Pronósticos en el

mediano y largo plazo

Análisis de Regresión

Los pronósticos en el mediano plazo pueden ser

explicados mediante un análisis de regresión, este
análisis de regresión indica la tendencia de la
demanda en función a otro factor formándose
tendencias tales como: lineal, exponencial,
logarítmica, etc.

Un análisis de regresión se puede realizar sobre

modelos de pronósticos: series de tiempo o
causales.
 Análisis de Regresión
• Tipos de análisis de regresión:
El análisis de regresión •
se utiliza para • Lineal
determinar si un grupo •
de datos (una o más • y = a + bx

variables •

independientes) guardan • Poli nómica

algún tipo de relación o •

correlación con otro • y = b + c1x + c2x2 + c3x3 + … + c6x6

grupo de datos (variable •

dependiente). Una vez • Logarítmica

•
que se hayan calculado
• y = b + clnx
dichas relaciones podrán •
hacerse pronósticos. • Exponencial

• y = cebx

• Potencial

• y = cxb
Análisis de Regresión Lineal

• Análisis de Regresión • Análisis de Regresión

Lineal Simple. Modelo Lineal Múltiple.
matemático que sólo Modelo Matemático
contiene una variable que contiene 2 o más
independiente y una variables
variable dependiente. independientes y una
• variable dependiente.
• Ecuación matemática: •
y = a + bx • Ecuación matemática:
y = a + b1x1 + b2x2 +
… + bnxn
Análisis de Regresión Lineal
Simple.
Modelo matemático que sólo contiene una variable independiente y
una variable dependiente. Si los datos forman una serie de tiempo, la
variable independiente es el tiempo en períodos y la variable
dependiente son las ventas o demanda.

Ecuación de regresión: y = a + bx

Donde:

x : valores de la variable independiente

y : valores de la variable dependiente
a : intersección con el eje vertical
b : pendiente de la línea de regresión
n : número de observaciones
Análisis de Regresión Lineal
Simple.
Los valores de a y b se obtienen mediante las
siguientes formulas:

σ 𝑥 2 σ 𝑦 − σ 𝑥 σ 𝑥𝑦
𝑎=
𝑛 σ 𝑥2 − σ 𝑥 2

𝑛 σ 𝑥𝑦 − σ 𝑥 σ 𝑦
𝑏=
𝑛 σ 𝑥2 − σ 𝑥 2
 Coeficiente de Correlación (r).

Explica la importancia relativa, el grado o fuerza de

la relación entre y & x; el signo de r indica la
dirección de dicha relación, y el valor absoluto de r
la magnitud de la relación. r puede asumir
cualquier valor entre -1 y +1. El signo de r será
siempre igual al signo de b.
Coeficiente de Correlación (r).
Una r negativa indica que los valores de y i x tienden a
moverse en direcciones opuestas, y una r positiva
indica que los valores de y i x se mueven en la misma
dirección. Así tenemos:
-1 Una relación negativa perfecta; conforme y sube, x
baja unidad por unidad y viceversa.
+1 Una relación positiva perfecta; conforme y sube, x
sube unidad por unidad y viceversa.
0 No existe relación alguna entre y & x.
+0.3 Una relación positiva débil.
-0.9 Una relación negativa fuerte.
Coeficiente de Correlación (r).

El coeficiente de correlación se calcula como

sigue:

𝑛 σ 𝑥𝑦 − σ 𝑥 σ 𝑦
𝑟=
𝑛 σ 𝑥2 − σ 𝑥 2 𝑛 σ 𝑦2 − σ 𝑦 2
 Coeficiente de Determinación
(r2).

Es el porcentaje de variación en la variable

dependiente y que es explicada por la ecuación de
regresión. El valor de r2 será siempre un número
positivo en el rango de 0 ≤ r2 ≤ 1
Ejemplo

La empresa Motores Andinos S.A. produce

motores petroleros Perkins. Durante más de un
año, la planta de producción ha operado a casi
plena capacidad. El gerente de planta, estima que
el crecimiento en las ventas continuará y desea
desarrollar un pronóstico a largo plazo que se
usará para planear las necesidades de las
instalaciones para los siguientes tres años. Se han
totalizado las cifras de ventas correspondientes a
los últimos diez años:
Ejemplo
Solución
Ventas anuales (miles de unid.) Periodo
Año
(y) (x) x2 xy
1 1,000 1 1 1,000
2 1,300 2 4 2,600
3 1,800 3 9 5,400
4 2,000 4 16 8,000
5 2,000 5 25 10,000
6 2,000 6 36 12,000
7 2,200 7 49 15,400
8 2,600 8 64 20,800
9 2,900 9 81 26,100
10 3,200 10 100 32,000
Totales ∑y = 21,000 ∑x = 55 ∑x2 = 385 ∑xy = 133,300
Solución

Resolvamos ahora despejando los valores de a y

de b:
a = (385)(21,000) - (55)(133,300)
10(385) - (55)2
a = 913.333

b = (10)(133,300) - (55)(21,000)
825
b = 215.785
 Solución

• Ahora que conocemos los valores de a y de b,

podemos utilizar la ecuación de regresión para
pronosticar las ventas de años futuros:
• Y = 913.333 + 215.758X
• Si deseamos pronosticar las ventas en miles de
unidades para los tres años siguientes, podríamos
reemplazar 11, 12 y 13, que son los tres valores
siguientes de X, en la ecuación de regresión de X:
Solución

• Y11 = 913.333 + 215.758(11) = 3,286.7, o 3,290

miles de unidades
• Y12 = 913.333 + 215.758(12) = 3,502.4, o 3,500
miles de unidades
• Y13 = 913.333 + 215.758(13) = 3,718.2, o 3,720
miles de unidades
 Solución

Ventas anuales (miles de Periodo

Año
unid.) (y) (x) x2 xy Pronóstico
1 1,000 1 1 1,000 1,129
2 1,300 2 4 2,600 1,345

3 1,800 3 9 5,400 1,561

4 2,000 4 16 8,000 1,776

5 2,000 5 25 10,000 1,992

6 2,000 6 36 12,000 2,208

7 2,200 7 49 15,400 2,424

8 2,600 8 64 20,800 2,639

9 2,900 9 81 26,100 2,855

10 3,200 10 100 32,000 3,071

11 11 3,287

12 12 3,502

13 13 3,718
Solución

Análisis de Regresión Lineal

4,000
Ventas Miles de unidades

3,500

3,000
Venta s
2,500

2,000 Regre sión

1,500

1,000

500
1 2 3 4 5 6 7 8 9 10 11 12 13
Períodos
Solución
• Calculo del coeficiente de correlación:

• r = 0.9702

• Calculo del coeficiente de determinación:

• r2 = 0.9412 o 94.12%

• Calculo del error estándar de pronostico

• Sxy = 173.0 miles de unidades

Monitoreo y Control
Graficamente
Caso:

• Yankee Fork and Hoe Company