Академический Документы
Профессиональный Документы
Культура Документы
TEMA: Pronsticos
OBJETIVOS
Al culminar la presente prctica, el alumno estar capacitado para:
RECURSOS
DURACIN DE LA PRCTICA
MARCO TERICO
Suavizacin Exponencial
Otro mtodo para realizar un pronstico es el mtodo de suavizacin exponencial. A diferencia de los promedios mviles, este
mtodo pronostica otorgando una ponderacin a los datos dependiendo del peso que tengan dentro del clculo del pronstico.
Esta ponderacin se lleva a cabo a travs de otorgarle un valor a la constante de suavizacin, , que puede ser mayor que cero
y menor que uno. Para nuestro ejemplo, utilizamos un valor de = 0.8, por ser ste el que mejor ajusta al pronstico a los datos
reales.
El mtodo de suavizacin exponencial supone que el proceso es constante, al igual que el mtodo de promedios mviles. Esta
tcnica est diseada para atenuar una desventaja del mtodo de promedios mviles, en donde los datos para calcular el
promedio tienen la misma ponderacin. De manera particular, esta tcnica considera que las observaciones recientes tienen ms
valor, por lo que le otorga mayor peso dentro del promedio.
La suavizacin exponencial utiliza un promedio mvil ponderado de los datos histricos de la serie de tiempo como pronstico;
es un caso especial de promedio mvil en donde se selecciona un solo valor de ponderacin. El modelo bsico de suavizacin
exponencial se presenta a continuacin:
Ft+1 = Yt + (1 - )Ft
(2)
Donde:
Ft+1 = Pronstico de la serie de tiempo para el periodo de t + 1.
Yt = Valor real del periodo anterior al ao a pronosticar. Ft = Valor real del periodo anteanterior al ao a pronosticar.
= Constante de suavizacin (0 1).
La utilizacin de esta ecuacin implica algunas especificaciones. El clculo de Ft+1 est ligado con los 2 periodos anteriores. En
otras palabras, el pronstico de suavizacin exponencial en determinado periodo es (Ft+1) = al valor real de la serie de tiempo en
el periodo anterior (Yt) X la constante de suavizacin (), + 1 - la constante de suavizacin () X el periodo anteanterior
(Ft).
Ft+1 = Yt + (1 - )Ft
A pesar de que la suavizacin exponencial nos da un pronstico que es un promedio ponderado de todas las operaciones pasadas,
no es necesario guardar todos los datos del pasado a fin de calcular el pronstico para el periodo siguiente. De hecho, una vez
seleccionada la constante de suavizacin , slo se requiere de dos elementos de informacin para calcular el pronstico. La
ecuacin muestra que con un dado, podemos calcular el pronstico para el periodo t + 1 simplemente conociendo los valores
reales y pronosticados de la serie de tiempo para el periodo t, es decir, Yt y Ft.
La eleccin de la constante de suavizacin es crucial en la estimacin de pronsticos futuros. Si la serie de tiempo contiene una
variabilidad aleatoria sustancial, se preferir un valor pequeo como constante de suavizacin. La razn de esta aseveracin es
que gran parte del error del pronstico es provocado por la variabilidad aleatoria, por lo que un valor pequeo de permite un
pronstico mejor. Por el contrario, para una serie de tiempo con una variabilidad aleatoria relativamente pequea, valores ms
elevados de la constante de suavizacin tienen la ventaja de ajustar con rapidez los pronsticos cuando ocurren errores de
pronstico y permitiendo, por lo tanto, que el pronstico reaccione con mayor rapidez a las condiciones cambiantes. En la prctica,
el valor de est entre .01 y .90.
Anlisis de Regresin
El anlisis de regresin implica que se determine una relacin entre una variable dependiente (ingresos) y una variable
independiente (por ejemplo impuestos). Este mtodo implica la verificacin de la relacin de las variables asociadas con la teora
econmica. El esquema 1 muestra el proceso que debe seguirse cuando se utiliza una regresin.
La frmula general de regresin entre la variable dependiente y y la variable independiente x est dada como
Y = b0 + b1x + b2x+...+ bnx +
donde b0, b1... bn son parmetros desconocidos. El error aleatorio tiene una media cero
y una desviacin estndar constante.
La forma ms simple del modelo de regresin supone que la variable dependiente vara linealmente con el tiempo, es decir
La constante a y b se determinan de los datos de la serie de tiempo con base en el criterio de los mnimos cuadrados ordinarios
(MCO), que busca minimizar la suma del cuadrado de las diferencias entre los valores observados y estimados4. Esto quiere
decir que utilizando MCO obtenemos la funcin lineal ptima que garantiza la mejor estimacin de las variables que queremos
pronosticar. Haciendo las manipulaciones algebraicas, se obtiene la siguiente solucin:
En estas ecuaciones se muestra que primero tenemos que calcular el valor de b para despus poder calcular el valor de a.
Una vez que se tienen calculados los valores de a y b, tenemos que establecer si los valores encontrados son vlidos. Para
hacerlo, necesitamos calcular el coeficiente de correlacin, r, que nos ayudar a establecer la validez de las variables estimadas.
El ndice r se calcula de acuerdo con la siguiente ecuacin:
Donde 1 r . Si r = 1, entonces ocurre un ajuste lineal perfecto entre x y y. En general, entre ms cercano sea el valor de r
a 1, mejor ser el ajuste lineal. Si r = 0, entonces y y x pueden ser independientes. Realmente, r = 0 es slo una condicin
necesaria pero no suficiente para la independencia, ya que es posible que dos variables dependientes arrojen una resultado r =
0.
ACTIVIDADES DE LA PR CTICA
Utilizar el Software Excel para resolver las inquietudes planteadas en los objetivos de la prctica.
1- La Distribuidora UNICA S.A. se dedica a la venta de productos alimenticios, que durante 2008 ha tenido grandes problemas
para acomodar sus compras al exterior del producto saborizante Vernac, cuya fabricacin es realizada en El Salvador. El Gerente
de Ventas desea analizar las ventas de los ltimos 12 meses y definir cul es el modelo de pronsticos ms adecuado para
plantear las importaciones. La decisin se divide entre un modelo de promedio mvil a 3 meses o una suavizacin exponencial
con = 0.2. Sin embargo por mutuo acuerdo con el fabricante, deber enviar un estimado de ventas de los prximos 3 meses
para efectos de la programacin de la produccin.
Ventas reales de los ltimos 12 meses:
Mes
Demanda
(unidades)
1
524
2
380
3
250
4
432
5
526
6
322
7
836
8
277
9
154
10
644
11
424
12
196
a) Cul de los modelos de pronsticos debera utilizar el Gerente de Ventas para pronosticar las ventas para el prximo ao. (Para
suavizacin utilice el pronstico en el mes 1 de 500 unidades).
b) Debera el Gerente de Ventas cambiar los modelos propuestos por el de regresin lineal. Razone su respuesta.
c) Con el modelo de pronsticos seleccionado entre A y B, realice el pronstico de los prximos 3 meses.
SOLUCION
Mes
Demanda
Unidades
Y-Y(media)
1
2
3
4
5
6
7
8
9
10
11
12
524
380
250
432
526
322
836
277
154
644
424
196
-110.25
33.75
163.75
-18.25
-112.25
91.75
-422.25
136.75
259.75
-230.25
-10.25
217.75
Promedio
Movil (3)
384.67
354.00
402.67
426.67
561.33
478.33
422.33
358.33
407.33
SOLUCION
EMA
SSE
SST
R2
PRONOSTICO
13
14
15
16
Suavizacion
Regresion
Abs(Error) Exponencial Abs(Error)
Lineal
Abs(Error)
=0.2
Y=460.95-7.26X
47.33
172.00
80.67
409.33
284.33
324.33
221.67
65.67
211.33
524.00
495.20
446.16
443.33
459.86
432.29
513.03
465.83
403.46
451.57
446.05
201.85
490032.89
386352.06
-0.268
500
421.33
373.33
356.44
409.93
78.67
144.00
245.20
14.16
82.67
137.86
403.71
236.03
311.83
240.54
27.57
250.05
453.69
446.43
439.17
431.91
424.65
417.39
410.13
402.87
395.61
388.35
381.09
373.83
190.33
543974.96
414305.19
-0.313
396.04
416.83
416.83
416.83
103.96
70.31
66.43
189.17
0.09
101.35
95.39
425.87
125.87
241.61
255.65
42.91
177.83
149.37
418918.42
426460.25
0.018
366.57
359.31
352.05
344.79
133.43
2- Una compaa distribuye en el mercado local tres productos que denominaremos A, B y C. Las caractersticas del
producto permiten afirmar que el pasado es una buena representacin del futuro, y se le ha solicitado a Ud que
efecte su mejor pronstico para los siguientes periodos:
a)
Bimestre: Noviembre- diciembre de 2009
b)
Bimestre: Enero- febrero del ao 2010
c)
Bimestre: Marzo- Abril del ao 2010
Bimestre
E-F 2007
M-A 2007
M-J 2007
J-A 2007
S-O 2007
N-D 2007
E-F 2008
M-A 2008
M-J 2008
J-A 2008
S-O 2008
N-D 2008
E-F 2009
M-A 2009
M-J 2009
J-A 2009
S-O 2009
N-D 2009
Unds.A
550
500
650
600
900
700
850
800
950
900
1200
1000
1150
1100
1250
1200
1500
No Disp.
Unds. B
425
500
600
700
800
900
1050
1200
1350
1550
1800
2000
2300
2650
3000
3500
4000
No disp.
Unds.C
400
550
350
250
550
550
400
350
600
750
500
400
650
850
600
450
700
No disp.
3- Pescadera del Sol, el tercer productor de atn en el mbito nacional, est impulsando un programa de
abastecimiento en todas sus distribuidoras para la Semana Santa. El costo total para la empresa se estima en 37
millones. Por esta razn, es de extremo importante para la compaa tener un pronstico preciso de la demanda para
el segundo trimestre de 2013. Los datos promedio en millares de cajas son:
Trimestres
Aos 1
2
3
2006
51.6
88.8
61.4
2007
51.6
137.0 61.6
2008
49.8
185.2 108.3
2009
86.0
158.4 107.1
2010
84.8
149.8 101.1
2011
68.7
136.8 94.2
2012
71.6
136.1 92.4
2013
70.7
Fuente: Pescadera del Sol
4
53.2
53.4
118.7
92.5
88.6
82.3
82.5
a.- Determine el mtodo de pronstico ms adecuado, utilizando el E.M.C (Error Mnimos Cuadrados) , para
calcular la demanda de atn para el segundo trimestre del 1993, usando las tcnicas de promedio mvil doble y
suavizacin exponencial. Para el promedio mvil doble utilice un nmero de trminos de 2. El valor inicial para
suavizacin exponencial, ser el resultado del promedio, simple de las primeras tres observaciones, y utilice la
siguientes constante de suavizacin alfa de 0.7 y alfa de 0. 1
4- Se dispone de los datos de los ltimos cinco aos de la demanda trimestral, en kilos, de un producto, en que se
puede afirmar que el pasado es una buena referencia para estimar el futuro. Se le solicita a Ud. que pronostique la
demanda para cada uno de los siguientes cuatro trimestres utilizando promedios moviles, mostrando los anlisis
correspondientes: (Recomendacin: n= 4)
Ao
Trimestre
t
Demanda
En kilos
2008 4
1
75
2009
1
2
118
2
3
113
3
4
126
4
5
153
2010
1
6
196
2011
2012
2013
2
3
4
1
2
3
4
1
2
3
4
1
2
3
7
8
9
10
11
12
13
14
15
16
17
18
19
20
192
145
232
276
271
287
315
357
352
305
391
436
432
446
6- Se tiene los datos de la demanda de los ltimos meses de determinado producto y se desea estimar la demanda del
siguiente mes. Utilice para dicho pronstico una regresin lineal (y=a+bx), una promedio mvil de cuatro meses y
una ponderacin exponencial con un alfa de 0.25. Utilice tres decimales.
1
2
3
4
5
6
7
8
9
10
11
12
13
66
73
103
60
81
87
73
90
78
87
99
72
??
6- El Gran Roble S.A. es una empresa que se dedica a la fabricacin de artculos en madera. Actualmente la
empresa gan un proceso de licitacin para proveer de bates de madera para bisbol a la liga mayor de bisbol de los
Estados Unidos. Lisa Robles, gerente general de la empresa est analizando su capacidad de produccin, para poder
determinar la necesidad de recursos para cumplir con las futuras exportaciones de este producto hacia el pas del
norte. Lisa le ha solicitado al departamento de compras que firme un contrato a largo plazo con el proveedor de
barniz. Este contrato especificara la cantidad (en miles de barriles) de barniz que la empresa comprara cada
trimestre del prximo ao. Las entregas reales se haran semanalmente, pero el total del trimestre debe ser muy
cercano a las cifras contratadas. La tabla muestra el uso de barniz (en miles de galones) para los tres aos
anteriores.
Ao
2011
2012
Trimestre
1
2
3
4
1
2
3
4
Galones
200
225
250
300
230
260
290
320
Ao
2013
Trimestre
1
2
3
4
Galones
215
245
280
295
Usted como jefe del departamento de compras, debe determinar el uso de barniz que debe contratar cada trimestre
de los prximos dos aos. Utilice las tcnicas de regresin lineal y el mtodo de Winter (L de 4, alfa de 0.40, beta
de 0.10 y gama de 0.30). Escoja el mejor y realice el pronstico que se le pide.
Estadstica para administracin y economa, Richard I. Levin, David S. Rubin , Pearson Educacin, 2004,
Estadstica en los negocios: para la toma de decisiones, Kenneth Urban Black, Compaa Editorial Continental,
2005
Estadstica para administracin, Mark L. Berenson, David M. Levine, Timothy C. Krehbiel,Pearson Educacin,
2006
Estadstica Para Administracin y Economa, Robert Deward Mason, Edicin 11, Alfaomega, 2006
ANEXOS
X X )(Y Y
r
(n 1) S x S y
Coeficiente de correlacin r
n( XY ) ( X )( Y )
n( X
) ( X ) 2 n( Y 2 ) ( Y ) 2
r n2
1 r2
Se
Y ' a bX
n( XY ) ( X )( Y )
n( X 2 ) ( X ) 2
Y
X
b
n
n
(Y Y ' ) 2
n2
Se
Y 2 a( Y ) b( XY )
n2
1
Y 't ( S y. x )
( X X )2
( X ) 2
2
X
n
1
Y
'
t
(
S
)
1
y. x
Intervalo de Prediccin para Y, dado un Valor de X
n
2
Coeficiente de determinacin r
Coeficiente de Determinacin
( X X )2
( X ) 2
2
X
n
(Y Y ) 2 (Y Y ' ) 2
r
(Y Y ) 2
Transformacin a linealizar
Forma Lineal
Y=ln(y)
Y=ln(a)+bx
Y=log(y), x=log(x)
Y=log(a)+bx
x=ln(x)
x=1/x
c) Y=a+b.ln(x)
d) Reciproca: y=a+b.1/x
Se
Sb
Error Estndar de b
Y=a+bx
Y=a+bx
X 2 nX
Intervalo
b t ( sb )
ANALISIS DE LA VARIANZA
S xy yx
y x
n
x
x
n
S xy
S xx
S xx
y i 0 1 xi i
y x
yx n n( XY ) ( X )( Y )
0 y 1 x
n
(
X
)
X
)
x
x
2
SCE S yy 1S xy
MCE
S y. x
SCE
2
n2
SCE
n2
t
Prueba de Hiptesis para la regresin lineal simple: 0
1 1, 0
MC E S xx
F
Prueba F significacin de la ecuacin de regresion:
MCR
MCE
GL
1
n-2
n-1
SS
SSR
SSE
SS total
MS
SSR/1
SSE/(n-2)
F
MSR/MSE
Re gresin
Variacin _ de _ error
Variacion _ total
SSR S (Y 'Y ) 2
SSE S (Y Y ' ) 2
SStotal S (Y Y ) 2