Promedios Móviles

Utiliza el promedio de los valores de los n datos más recientes en la serie de tiempo como el pronóstico para el siguiente periodo, expresado en forma matemática. El término móvil indica que, conforme se dispone de nuevas observaciones para la serie de tiempo, se reemplaza la observación más antigua en la ecuación y se calcula un nuevo promedio.


Sea la siguiente tabla:

1 2 3 4 5 6 7 8 9 10 11 12

Venta (En Millones de pesos) 17 21 19 23 18 16 20 20 22 20 15 22

Al usar los promedios móviles para pronosticar las ventas de gasolina, primero debemos seleccionar la cantidad de valores de datos que se incluirán en el promedio móvil de tres semanas.

Representamos gráficamente el conjunto de datos de la tabla y queda cómo: El cálculo del promedio móvil 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 Venta (En Millones de pesos) 17 21 19 23 18 16 20 18 22 20 15 22 Promedio móvil con tres períodos 19 21 20 19 18 18 20 20 19 .

pues evidentemente deseamos que los errores de pronóstico sean pequeños. las últimas dos columnas de la siguiente tabla.Una consideración importante al seleccionar un método de pronóstico es la precisión del pronóstico. En la tabla siguiente. contienen los errores de pronóstico y los errores de pronóstico al cuadrado (23 – 19 = 4 y este al cuadrado = 16) 1 2 3 4 5 6 7 8 9 10 11 12 Venta (En Millones de pesos) 17 21 19 23 18 16 20 18 22 20 15 22 Promedio móvil con tres períodos 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 .

Ejemplo: Utilizando el método de los mínimos cuadrados. 2) La sumatoria de los cuadrados de todas las desviaciones verticales es mínima. simplemente designando el centro de tiempo del período como X = 0 y teniendo un número igual de períodos positivos y negativos en cada extremo. ∑ ∑ ∑ ∑ ∑ Si se codifican los datos. El resultado es la mejor línea de ajuste y tiene las siguientes propiedades: 1) Las desviaciones de todas las distancias verticales es cero. de modo que ∑ anteriores se cancelan y entonces: ∑ ∑ los dos términos en las ecuaciones ∑ La codificación se logra fácilmente con datos de series de tiempo. 3) La línea va a través de las medias . los que hace que la suma total en X sea Cero. En ecuaciones lineales. la mejor línea de ajuste se obtiene con la solución simultánea de a y b de las dos siguientes ecuaciones normales. desarrollar la ecuación lineal de tendencia con los datos de la tabla siguiente: .Técnica de los mínimos cuadrados: Es una técnica para ajustar una tendencia por medio de datos puntuales.

3 toneladas. b) Determinar el valor pronosticado para el año 16.3 + 1.6 *( 10 ) = 26. La regresión lineal simple expresa la relación entre una variable dependiente Y y una variable independiente X. en términos de la pendiente y la intersección de la línea que mejor se ajuste a las variables. Desarrollo: a) ∑ y ∑ ∑ La ecuación de pronóstico queda de la forma: Considerando que el Año 6  X= 0 b) El año 16 corresponde a X = 10. cuantifican la relación estadística entre dos o más variables. por lo tanto para ese año. Métodos de regresión y correlación: Las técnicas de regresión y correlación. La correlación simple expresa el grado o la cercanía de la relación entre las dos variables en términos de un coeficiente . la proyección queda dada por: Y = 10.Años 1 2 3 4 5 6 7 8 9 10 11 Suma total: X: Años Codificados -5 -4 -3 -2 -1 0 1 2 3 4 5 0 Y: Embarques (Toneladas) 2 3 6 10 8 7 12 14 14 18 19 113 X*Y -10 -12 -18 -20 -8 0 12 28 42 72 95 181 X2 25 16 9 4 1 0 1 4 9 16 25 110 a) Establecer la ecuación completa.

Ni la regresión. se determinan como: ̅ ∑ e ̅ ∑ n: número de pares de observaciones realizadas. b) Suponiendo que existe una relación lineal. se obtienen utilizando las ecuaciones normales escritas de la forma: ∑ ∑ ̅ ̅ ̅ y ̅ ̅ Las medias de ̅ ̅ . En una muestra aleatoria de 10 casas se obtuvo la siguiente información: a) Elabora el diagrama de dispersión.. ni la correlación dan pruebas de la relación causa-efecto. Regresión lineal simple: El modelo de regresión lineal simple. determina los parámetros ‟a” y ‟b‟ de la recta de regresión e interpreta su significado: . toma la forma: Yc = a + b* X.de correlación que proporciona una medida indirecta de la variabilidad de los puntos alrededor de la mejor línea de ajuste. y la intersección a. donde Yc . 1. Los valores de la pendiente b.La empresa paraíso analiza la relación entre el consumo de energía (en KWH) y el número de habitaciones en una residencia privada unifamiliar. es la variable dependiente y X la variable independiente.

.6666667.33333 De los cuales se puede interpretar que “a” nos representa que cuando no hay consumo en las habitaciones del edificio el consumo de energía por otros factores es 1.∑ ∑ ̅ ̅ ̅ Con los datos del problema calculamos los parámetros a y b.33333 ̅ ̅ .3333 kwh. Y el parámetro “b” nos indica que tanto crece el consumo de energía conforme aumenta el número de habitaciones por edificio. es decir solo encendido de luces de calle. Yp = 0. Cálculo del parámetro a: Aplicando la fórmula anterior. También donde se obtiene un valor a= 1.666667*X + 1. de Con los parámetros antes calculados se tiene la ecuación de regresión lineal. se obtiene: b = 0.

Esta recta es una línea de tendencia objetiva. cuya inclinación determina la tendencia del mercado. una por encima y otra por debajo. Cómo antes se mencionó. El canal de regresión lineal es usado para determinar cuándo el precio está sobre-desviado desde el punto de equilibrio representado por la línea de tendencia de regresión lineal. La distancia entre las líneas del canal es de 2 veces la desviación estándar.x de la distribución de probabilidad correspondiente de la variable dependiente Y. La línea superior del canal representa una zona de resistencia mientras que la línea inferior del canal representa una zona de soporte.Desviación Estándar de la Regresión: Una línea de regresión describe la relación entre un valor dado de la variable independiente X y la media µ y. El canal es construido trazando dos líneas paralelas a la línea de tendencia de regresión lineal. es la media de la distribución para un valor dado X. . La línea de tendencia de regresión lineal muestra el punto de equilibrio y el canal de regresión lineal muestra el rango máximo de desviación del precio desde la línea de regresión lineal que puede esperarse. El punto estimado o pronóstico.y es la media de la dispersión de los datos alrededor de la línea de regresión. Los canales de regresión lineal contienen la mayor parte del movimiento del precio. formando el canal de regresión lineal. un cambio en la dirección de la tendencia puede estar próximo. La desviación estándar de la regresión Sx. La línea obtenida representa la aproximación de los datos a una recta que aparece en la mitad exacta de los precios. se sitúan a una distancia equidistante de la línea de tendencia de regresión lineal (una desviación estándar). las líneas del canal. una línea de regresión lineal es una línea dibujada entre dos puntos utilizando el método estadístico de los mínimos cuadrados. Estas dos líneas. ∑ √ ∑ ∑ Canal de regresión lineal: Es una herramienta de análisis técnico basada en el estudio estadístico utilizada para predecir el futuro desde datos pasados. El canal de regresión lineal fue desarrollado por Gilber Raff. llamada línea de tendencia de regresión lineal. El precio puede extenderse fuera del canal por un corto período de tiempo pero si el precio se mantiene fuera del canal por un período de tiempo largo.

para el nivel de confianza especificado. puede ser aproximada utilizando la distribución normal (Z). en reemplazo de la t y la ecuación para el intervalo de predicción queda dada por: Intervalo de predicción = Yc ± Z*SIND . utilizando la expresión: Intervalo de predicción = Yc ± t*SIND √ ̅ ̅ ∑ t: valor de la tabla de distribución t. Para muestras grandes (n>100). la ecuación del intervalo de predicción.com/diccionario/c/3930-canal-de-regresionlineal#ixzz2PsJt16A1 Estimación del intervalo: Se puede establecer una predicción del intervalo.Fuente: Canal de regresión lineal | Definición http://www.efxto. para un valor pronosticado individual de Yc .

es la relación entre X e Y. toma un valor positivo si al aumentar el valor de X. un r de valor cero. r tomará valores negativos. La tabla siguiente. . muestra el valor de r. respecto al grado de correlación existente: La desviación de todos los puntos Y. indica que no existe correlación entre las variables. con el valor recogido de la tabla de distribución t Coeficiente de correlación: El coeficiente de correlación lineal simple r. Se calcula como: y √∑ ̅ El análisis se hace comparando el valor obtenido tcalc . la relación entre dos variables. consiste en la desviación contabilizada por la línea de la regresión (explicada) y la variación aleatoria (no explicada). el valor de Y decrece.Significancia de la pendiente de la línea de regresión: Esta medición muestra que tan estadísticamente significativa. de la línea de regresión Y c. que indica que también describe la ecuación lineal. Finalmente. también lo hace el valor de Y. Si al aumentar X. es un número entre -1 y 1. El coeficiente r.

por ejemplo mayor que 50 pares de datos. ∑ √ ∑ ̅ ̅ Cuando el tamaño de la muestra es lo suficientemente grande. ∑ ̅ ∑ ̅ ∑ El coeficiente de determinación r2 es la razón de la variación explicada a la variación total. puede ser calculado más directamente en base a la ecuación: . ∑ ∑ ̅ ̅ El coeficiente de correlación r es la raíz cuadrada del coeficiente de determinación.Variación total = explicada + no explicada. el valor de r.

Las ventas de un producto en etapa de crecimiento presentan esta característica. la cual no aumenta o disminuye en forma consistente. 3) Estacional: Se relaciona con la influencia de los factores estacionales que impactan en la demanda. trajes de baño. así como los del período de declinación. en forma positiva o negativa. Ejemplo: Ventas de un producto en la etapa de madurez 2) Tendencia: Es el aumento o disminución sostenida de la demanda entre un período y el siguiente.Componentes de la demanda 1) Horizontal La demanda fluctúa alrededor de una demanda promedio. Ejemplo: Artículos de Verano tales cómo Helados. etc… . Ej.

4) Cíclico: Similar al anterior excepto que no ocurre a intervalos regulares. Ejemplo: El impacto de una recesión. . además no tiene una extensión constante.

aumenta exponencialmente conforme los datos son más recientes. Llamada base. ¿Cuándo Usarlos?     Cuando se desea pronosticar un período corto. ya que se dispone permanentemente de nueva información. La base actual se estima tomando la base anterior y sumándole una fracción de la diferencia entre la demanda real y la base anterior. Clasificación de los modelos: Modelo básico de normalización exponencial. el peso asignado a la demanda de un período previo. El objetivo es estimar la base y utilizarla para pronosticar. Las fluctuaciones en la demanda son causadas tanto por el cambio de base como por el ruido aleatorio. Cuando existe poca información externa o de las causas que lo generan. Cuando no se desea invertir mucho esfuerzo. .      Es aplicable cuando no existen componentes de tendencia o estacionalidad. Cuando la actualización es simple.Modelos de normalización exponencial: En estos métodos. La demanda fluctúa entorno a una demanda promedio. Otorga la facilidad de utilizar medios computacionales.

Donde: .90 22.11 21. entonces se debe elegir u valor más grande de α .36 25.73 21.27 22.56 Algunas características y consideraciones:    El valor de α.27 22.90 22.77 25.84 22. Factor de normalización entre 0 y 1.0 22.2 Mes Inicial Enero Febrero Marzo Abril Mayo Junio Julio Dt -19.27 22.11 21. dado que no existen componentes de tendencia o estacionalidad.01 y 0. o sea: Ejemplo: Si α = 0.42 St 23. lo típico es utilizar valores entre 0.0 22.30 En este modelo físico.48 20. permite ponderar la influencia de la demanda real con respecto a la base anterior.27 22. Si las variaciones de la demanda se deben principalmente a la aleatoriedad.56 Ft -23. debe elegirse un valor bajo de α Si las fluctuaciones se deben a una base variable. el pronóstico para el nuevo período es la extrapolación directa de la base actual calculada.45 19.84 22.

Según estas consideraciones. se normaliza esta diferencia aplicando otra constante llamada β. Para minimizar los efectos aleatorios. la tendencia aparece expresada por la diferencia entre . la nueva ecuación es: Dónde: Tt es la tendencia normalizada que se calcula como: Para calcular el próximo periodo. la cual se sostiene durante el tiempo en un valor promedio.Modelo de tendencia lineal o aditiva En estos modelos de normalización. se extrapola añadiendo la tendencia a la base calculada. Y para m períodos Ejemplo: .

81 20.13 Características y consideraciones: El modelo es valioso cuando existe una tendencia y variación aleatoria en los datos.099 0.86 21.164 -Ft --19.36 25.87 20.1 Mes Inicial Enero Febrero Marzo Abril Mayo Junio Julio Dt -19.88 21.072 0.02 21.2 y β = 0.73 21.0.42 -St 20.0 19. .96 -Tt 0 . Se puede calcular la pendiente de la curva obtenida por regresión lineal de los datos.45 19.10 22.Si α = 0.06 21. El proceso de inicialización de este modelo es mejor cuando se dispone de más datos.48 20.77 25. y esta corresponderá a la tendencia inicial o bien se puede comenzar con el valor cero y calcularla a través del período con datos.99 21.98 20.078 0.08 20.084 0.013 0.