Ejemplo 15.

2: Método de mínimos cuadrados

Las ventas de una línea de productos en una empresa durante los 12 trimestres
de los últimos 3 años son las siguientes:

TRISMESTRE VENTAS TRISMESTRE VENTAS

1 600 7 2600
2 1550 8 2900
3 1500 9 3800
4 1500 10 4500
5 2400 11 4000
6 3100 12 4900

La compañía quiere pronosticar cada trimestre del cuarto año; es decir, los
trimestres 13,14,15 y 16.

SOLUCIÓN

La ecuación de los mínimos cuadrados para la regresión lineal es

Y = a + bx

donde
Y = Variable dependiente calculada mediante la ecuación
y = El punto de datos de la variable dependiente real (utilizada abajo)
a = Secante Y
b = Pendiente de la recta
x = Periodo

El método de mínimos cuadrados trata de ajustar la recta a los datos que

minimizan la suma de los cuadrados de la distancia vertical entre cada punto de
datos y el punto correspondiente en la recta. Si se traza una recta a través del
área general de los puntos y la recta es y - Y. La ilustración 15.10 muestra estas
diferencias. La suma de los cuadrados de las diferentes entre los puntos de datos
trazados y los puntos de la recta es

(𝑦1 − 𝑌1 )2 +(𝑦2 − 𝑌2 )2 +. . . +(𝑦12 − 𝑌12 )2

La mejor recta es la que minimiza este total

Recta de la regresión de mínimos cuadrados
Como antes, la ecuación de recta es

Y = a + bx
Anteriormente se determinaron a y b a partir de la gráfica. En el método de
mínimos cuadrados, las ecuaciones para a y b son

𝑎 = 𝑦̅ − 𝑏𝑥̅

∑ 𝑥𝑦 − 𝑛𝑥̅ ∙ 𝑦̅
𝑏 =
∑ 𝑥 2 − 𝑛𝑥̅ 2
donde

a = Secante Y
b = Pendiente de la recta
𝑦̅ = Promedio de todas las y
𝑥̅ = Promedio de todas las x
x = Valor x de cada punto de datos
y = Valor y de cada punto de datos
n = Número de punto de datos
Y = Valor de la variable dependiente calculada con la ecuación de regresión

La ilustración 15.11 muestra estos cálculos realizados para los 12 puntos de datos
en el problema. Observe que la ecuación final para Y presente una secante de
441.6 y una pendiente de 359.6. La pendiente muestra que por cada cada cambio
unitario en X, Y cambia 359.6.
Basándose estrictamente en la ecuación, en la ecuación, los pronósticos para los
periodos 13 a 16 serían

𝑌13 = 441.6 + 359.6(13) = 5116.4

𝑌14 = 441.6 + 359.6(14) = 5476.0
 x y xy x² y² Y
1 600 600 1 360000 801.3
2 1550 3100 4 2402500 1160.9
3 1500 4500 9 2250000 1520.5
4 1500 6000 16 2250000 1880.1
5 2400 12000 25 5760000 2239.7
6 3100 18600 36 9610000 2599.4
7 2600 18200 49 6760000 2959.0
8 2900 23200 64 8410000 3318.6
9 3800 34200 81 14440000 3678.2
10 4500 45000 100 20250000 4037.8
11 4000 44000 121 16000000 4397.4
12 4900 58800 144 24010000 4757.1
78 33350 268200 650 112502500

𝑥̅ = 6.5 b = 359.6153
𝑦̅ =2779.17 a = 441.6666
Por lo tanto, Y = 441.66 + 359.6(13)
𝑆𝑦𝑥 = 363.9

𝑌15 = 441.6 + 359.6(15) = 5835.6

𝑌16 = 441.6 + 359.6(16) = 6195.2
El error estándar del estimado, o la forma en que la recta se adapta a los datos, es
∑𝑛 (𝑦𝑖 − 𝑌𝑖 )2
𝑆𝑦𝑥 = √ 𝑖=𝑙
𝑛−2
El error estándar del estimado se calcula a partir de la segunda y la última
columna de la ilustración 15.11
(600 − 801.3)2 + (1550 − 1160.9)2 +(1500 − 1520.5)2 +. . . +(4900 − 4757.1)2
𝑆𝑦𝑥 = √
10
= 363.9

ILUSTRACIÓN 15.12
EXCEL
EJEMPLO 15.14: Cálculo de la tendencia y el factor estacional a partir de una
recta ajustada a mano

SOLUCIÓN

Se resuelve el problema con sólo ajustar a mano una recta que cruce todos los
puntos de datos y mida la tendencia y la secante de la grafica. Suponga que el
historial de datos es

TRIMESTRE VENTAS TRIMESTRE VENTAS

I-2006 300 I-2007 520
II-2006 200 II-2007 420
III-2006 220 III-2007 400
IV-2006 530 IV-2007 700

Primero, se traza como en la ilustración 15.14 y luego se ajusta visualmente una

recta a través de todos los datos (como es natural, esta recta y la ecuación
resultante están sujetas a la variación). La ecuación para la recta es

𝑇𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎𝑡 = 170 + 55𝑡

La ecuación se deriva de la secante 170 más un aumento de (610-170)/8

periodos. A continuación, puede derivarse un índice estacional comparando los
datos reales con la recta de tendencia como en la ilustración 15.14. El factor
 estacional se desarrolló calculando el promedio de los mismos trimestres de cada
año.

El cálculo del pronosticó para 2008 incluyendo los factores de tendencia y

estacional (FITS) es como sigue:

𝐹𝐼𝑇𝑆1 = 𝑡𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 𝑥 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙

𝐼 − 2008 𝐹𝐼𝑇𝑆9 = [170 + 55(9)]1.25 = 831
𝐼𝐼 − 2008 𝐹𝐼𝑇𝑆10 = [170 + 55(10)]0.78 = 562
𝐼𝐼𝐼 − 2008 𝐹𝐼𝑇𝑆11 = [170 + 55(11)]0.69 = 535
𝐼𝑉 − 2008 𝐹𝐼𝑇𝑆12 = [170 + 55(12)]1.25 = 1038

ILUSTRACIÓN 15.15
Demanda descontadas las variaciones de temporada
PROMEDIO
DEL MISMO DEMANDA
DEMANDA TRIMESTRE FACTOR NO
PERIODO TRIMESTRE REAL CADA AÑO ESTACIONAL ESTACIONAL X² X•Yd
1 I 600 2266,7 0,8156 735,6 1 735,6
2 II 1550 3050,0 1,0975 1412,3 4 2824,6
3 III 1500 2700,0 0,9716 1543,9 9 4631,7
4 IV 1500 3100,0 1,1155 1344,7 16 5378,7
5 I 2400 0,8156 2942,5 25 14712,4
6 II 3100 1,0975 2824,6 36 16947,3
7 III 2600 0,9716 2676,1 49 18732,5
8 IV 2900 1,1155 2599,7 64 20797,7
9 I 3800 0,8156 4658,9 81 41930,2
10 II 4500 1,0975 4100,2 100 41001,6
11 III 4000 0,9716 4117,0 121 45287,4
12 IV 4900 1,1155 4392,6 144 52711,4
78 33350 12,00 33348,00 650 265691,1

78
𝑋̅ = = 6.5
12
∑ 𝑥𝑦𝑑 − 𝑛𝑥𝑦
̅̅̅𝑑 265691,1 − 12(6,5)2779
𝑏= = = 342.2
∑ 𝑥̅ − 𝑛𝑥̅ 2
2 650 − 12(6,5)²
33348
𝑦̅𝑑 = = 2779
12
𝑎 = 𝑦̅𝑑 − 𝑏𝑥̅ = 2779 − 342.2(6,5) = 554.9

EJEMPLO 15.5: Pronostico con el uso de una relación causal

Carpet City Store en Carpenteria lleva registros anuales de sus ventas (en yardas
cuadradas), además del número de licencias para casas nuevas en esta área.

VENTAS (YARDAS CUADRADAS DE ALGOMBRA)

AÑO PENDIENTES NÚMERO DE
LICENCIAS DE
CONSTRUCCIÓN
1999 18 13000
2000 15 12000
2001 12 11000
2002 10 10000
2003 20 14000
2004 28 16000
2005 35 19000
2006 30 17000
2007 20 13000

El gerente de operaciones de Carpet City cree que es posible pronosticar las

ventas si se conocen los inicios de proyectos habitacionales del año. En primer
lugar, los datos se grafican en la ilustración 15.18, con:

x = Número de licencias de construcción

y = Ventas de alfombras

Como los puntos están sobre una recta, el gerente decide usar la relación lineal Y
= a + bx. Resuelva el problema trazando a mano una recta. También se puede
resolver esta ecuación con la regresión por cuadrados mínimos que se hizo arriba.
SOLUCIÓN
Proyectar la recta trazada a mano hace que toque el eje de las y en unas 7 000
yardas. Esto podría interpretarse como la demanda cuando no se construyen
casas nuevas; es decir, probablemente como sustitución de alfombras viejas. Para
calcular la pendiente, se seleccionan dos puntos, como

AÑO X Y
2002 10 10000
2006 30 17000

La pendiente se calcula algebraicamente como

𝑦(2004) − 𝑦(2000) 17000 − 10000

𝑏= = = 350
𝑥(2004) − 𝑥(2000) 30 − 10

El gerente interpreta la pendiente como el promedio de yardas cuadradas de

alfombra vendidas a cada casa nueva de la zona. Por lo tanto, la ecuación de
pronóstico es

Y = 7 000 + 350x

Ahora supóngase que hay 25 licencias para construir casas en 2008. El pronóstico
de las ventas para 2008 sería:

7 000 + 350(25) = 15 750

En este problema, la demora entre pedir la licencia en la ofi cina correspondiente y

la llegada del nuevo dueño a Carpet City a comprar alfombra es una relación
causal viable para el pronóstico.

EJEMPLO 15.6: Demanda en unidades de una charola para asadora

La tabla siguiente muestra la demanda en unidades de una charola para asadora

en un periodo de 18 meses. (Trate de adivinar cuál sería la demanda para Julio,
Agosto y Septiembre de este año y compare su conjetura con los datos reales
presentados después)

Año Pasado Este Año Año Pasado

Enero 6 72 Julio 167
Febrero 212 90 Agosto 159
Marzo 378 108 Septiembre 201
Abril 129 134 Octubre 153
Mayo 163 92 Noviembre 76
Junio 96 137 Diciembre 30
SOLUCIÓN

Por brevedad, aquí se aplican sólo dos reglas para demostrar el método: 1 y 5. En
la práctica, se usarían todas.
Mediante pronósticos enfocado, primero se prueba la regla 1: lo que se haya
vendido en los 3 últimos meses será probablemente lo que se venda en los 3
meses siguientes (se usan indistintamente los términos demanda y ventas,
suponiendo que las demandas culminan en ventas reales). Primero se prueba esta
regla con los 3 meses pasados:

Pronóstico (abril, mayo, junio) = Demanda (enero + febrero + marzo)

=72 + 90 + 108 = 270

Como lo que ocurrió en la realidad fue 363 (134 + 92 + 137), el pronóstico fue
270/364 = 74 por ciento. En otras palabras, fue 26 por ciento bajo.
Pruébese otra regla, como la 5: cualquiera que haya sido el cambio porcentual de
los últimos tres meses de este año en comparación con los mismos tres meses del
año pasado, será probablemente el mismo cambio porcentual que se tendrá en los
siguientes tres mese del año.
Pronóstico (Abril + mayo + junio)

𝐷𝑒𝑚𝑎𝑛𝑑𝑎 (𝑒𝑛𝑒𝑟𝑜 +𝑓𝑒𝑏𝑟𝑒𝑟𝑜 +𝑚𝑎𝑟𝑧𝑜)𝑒𝑠𝑡𝑒 𝑎ñ𝑜

=𝐷𝑒𝑚𝑎𝑛𝑑𝑎 (𝑒𝑛𝑒𝑟𝑜 +𝑓𝑒𝑏𝑟𝑒𝑟𝑜 +𝑚𝑎𝑟𝑧𝑜) 𝑎ñ𝑜 𝑝𝑎𝑠𝑎𝑑𝑜
𝑥 𝐷𝑒𝑚𝑎𝑛𝑑𝑎(𝑎𝑏𝑟𝑖𝑙 + 𝑚𝑎𝑦𝑜 + 𝑗𝑢𝑛𝑖𝑜)𝑎ñ𝑜 𝑝𝑎𝑠𝑎𝑑𝑜
72 + 90 + 108
= 𝑥 (129 + 163 + 96)
6 + 212 + 378
270
= 𝑥(388) = 175.77
596

Lo que ocurrió en realidad durante abril, mayo y junio fue de 363, así que el
pronóstico fue 175/363 o sólo 48 por ciento de la demanda real.
Como la regla 1 fue la mejor para pronosticar los 3 meses pasados, se usa esa
regla para predecir julio, aposto y septiembre de este año. La regla 1 dice que lo
que se haya vendido en los 3 últimos meses será probablemente lo que se venda
en los 3 mese siguientes.

Pronóstico (junio+agosto+septiembre) = Demanda (abril+mayo+junio)

= 134+92+137 = 363

La demanda actual del periodo fue de 357, como se ve en la tabla, lo que muestra
la historia completa de la demanda de este año y sirve como base para hacer una
comparación.

Año Este Año Año Este Año

Pasado Pasado
Enero 6 72 Julio 167 120
 Febrero 212 90 Agosto 159 151
Marzo 378 108 Septiembre 201 86
Abril 129 134 Octubre 153 113
Mayo 163 92 Noviembre 76 97
Junio 96 137 Diciembre 30 40

EJERCICIOS

9. No todos los artículos de su tienda de artículos de papelería están distribuidos

uniformemente en lo que concierne a la demanda, así que usted decide
pronosticar la demanda para planear su surtido. Los datos pasados de libretas de
cuentas usuales, para el mes de agosto, son los siguientes:

Demanda
Semana 1 300
Semana 2 400
Semana 3 600
Semana 4 700

a) Con un promedio móvil de tres semanas, ¿cuál sería su pronóstico para la

semana entrante?

Respuesta:
𝐴 +𝐴 𝐴𝑡−𝑛
Formula: Promedio Móvil Simple: 𝐹𝑡 = 𝑡−1 𝑡−2+⋯+𝑛
300 + 400 + 600
𝐹4 = = 433 𝑝𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑎𝑑𝑜𝑠 𝑝𝑎𝑟𝑎 𝑙𝑎 𝑠𝑒𝑚𝑎𝑛𝑎 4
3
b) Con suavización exponencial con α = 0.20, si el pronóstico exponencial de la
semana 3 se calculó como el promedio de las dos primeras semanas [(300 +
400)/2 = 350], ¿cuál sería su pronóstico para la semana 5?

Respuesta:
Formula: Suavización Exponencial Simple: 𝐹𝑡 = 𝐹𝑡−1 +∝ (𝐴𝑡−1 − 𝐹𝑡−1 )
𝐹4 = 350 + 0.20(600 − 350) = 400
𝐹5 = 400 + 0.20(700 − 400) = 460
Para la semana 5 se pronostica un total de 460 artículos.

11. A continuación se da la demanda tabulada actual de un artículo durante un

periodo de nueve meses (de enero a septiembre). Su supervisor quiere probar dos
métodos de prueba para ver cuál resultó mejor en el periodo.

Mes Demanda
Real
Enero 110
Febrero 130
 Marzo 150
Abril 170
Mayo 160
Junio 180
Julio 140
Agosto 130
Septiembre 140

a) Pronostique de abril a septiembre con un promedio móvil a tres meses.

Respuesta:
𝐴𝑡−1 +𝐴𝑡−2+⋯+ 𝐴𝑡−𝑛
Formula: Promedio Móvil Simple: 𝐹𝑡 =
𝑛
Mes Real 3 Meses
Enero 110 -
Febrero 130 -
Marzo 150 -
Abril 170 130
Mayo 160 150
Junio 180 160
Julio 140 170
Agosto 130 160
Septiembre 140 150

b) Mediante suavización exponencial simple con una alfa de 0.3, calcule de abril a
septiembre.

Respuesta:
Formula: Suavización Exponencial Simple: 𝐹𝑡 = 𝐹𝑡−1 +∝ (𝐴𝑡−1 − 𝐹𝑡−1 )
Mes Real 3 Meses Pronostico
S.E.S.
Enero 110 -
Febrero 130 -
Marzo 150 -
Abril 170 130 45
Mayo 160 150 142
Junio 180 160 153
Julio 140 170 166
Agosto 130 160 161
Septiembre 140 150 151

c) Use la MAD para decidir qué método produjo el mejor pronóstico en el periodo
de seis meses.

Respuesta:
1.- Promedio Móvil Simple
Mes Demanda Demanda Desviación Desviación Desviación
Real Pronosticada Real Acumulada Absoluta
Abril 170 130 40 40 40
Mayo 160 150 10 50 10
Junio 180 160 20 70 20
Julio 140 170 -30 40 30
Agosto 130 160 -30 10 30
Septiembre 140 150 -10 0 10
140
MAD= 140/6= 23

2.- Suavización Exponencial Simple

Mes Demanda Demanda Desviación Desviación Desviación
Real Pronosticada Real Acumulada Absoluta
Abril 170 45 125 125 125
Mayo 160 142 18 143 18
Junio 180 153 27 170 27
Julio 140 166 -26 144 26
Agosto 130 161 -31 113 31
Septiembre 140 151 -11 102 11
238
MAD=238/6=40
El mejor pronostico para los 6 meses siguiente es con Promedio Móvil Simple.

13. Harlen Industries tiene un modelo de pronóstico simple: se toma la demanda

real del mismo mes del año anterior y se divide entre el número fraccional de
semanas de ese mes. Esto da una demanda semanal promedio para el mes. El
promedio de esta semana se usa como pronóstico semanal del mismo mes este
año.
La técnica se usó para pronosticar ocho semanas de este año, que se muestran a
continuación junto con la demanda real. Las siguientes ocho semanas muestran el
pronóstico (basado en el año pasado) y la demanda real:

Semana Demanda Pronosticada Demanda Real

1 140 137
2 140 133
3 140 150
4 140 160
5 140 180
6 150 170
7 150 185
8 150 205

a) Calcule la MAD de los errores de pronóstico.

Respuesta:
Semana Demanda Demanda Desviació Desviació Desviación
Real Pronosticad n Real n Absoluta
a Acumulad
a (RSFE)
1 137 140 -3 -3 3
2 133 140 -7 -10 7
3 150 140 10 0 10
4 160 140 20 20 20
5 180 140 40 60 40
6 170 150 20 80 20
7 185 150 35 115 35
8 205 150 55 170 55
190
MAD= 190/8=24

b) Con RSFE, calcule la señal de seguimiento.

Respuesta:
RSFE= 170

c) Basándose en sus respuestas de a) y b), comente el método de pronóstico de

Harlen.

Respuesta:
En Pronostico que utilizo Harlen tiene una señal de seguimiento de 7.1 MAD
(RSFE/MAD:170/24) esto nos advierte que la Realidad supero por exceso al
Pronostico realizado.