Minimos Cuadrados Trabajo Presu

UNIVERSIDAD DE EL SALVADOR
FACULTAD DE INGENIERIA Y ARQUITECTURA
ESCUELA DE INGENIERIA INDUSTRIAL UNIV

PRESUPUESTOS DE PRODUCCION ERSI
DAD
DE
TEMA: EL
PRONOSTICOS POR MINIMOS CUADRADOS
SALV
ADO
DOCENTE
R
Ing. Saúl Granados

Faculta
INTEGRANTES d de
Ingenie
Carranza Martínez, Yeni Nathaly CM06021 ría y
Hernández Amaya, Loida Eunice HA04010 Arquite
Orantes Tobar, David Alberto OT 04001 ctura
Santos Vásquez, Sandra Maribel SV06002
Ciudad Universitaria, 14 de abril de 2011

[PRONÓSTICO POR MINIMOS CUADRADOS] UES
Índice
Contenido
Introducción.............................................................................................................................i
Objetivos.................................................................................................................................ii
Objetivo General..................................................................................................................ii
Objetivos Específicos...........................................................................................................ii
Contenido................................................................................................................................1
Pronostico...............................................................................................................................1
Historia del método de mínimos cuadrados...........................................................................3
Definición del método.........................................................................................................4
Formulación dimensional de los problemas.......................................................................5
Deducción analítica de la aproximación discreta mínimo cuadrática lineal.......................6
Corolario..............................................................................................................................8
Deducción geométrica del problema discreto....................................................................9
Algunas Ventajas y restricciones del Modelo...................................................................12
Ventajas.........................................................................................................................12
Restricciones.................................................................................................................13
Pronostico por mínimos cuadrados......................................................................................13
FÓRMULA GENERAL..........................................................................................................13
MÉTODO SIMPLIFICADO (PARES Y NONES)......................................................................14
Ejemplos:...........................................................................................................................14
Método general............................................................................................................14
Método simplificado.....................................................................................................16
Conclusiones.........................................................................................................................24
Bibliografía............................................................................................................................25
universidad de el salvador | Índice

Introducción
Como sabemos, una descripción matemática de un fenómeno de la vida real, dada

en términos como por ejemplo, de una función o de una ecuación es lo que constituye
un modelo matemático.
El consumo continuo de un producto en el mercado, el aumento o decremento en

la producción, el crecimiento en las ventas, el pronóstico en la tendencia inflacionaria en
los precios del petróleo y otras materia primas, el costo de la reducción de productos
contaminantes en una determinada zona, la necesidad de realizar pronósticos sobre la
variación a futuro del PIB en un país determinado, son ejemplos de fenómenos reales que
se pueden modelar matemáticamente por una función.
Tomando en cuenta lo anterior se puede hacer una inferencia en la necesidad de

establecer o tomar en cuenta diversos modelos de pronóstico que pueden ayudarnos a
determinar el comportamiento o tendencia de la o las variables seleccionadas.
En el caso en particular, se presentan los pronósticos en base al método de los

mínimos cuadrados que es una de las herramientas de las más usadas en la actualidad
para corregir tendencias y alinearlas hacia una tendencia lineal sobre el pronóstico de lo
calculado. Este como todos los pronósticos tiene la finalidad de comprender los
fenómenos y, como consecuencia, hacer pronósticos acerca de su comportamiento.
universidad de el salvador | Objetivos i

Objetivos
Objetivo General
Dar a conocer el método de Mínimos Cuadrados como una alternativa para

pronosticar tendencias dentro de una diversa alternativas para elaborar dichos
pronósticos.
Objetivos Específicos
 Establecer una formación histórica de donde deriva el método.

 Conocer la forma de aplicación del método de mínimos cuadrados.
 Dar a conocer el algoritmo para poder lograr hacer el ajuste de las tendencias
mediante el método de mínimos cuadrados para usarla como herramienta de
pronóstico.
 Ejemplificar el uso de la técnica para dar una mejor comprensión de la misma.
 Establecer las ventajas y limitaciones del método.
universidad de el salvador | Objetivos ii

Contenido
Para hablar de Mínimos Cuadrados, será necesario definir primero algunas

consideraciones sobre la necesidad de pronosticar
Pronostico
¿Qué es un pronóstico?
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.
¿Cómo se define el pronóstico?

Es una técnica que permite predecir lo que ocurrirá en el futuro. El pronóstico dependerá
de los cambios en las variables externas al sistema de producción.
Es necesario pronosticar cuándo se considera:
 Un entorno altamente incierto.

 La intuición no necesariamente da los mejores resultados.
 Mejorar la planeación y la elaboración presupuestal
 Cuando se desea mejorar en competitividad y lograr un cambio en la búsqueda de
crecimiento
universidad de el salvador | Bibliografía 1

Para este efecto, hay varias clases de pronósticos que se pueden considerar y a
continuación se presenta una tabla que nos describe una de las clasificaciones existentes.
¿Qué
 De corto plazo
Por su plazo:  De largo plazo
 Micro
Según el entorno a pronosticar  Macro
Según el procedimiento  Cualitativo

empleado  Cuantitativo
significa pronosticar?
Es predecir el futuro a partir de algunos indicios
¿Cuáles son los antecedentes de los pronósticos?

Tuvieron su origen en aspectos informales de la vida cotidiana. En otras épocas los Reyes,
los Políticos y personas adineradas acudían 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
pronósticos hasta llegar a la que hoy se conoce como un importante tema.
¿Dónde se utilizan las técnicas de pronósticos en una empresa para determinar la

demanda?
Estas técnicas 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 deberá
producir.
¿Cuándo una empresa está en condiciones de optimizar?

Cuando una empresa determina la demanda futura de sus pronósticos, está en
condiciones de optimizar el uso de todos sus recursos, lograr sus objetivos y satisfacer la
demanda de sus clientes oportunamente.

¿Quién utiliza las técnicas de pronósticos?

Personal especializado y adscritos a las áreas de producción y mercadotecnia de las
productoras o bienes.
¿Cuál es la validez de un pronóstico?

No es la verdad absoluta respecto a algún evento en el futuro, un pronóstico solo es una
aproximación a la realidad entre más se acerque a ella mejor será.
En una Sistema de producción se presentan 2 grupos de problemas

a) Probabilidad de diseño
b) Probabilidad de la planeación
¿Cómo se agrupan las técnicas de pronósticos que utilizan en la actualidad?
Cualitativas
Cuantitativas
Combinación de ambas
Historia del método de mínimos cuadrados
Carl Friedrich Gauss.
El día de Año Nuevo de 1801, el astrónomo italiano Giuseppe Piazzi descubrió el

planeta enano Ceres. Fue capaz de seguir su órbita durante 40 días. Durante el curso de
ese año, muchos científicos intentaron estimar su trayectoria con base en las
observaciones de Piazzi (resolver las ecuaciones no lineales de Kepler de movimiento es
muy difícil). La mayoría de evaluaciones fueron inútiles; el único cálculo suficientemente

preciso para permitir aZach, astrónomo alemán, reencontrar a Ceres al final del año fue el
de un Carl Friedrich Gauss de 24 años (los fundamentos de su enfoque ya los había
planteado en 1795, cuando aún tenía 18 años). Pero su método de mínimos cuadrados no
se publicó hasta 1809, apareciendo en el segundo volumen de su trabajo sobre mecánica
celeste, Theoria Motus Corporum Coelestium in sctionibus conicis solem ambientium. El
francés Adrien-Marie Legendre desarrolló el mismo método de forma independiente en
1805.
En 1829 Gauss fue capaz de establecer la razón del éxito maravilloso de este
procedimiento: simplemente, el método de mínimos cuadrados es óptimo en muchos
aspectos. El argumento concreto se conoce como teorema de Gauss-Márkov.
Definición del método

Mínimos cuadrados: es una técnica de análisis numérico encuadrada dentro de
la optimización matemática, en la que, dados un conjunto de pares (o ternas, etc), se
intenta encontrar la función que mejor se aproxime a los datos (un "mejor ajuste"), de
acuerdo con el criterio de mínimo error cuadrático.
Su uso básicamente se centra en que permite encontrar la ecuación de una línea

recta a partir de datos previos o experimentales. Generalmente pueden ser datos
históricos de determinadas variables como ventas, costos de materias primas, tasas de
inflación, etc.
Es decir, que teniendo dichos datos históricos o experimentales, se pueden

obtener la pendiente y la ordenada de origen de la recta que mejor se ajuste a los valores
dados y con base a la ecuación o función poder estimar hacia el futuro.
En su forma más simple, intenta minimizar la suma de cuadrados de las diferencias

ordenadas (llamadas residuos) entre los puntos generados por la función y los
correspondientes en los datos. Específicamente, se llama mínimos cuadrados
promedio (LMS) cuando el número de datos medidos es 1 y se usa el método de descenso
por gradiente para minimizar el residuo cuadrado. Se puede demostrar que LMS minimiza
el residuo cuadrado esperado, con el mínimo de operaciones (por iteración), pero
requiere un gran número de iteraciones para converger.

Desde un punto de vista estadístico, un requisito implícito para que funcione el

método de mínimos cuadrados es que los errores de cada medida estén distribuidos de
forma aleatoria. El teorema de Gauss-Márkov prueba que los estimadores mínimos
cuadráticos carecen de sesgo y que el muestreo de datos no tiene que ajustarse, por
ejemplo, a una distribución normal. También es importante que los datos recogidos estén
bien escogidos, para que permitan visibilidad en las variables que han de ser resueltas
(para dar más peso a un dato en particular, véase mínimos cuadrados ponderados).
La técnica de mínimos cuadrados se usa comúnmente en el ajuste de curvas.

Muchos otros problemas de optimización pueden expresarse también en forma de
mínimos cuadrados, minimizando la energía o maximizando la entropía.
Formulación dimensional de los problemas

Supóngase el conjunto de puntos (xk,yk), siendo . Sea fj(x),
con una base de m funciones linealmente independientes. Queremos
encontrar una función combinación lineal de las funciones base tal que ,
esto es:
Se trata de hallar los m coeficientes cj que hagan que la

función aproximante f(x) sea la mejor aproximación a los puntos (xk,yk). El criterio de
mejor aproximación puede variar, pero en general se basa en aquél que dé un menor
error en la aproximación. El error en un punto (xk,yk) se podría definir como:
La aproximación mínimo cuadrada se basa en la minimización del error cuadrático

medio, o, equivalentemente, en la minimización del radicando de dicho error, el llamado
error cuadrático, definido como:

Para alcanzar este objetivo, suponemos que la función f es de una forma particular
que contenga algunos parámetros que necesitamos determinar. Por ejemplo,
supongamos que es cuadrática, lo que quiere decir que , donde
no conocemos aún , y . Ahora buscamos los valores de , y que minimicen la suma
de los cuadrados de los residuos (S):
Esto explica el nombre de mínimos 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 aproximación. Dichas funciones base pueden ser cualesquiera funciones, y para ese
caso se deduce a continuación la fórmula general en el caso de que la aproximación sea
discreta y lineal.
La aproximación de mínimos cuadrados es la mejor aproximación al conjunto de

puntos (xk,yk), según el criterio del error cuadrático medio. Es posible generar otro tipo de
aproximaciones si se toman los errores máximos o medios, pero la dificultad que entraña
operar con ellos debido al valor absoluto de su expresión hace que apenas se usen.
La aproximación mínimo cuadrado tiene solución general para el caso de un

problema de aproximación lineal en sus coeficientes cj cualesquiera sean las funciones
base fj(x) antes expuestas. Por lineal se entiende f(x) es una combinación lineal de dichas
funciones base. Para hallar la expresión de la fórmula general, es posible o bien minimizar
el error cuadrático arriba expuesto, para lo cual se haría uso del cálculo multivariable (se
trataría de un problema de optimización en cj), o alternativamente hacer uso del álgebra
lineal en la llamada deducción geométrica. Para los Modelos estáticos uniecuacionales, el
método de mínimos cuadrados no ha sido superado, a pesar de diversos intentos para
ello, desde principios del Siglo XIX. Se puede demostrar que, en su género, es el que
proporciona la mejor aproximación.
Deducción analítica de la aproximación discreta mínimo cuadrática lineal
Sean n pares con abscisas distintas, y sean m funciones

cualesquiera linealmente independientes , que se llamarán funciones base.

Se desea encontrar una función f(x) combinación lineal de dichas funciones base, tomando

por ello la forma:
Ello equivale por tanto a hallar los m coeficientes . En concreto, se desea que
tal función f(x) sea la mejor aproximación a los n pares empleando el criterio
de mínimo error cuadrático medio de la función f(x) con respecto a los puntos .
El error cuadrático medio será para tal caso:
Minimizar el error cuadrático medio es equivalente a minimizar el error cuadrático,

definido como el radicando del error cuadrático medio, esto es:
Así, los cj que minimizan Ecm también minimizan Ec, y podrán ser calculados

derivando e igualando a cero este último:
Siendo i=1,2, . . .,m.
Se obtiene un sistema de m ecuaciones con m incógnitas, que recibe el nombre

de "Ecuaciones Normales de Gauss". Operando con ellas:

Si se desarrolla el sumatorio, se visualiza la ecuación "i" del sistema de ecuaciones

normales:
En forma matricial, se obtiene que:
Siendo (a,b)d el producto escalar discreto, definido para dos funciones dadas h(x) y g(x)
como:
y para una función h(x) y vector cualquiera u, como:
La resolución de dicho sistema permite obtener, para el saber de ellos para

cualquier base de funciones derivables localmente, la mejor aproximación mínimo
cuadrática f(x) al conjunto de puntos antes mencionado. La solución es óptima –esto es,
proporciona la mejor aproximación siguiendo el criterio de mínimo error cuadrático–,
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 , entonces
tendría que cumplirse que:

En forma matricial, ello se expresaría:
Esto establece un sistema de n ecuaciones y m incógnitas, y como en general n>m,

quedaría sobre determinado: no tendría solución general. Por tanto, la aproximación
tratará 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 término
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 solución al sistema:
que son las ecuaciones normales de Gauss.
Deducción geométrica del problema discreto

La mejor aproximación deberá tender a interpolar la función de la que proviene el
conjunto de pares (xk,yk), esto es, deberá tender a pasar exactamente por todos los
puntos. Eso supone que se debería cumplir que:
Sustituyendo f(x) por su expresión:

Esto es, se tendría que verificar exactamente un sistema de n ecuaciones y m

incógnitas, pero como en general n>m, dicho sistema está sobre determinado, no tiene
solución general. De ahí surge la necesidad de aproximarlo.
Dicho sistema podría expresarse en forma matricial como:
Esto es:
La aproximación 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 mínimo error cuadrático supone minimizar el residuo,

definiendo su tamaño en base a la norma euclídea o usual del residuo, que equivale al
error cuadrático:
siendo (r,r)2 el producto interior o escalar del vector residuo sobre sí mismo.

Si atendemos al sistema Ac = b, entonces se ve claramente que al multiplicar A y c,
lo que se realiza es una combinación lineal de las columnas de A:
El problema de aproximación será hallar aquella combinación lineal de columnas

de A lo más cercana posible al vector b. Se comprueba que el conjunto de las columnas de

A engendran un Span lineal: span(A1,A2,...,Am), al que el vector b no tiene porqué

pertenecer (si lo hiciera, el sistema Ac=b tendría solución).
Entonces, de los infinitos vectores del span(A1,A2,...,Am) que son combinación lineal

de los vectores de la base, se tratará de hallar el más cercano al vector b.
De entre todos ellos, el que cumple esto con respecto a la norma euclídea es la
proyección ortogonal del b sobre span(A1,A2,...,Am), y que por tanto hace que el tamaño
del vector r, que será el vector que una los extremos de los vectores b y proyección
ortogonal de b sobre el span, sea mínimo, esto es, que minimiza su norma euclídea.
Es inmediato ver que si el residuo une b con su proyección 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 condición de minimización del residuo será:
Esto solo es cierto si:
A su vez, cada una de las m condiciones de perpendicularidad se puede agrupar en una

sola:
Sustituyendo el residuo por su expresión:
Por tanto, la mejor aproximación mínimo cuadrada lineal para un conjunto de

puntos discretos, sean cuales sean las funciones base, se obtiene al resolver el sistema
cuadrado:
.
A esta ecuación se le llama ecuación normal de Gauss, y es válida para cualquier
conjunto de funciones base. Si estas son la unidad y la función x, entonces la aproximación
se llama regresión lineal.
En el análisis de regresión, se sustituye la relación
por

siendo el término de perturbación ε una variable aleatoria con media cero. Obśervese que

estamos asumiendo que los valores x son exactos, y que todos los errores están en los
valores y. De nuevo, distinguimos entre regresión lineal, en cuyo caso la función f es lineal
para los parámetros a ser determinados (ej., f(x) = ax2 + bx + c), y regresión no lineal.
Como antes, la regresión lineal es mucho más sencilla que la no lineal. (Es tentador pensar
que la razón del nombre regresión lineal es que la gráfica de la función f(x) = ax + b es una
línea. Ajustar una curva f(x) = ax2 + bx + c, estimando a, b y c por mínimos cuadrados es un
ejemplo de regresión lineal porque el vector de estimadores mínimos cuadráticos
de a, b y c es una transformación lineal del vector cuyos componentes son f(xi) + εi).
Los parámetros (a, b y c en el ejemplo anterior) se estiman con frecuencia

mediante mínimos cuadrados: se toman aquellos valores que minimicen la suma S.
El teorema de Gauss-Márkov establece que los estimadores mínimos cuadráticos son
óptimos en el sentido de que son los estimadores lineales insesgados de menor varianza, y
por tanto de menor error cuadrático medio, si tomamos f(x) = ax + b estandoa y b por
determinar y con los términos de perturbación ε independientes y distribuidos
idénticamente (véase el artículo si desea una explicación más detallada y con condiciones
menos restrictivas sobre los términos de perturbación).
La estimación de mínimos cuadrados para modelos lineales es notoria por su falta

de robustez frente a valores atípicos (outliers). Si la distribución de los atípicos es
asimétrica, los estimadores pueden estar sesgados. En presencia de cualquier valor
atípico, los estimadores mínimos cuadráticos son ineficientes y pueden serlo en extremo.
Si aparecen valores atípicos en los datos, son más apropiados los métodos de regresión
robusta.
Algunas Ventajas y restricciones del Modelo
Ventajas
 Es objetivo, solo depende de los resultados experimentales.

 Es reproducible, proporciona la misma ecuación, no importando quien realice el
análisis.

 Proporciona una estimación probabilística, de la ecuación que representa unos

datos experimentales.
 Proporciona intervalos pequeños de error.
Restricciones
 Sólo sirve para ajustar modelos lineales.

 Los pronósticos elaborados con este modelo sólo derivan en una tendencia lineal.
 Requiere tener al menos 20 mediciones bajo las mismas circunstancias
experimentales.
 Se requiere de algún equipo de cálculo, de lo contrario es muy engorroso.
Luego de haber definido lo que es un pronóstico y el método de mínimos cuadrados

definiremos nuestro tema que es pronóstico por mínimos cuadrados.
Pronostico por mínimos cuadrados
Esta es otra técnica de tipo cuantitativo que permite el cálculo de los pronósticos para
períodos futuros, para lo cual requiere de registros históricos que sean consistentes,
reales y precisos.
Esta técnica como su nombre lo indica se trata de sacar el total de las desviaciones
elevadas al cuadrado a un valor mínimo: su objetivo es determinar los coeficientes a y b,
que son conocidos como coeficientes de regresión, donde x es la variable independiente
(tiempo), y es la variable dependiente (pronóstico de la demanda).
En la práctica se pueden utilizar dos métodos para calcular los pronósticos a través de
mínimos cuadrados: Fórmula general y Métodos simplificado.
Para aplicar este método en el cálculo de pronósticos de la demanda, se deben tener en

cuenta las siguientes expresiones matemáticas:

FÓRMULA GENERAL
donde:
 n = tamaño de la muestra o el número de períodos

 x = período en el que se desea el pronóstico
 y = el pronóstico
MÉTODO SIMPLIFICADO (PARES Y NONES)

El método simplificado como su nombre lo indica, en la práctica es más simple y se llega al
resultado de forma más rápida. Las expresiones a usar son:
Donde:
 n = tamaño de la muestra o el número de períodos

 x = período en el que se desea el pronóstico
 y = el pronóstico
¿Cuándo será par y cuando será non?

Pares: Debemos entender por pares el numero de períodos expresados de dos en dos (2,
4, 6, 8...)
Nones: Es cuando los períodos considerados en los cálculos son impares (1, 3, 5, 7, 9...)
Ejemplos:
Método general
Ejemplo 1:
Panasonic, empresa internacional en su área de pilas desechables, desea calcular el

pronóstico de ventas para el año 2003, teniendo como antecedentes los datos que se

muestran en la tabla. El cálculo del pronóstico se deberá emitir mediante la fórmula

general y corroborarse con el método simplificado que corresponda.
Ventas
Períodos x xy x^2
(miles)
1990 85 1 85 1
1991 89 2 178 4
1992 92 3 276 9
1993 95 4 380 16
1994 93 5 465 25
1995 98 6 588 36
Σ 552 21 1972 91
Cálculo del pronóstico
x son los períodos desde el primer dato histórico hasta el pronóstico a calcular
Ejemplo 2:
Sabritas S.A de C.V. desea elaborar el pronóstico de ventas para uno de sus productos
en el año 2003 y en torno a éste resultado, se hará la planeación 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.
El cálculo de éste pronóstico se deberá hacer a través de Fórmula General y Método

Simplificado.

Ventas
Períodos x xy x2
(miles)
1987 120 1 120 1
1988 121 2 242 4
1989 117 3 351 9
1990 118 4 472 16
1991 124 5 620 25
1992 125 6 750 36
1993 120 7 840 49
1994 118 8 944 64
1995 130 9 1170 81
å 1093 45 5509 285

Cálculo del pronóstico
Método simplificado
Ejemplo 1:
Vayamos a un ejemplo práctico: Cantidad de años a considerar impar
Supongamos una empresa con información desde el año 1994 a 2004, queriendo
conocer cuál sería la tendencia para el 2005.

En el cuadro siguiente puede verse cómo se armaría la tabla para calcular los totales
en base a los cuales calcularemos a y b.
El coeficiente X, dado que la cantidad de años a analizar “n” es impar (n = 11), se

obtiene de la siguiente forma:
0 para el año que se encuentra exactamente a la mitad, en este caso año 6, es

decir, 1999
Para cada año anterior se resta 1 (uno) y para cada posterior se suma 1 (uno)
Período Año Ventas (y) X Xy x2

U$S x
1000
1 1994 408 -5 -2,040 25
2 1995 701 -4 -2,804 16
3 1996 803 -3 -2,409 9
4 1997 929 -2 -1,858 4
5 1998 230 -1 -230 1
6 1999 1,100 0 0 0
7 2000 1,160 1 1,160 1
8 2001 965 2 1,930 4
9 2002 1,050 3 3,150 9
10 2003 1,118 4 4,472 16
11 2004 720 5 3,600 25
2005
Totales 9,184 0 4,971 110
En función de las fórmulas mencionadas obtendremos.
a = 9,184 / 11 = 834.90 @ 835

b = 4,971 / 110 = 45.19 @ 45
En el año 2005, es decir para y = 6 (coeficiente que le correspondería al año 2005),

las ventas serían:
Y = 835 + 45 x 6 = 1,106
Ejemplo 2:
Vayamos a otro ejemplo práctico: Cantidad de años a considerar par

Supongamos una empresa con información desde el año 1995 a 2004, queriendo
conocer cuál sería la tendencia para el 2005.
En el cuadro siguiente puede verse cómo se armaría la tabla para calcular los totales
en base a los cuales calcularemos a y b.
El coeficiente X, dado que la cantidad de años a analizar “n” es par (n = 10) se obtiene
de la siguiente forma:
En este caso no existe un año medio. El año que corresponde al total de años
dividido dos (2), llevará coeficiente –1 mientras que el que le sigue llevará
coeficiente 1.
El resto de los años, hacia atrás y hacia adelante, llevarán el coeficiente menos
dos o más dos, según corresponda.
Período Año Ventas (y) x xy x2

U$S x 1000
1 1995 701 -9 -6,309 81
2 1996 803 -7 -5,621 49
3 1997 929 -5 -4,645 25
4 1998 230 -3 -690 9
5 1999 1,100 -1 -1,100 1
6 2000 1,160 1 1,160 1
7 2001 965 3 2,895 9
8 2002 1,050 5 5,250 25
9 2003 1,118 7 7,826 49
10 2004 720 9 6,480 81
2005
Totales 8,776 0 5,246 330
a = 9,882 / 11 = 877.6 @ 877
b = 5,246 / 330 = 15.90 @ 16
En el año 2005, es decir para y = 11 (coeficiente que le correspondería al año 2005),

las ventas serían:
Y = 988 + 16 x 11 = 1,052
Ejemplo 3:
Desarrollando el ejemplo de 1.

Panasonic, empresa internacional en su área de pilas desechables, desea calcular el

pronóstico de ventas para el año 2003, teniendo como antecedentes los datos que se
muestran en la tabla. El cálculo del pronóstico se deberá emitir mediante la fórmula
general y corroborarse con el método simplificado que corresponda.
Pares porque el número de períodos es par (6)
Ventas
Períodos x xy x2
(miles)
1990 85 -5 -425 25
1991 89 -3 -267 9
1992 92 -1 -92 1
0 0 0
1993 95 1 95 1
1994 93 3 279 9
1995 98 5 40 25
Σ 552 0 80 70
NOTA: A x se le asignan valore impares porque es un problema par.
*los períodos se cuentan a partir de 1993 con números consecutivos impares de los
asignados a x en un principio hasta llegar a 2003:
96-7 2000-15
97-9 2001-17

98-11 2002-19
99-13 2003-21
Ejemplo 4:
Desarrollando el ejemplo de 2.
Sabritas S.A de C.V. desea elaborar el pronóstico de ventas para uno de sus productos
en el año 2003 y en torno a éste resultado, se hará la planeación 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 número de períodos es impar (9)
Ventas
Períodos x xy x2
(miles)
1987 120 -4 -480 16
1988 121 -3 -363 9
1989 117 -2 -234 4
1990 118 -1 -118 1
1991 124 0 0 0
1992 125 1 125 1
1993 120 2 240 4
1994 118 3 354 9
1995 130 4 520 16
Σ 1093 0 44 60
NOTA: A x se le asignan valores consecutivos

*los períodos se cuentan a partir de 1992 con números consecutivos de los asignados
a x en un principio hasta llegar a 2003:
96-5 2000-9
97-6 2001-10
98-7 2002-11
99-8 2003-12

Conclusiones
 No en todas las tendencias se puede aplicar con fiabilidad el método de mínimos

cuadrados.
 El método de mínimos cuadrados es una técnica de las mejores aceptadas por sus
resultados de fiabilidad en cuanto a la reducción del error derivado del ajuste en
los datos reales respecto de la línea propuesta.
 El método tiende a ser un poco engorroso en su cálculo de forma manual, pero

este se vuelve el ideal cuando existe un ajuste de la tendencia y un programa
mecanizado que nos permita su cálculo.
 Muchas veces el método de mínimos cuadrados es el más aceptado dentro de las

leyes tributarias y económicas de un Estado, al mismo tiempo que es el de mayor
uso dentro de las empresas.

Bibliografía
www.monografias.com/trabajos13/.../placo.shtml
http://henalova.blogspot.es

Minimos Cuadrados Trabajo Presu

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Minimos Cuadrados Trabajo Presu

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD DE EL SALVADOR

FACULTAD DE INGENIERIA Y ARQUITECTURA

ESCUELA DE INGENIERIA INDUSTRIAL UNIV

Ciudad Universitaria, 14 de abril de 2011

universidad de el salvador | Índice

Como sabemos, una descripción matemática de un fenómeno de la vida real, dada

El consumo continuo de un producto en el mercado, el aumento o decremento en

Tomando en cuenta lo anterior se puede hacer una inferencia en la necesidad de

En el caso en particular, se presentan los pronósticos en base al método de los

universidad de el salvador | Objetivos i

Dar a conocer el método de Mínimos Cuadrados como una alternativa para

 Establecer una formación histórica de donde deriva el método.

universidad de el salvador | Objetivos ii

Para hablar de Mínimos Cuadrados, será necesario definir primero algunas

¿Cómo se define el pronóstico?

Es necesario pronosticar cuándo se considera:

 Un entorno altamente incierto.

universidad de el salvador | Bibliografía 1

Según el procedimiento  Cualitativo

¿Cuáles son los antecedentes de los pronósticos?

¿Dónde se utilizan las técnicas de pronósticos en una empresa para determinar la

¿Cuándo una empresa está en condiciones de optimizar?

universidad de el salvador | Bibliografía 2

¿Quién utiliza las técnicas de pronósticos?

¿Cuál es la validez de un pronóstico?

En una Sistema de producción se presentan 2 grupos de problemas

¿Cómo se agrupan las técnicas de pronósticos que utilizan en la actualidad?

Historia del método de mínimos cuadrados

Carl Friedrich Gauss.

El día de Año Nuevo de 1801, el astrónomo italiano Giuseppe Piazzi descubrió el

universidad de el salvador | Bibliografía 3

Definición del método

Su uso básicamente se centra en que permite encontrar la ecuación de una línea

Es decir, que teniendo dichos datos históricos o experimentales, se pueden

En su forma más simple, intenta minimizar la suma de cuadrados de las diferencias

universidad de el salvador | Bibliografía 4

Desde un punto de vista estadístico, un requisito implícito para que funcione el

La técnica de mínimos cuadrados se usa comúnmente en el ajuste de curvas.

Formulación dimensional de los problemas

Se trata de hallar los m coeficientes cj que hagan que la

La aproximación mínimo cuadrada se basa en la minimización del error cuadrático

universidad de el salvador | Bibliografía 5

La aproximación de mínimos cuadrados es la mejor aproximación al conjunto de

La aproximación mínimo cuadrado tiene solución general para el caso de un

Deducción analítica de la aproximación discreta mínimo cuadrática lineal

Sean n pares con abscisas distintas, y sean m funciones

universidad de el salvador | Bibliografía 6

Se desea encontrar una función f(x) combinación lineal de dichas funciones base, tomando

El error cuadrático medio será para tal caso:

Minimizar el error cuadrático medio es equivalente a minimizar el error cuadrático,

Así, los cj que minimizan Ecm también minimizan Ec, y podrán ser calculados

Siendo i=1,2, . . .,m.

Se obtiene un sistema de m ecuaciones con m incógnitas, que recibe el nombre

universidad de el salvador | Bibliografía 7

Si se desarrolla el sumatorio, se visualiza la ecuación "i" del sistema de ecuaciones

En forma matricial, se obtiene que:

y para una función h(x) y vector cualquiera u, como:

La resolución de dicho sistema permite obtener, para el saber de ellos para

universidad de el salvador | Bibliografía 8

En forma matricial, ello se expresaría:

Esto establece un sistema de n ecuaciones y m incógnitas, y como en general n>m,

Se puede demostrar que la matriz de coeficientes de las ecuaciones normales de

que son las ecuaciones normales de Gauss.