MODELOS DE PRONOSTICOS SIMPLES.

A. Regresión Lineal (Pronóstico de Demanda).

El Método de Mínimos Cuadrados o Regresión Lineal se utiliza tanto para

pronósticos de series de tiempo como para pronósticos de relaciones causales. En
particular cuando la variable dependiente cambia como resultado del tiempo se trata
de un análisis de serie temporal.

En el siguiente artículo desarrollaremos un Pronóstico de Demanda haciendo uso de

la información histórica de venta de un producto determinado durante los últimos 12
trimestres (3 años) cuyos datos se observan en la siguiente tabla resumen:

La ecuación de mínimos cuadrados para la regresión lineal es la que se muestra a

continuación donde β0 y β1 son los parámetros de intercepto y pendiente,
respectivamente:

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:

Una vez obtenido los parámetros de la regresión lineal se puede desarrollar un

pronóstico de demanda (columna color naranja) evaluando en la ecuación de la
regresión para los distintos valores de la variable independiente (x).

Por ejemplo, para el primer trimestre el pronóstico es: Y(1)=441,71+359,61*1=801,3

Observación: los valores de los pronósticos han sido redondeados arbitrariamente a

un decimal para mayor comodidad.

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.

Adicionalmente puede resultar de interés consultar el artículo Ejemplo de una

Regresión Lineal Múltiple para un Pronóstico con Excel y Minitab que muestra
cómo abordar el caso de realizar una regresión lineal con más de una variable
independiente (explicativa).

Siguiendo con nuestro análisis a continuación podemos desarrollar un pronóstico de

demanda para los próximos 4 trimestres (un año) que corresponden a los trimestres 13,
14, 15 y 16:

 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…”.

Luego en la interfaz de Excel activamos las opciones “Presentar ecuación en el

gráfico” y “Presentar el valor R cuadrado en el gráfico” (este último indicador según
se aborda en los cursos de estadística consiste en una medida de la bondad de ajuste
de la regresión).

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.

Su activación es simple: en el menú Archivo (esquina superior izquierda en Excel) ir a

Opciones, luego Complementos, a continuación, a la derecha de donde dice
Complementos de Excel presionar Ir… y luego activar la 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).

Debemos activar adicionalmente la casilla Residuos si deseamos obtener un

pronóstico para las ventas del Trimestre 1 al Trimestre 12 (junto al cálculo del error o
residuo de la estimación).

Finalmente presionamos Aceptar lo que generará una nueva hoja en nuestra planilla
de cálculo.

Un extracto de los resultados es el que se presenta a continuación, donde en color

celeste se destaca los coeficientes asociados a los parámetros de la regresión
lineal β0 y β1, respectivamente, y en color naranjo el pronóstico obtenido para cada
uno de los doce trimestres al utilizar la ecuación de la regresión.

Por ejemplo: Y(1)=441,67+359,61*1=801,28. El residuo o error correspondiente para

dicho período (Trimestre 1) es: .
B. MODELO DE REGRESIÓN SIMPLE.

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 ..

Los datos de la producción de trigo en toneladas (X) y el precio del kilo de

harina en pesetas (Y ) en la década de los 80 en España fueron:

Ajusta la recta de regresión por el método de mínimos cuadrados.

Resultados:

La recta de regresión es:

Gráfica:
Calcular la varianza residual en el ejercicio:

Resultados.

Calcula un intervalo de confianza al 95% para la pendiente de la recta de

regresión obtenida

Contrasta la hipótesis de que el precio de la harina depende linealmente de

la producción de trigo, usando un nivel de significación de 0.05.
Como el intervalo no contiene al cero, rechazamos que β 1 = 0 al nivel 0.05.
De hecho:
Gráfica:
C. MODELO DE REGRESIÓN MÚLTIPLE.

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

A. MÉTODO DE SUAVIZACION EXPONENCIAL SIMPLE.

El método de suavización o suavizamiento exponencial simple puede considerarse

como una evolución del método de promedio móvil ponderado, en éste caso se calcula
el promedio de una serie de tiempo con un mecanismo de autocorrección que busca
ajustar los pronósticos en dirección opuesta a las desviaciones del pasado mediante
una corrección que se ve afectada por un coeficiente de suavización.
El pronóstico de suavización exponencial simple es óptimo para patrones de
demanda aleatorios o nivelados donde se pretende eliminar el impacto de los elementos
irregulares históricos mediante un enfoque en períodos de demanda reciente, este
posee una ventaja sobre el modelo de promedio móvil ponderado ya que no requiere
de una gran cantidad de períodos y de ponderaciones para lograr óptimos resultados.
Siguiendo con el mismo ejemplo de las ventas semanales de nafta (en miles de litro)
utilizando el método de suavizacion exponencial simple con α=0.80 , obtenemos los
resultados del siguiente cuadro:
 B. SUAVIZACIÓN EXPONENCIAL DOBLE: MÉTODO DE HOLT

Cuando se abordan las series de tiempo en algunos casos es identificable que el

comportamiento de un grupo de datos puede arrojar una tendencia clara e información
que permita anticipar movimientos futuros.

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 primer paso consiste en hallar el Suavizamiento exponencial del período 2, dicho

cálculo se efectúa así:

El segundo paso consiste en hallar el estimado de la tendencia, dicho cálculo se efectúa

así:

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:

Podemos así determinar que el pronóstico de ventas para el período 3 es equivalente

a 17,28, al tratarse de unidades enteras se hace necesario redondear, y es decisión del
encargado de planeación determinar si lo hace por exceso o por defecto.
 CONTROL DEL PRONOSTICO.
Uno de los puntos clave del desarrollo del proceso de pronósticos consiste en
monitorear el modelo, por ende se debe acudir casi a indicadores en tiempo real
respecto a las desviaciones de la previsión, es decir, el control del pronóstico es un
trabajo tan dinámico como lo es el comportamiento de la demanda. También debe
efectuarse al momento de selección del mismo, comparando los indicadores de
desviación de varias metodologías de previsión en la etapa de evaluación de
alternativas del proceso de desarrollo del modelo.
Ejercicio.
En el siguiente ejemplo se mostrará el pronóstico efectuado para los 6 primeros meses
del 2014 en un negocio dedicado a la venta de hamburguesas, junto con las ventas
reales en dichos períodos, además se muestra el resultado del cálculo de los errores:

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.