Está en la página 1de 6

UNIVERSIDAD TCNICA

DE AMBATO

FACULTAD DE INGENIERA EN SISTEMAS,


ELECTRNICA E INDUSTRIAL.

CARRERA DE INGENIERA INDUSTRIAL EN


PROCESOS DE AUTOMATIZACIN

TEMA

Regresin lineal simple y Factores estacionales


con regresin lineal simple, conceptos, ecuaciones y un ejemplo.

Alumno. - Hctor Fabin Bao Bao

Modulo. Administracion de la Produccion.

Docente. - Ing. Jhon Reyes.


REGRESIN LINEAL SIMPLE

En la regresin lineal, una variable, conocida como variable dependiente, est


relacionada con una o ms variables independientes por medio de una ecuacin
lineal. La variable dependiente la que el gerente desea pronosticar. Se supone que las
variables independientes influyen en la variable dependiente y, por ende, son la
causa de los resultados observados en el pasado. En trminos tcnicos, la lnea de
regresin minimiza las desviaciones cuadrticas con respecto a los datos reales. En
los modelos de regresin lineal ms sencillos, la variable dependiente es funcin de
una sola variable independiente y, por lo tanto, la relacin terica es una lnea recta:

Y = a + bX

Y = Variable dependiente: predicha, medida, es una variable aleatoria


X = Variable independiente: predictora, controlada, no es una variable
aleatoria.

a = interseccin de la recta con el eje Y

Promedio de la variable dependiente (Ventas o Demanda)


Promedio de la variable independiente (Tiempo)
Donde:

b = pendiente de la recta

Es posible descubrir una relacin?


Y = f(X) + error
f es una funcin de un tipo
determinado
El error es aleatorio, pequeo, y no
depende de X

El objetivo del anlisis de regresin lineal es encontrar los valores


de a y b que minimicen la suma de las desviaciones
cuadrticas de los puntos de datos reales que estn
representados en el grfico. Con esta finalidad se utilizan
programas de cmputo. Para cualquier co njunto de parejas de observaciones de Y y
X, el programa calcula los valores de a y b y ofrece medidas de la precisin del
pronstico.

Tres medidas de uso comn son el coeficiente de correlacin de la muestra, el


coeficiente de determinacin de la muestra y el error estndar del estimado:

El coeficiente de correlacin de la muestra, r, mide la direccin y fuerza de la


relacin entre la variable independiente y la variable dependiente.

El clculo del coeficiente de correlacin se efecta de la siguiente manera:


Dnde t hace referencia a la variable tiempo y x a la variable demanda.

El coeficiente de determinacin de la muestra mide la cantidad de variacin


que presenta la variable dependiente con respecto a su valor medio, que se
explica por la lnea de regresin. El coeficiente de determinacin es igual al
cuadrado del coeficiente de correlacin, o r2. El valor de r2 oscila entre 0.00 y
1.00.

El error estndar del estimado, Syx, mide la proximidad con que los datos de la
variable dependiente se agrupan alrededor de la lnea de regresin.

EJEMPLO:

Uso de la regresin lineal para pronosticar la demanda de un producto

La persona a cargo de programar la produccin de una compaa tiene que elaborar


pronsticos de la demanda de un producto a fin de planear las cantidades de
produccin ms apropiadas. Durante un almuerzo de negocios, la gerente de
marketing le proporciona informacin sobre el presupuesto de publicidad de una
bisagra de bronce para puertas. A continuacin se presentan los datos sobre ventas y
publicidad correspondientes a los ltimos cinco meses:

La gerente de marketing afirma que la compaa gastar el mes entrante $1,750 en


publicidad del producto. Aplique la regresin lineal para desarrollar una ecuacin y un
pronstico para ese producto.

SOLUCIN:

Suponga que existe una relacin lineal entre las ventas y los gastos de publicidad. En
otras palabras, las ventas son la variable dependiente, Y, y los gastos de publicidad
son la variable independiente, X. Utilizando las parejas de observaciones mensuales
correspondientes a las ventas y los gastos de publicidad proporcionadas por la
gerente de marketing, se usa la computadora para encontrar los mejores valores de a,
b, el coeficiente de correlacin, el coeficiente de determinacin y el error estndar del
estimado.
a = -8.135 r = 0.960
b = 109.229X Syx = 15.603
r = 0.980
La ecuacin de regresin es: Y = - 8.135 + 109.229X

Es acertado seleccionar los gastos de publicidad para realizar un pronstico de


ventas? Observe que el coeficiente de correlacin de la muestra, r, es 0.98. Puesto
que el valor de r se aproxima mucho a 1.00, se concluye que existe una fuerte
relacin positiva entre las ventas y los gastos de publicidad, y que la eleccin fue
acertada.

A continuacin, se examina el coeficiente de determinacin de la muestra, r, o 0.96.


Este valor de r implica que el 96% de la variacin observada en las ventas se explica
por los gastos de publicidad. En la prctica, la mayora de las relaciones entre
publicidad y ventas no son tan fuertes porque con frecuencia otras variables, como la
situacin econmica en general y las estrategias de los competidores, se combinan
para afectar las ventas. Como el gasto de publicidad ser de $1,750, el pronstico
para el mes 6 es:
Y = -8.135 + 109.229(1.75) = 183.016 o 183,016 unidades

Punto de decisin La persona que est cargo de


programar la produccin puede usar
este pronstico para determinar la
cantidad de bisagras de bronce para puerta
que se necesitar en el mes 6. Suponga
que esa persona tiene 62,500
unidades en inventario.

La cantidad que deber proporcionar produccin es:


183,016 62,500 = 120,016
unidades, suponiendo que dicha persona no desee perder
ninguna venta.

Factores estacionales con regresin lineal

Muchas organizaciones tienen una demanda estacional de sus bienes o servicios. Los
patrones estacionales estn formados por movimientos ascendentes o descendentes
de la demanda, que se repiten con regularidad, medidos en periodos de menos de un
ao (horas, das, semanas, meses o trimestres). En este contexto, dichos periodos se
llaman estaciones.

Existen varios mtodos para analizar todos los datos del pasado, usando un modelo
para pronosticar la demanda en todas las estaciones. Aqu se describir solamente el
mtodo estacional multiplicativo, en el cual los factores estacionales se multiplican
por una estimacin de la demanda promedio y as se obtiene un pronstico estacional.
La expresin matemtica que se utiliza cuando la serie de tiempo presenta
componente de tendencia y componente estacional es:
Ejemplo:- Los datos trimestrales de ventas (nmero de productos que se venden) de
una empresa de cosmticos en los ltimos 3 aos son los siguientes:

Calcule los ndices estacionales para los 4 trimestres Determine la ecuacin de


la expresin de la componente lineal de tendencia.
Calcule las ventas pronosticadas para los trimestres del ao 2014, 2015 y
2016.

Estos nmeros indican el porcentaje de cada uno de los trimestres en funcin del
trimestre tpico de cada uno de los aos. Estos nmeros contienen la estacionalidad.

Obteniendo los ndices estacionales, que representan el efecto estacional de la serie


de tiempo para cada uno de los trimestres, lo que se desea lograr al calcular estos
ndices estacionales es retirar los efectos estacionales de la serie de tiempo. Por ello a
esto se le denomina desestacionalizar la serie de tiempo. Para desestacionalizar la
serie de tiempo, se dividen las ventas de cada uno de los trimestres entre su ndice
promedio estacional respectivo.

De esta manera se retira de las ventas el componente estacional, habiendo quedado


slo con el componente de tendencia, as acomodamos los datos como se muestra: El
siguiente paso es determinar la expresin matemtica de la expresin lineal de
tendencia, para ello se emplea el procedimiento grfico para encontrar con los datos
desestacionalizados una ecuacin de la forma:

Y=mx+b
Proyeccin de las ventas

Sustituyendo los valores calculados de a y de b en la expresin:

Y= mx + b Tendremos la expresin lineal de tendencia para la venta del libro de texto


de este problema. Y= 23.376x + 1870.2 La pendiente de 22.376 indica que, en los
ltimos 12 trimestres la empresa ha tenido un crecimiento promedio
desestacionalizado en las ventas del producto de aproximadamente 23.376
cosmticos por trimestre. Si se considera que la tendencia de los datos de ventas en
los ltimos 12 trimestres es un indicador razonablemente bueno del futuro, entonces,
puede utilizarse la ecuacin anterior para proyectar la componente de tendencia de la
serie de tiempo para trimestres futuros.

Entonces para calcular la proyeccin de las ventas del producto para los trimestres
futuros, considerando tanto el efecto de tendencia como el efecto estacional, la
ecuacin que se debe de tomar en consideracin es: Y= (23.376x+1870.2) ( ndice
estacional )