizado que nos permita su clculo. Muchas veces el mtodo de mnimos cuadrados es el ms aceptado dentro de las leyes tributarias y econmicas de un Estado, al mismo tiempo que es el de mayor uso dentro de las empresas.
universidad de el salvador | 22
Bibliografa
www.monografias.com/trabajos13/.../placo.shtml http://henalova.blogspot.es
23