Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1
FACULTAD DE INGENIERIA
ESCUELA DE MECANICA INDUSTRIAL – EMI
ING. ARIEL ARNOLDO CATAVI JIMÉNEZ
PRACTICA DE CONTROL DE LA PRODUCCION
SECCION: N
PRACTICA 2
“PRONOSTICOS DE REGRESIÓN, CORRELACIÓN”
Para entender la relación que existe entre la demanda y el tiempo se utiliza el coeficiente
de correlación este coeficiente mide el grado de intensidad de la relación lineal, existen tres
tipos de correlación; correlación perfecta, correlación fuerte y correlación débil, entre más
cercano se encuentre el coeficiente a la unidad, más fuerte será la tendencial lineal y se
podrá aplicar un modelo de correlación lineal.
General:
Específicos:
1. Evaluar a través de los distintos métodos para pronosticar ventas a futuro tomando
como base datos históricos de ventas anteriores, así como el factor de correlación
para la factibilidad de las proyecciones realizadas.
2. Comparar los pronósticos adquiridos con los datos ventas reales de los meses
analizados y proyectar con el método con el error más bajo
3. Ejecutar el pronóstico de riesgo para proyectar las ventas meses siguientes
tomando en cuenta el factor de correlación r y tener una confianza en los pronósticos
mayor al noventa y cinco por ciento.
FAMILIAS CON CORRELACIÓN
El objetivo del análisis de regresión como método causal es pronosticar la demanda a partir
de una o más causas (variables independientes), las cuales pueden ser por ejemplo el
tiempo, precios del producto o servicio, precios de la competencia, economía del país,
acciones del gobierno o fomentos publicitarios.
Este coeficiente, permite entender qué tanta correlación existe entre la demanda y el
tiempo.
Por ejemplo, si la correlación es igual a 1, observaremos que la relación entre las variables
es directamente proporcional, en el sentido que, si uno aumenta, la otra también lo hará
este método es más útil cuando se enfoca en periodos de largo plazo. Esto aunado a su
utilidad para estimar la demanda en función de variables independientes.
𝑌 = 𝑎 + 𝑏𝑥
Formula no. 1
Donde:
- b es la inclinación de la recta.
- a es la secante o la altura en la que la recta corta al eje y.
- X es nuestra variable independiente.
- Y es nuestra variable dependiente, nuestro pronóstico calculado para un periodo.
El modelo log-normal
𝑌𝑡 = 𝐿𝑛(𝑋𝑡 ) − 𝐿𝑛 (𝑋𝑡−1)
Fórmula no 2
Cuando la serie original tiene componentes muy pequeños, cercanos a cero como es el
caso de las tasas de interés, basta con la diferenciación y no es necesario aplicar
logaritmos.
El modelo exponencial
Así entonces, este modelo de pronóstico precisa tan sólo de tres tipos de datos: el
pronóstico del último período, la demanda del último período y el coeficiente de suavización.
𝑌 = 𝑎 + 𝑒 𝑏∗𝑥
Fórmula no 3
El modelo potencial
𝑦 = 𝑎𝑥 𝑏
Fórmula no. 4
Esta ecuación es una variación de la fórmula no. 1 en donde se multiplica por ambos lados
por un Log para eliminar la potencia y ya poder transformarla en una ecuación lineal.
MARCO
PRACTICO
COMENTARIOS
PERSONALES
CONCLUSIONES
1. La familia de regresión y correlación utiliza modelos matemáticos simples pero
eficientes que muestran el comportamiento de los datos modelándolos de manera
que la aplicación de su fórmula lo hace más fácil a la hora de proyectar ventas a
futuros meses pero para hacerlo se toma en cuenta algo sumamente importante el
factor de correlación lineal el cual demostrara que tan homogenizados se
encuentran los datos históricos de las ventas anteriores y que confiables serán las
ventas proyectadas, la mejor proyección es aquea la cual toma una confiabilidad
mayor al noventa y cinco por ciento.
2. Los modelos para pronosticar nos permiten escoger el que mejor se ajusta a la
necesidad de la empresa, desde sus datos históricos echo que se demuestra a
través de un grafico tiempo vs ventas que nos permite tener una visualización de los
datos y observar el comportamiento de estos y definir qué tipo de familia pertenece
los datos.
3. Una manera de lograr una conclusión en los pronósticos es el pronostico de riesgo
una vez ya teniendo el modelo necesario podemos definir las proyecciones que
usaremos para estimar a futuro y con ellas podemos definir si la empresa necesita
reabastecer los inventarios o aun no; aunque una mala jugada de los datos
provocaría que la proyección sea mala y se tomen decisiones erróneas.
RECOMENDACIONES
Para poder pronosticar correctamente, se debe poder identificar a través de una gráfica
el comportamiento de los datos históricos y así poder determinar que se trata de un
modelo de regresión y correlación lineal, a este paso se le conoce como Análisis
Primario.
Para efectos de esta práctica, es de vital importancia calcular los errores acumulados
para las cuatro ecuaciones, ya que de esto dependemos utilizar la ecuación que mejor
se ajuste al juego de datos con los que contamos, congelando siempre 4 datos. De
esta manera pudimos pronosticar de la forma correcta el primer semestre del período
2020.
ANEXOS
Cortés López, J. C., Debón Aucejo, A. M., & Moreno Navarro, C. (2007). Aplicación
del Modelo Log-normal para la Predicción de activos del Banco de Sabadell. XVI
Jornadas ASEPUMA. IV Encuentro Internacional (pág. 11). Valencia: Universidad
Politécnica de Valencia. Disponible en: http://metodos.upct.es/asepuma/
comunicaciones/completas/203.pdf [Accedido en: Guatemala, 16 septiembre
2019].