TECSUP Gestin de Sistemas de Produccin

Anlisis de Regresin Lineal

La regresin se puede definir como una relacin funcional entre dos o ms

variables correlacionadas. Se utiliza para predecir una variable dada la otra.
La relacin se desarrolla normalmente con base a los datos observados. Estos
se deben representar primero grficamente para ver si parecen lineales o si,
al menos, parte de ellos son lineales.

La regresin lineal se refiere a los tipos especiales de regresin en la cual la

relacin entre la variable forma una lnea recta. La lnea de regresin lineal
tiene la forma:

Y =a + bX
Donde:

Y = Es el valor de la variable dependiente que se est resolviendo.

A = Es la ordenada en el origen de Y
B = Es la inclinacin, y
X = Es la variable independiente. ( En el caso de series de tiempo X es la
unidad de tiempo)

La regresin lineal es til en la proyeccin a largo plazo de las principales

ocurrencias y de le planeacin total. Por ejemplo, la regresin lineal sera de
gran utilidad para proyectar las demandas de familias de productos. Aunque
la demanda de cada uno de los productos de la familia puede variar mucho
durante un periodo de tiempo, la demanda de la totalidad de la familia de
productos es sorprendentemente uniforme.

La restriccin principal para el uso de la proyeccin de regresin lineal es,

como su nombre lo indica, que los datos anteriores y las proyecciones futuras
se asumen que recaen en una lnea recta. Aunque esto limita su aplicacin, si
se emplea en un periodo de tiempo ms corto, el anlisis de regresin lineal,
algunas veces puede ser utilizado. Por ejemplo, pueden existir segmentos
cortos del periodo ms largo que son ms o menos lineales.

La regresin lineal se utiliza tanto para la proyeccin de la serie de tiempos

como para la proyeccin de relacin casual. Cuando la variable dependiente
(normalmente el eje vertical de la grfica) cambia como resultado del tiempo
(representado como el eje horizontal) se trata del anlisis de la serie de
tiempos. Si una variable cambia debida a la variacin de otra variable, se
trata de una relacin casual (como, por ejemplo, el nmero de muertes por
cncer pulmonar se incrementa por el nmero de las personas que fuman).

El ejemplo siguiente lo usaremos para comparar los modelos de proyeccin y

los tipos de anlisis. Ahora se utiliza para ajustar manualmente una lnea,
para el anlisis de los mnimos cuadrados y para un ejemplo de
descomposicin.

Ejemplo: Ajuste manual a una lnea de tendencia.

13
Gestin de Sistemas de Produccin TECSUP

Las ventas de una lnea de productos para una firma, durante 12 trimestres
de los ltimos tres aos, fueron las siguientes:

Trimestre Ventas Trimestre Ventas

1 600 7 2 600
2 1 550 8 2 900
3 1 500 9 3 800
4 1 500 10 4 500
5 2 400 11 4 000
6 3 100 12 4 900

La firma desea proyectar cada trimestre del cuarto ao, esto es los trimestre
13, 14, 15 y 16. Los datos representa se representan en una curva ajustada
manualmente y se utiliza simplemente la vista.

Solucin:

El procedimiento es bastante sencillo. Se coloca una regla (una regla de

plstico transparente sera ptima) de una lado a otro de los puntos de los
datos y se traza la raya. sta es la lnea de regresin. El paso siguiente es
determinar la ordenada en origen a y la inclinacin b.

En el grfico siguiente se muestra una representacin de los datos y la lnea

recta que es trazada a travs de los puntos. La ordenada en el origen a,
donde la lnea corta el eje vertical, parece ser 400. La inclinacin b es el
alza dividida por la cada (el cambio en la altura de alguna porcin de la
lnea dividido por el nmero de unidades del eje horizontal). Cualquiera de
los puntos puede utilizarse, pero dos puntos colocados a cierta distancia
proporcionan mayor exactitud debido a los errores en la lectura de los valores
de la grfica. Los valores se utilizan para los trimestres 1 y 12.

REGRESIN LINEAL AJUSTADA MANUALMENTE

6000

5000

4000
VENTAS

3000
4950 - 750
2000

1000
12 - 1
0
0 2 4 6 8 10 12 14
TRIMESTRES

14
TECSUP Gestin de Sistemas de Produccin

Segn el grfico dado, en los puntos de la lnea, los valores de Y para el

trimestre 1 y el 12 son de aproximadamente 750 y 4 950. En consecuencia:

b = (4 950 750) / (12 - 1) = 382

La ecuacin de regresin ajustada manualmente es, por consiguiente:

Y = 400 + 382 X

Las proyecciones para los trimestres 13 a 16 son:

Trimestre Proyeccin
13 400 + 382 x 13 = 5 366
14 400 + 382 x 14 = 5 748
15 400 + 382 x 15 = 6 130
16 400 + 382 x 16 = 6 512

Estas proyecciones estn basadas slo en la lnea y no se identifican ni se

ajustan a los elementos estacionales.

Mtodo de los mnimos cuadrados

La ecuacin de los mnimos cuadrados para la regresin lineal es la misma

que se utiliz en el ejemplo ajustado manualmente:

Y= a+bX

Donde:
Y = Variable dependiente calculada por la ecuacin
y = Punto de los datos de variables dependiente y reales.
a = la ordenada de origen de Y
b = Inclinacin de la lnea (pendiente)
X = Periodo de tiempo

El mtodo de los mnimos cuadrados trata de ajustar la lnea a los datos que
minimizan la suma de los cuadrados de la distancia vertical entre cada uno de
los puntos de los datos y su punto correspondiente en la lnea. En el grfico
anterior se indicaba los 12 puntos de los datos. Si se traza un lnea recta a
travs del rea general de los puntos, la diferencia entre el punto y la lnea es
y Y. En el grfico mostrado a continuacin muestra estas diferencias. La
suma de los cuadrados de las diferencias entre los puntos de los datos
representados y los puntos de la lnea es la siguiente:

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

La mejor lnea para utilizar es la que minimice este total.

15
Gestin de Sistemas de Produccin TECSUP

LNEA DE REGRESIN DE LOS MNIMOS CUADRADOS

6000

5000 y12
y10
4000
VENTAS

3000 y6
y8

2000
y2 y4
1000 y1

0
0 2 4 6 8 10 12 14
TRIMESTRES

Como antes, la ecuacin de lnea recta es:

Y=a+bX

Previamente se haba determinado a y b con base en la grfica. En el mtodo

de los mnimos cuadrados, la ecuaciones para a y b son:

a= Y - bX

b = XY - n X . Y
X2 - n X2
Donde:

a = Ordenada en el origen de y.
b = Inclinacin de la lnea
Y = Promedio de todas las y
X = Promedio de la X.
X = Valor de X en cada punto de los datos
Y = Valor de Y en cada punto de los datos
N = Nmero de los puntos de los datos
Y = Valor de la variable dependiente calculada con la ecuacin de
regresin.

La tabla siguiente indica los clculos realizados para los 12 puntos de los
datos en el cuadro anterior como parte del ejemplo inicial. Observe que la
ecuacin final pata Y muestra una ordenada de 441.6 y una inclinacin de
359.6. La inclinacin indica que para cada cambio de unidad en X, Y cambia
en 359.6.

16
TECSUP Gestin de Sistemas de Produccin

Trimestre- X Ventas - Y XxY X2 Y2 Y calculado

Y2
1 600 600 1 360000 801.20
2 1550 3100 4 2402500 1160.80
3 1500 4500 9 2250000 1520.40
4 1500 6000 16 2250000 1880.00
5 2400 12000 25 5760000 2239.60
6 3100 18600 36 9610000 2599.20
7 2600 18200 49 6760000 2958.80
8 2900 23200 64 8410000 3318.40
9 3800 34200 81 14440000 3678.00
10 4500 45000 100 20250000 4037.60
11 4000 44000 121 16000000 4397.20
12 4900 58800 144 24010000 4756.80
78 33350 268200 650 112502500

X = 78/12 = 6.5
Y =33350/12 = 2779.17

a = 441.6666
b = 359.6153

Y = 441.66 + 359.6 X

r2 = 0.933

Basadas estrictamente en la ecuacin, las proyecciones para los periodos 13

a 16 seran las siguientes:

Y13 = 4 41.6 + 359.6 (13) = 5 116.4

Y14 = 441.6 + 359.6 (14) = 5 476.0
Y15 = 441.6 + 359.6 (15) = 5 835.6
Y16 = 441.6 + 359.6 (16) = 6 195.2

Coeficiente de determinacin:

Tambin puede calcularse que tan fuerte es la relacin entre Y y X por medio
de r2 , el coeficiente de determinacin. El valor de r2 representa la proporcin
de variacin en Y que se explica por la variacin con X, el valor restante de la
variacin 1 - r2 debido al azar o a factores que no son X. Por lo tanto, resulta
deseable que el valor de r2 se acerque lo ms posible a 1.

Un valor de r2 = 0.8 indica que el 80% de la variacin en Y se puede predecir

o explicar mediante la lnea de regresin con X; slo el 20% se debe al azar.
En este caso puede obtenerse un pronstico bastante confiable para Y
cuando se conoce el valor de X.

La cantidad de r2 puede calcularse como sigue:

17
Gestin de Sistemas de Produccin TECSUP

r2 = [nXY - X Y]2
[ n X - ( X)2 ] [ n Y2 - ( Y)2 ]
2

Descomposicin de series de tiempo

Las series de tiempo pueden definirse como unos datos ordenados

cronolgicamente que pueden contener uno o ms componentes de la
demanda: tendencia, estacionalidad, ciclicidad, autocorrelacin y
aleatoreidad. La descomposicin de las series de tiempo significa identificar y
separar los datos de la serie de tiempo en esos componentes. En la prctica
es relativamente fcil identificar la tendencia (incluso sin anlisis matemtico,
es normalmente fcil representar grficamente y observar la direccin del
movimiento) y el componente estacional (comparando el mismo periodo ao
tras ao). Es mucho ms difcil identificar los ciclos (estos pueden durar
meses o aos), la autocorrelacin y los componentes aleatorios (el predictor
normalmente llama aleatoria a cualquier cosa sobrante que no pueda
identificarse con otro de los componentes).

Cuando la demanda contiene tanto efectos estacionales como efectos de la

tendencia al mismo tiempo, la pregunta es cmo se relacionan entre s. En
esta descripcin se examinan dos tipos de variaciones estacionales: la aditiva
y la multplicativa.

Variacin estacional aditiva. Supone simplemente que la cantidad

estacional es constante independientemente de la cantidad de la tendencia o
del promedio.

Proyeccin que incluye la tendencia y = Tendencia + factor estacional.

el factor estacional

El grfico siguiente muestra un ejemplo de la tendencia creciente con

cantidades estacionales constantes.

Variacin estacional multiplicativa. Es la variacin estacional multiplicativa la

tendencia se multiplica por los factores estacionales.

Proyeccin que incluye la tendencia y = Tendencia x factor estacional

el factor estacional

En el grfico siguiente se muestra la variacin estacional que se incrementa

en la medida en que la tendencia aumenta por cuanto su tamao depende de
la misma.

La variacin estacional multiplicativa es la experiencia usual. En esencia,

indica que ente ms grande sea la cantidad bsica proyectada, mayor ser la
variacin que alrededor de es posible esperar.

Factor estacional (o ndice). Un factor estacional es la cantidad de

correlacin necesaria en las series de tiempo puede ajustarse a una estacin
del ao.

18
TECSUP Gestin de Sistemas de Produccin

Usualmente se asocia el trmino estacional con un periodo del ao

caracterizado por una actividad determinada. La palabra cclico se utiliza para
indicar los periodos diferentes de aquellos recurrentes en el ao de una
actividad repetitiva.

Los ejemplos siguientes muestran cundo se determinan y utilizan los ndices

estacionales para proyectar (1) un simple clculo basado en los anteriores
datos estacionales, y (2) la tendencia e ndice estacional con base en una
lnea de regresin ajustada manualmente Luego sigue un procedimiento ms
formal para la descomposicin de los datos y la proyeccin utilizando la
regresin de los mnimos cuadrados.

Ejemplo: Proporcin Simple

Suponga que en los aos anteriores, una firma vendi un promedio de 1000
unidades anuales de una lnea de productos determinada. En promedio se
vendieron 200 unidades en primavera, 350 en verano, 300 en otoo y 150 en
invierno. El factor estacional (o ndice) es el coeficiente de la cantidad
vendida durante cada estacin dividido por el promedio de las cuatro
estaciones.

Solucin.

En este ejemplo, la cantidad anual dividida igualmente durante las cuatro

estaciones es 1 000 / 4 = 250. Los factores estacionales son: por
consiguiente:

Ventas Promedio de ventas de Factor estacional

anteriores cada estacin (100/4)
Primavera 200 250 200/250 = 0.8
Verano 350 250 350/250 = 1.4
Otoo 300 250 300/250 = 1.2
Invierno 150 250 150/250 =0.6
Total 1000

Utilizando estos factores, si se espera que la demanda para el prximo ao

sea de 1100 unidades, la proyeccin sera de la siguiente manera:
Demanda prevista Promedio de ventas Factor Proyeccin estacional
para el prximo de cada estacin estacional para prximo ao
ao (1100/4)
Primavera 275 0.8 275 x 0.8 = 220
Verano 275 1.4 275 x 1.4 = 385
Otoo 275 1.2 275 x 1.2 = 330
Invierno 275 0.6 275 x 0.6 = 165
Total 1 100

El factor estacional puede actualizarse peridicamente en la medida en que

se tengan nuevos datos.

Ejemplo: Clculo de la tendencia y del factor estacional con base en

una lnea recta ajustada manualmente.

19
Gestin de Sistemas de Produccin TECSUP

Aqu se debe calcular la tendencia igual que factores estacionales.

Solucin.

Este problema se soluciona mediante el simple trazado de una lnea recta a

travs de los puntos de los datos y la medicin de la tendencia y la ordenada
en el origen con base en la grfica.

Suponga que la historia de los datos es la siguiente:

Trimestre Cantidad Trimestre Cantidad

I 2001 300 I 2002 520
II 2001 200 II 2002 420
III 2001 220 III 2002 400
IV - 2001 530 IV 2002 700

Primera se hace la representacin grfica que se muestra en el cuadro

siguiente, se traza una lnea recta a travs de los datos utilizados
simplemente la vista. La ecuacin pata la lnea siguiente:

Tendencia = 170 + 55 t

La ecuacin se deriv de la ordenada en el origen 170 ms una alza de (610-

170) / 8 periodos. A continuacin es posible derivar un ndice comparando los
datos reales con lnea de tendencia, como en tabla mostrada. El factor
estacional se desarroll promediando los mismos trimestres de cada ao.

La proyeccin de 2003 se calcula incluyendo la tendencia y los factores

estacionales de la manera siguiente:

Factor que incluye tendencia = Tendencia x Factores estacionales

I 2003 Factor incluye tendencia = [170 + 55 (9)] 1.25 = 831

II 2003 Factor incluye tendencia = [170 + 55 (10)] 0.78 = 562
III 2003 Factor incluye tendencia = [170 + 55 (11)] 0.69 = 535
IV 2003 Factor incluye tendencia = [170 + 55 (12)] 1.25 = 1038

Trimestre Cantidad De la ecuacin Coeficiente de Factor estacional

real de la demanda (promedio de
tendencia Real / trimestres de ambos
T = 170 + 55 Tendencia aos)
X
2001
I 300 225 1.33
II 200 280 0.71
III 220 335 0.66 I => 1.33+1.17/2 =
1.25
IV 530 390 1.36 II => 0.71+0.84/2 =
0.78
2002 III=> 0.66+0.72/2 =
0.69

20
TECSUP Gestin de Sistemas de Produccin

I 520 445 1.17 IV => 1.36+1.17/2 =

1.25
II 420 500 0.84
III 400 555 0.72
IV 700 610 1.15

Demanda trimestral histrica

800
700
600
500
Cantidad

400
300
200
100
0
0 2 4 6 8 Trimestres10

Descomposicin mediante la regresin de los mnimos cuadrados

Descomposicin de las series de tiempo significa encontrar los componentes

bsicos de tendencia, estacionalidad y ciclos de serie. Los ndices se calculan
para las estaciones y ciclos. El procedimiento de proyeccin reserva el
proceso proyectando la tendencia y ajustndola mediante ndices estacionales
y cclicos, que haban sido determinados en el proceso de descomposicin. De
manera ms formal el proceso es el siguiente:

1. Descomposicin de las series de tiempo en sus componentes.

a. Encontrar el componentes estacional.

b. Encontrar el componente tendencial.

2. Proyectar los valores futuros de cada componente

a. Proyectar el componente de tendencia hacia el futuro.
b. Multiplicar el componente de tendencia por el estacional.

Observe que el componente aleatorio no est incluido en la lista. De manera

implcita se suprime este componente de la serie de tiempo al hacer el
promedio como en el paso 1. Es intil tratar de realizar una proyeccin del
componentes aleatorio en el paso 2, a menos que tenga informacin acerca
de algn evento inusitado, tal como un gran conflicto laboral que pueda
afectar de manera adversa la demanda de productos (esto no sera un hecho
aleatorio).

En la tabla siguiente se muestra la descomposicin de una serie de tiempos

mediante la utilizacin de la regresin de los mnimos cuadrados y de los

21
 Gestin de Sistemas de Produccin TECSUP

mismos datos histricos empleados en los ejemplos anteriores. Cada uno de

los datos corresponde a la utilizacin de un solo trimestre del periodo de tres
aos (12 trimestres) El objetivo es proyectar la demanda para los cuatro
trimestres del cuarto ao.

Per. Trim. Ventas Promedio de mismos trimestres Fac. Est. Dem. Deses X2 XY
1 I 600 (600 + 2400 + 3800) / 3 = 2266.7 0.82 735.66 1 735.66
2 II 1550 (1550 + 3100 + 4500) / 3 = 3050.0 1.10 1412.36 4 2824.73
3 III 1500 (1500 + 2600 + 4000) / 3 = 2700.0 0.97 1543.98 9 4631.94
4 IV 1500 (1500 + 2900 + 4900) / 3 = 3100.0 1.12 1344.76 16 5379.03
5 I 2400 0.82 2942.65 25 14713.24
6 II 3100 1.10 2824.73 36 16948.36
7 III 2600 0.97 2676.23 49 18733.64
8 IV 2900 1.12 2599.87 64 20798.92
9 I 3800 0.82 4659.19 81 41932.72
10 II 4500 1.10 4100.41 100 41004.10
11 III 4000 0.97 4117.28 121 45290.12
12 IV 4900 1.12 4392.88 144 52714.52
78 33350 12.00 33350.00 650 265706.99

Y = 2779.17
X = 78 / 12 6.5

b = 265206.9 - 12 (6.5) 277 9.6 = 342.2

650 - 12 (6.5)
a = 2779.2 - 342.2 (6.5) = 554.9

Paso 1. Determinar el factor estacional (ndice). En la misma tabla se hace un

resumen de todos los clculos necesarios. La columna 4 desarrolla un
promedio de los mismos trimestres en el periodo de tres aos. Por ejemplo,
los primeros trimestres de los tres aos se suman y se dividen por tres.
Luego se deriva un factor estacional dividiendo ese promedio por el promedio
general de los 12 trimestres (33350/12 o 2779). Estos e ingresan a la
columna 5.

Cabe anotar que los factores estacionales son idnticos para los trimestres
similares de cada ao.

Paso 2. Desestacionalizar los datos originales. Para suprimir el efecto

estacional en los datos, se dividen los datos originales por el factor
estacional. Este paso se denomina desestacionalizacin de la demanda y se
muestra en la columna 6 de la tabla.

Paso 3. Desarrollo de una lnea de regresin de mnimos cuadrados para los

datos desestacionalizados. El propsito aqu es desarrollar una ecuacin para
la lnea de tendencia Y que luego se modifica con el factor estacional. El
procedimiento es el mismo utilizado anteriormente.

Y = a+bX

22
TECSUP Gestin de Sistemas de Produccin

Donde:

Yd = Demanda desestacionalizada
X = Trimestre
Y = Demanda calculada utilizando la ecuacin de regresin Y = a + bX
a = Ordenada en el origen de Y
b = Inclinacin de la lnea

Los clculos de los mnimos cuadrados realizados mediante la utilizacin de

las columnas 1, 7 y 8 de la la tabla se indican en la parte inferior del mismo.

La ecuacin desestacionalizada final para los datos es:

Y = 554.9 + 342.2 X

La lnea se muestra en el grafico siguiente.

Paso 4. Realizar la proyeccin final multiplicando la lnea de regresin por el

factor estacional. Recuerde que la ecuacin Y ha sido desestacionalizada.
Ahora se reversa el procedimiento multiplicado los datos trimestrales
derivados por el factor estacional para ese trimestre.

Periodo Trimestre Y con base en la Factor Proyeccin

lnea de regresin estacional (Y x factor
estacional)
13 1 5003.5 0.82 4102.87
14 2 5345.7 1.10 5880.27
15 3 5687.9 0.97 5517.26
16 4 6030.1 1.12 6753.71

Ahora la proyeccin est completa, por lo general el procedimiento es el

mismo empleado en el ejemplo anterior ajustado anualmente. Sin embargo,
en el presente ejemplo se sigue un procedimiento ms formal y se calcula
tambin la lnea de regresin de los mnimos cuadrados.

Lnea recta de ecuacin desestacionalizada

6000
5000
4000
Ventas

3000
2000
1000
0
0 2 4 6 8 10 12 14
Periodos

23