Dr.

Carlos Alberto Minchón Medina

Con frecuencia las decisiones gerenciales
se basan en la relación entre dos o más
variables.
Por ejemplo, al analizar la relación entre
el gasto en publicidad y las ventas, un
gerente de marketing puede tratar de
predecir las ventas correspondientes a un
determinado gasto en publicidad.
En otro caso, una empresa de servicios
públicos establece la relación entre la
temperatura diaria y la demanda de
electricidad para predecir la necesidad
de fluido eléctrico considerando las
temperaturas diarias que se esperan para
el mes siguiente.
Algunas veces los directivos
se apoyan en la intuición
para juzgar la relación entre
dos variables. Sin embargo,
cuando los datos están dis-
ponibles, puede emplearse
un procedimiento estadís-
tico llamado análisis de
regresión para obtener una
ecuación que indique cuál
es la relación entre las
variables.
En la terminología que se
emplea en la regresión, la
variable a predecir se llama
variable dependiente, y a la
variable o variables que se
usan para predecir su valor se
les llama variables
independientes.
Por ejemplo, al analizar el
efecto de los gastos en
publicidad sobre las ventas,
como lo que busca el gerente
de marketing es predecir estas
últimas, las ventas serán la
variable dependiente.
La ecuación de regresión
Y = o + 1 X + 
o y 1 se conocen como parámetros
del modelo, y  (la letra griega épsilon)
es una variable aleatoria denominada
término del error. Este último da cuenta
de la variabilidad de y, que no puede
ser explicada por la relación lineal
entre x y y. En realidad, representa el
efecto de las variables que no fueron
incluidas en la ecuación.
 Ventas

Ventas

Gasto publicidad Precio

Relación directa cuando al aumentar X aumenta Y (pendiente positiva).

Relación inversa, si al aumentar X, disminuye Y (pendiente negativa).
El método de mínimos cuadrados,
permite estimar los parámetros
mediante:
No influencia
P > 0.05
P < 0.05

Nivel de significancia
= 0.05

El coeficiente de determi-
nación R2, indica la proporción
de la variabilidad de la
variable dependiente que es
explicado por el modelo.
Usualmente se expresa en
porcentaje.
Es usual considerar R2 lo más
cercano al 100%.
Al usar el modelo de regresión lineal
simple se hace un supuesto acerca
de la relación entre X y Y. Después se
usa el método de mínimos
cuadrados para obtener una
ecuación de regresión lineal simple
estimada. Si existe una relación
significativa entre X y Y, y el
coeficiente de determinación indica
que el ajuste es bueno, la ecuación
de regresión estimada es útil para
estimación y predicción.
1. El Servicio de Administración Los datos (en miles de dólares)
Tributaria, considera que el carácter sobre ingreso bruto ajustado y
razonable de las deducciones declaradas el monto promedio o razonable
por un contribuyente depende de su de deducciones declaradas se
ingreso bruto ajustado. Deducciones listan a continuación.
grandes que comprenden donaciones de
X Y
caridad o por atención médica son más
apropiadas para contribuyentes que
tengan un ingreso bruto ajustado grande.
Si las deducciones de una persona son
mayores que las deducciones declaradas
promedio correspondientes a un
determinado nivel de ingresos, aumentan
las posibilidades de que se le realice una
auditoría.
 Coeficiente de
R2 determinación:
El IBA explica el
95.5% de la
variabilidad del
monto de las
deducciones
declaradas
ANÁLISIS DE VARIANZA
Como p=0.000<0.05, se
rechaza Ho, se queda con Ha

Esto indica que IBA tiene

efecto sobre MRDD
 La ecuación de regresión lineal simple estimada

𝑌෠ = 𝑏𝑜 + 𝑏1 𝑋 ෣ = 𝑏𝑜 + 𝑏1 𝐼𝐵𝐴
𝑀𝑅𝐷𝐷

p=0.000<0.05

෣ = 4.677 + 0.161 𝐼𝐵𝐴

𝑀𝑅𝐷𝐷 Esto indica que IBA tiene
efecto sobre MRDD, o lo que es
El monto razonable de las deducciones declaradas representa el lo mismo explica el
16.1% del ingreso. Es decir, por cada unidad de ingreso, indica comportamiento de los montos
que el monto declarado aumenta en 0.161 unidades de las deducciones declaradas
Estimados de MRDD Estimación confidencial
 X Y

Ingreso bruto declarado de $ 70,

¿en cuánto se estima su MRDD?
෣ = 4.677 + 0.161 70
𝑀𝑅𝐷𝐷
= 15.97
2. Una aplicación importante del
análisis de regresión en la contaduría
es la estimación de costos. Partiendo
de datos sobre volumen de
producción (X, independiente) y
costos, (Y, dependiente) y empleando
una ecuación de regresión estimada
que relacione ambos datos, un
contador puede calcular los costos
correspon-dientes a un determinado
volumen de producción.
Considere la siguiente muestra de
datos sobre volumen de producción y
costo total de una operación de
manufactura.
El 95.9% de la
variabilidad
del costo total
es explicada
por el
volumen de
producción

Aceptar Ha: 1 ≠0.

Lo que indica que
el volumen de
producción explica
el costo total
 La ecuación de regresión lineal simple estimada

𝑌෠ = 1246.667 + 7.600𝑋

Aceptar Ha: 1≠0.

Lo que indica que
el volumen de
El costo total aumenta en $ 7.6 por unidad producida producción explica
el costo total
LA ESTADÍSTICA
EN ACCIÓN

Los datos siguientes muestran la

estimación del valor justo (Fair
Value) de Morningstar y el
precio por acción (Share Price)
de 28 empresas (Company). El
valor justo es una estimación del
valor de una empresa por
acción que considera
pronósticos de crecimiento,
rentabilidad, riesgo y otros
factores de las compañías para
los próximos cinco años. Hacer
análisis de regresión.
 El análisis de
regresión Los conceptos de modelo de regresión y ecuación
múltiple estudia de regresión simple son aplicables al caso de la
la relación de regresión múltiple, cuya ecuación está dada por:
una variable
dependiente y
con dos o más
variables
independientes. Los supuestos del modelo de regresión se
En términos mantienen, y se incrementan en el análisis de
generales, suele regresión lineal múltiple. Por lo que, el proceso de
utilizarse p para análisis que se realizará mantiene similar
denotar el estructura, y nuevamente se empleará el
número de programa SPSS.
estas últimas.
Para ilustrar el análisis de regresión múltiple se utilizará Al tratar de
el problema de Butler Trucking Company, una empresa identificar otra
que se dedica al transporte de objetos y mercancías. Su variable
actividad principal es hacer entregas en su área local. independiente, los
Para mejorar el horario de trabajo, los gerentes gerentes
deseaban estimar el tiempo total de recorrido diario encontraron que el
necesario para efectuar las entregas. número de
Al principio, los gerentes creyeron que el tiempo total de entregas (X2,
recorrido diario estaba estrechamente relacionado con number of
el número de millas recorridas para realizar las entregas. deliveries) podía
A partir de una muestra aleatoria simple de 10 contribuir también
repartidores con asignación de recorrido (Driving a la duración total
Assignment). Al analizar la relación entre tiempo total de del recorrido.
recorrido y en horas (Y, Travel Time/hours) y el número Los datos se dan
de millas recorridas X1 (Miles Traveled), encontraron en la tabla.
que el modelo de regresión lineal simple era
insuficiente.
Datos de Butler Trucking Company
 Coeficiente de
determinación:
Las variables X1 y
X2 explican el
R2 90.4% de la
variabilidad de Y.

Ho: 1=2=0
Ha: No todos son cero

La Ho es rechazada (p=0.000 < 0.05), y

se acepta Ha. Esto indica que al menos
una de las variables X´s influye sobre Y.
Ecuación estimada Las pruebas, ahora, complementan
𝑌෠ = −0.869 + 0.061 𝑋1 + 0.923 𝑋2 el análisis de varianza

2
2

Se rechaza Ho en cada una de las hipótesis, indicándose que se acepta

Ha en cada caso, lo que significa que tanto X1 como X2 influyen sobre Y.
 b1=0.61
b2=0.923

Cuando X1 aumenta en una unidad, Y aumenta en b1=0.61, siempre

que X2 no cambie. Así, cuando X2 aumenta en una unidad, Y
aumenta en 0.923, siempre X1 no cambie
La empresa Venagra, relacionada con la venta de X1 = resultado de una
instrumentos para la agricultura, ha sufrido en prueba de aptitud para las
estos últimos meses una baja en las ventas de sus ventas, en una escala del 0
productos. Después de varias reuniones entre los al 100 (prueba)
directivos de las diferentes secciones se ha X2 = edad en años (edad)
X3 = experiencia en años
determinado que un estudio de los diversos
(experiencia)
factores relacionados con los vendedores, y que X4 = promedio de las
podrían explicar la variabilidad de las ventas calificaciones de la
que se realizan, ayudaría en las decisiones a escuela secundaria
tomar para la solución de este problema. Para (promedio)
ello, el gerente de personal ha decidido usar las El gerente de
ventas del último mes como la variable personal tomó una
dependiente (Y) y como variables muestra de 30 casos
independientes, que podrían explicar a la y los datos fueron los
variable dependiente, a las siguientes: siguientes:
Datos de la
empresa
agrícola
 Coeficiente de
determinación:
Las variables X1,
X2, X3 y X4
explican el 81.1%
de la variabilidad
de las ventas.

Ho: 1=2=3=4=0
Ha: No todos son cero

La Ho es rechazada (p=0.000 < 0.05), y se acepta Ha. Esto indica

que al menos una de las variables X´s influye sobre las ventas Y.
Ecuación estimada
𝑌෠ = −28.169 + 0.210 𝑋1 + 0.064 𝑋2 + 2.173 𝑋3 + 5.052 𝑋4

Las variables independientes que influyen sobre las ventas son

prueba, experiencia y el promedio. La edad no influye en las ventas
(p=0.905 > 0.05).
Ecuación estimada
𝑌෠ = −26.777 + 0.211 𝑋1 + 2.184 𝑋3 + 5.076 𝑋4
LA ESTADÍSTICA
EN ACCIÓN
La empresa EMCO opera El gerente de comercialización, con el fin de
200 tiendas en diferentes enfrentar el problema que ha ocasionado el
lugares del país para la descenso de las ventas, ha determinado que es
venta de electrodomés- necesario un estudio estadístico que permita
ticos para el hogar. Los determinar las variables que pueden explicar
últimos informes indican la variabilidad de las ventas, como parte del
que la curva de ventas análisis general, y es así como después de una
mensuales Y, en miles de serie de reuniones con los conocedores del
dólares, ha descendido a negocio ha determinado que las siguientes
tal punto que ha tenido variables podrían explicar las ventas:
que cerrar algunas de las
tiendas que regenta, en
perjuicio de un buen
número de empleados
que han sido despedidos.
Datos de la
tienda
Una serie de tiempo es el comporta-
miento de una variable a través del
tiempo.
En ese proceso, la serie puede
descomponerse en:
• Tendencia
• Movimientos estacionales
(periodos menores de 1 año)
• Variaciones cíclicas (periodos
mayores a 1 año)
• Movimientos aleatorios
(imprevistos: huelgas, terremotos,
etc)
El análisis de regresión
lineal simple se empleará
para analizar la tendencia
y pronosticar la series.
Es posible ver la
tendencia de series del
Banco Central de Reserva
del Perú, como IPC,
inflación, tasa de cambio,
entre otras.
 La ecuación de regresión lineal simple estimada

𝑌෠ = 129.968 + 0.207 𝑡

El IPC de Lima Metropolitana aumenta mensualmente

0.207, en el periodo octubre 2018 a setiembre 2020