UNIVERSIDAD SAN MARTIN DE PORRES

FACULTAD DE INGENIERIA Y ARQUITECTURA

TRABAJO DE INVESTIGACION DE
OPERACIONES I
ANALISIS DE PRONÓSTICOS
FORECASTING AND LINEAR
REGRESSION

PROFESOR:

José Villanueva Herrera

<LA MOLINA,NOVIEMBRE DEL 2008>

1. Nombres de integrantes del grupo:

Chirinos Centes, Adolfo

Pazo Pineda, Patricia
Tello Huaco, Luis Fernando
Valverde Barrueto, Carlos

2. Sección: 34G

3. Enunciados:
3.1. Pronosticar con un alpha de 1.0 el número de carros que
transitarían en los años 2008 y 2009, si del año 2001 al 2007, según
estadísticas, hubo las cantidades de carros que se detallan a
continuación:

Año Cantidad
2001 1200000
2002 1500000
2003 1850000
2004 1915000
2005 2400000
2006 2750000
2007 2920000

3.2. predecir el valor de y siguiente, si el siguiente valor de x es 40,

según el comportamiento predecesor de las variables en la
siguiente tabla:

X Y
10 1000
15 1220
20 1310
25 1670
30 1845
35 2050
40 N
 USO DEL WINQSB
PRONOSTICOS
USO DEL PROGRAMA “FORECASTING AND LINEAR REGRESSION”

El programa permite hacer pronósticos sobre el comportamiento cuantitativo

de alguna acción.

SERIES DE TIEMPO:

Empezaremos analizando como ejemplo, el número de carros que transitarían

en los años 2008 y 2009, si del año 2001 al 2007, según estadísticas, hubo las
cantidades de carros que se detallan a continuación:

Año Cantidad
2001 1200000
2002 1500000
2003 1850000
2004 1915000
2005 2400000
2006 2750000
2007 2920000

En el programa, entonces, ingresamos dichos datos, ejecutando un problema

nuevo del tipo “Time Series forecasting”

El problema lo llamaremos “Problema 1”, lo medimos en años y los periodos

que nos da el problema son 7. Al pulsar ok, ingresamos los datos en la tabla
que aparece:

Y para resolver, nos vamos a la opción Solve and analyze – Perform

Forecasting.
Como podemos ver, aparecen las siguientes opciones:
• Promedio simple (Simple Average)
• Promedio móvil (Moving Average)
• Promedio móvil ponderado (Weighted Moving Average)
• Promedio móvil con tendencia lineal (Moving Average with Linear
• Trend)
• Suavizado exponencial simple (Single Exponential Smoothing)
• Suavizado exponencial simple con tendencia lineal (Single Exponential
Smoothing with Linear Trend)
• Suavizado exponencial doble (Double Exponential Smoothing)
• Suavizado exponencial doble con tendencia lineal (Double Exponential
Smoothing with Linear Trend)
• Suavizado exponencial adaptado (Adaptive Exponential Smoothing)
• Regresión lineal con tiempos (Linear Regression with Time)
• Algoritmo suma Holt-Winters (Holt-Winters Additive Algorithm)
• Algoritmo multiplicativo Holt-Winters (Holt-Winters Multiplicative
Algorithm).

Seleccionaremos la opción Suavizado exponencial simple (Single Exponential

Smoothing) e indicaremos información adicional para resolver el problema con
este método:
Número de períodos a pronosticar: 2 (2008 y 2009)
Alpha: 1 (Es una constante entre 0 y 1)

Al pulsar ok vemos lo siguiente:

Según la tabla:
Los pronósticos son de 2920 carros para el 2008 así como para el 2009.
También vemos los siguientes indicadores:
• Error del pronóstico acumulado (Cumulative Forecast Error - CFE)
• Desviación media absoluta (Mean Absolute Deviation - MAD)
• Error medio cuadrático (Mean Square Error - MSE)
• Error medio porcentual absoluto (Mean Absolute Percent Error – MAPE)
• Señal de senda (Tracking Signal): Equivale a la división entre CFE y MAD.
• R al cuadrado (R-Square): Coeficiente de determinación.
REGRESIÓN LINEAL:

Ahora haremos un segundo análisis: predecir el valor de y siguiente, si el

siguiente valor de x es 40, según el comportamiento predecesor de las
variables en la siguiente tabla:

X Y
10 1000
15 1220
20 1310
25 1670
30 1845
35 2050
40 N

Entonces, abrimos un nuevo problema y activamos la opción “Linear

Regression”, y colocamos los datos:
Título del problema: Problema 2
Número de factores (variables): 2
Número de observaciones (datos): 6

Al pulsar ok, aparecerá la siguiente tabla, la cual llenaremos con los datos
establecidos:
Entonces nos vamos a Solve and analyze – Perform linear regression. Nos
saldrá la siguiente ventana:

Nosotros tomaremos como variable dependiente al factor 2 (en nuestro caso

Y). Al pulsar ok, obtenemos la siguiente tabla:

Las medias de las variables aparecen en la columna llamada Mean

Media de X = 1515.833
Media de Y = 22.5
Las desviaciones correspondientes están en la columna Standard Deviation:
9,35 para X y 403,34 para Y.
Los valores de a y b de la ecuación de la línea recta están en la columna
Regression Coefficient:
Y = 553,4762 + 42,7714X
La correlación al cuadrado es de 0,9839438.

Para observar el mapa de dispersión y la línea de tendencia simplemente

accederemos al menú Resultados (Results) y seleccionamos Mostrar
regresión lineal (Show Regression Line).
Obtenemos lo siguiente:
Para estimar el valor de Y para un X de 40 deberemos cerrar las ventanas de
resultado y en el menú Resolver y analizar (Solve and Analyze) pulsamos
sobrela última opción que ya está activa. Nos aparece la siguiente ventana:

Pulsamos sobre el botón Entrar valor de la variable independiente (Enter

Value for Independent Variable) e ingresamos 40:
Pulsamos el botón OK en ambas ventanas.
En la primera fila se observa el valor de la predicción para Y (2264,333).
Aplicando un nivel de significancia (dado por el usuario; en este caso 5)
podremos ver el intervalo de predicción (Prediction Interval).
Los demás valores corresponden:
• Intervalos de confianza para la media (Confidence Interval of
Prediction Mean)
• Nivel de significancia (Significance Level – alpha)
• Grados de Libertad (Degree of Freedom)
• Valor crítico de t (t Critical Value).