You are on page 1of 6

los datos y reducir las fluctuaciones aleatorias en

¿Qué es un promedio móvil? una serie de tiempo.


Más información sobre Minitab 18
Por ejemplo, una compañía de suministro de
Los promedios móviles son promedios productos de oficina monitorea los niveles de
calculados a partir de subgrupos artificiales de inventario cada día. La compañía desea utilizar
observaciones consecutivas. En las gráficas de los promedios móviles de longitud 2 para
control, usted puede crear una gráfica de rastrear los niveles de inventario con el fin de
promedio móvil para los datos de tiempo suavizar los datos. Durante 8 días, se recolectan
ponderados. En los análisis de series de tiempo, datos correspondientes a uno de sus productos.
Minitab utiliza el promedio móvil para suavizar

Día 1 2 3 4 5 6 7 8

Nivel de 4310 4400 4000 3952 4011 4000 4110 4220


inventario

Promedio 4310 4355 4200 3976 3981.5 4005.5 4055 4165


móvil

El primer promedio móvil es de 4310, el cual un valor específico. La aplicación de este


representa el valor de la primera observación. método implica un supuesto de linealidad
cuando la demanda presenta un
(En el análisis de series de tiempo, no se calcula
comportamiento creciente o decreciente,
el primer número en las seres de promedio por tal razón, se hace indispensable que
móvil; es un valor faltante). El siguiente previo a la selección de este método
promedio móvil es el promedio de las dos exista un análisis de regresión que
primeras observaciones (4310 + 4400) / 2 = determine la intensidad de las relaciones
4355. El tercer promedio móvil es el promedio entre las variables que componen el
de las observaciones 2 y 3, (4400 + 4000) / 2 = modelo.
4200, y así sucesivamente. Si desea utilizar un
promedio móvil con una longitud de 3, se  ¿Cuándo utilizar un pronóstico de
promedian tres valores en lugar de dos. regresión lineal?

 REGRESIÓN LINEAL O MÍNIMOS


 El pronóstico de regresión
CUADRADOS
lineal simple es un modelo óptimo para
patrones de demanda con
tendencia (creciente o decreciente), es
decir, patrones que presenten una
 El modelo de pronóstico de regresión relación de linealidad entre la demanda y
lineal permite hallar el valor esperado de el tiempo.
una variable aleatoria a cuando b toma 
 El objetivo de un análisis
 de regresión es determinar la relación
 Existen medidas de la intensidad de la que existe entre una variable
relación que presentan las variables que dependiente y una o más variables
son fundamentales para determinar en independientes. Para poder realizar esta
qué momento es conveniente utilizar relación, se debe postular una
regresión lineal. relación funcional entre las variables.
 Cuando se trata de una variable
 independiente, la forma funcional que
 Análisis de regresión más se utiliza en la práctica es la relación

lineal. El análisis de regresión entonces
 determina la intensidad entre las
variables a través de coeficientes de

correlación y determinación.

 Coeficiente de correlación [r]

 El coeficiente de correlación, comúnmente identificado como r o R , es una medida de


asociación entre las variables aleatorias X y Y, cuyo valor varía entre -1 y +1.


 El cálculo del coeficiente de correlación se efectúa de la siguiente manera:


 Dónde t hace referencia a la variable tiempo y x a la variable demanda.
MÍNIMOS CUADRADOS
Cuando varias personas miden la misma cantidad, generalmente no obtienen los mismos resultados.
De hecho, si la misma persona mide la misma cantidad varias veces, los resultados variarán. ¿Cuál es la
mejor estimación para la verdadera medición? El método de mínimos cuadrados proporciona una
forma de encontrar la mejor estimación, suponiendo que los errores (es decir, las diferencias con
respecto al valor verdadero) sean aleatorias e imparciales.

¿QUÉ SON LOS MÍNIMOS CUADRADOS?

Es un procedimiento de análisis numérico en la que, dados un conjunto de datos (pares ordenados y


familia de funciones), se intenta determinar la función continua que mejor se aproxime a los datos (línea
de regresión o la línea de mejor ajuste), proporcionando una demostración visual de la relación entre
los puntos de los mismos. En su forma más simple, busca minimizar la suma de cuadrados de las
diferencias ordenadas (llamadas residuos) entre los puntos generados por la función y los
correspondientes datos.

Este método se utiliza comúnmente para analizar una serie de datos que se obtengan de algún estudio,
con el fin de expresar su comportamiento de manera lineal y así minimizar los errores de la data tomada.

La creación del método de mínimos cuadrados generalmente se le acredita al matemático alemán Carl
Friedrich Gauss, quien lo planteó en 1794 pero no lo publicó sino hasta 1809. El matemático francés
Andrien-Marie Legendre fue el primero en publicarlo en 1805, este lo desarrolló de forma
independiente.

DEFINICIÓN: MÉTODO DE MÍNIMOS CUADRADOS

Su expresión general se basa en la ecuación de una recta y = mx + b. Donde m es la pendiente y b el


punto de corte, y vienen expresadas de la siguiente manera:
Σ Es el símbolo sumatoria de todos los términos, mientas (x, y) son los datos en estudio y n la cantidad
de datos que existen.

El método de mínimos cuadrados calcula a partir de los N pares de datos experimentales (x, y), los
valores m y b que mejor ajustan los datos a una recta. Se entiende por el mejor ajuste aquella recta que
hace mínimas las distancias d de los puntos medidos a la recta.

Teniendo una serie de datos (x, y), mostrados en un gráfico o gráfica, si al conectar punto a punto no
se describe una recta, debemos aplicar el método de mínimos cuadrados, basándonos en su expresión
general:

Cuando se haga uso del método de mínimos cuadrados se debe buscar una línea de mejor ajuste que
explique la posible relación entre una variable independiente y una variable dependiente. En el análisis
de regresión, las variables dependientes se designan en el eje y vertical y las variables independientes
se designan en el eje x horizontal. Estas designaciones formarán la ecuación para la línea de mejor
ajuste, que se determina a partir

del método de mínimos cuadrados.

EJEMPLO DEL MÉTODO DE MÍNIMOS


CUADRADOS

Para entender con claridad la aplicación del


método veamos un ejemplo:
Necesitamos encontrar una recta y = mx + b.
Debemos aplicar el método de mínimos
Encontrar la recta que mejor se ajusta a los
cuadrados. Como ya sabemos entonces,
siguientes datos:
primero centraremos el valor (x ∙ y):

Segundo por las expresiones de m y b debemos


encontrar el valor x²:
Veamos el gráfico:
x = – 11,48 / (-0,84) = 13,57

Otros artículos que te puedan interesar: Forma


estándar de una función lineal

SUAVIZACIÓN EXPONENCIAL SIMPLE

Ahora podemos obtener los valores de las


sumatorias de cada columna:

Σx = 55 ; Σy = 57 ; Σ(x·y) = 233 ; Σx² =


473 ; n = 9

El método de suavización o suavizamiento


Sustituimos en cada una de las expresiones:
exponencial simple puede considerarse como
una evolución del método de promedio móvil
m = (9·233 – 55·57) / (9·473 – |55|²) = -1038 / ponderado, en éste caso se calcula el promedio
1232 = – 0,84 de una serie de tiempo con un mecanismo de
autocorrección que busca ajustar los
b = (57·473 – 55·233) / (9·473 – |55|²) = 14146 / pronósticos en dirección opuesta a las
1232 = 11,48 desviaciones del pasado mediante una
corrección que se ve afectada por un coeficiente
La recta obtenida con el método de los mínimos de suavización.
cuadrados es la siguiente: Así entonces, este modelo
de pronóstico precisa tan sólo de tres tipos de
y = (- 0,84)·x + 11,48 datos: el pronóstico del último período, la
demanda del último período y el coeficiente de
suavización.
Observemos el gráfico:

¿Cuándo utilizar un pronóstico de


suavización exponencial simple?

El pronóstico de suavización exponencial


simple es óptimo para patrones de demanda
aleatorios o nivelados donde se pretende
Vemos que la recta corta al eje y en 11,48 y en eliminar el impacto de los elementos irregulares
el eje x en 13,57. Si queremos saber dónde corta históricos mediante un enfoque en períodos de
en el eje x igualamos la ecuación y = 0: demanda reciente, este posee una ventaja sobre
el modelo de promedio móvil ponderado ya que
no requiere de una gran cantidad de períodos y
0 = (- 0,84)·x + 11,48
de ponderaciones para lograr óptimos
resultados.
Despejamos x:
Ejemplo de aplicación de un pronóstico de
Suavización Exponencial Simple
En Enero un vendedor de vehículos estimó unas
ventas de 142 automóviles para el mes
siguiente. En Febrero las ventas reales fueron de
153 automóviles. Utilizando una constante de
suavización exponencial de 0.20 presupueste las
ventas del mes de Marzo.
Solución

Modelo de Suavización Exponencial Simple


Fórmulas

Podemos así determinar que el pronóstico de


ventas para el período 3 correspondiente a
Marzo es equivalente a 144 automóviles.
Para efectos académicos suele proporcionarse
el factor de suavización, sin embargo en la
práctica éste es comúnmente hallado de la El siguiente formato ha sido desarrollado por
forma descrita arriba. nuestro equipo para efectuar tu pronóstico de
una forma sencilla, tan sólo deberás registrar el
coeficiente de suavización (recuerde utilizar
comas en lugar de puntos), las cantidades reales
en las celdas verdes y sus respectivos
Promedio de ventas en unidades pronósticos, de esta forma obtendrás el
en el período t pronóstico suavizado del período siguiente.

Pronóstico de ventas en unidades del


período t -1

Ventas reales en unidades en el período t - 1

Coeficiente de suavización (entre 0,0 y 1,0)

You might also like