En esta presentacion podras estudiar como realizar un pronostico con series de tiempo que tienen un componente de tendencia.
los metodos que se utilizaran para hacer este pronostico son: ajuste de linea, curva exponencial, curva potencial y suavizacion exponencial de holt.
3. Objetivos
General
Realizar los pronósticos para una serie de tiempo utilizando el
método de ajuste de rectas
Específicos
Calcular los coeficientes de la curva de ajuste
Calcular el valor de r^2, r^2 ajustado y el error de regresión
Interpretar los resultados
Elaborado por Ing. Oscar Danilo Fuentes Espinoza 3
4. Cuando se usa el método de ajuste de linea?
Cuando tenemos una serie de tiempo que tiene tendencia.
Elaborado por Ing. Oscar Danilo Fuentes Espinoza 4
meses demanda
1 1320
2 1313
3 1323
4 1348
5 1353
6 1366
7 1371
8 1387
9 1396
10 1406
11 1412
12 1447
13 1431
14 1429
15 1440
16 1445
17 1459
18 1469
19 1480
20 1502
21 1508
22 1518
23 1530
24 1560
1150
1200
1250
1300
1350
1400
1450
1500
1550
1600
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
demanda
5. Ajuste de linea recta
Que es?
Este método consta de la determinación de la línea recta que
mejor se ajusta a los datos de demanda. Para esto utilizaremos el
método de mínimos cuadrados, que nos proporciona la recta
para la cual la suma de los cuadrados de las distancias a los
puntos es mínima. Como sabemos, la ecuación de cualquier recta
es como la que sigue:
Elaborado por Ing. Oscar Danilo Fuentes Espinoza 5
6. Ajuste de linea recta
Que es?
Y= a+bx
Las ecuaciones que proporcionan los valores de "a" y "b" de la
recta de mínimos cuadrados, son las siguientes:
Elaborado por Ing. Oscar Danilo Fuentes Espinoza 6
8. Ajuste de linea recta. Ejemplo
Elaborado por Ing. Oscar Danilo Fuentes Espinoza 8
2. Construya la matriz de datos y calcule los datos de a y b
meses (x) demanda (y) x^2 xy
1 1320 1 1320
2 1313 4 2626
3 1323 9 3969
4 1348 16 5392
5 1353 25 6765
6 1366 36 8196
7 1371 49 9597
8 1387 64 11096
9 1396 81 12564
10 1406 100 14060
11 1412 121 15532
12 1447 144 17364
13 1431 169 18603
14 1429 196 20006
15 1440 225 21600
16 1445 256 23120
17 1459 289 24803
18 1469 324 26442
19 1480 361 28120
20 1502 400 30040
21 1508 441 31668
22 1518 484 33396
23 1530 529 35190
24 1560 576 37440
n= 24
Ʃx=300
Ʃy=34213
Ʃx^2=4900
Ʃxy=438909
Por lo tanto
a=1303.29
b=9.77
compruebe
9. Ajuste de linea recta. Ejemplo
Elaborado por Ing. Oscar Danilo Fuentes Espinoza 9
3. Utilizando los coeficientes de la linea recta. Calcule los pronósticos y las siguientes
variaciones
Variación no explicada= (Y pronostico-yreal)^2
Variación total = (yreal-ypromedio)^2
10. Ajuste de linea recta. Ejemplo
Elaborado por Ing. Oscar Danilo Fuentes Espinoza 10
4. Calcule el valor del coeficiente de determinación R^2
11. Ajuste de linea recta. Ejemplo
Elaborado por Ing. Oscar Danilo Fuentes Espinoza 11
5. Calcule el R^2 ajustado
12. Ajuste de linea recta. Ejemplo
Elaborado por Ing. Oscar Danilo Fuentes Espinoza 12
6. Calcule el error estándar de la regresión
14. Ajuste de linea. Curva exponencial
Elaborado por Ing. Oscar Danilo Fuentes Espinoza 14
Que es?
Este método consta del ajuste de una curva exponencial a los datos de
demanda, la cual tiene la siguiente ecuación:
Y=abx
15. Ajuste de linea. Curva exponencial
Elaborado por Ing. Oscar Danilo Fuentes Espinoza 15
Que es?
Como se indica en las Figuras 1.1(a) y 1.1(b), ajustar una curva
exponencial a los datos es equivalente a ajustar una línea recta a estos
mismos datos, pero marcándose en el eje vertical el "log Y" en vez de
"Y". Esto se debe a que si tomamos el algoritmo de "Y" en la ecuación
de la curva exponencial, resulta lo siguiente:
16. Ajuste de linea. Curva exponencial
Elaborado por Ing. Oscar Danilo Fuentes Espinoza 16
Que es?
log Y = log (abx) = log a + X*log b
Si hacemos log a = A y log b = B, tenemos:
logY=A+ B.X
que es obviamente la ecuación de una línea
recta.
17. Ajuste de linea. Curva exponencial
Elaborado por Ing. Oscar Danilo Fuentes Espinoza 17
Que es?
Por lo tanto, podemos marcar "X" en el eje horizontal y “log Y" en el eje
vertical, y ajustar una recta a los datos utilizando el método de los
mínimos cuadrados.
Si observamos la ecuación Y=A+B.X, podemos deducir que las
ecuaciones para calcular "A" v "B" son las siguientes:
18. Ajuste de linea. Curva exponencial
Elaborado por Ing. Oscar Danilo Fuentes Espinoza 18
Que es?
22. Ajuste de linea. Curva potencial.
Elaborado por Ing. Oscar Danilo Fuentes Espinoza 22
Que es?
La curva potencial tiene la siguiente ecuación:
Y=aXb
y tiene las formas que se presentan en las Figuras 1.2(a), 1.2(b)
y 1.2(c), según el valor de la constante "b".
23. Ajuste de linea. Curva potencial.
Elaborado por Ing. Oscar Danilo Fuentes Espinoza 23
24. Ajuste de linea. Curva potencial.
Elaborado por Ing. Oscar Danilo Fuentes Espinoza 24
Si tomamos el logaritmo de "Y" en la ecuación de la curva
potencial, tenemos:
logY = log a + b*log X
que también es la ecuación de una línea recta. Por lo tanto,
podemos usar el método de mínimos cuadrados para ajustar una
línea recta a las variables "logY" y "logX".
Observando la ecuación logY = log a + b*log X y las ecuaciones
anteriores de mínimos cuadrados, vemos que:
25. Ajuste de linea. Curva potencial.
Elaborado por Ing. Oscar Danilo Fuentes Espinoza 25
29. Suavización exponencial de Holt.
Cuando existe una tendencia, el pronostico puede mejorarse haciendo un
ajuste para el mediante el uso de una forma de suavizamiento denominada
Holt, en honor a su creador.
El método de suavización exponencial de dos parámetros de Holt añade un
factor de crecimiento (o de tendencia) a la ecuación de suavización como
una manera de ajustar la tendencia.
En el modelo se usan tres ecuaciones y dos constantes de suavización.
Elaborado por Ing. Oscar Danilo Fuentes Espinoza 29
30. Suavización exponencial de Holt.
Elaborado por Ing. Oscar Danilo Fuentes Espinoza 30
F(t+1)=αXt+(1-α)*(Ft+Tt)
T(t+1)=Ƴ(Ft(t+1)-Ft)+(1-Ƴ)*Tt
H(t+m)=F(t+1)+m*T(t+1)
F(t+1)= valor suavizado para el periodo t+1
α= constante de suavización para el nivel (0<α<1)
α= 2/(n+1)
Xt= valor real presente para el periodo t
Ft valor pronosticado (es decir, suavizado) para el periodo t
T(t+1)= Estimación de la tendencia
Ƴ constante de suavización para la estimación de la tendencia (0<Ƴ<1)
Ƴ 2α
m numero de periodos que quedan por pronosticar
H(t+m) valor pronosticado de Holt para el periodo t+m
33. Bibliografía
De Holanda R (2003). Administración de Operaciones. ITESM.
México
Holton Wilson & Keating Barry. (2007).Pronósticos en los
negocios. McGrawHill. México.
Biopharmaceutical.(Productor).(2015).Suavizamiento
Exponencial con corrección por Tendencia (Modelo Holt).(archivo
de video). Disponible en:
https://www.youtube.com/watch?v=JLcwaFccf68
Elaborado por Ing. Oscar Danilo Fuentes Espinoza 33