Académique Documents
Professionnel Documents
Culture Documents
Estimar los valores de dichos parámetros es sencillo haciendo uso de una planilla Excel
tal como muestra la tabla a continuación:
Luego evaluamos en las ecuaciones presentadas anteriormente para obtener los
valores de β0 y β1:
Notar que con la información que hemos obtenido podemos calcular el MAD y la Señal
de Rastreo y utilizar estos indicadores para validar la conveniencia de utilizar este
procedimiento como dispositivo de pronóstico.
Y(13)=441,71+359,61*13=5.116,64
Y(14)=441,71+359,61*14=5.476,25
Y(15)=441,71+359,61*15=5.835,86
Y(16)=441,71+359,61*16=6.195,47
Si bien el procedimiento anterior es válido puede ser resumido haciendo uso de las
herramientas de análisis de datos de Excel o simplemente realizando un ajuste de
una regresión lineal en un gráfico de dispersión de la misma forma que abordamos
en el artículo sobre el Método de Descomposición. Para ello luego de realizar el
gráfico nos posicionamos en una de las observaciones y luego botón derecho del
mouse para seleccionar “Agregar línea de tendencia…”.
Notar que los valores obtenidos para los parámetros de la regresión son similares salvo
menores diferencias por efecto de aproximación.
Otra opción disponible para ajustar una Regresión Lineal haciendo uso de Excel es a
través del Complemento llamado Herramientas para análisis.
Una vez activada las Herramientas para análisis, se puede encontrar ésta abajo del
complemento Solver en el menú de Datos.
Luego de las opciones disponibles que nos ofrece este complemento seleccionamos
Regresión.
A continuación seleccionamos el Rango Y de entrada las celdas correspondientes a la
variable dependiente (Ventas) y en Rango X de entrada las celdas correspondientes
a la variable independiente (Trimestre).
Finalmente presionamos Aceptar lo que generará una nueva hoja en nuestra planilla
de cálculo.
El modelo de regresión más sencillo es el Modelo de Regresión Lineal Simple que estudia la
relación lineal entre la variable respuesta y la variable regresora ..
Resultados.
Si, para cada valor del consumo de grasas, las demás variables se distribuyen
aleatoriamente, la estimación por RLS es adecuada y la variación "debida" a las otras
variables estaría incluida en la variación aleatoria alrededor de la regresión, pero en
caso contrario la estimación sería incorrecta, si p.e., las costumbres dietéticas variaran
con la edad y ésta influyera en el colesterol, una parte no cuantificada de la variación
del colesterol que el modelo atribuye al consumo de grasas sería "debida" a la edad.
MODELOS ESPECIALES DE PRONOSTICOS
EJERCICIOS.
La firma de control ambiental "Mauricio Galindez" usa suavización exponencial doble
para pronosticar la demanda de un equipo para el control de contaminación, demanda
que aparentemente presenta una tendencia creciente.
Mes Demanda
1 12
2 17
3 ?
Según la experiencia de sus ingenieros de planeación se sugiere unos coeficientes de
alfa = 0,2 y beta 0,4. Suponer que el pronóstico para el mes 1 fue de 11 unidades y la
tendencia durante el mismo período fue de 2 unidades. Con base en lo anterior,
determinar el pronóstico del mes 3.
Solución:
El tercer paso consiste en hallar el pronóstico del período 2, dicho cálculo se efectúa
así:
Ahora procedemos a efectuar los mismos cálculos para el período siguiente, de esta
manera:
Esta señal de rastreo se encuentra dentro de los límites aceptables de control del
pronóstico, su rango de comportamiento se desplaza desde - 2,25 hasta + 1,00.