ANALISIS DE REGRESION Y CORRELACION Las variables dependientes que deseamos pronosticar seguirn siendo y.

pero la variable independiente, x, ya no necesita ser el tiempo. Y=a+b*x y=valor de la variable dependiente a=interseccin con el eje y b=pendiente de la recta de regresin x=variable independiente Ejemplo: La compaa constructora Nodel renueva casas antiguas en Bloomfield. Con el tiempo, la compaa ha encontrado que su volumen de dlares por trabajos de renovacin depende de la nmina de rea de Bloomfield. La administracin quiere establecer una relacin matemtica para ayudarse a predecir las ventas Ventas de Nodel(mil.) Nomina local(mil.) Ventas de Nodel(mil.) Nomina local(mil.) 2 1 2 2 3 3 2 1 2.5 4 3.5 7
4 Ventas de Nodel 3 2 1 0 0 2 4 Nmina del area 6 8 Series1

Podemos encontrar la ecuacin matemtica si usamos el enfoque de regresin de minimos cuadrados. ventas, y nomina, x x^2 x*y 2 1 1 2 3 3 9 9 2.5 4 16 10 2 2 4 4 2 1 1 2 3.5 7 49 24.5 15 18 80 51.5 La ecuacin de regresin estimada: Si la cmara de comercio predice que la nmina para el rea Bloomfield ser de 6 millones de dlares, el prximo ao, podemos estimar las ventas

ERROR ESTANDAR DE LA ESTIMACION: Para medir la exactitud de las estimaciones, debemos calcular el error estndar de la estimacin. Este clculo se llama desviacin estndar de la regresin y mide el error de la variable dependiente, y, hasta la recta de regresin, en lugar de hasta la media Y=valor de y de cada dato puntual Yc=valor calculado de la variable dependiente, a partir de la ecuacin de regresin N=nmero de datos puntuales Calculando del ejemplo anterior: COEFICIENTE DE CORRELACION PARA RECTAS DE REGRESION Otra forma de evaluar la relacin entre dos variables consiste en calcular el coeficiente de correlacin. Esta medida expresa el grado de fuerza o la fuerza de la relacin lineal(r), puede ser cualquier nmero entre +1 y 1. Para calcular r: Del ejemplo anterior: ][ ] [ =0.901 Esta r de .901 parece indicar que hay una correlacin significativa y ayuda a confirmar la relacin entre las 2 variables. ANALISIS DE REGRESION MULTIPLE Nos permite construir un modelo con varias variables independientes en vez de una sola variable, por ejemplo Nodel incluye el promedio de las tasas de inters anual en su modelo. Y=variable dependiente, ventas. A=constante, la interseccin. X1,x2=valores de las dos variables independientes. B1,b2=coeficientes de las dos variables independientes. La constructora Nodel quiere ver el impacto de una segunda variable independiente, tasa de inters, sobre sus ventas. La nueva recta de regresin mltiple para Nodel, calculada, es: Tambin encontramos que el nuevo coeficiente de correlacin es .96, lo cual implica que la tasa de inters agrega an ms fuerza a la relacin lineal. Ventas($ millones)=1.8+.30*6-5*12 = 3 millones
[ ][ ]

Series de tiempo con estacionalidad Seleccionar un conjunto de datos representativo. Desarrollar un ndice para cada estacin. Usar el ndice para desestacionalizar los datos. Usar anlisis de regresin para calcular pronstico. Usar los ndices para estacionalizar el pronstico. Ejemplo. Un analista quiere desarrollos los pronsticos trimestrales del prximo ao de ventas para la lnea de computadoras psilon. El analista cree que las ultimas 8 cuartas partes de sus ventas, son representativas para las ventas del prximo ao. Datos histricos Year Qtr. ($mil.) Year Qtr. ($mil.) 1 1 7.4 2 1 8.3 1 2 6.5 2 2 7.4 1 3 4.9 2 3 5.4 1 4 16.1 2 4 18.0 Clculo de los ndices estacionales Ventas trimestrales Ao Q1 Q2 Q3 Q4 Total 1 7.4 6.5 4.9 16.1 34.9 2 8.3 7.4 5.4 18.0 39.1 Totales 15.7 13.9 10.3 34.1 74.0 Prom Trim. 7.85 6.95 5.15 17.05 9.25 Ind estac. .849 .751 .557 1.843 4.000 Datos sin estacionalidad Ventas trimestrales Ao Q1 Q2 Q3 Q4 1 8.72 8.66 8.80 8.74 2 9.78 9.85 9.69 9.77 Anlisis de regresin Ao. Trim. x y x2 xy 1 1 1 8.72 1 8.72 1 2 2 8.66 41 7.32 1 3 3 8.80 9 26.40 1 4 4 8.74 16 34.96 2 1 5 9.78 25 48.90 2 2 6 9.85 36 59.10 2 3 7 9.69 49 67.83 2 4 8 9.77 64 78.16 Totales 36 74.01 204 341.39 Y = 8.357 + 0.199X Clculo de pronsticos sin estacionalidad Y9 = 8.357 + 0.199(9) = 10.148 Y10 = 8.357 + 0.199(10) = 10.347 Y11 = 8.357 + 0.199(11) = 10.546 Y12 = 8.357 + 0.199(12) = 10.745 Estacionalizar los datos est. Pron. Pron. Ao. Trim. Ind sin est. Con est. 3 1 .849 10.148 8.62 3 2 .751 1 10.347 7.77

3 3

3 4

.557 10.546 1.843 10.745

5.87 19.80

Una manera de supervisar los pronsticos para asegurar que sean buenos es emplear una seal de control. La seal de control se calcula como RSFE divida entre la MAD (seal de control)=RSFE/MAD | |

Una vez calculadas las seales de control, se comparan para determinar los lmites de control. Cuando una seal de control excede el lmite inferior o superior, existe un problema con el mtodo de pronstico y la administracin querr reevaluar la forma en que pronostica la demanda. Ejemplo: Desarrolle una seal de control para el pronstico y vea si se conserva dentro de los lmites aceptables, los cuales se definen como +-4MAD ERROR DEMAN DEMANDA ERROR ABSOLUTO Trimestre DA PRONOSTICA ERRO ABSOLU ACUMULAD Seal de REAL DA R RSFE TO O MAD control 1 90 100 -10 -10 10 10 10 -1 2 95 100 -5 -15 5 15 7.5 -2 3 115 100 15 0 15 30 10 0 4 100 110 -10 -10 10 40 10 -1 5 125 110 15 5 15 55 11 0.5 6 140 110 30 35 30 85 14.2 2.5 | |

Como la seal de control oscila de -2 MAD A +2.5MAD (entre 1.6 y 2.0 desviaciones estndar), podemos concluir que est dentro de los lmites aceptables
3 2.5 2 1.5 1 0.5 0 -0.5 -1 -1.5 -2 -2.5 1 2 3 4 5 6 Series1