MATERIA

Métodos cuantitativos para los negocios

DOCENTE

Dr. Manuel Aguilar

ACTIVIDAD

Proyecto integrador final

1
 Etapa 1

1.1 Información de la empresa

Es una empresa dedicada a brindar soluciones integrales de salud a través de sus 3
unidades de negocio:
• Infraestructura
• Proyectos de asociación pública y privada
• Servicios médicos

Esta última unidad contempla entre otras áreas, la parte de laboratorio en donde
se brindan insumos como reactivos para realizar análisis clínicos como: glucosa,
colesterol, ácido úrico y 24 análisis más.

El uso del reactivo tiene un margen de 30 días, por lo que, al exceder dicho
tiempo, queda inutilizable y es desechado por la organización.

1.2 Planteamiento del problema

Al suscitarse la pandemia de COVID-19 (situación que no se contemplaba),

la solicitud de muestras se disparó por parte del hospital ya que aumentó la
demanda, pasando de 180,000 a 356,275 muestras, ocasionando una diferencia de
176,175 muestras que no se tenían estipuladas tanto en la licitación como en el
contrato.

Tomando en cuenta que el costo unitario de producción por muestra es de $

3.76 MXN y el precio de venta de $ 27.00 MXN, se calculan que tuvo el siguiente
impacto para la empresa en esta licitación:

• $ 662,418.00 MXN pérdida en producción

• $ 4’094,307 MXN de NO ganancia
Esta última causó frustración en el dueño de la empresa, ya que la “no ganancia”
impactó en futuras inversiones, liquidación de deudas e incluso pago de bonos a los
empleados que trabajaron horas extras para responder ante el incremento de la
demanda.

2
1.3 Fines del proyecto

Conocer el comportamiento de la demanda en el año 2021 y 2021, tomando como

referencia los meses (periodos) de los años 2018, 2019, 2020 y los meses de enero
a marzo de 2021, para lo cual se establecen los siguientes objetivos:

• Calcular la cantidad de muestras que producirá la empresa para 2021 y 2022,

considerando la nueva demanda en función del comportamiento de la
pandemia.

1.4 Metodología

Tomando en cuenta el objetivo del proyecto integrador fase 1, se utilizará el

método de regresión lineal simple ya que el problema planteado consta de 2
variables y existe una relación muy estrecha ente ellas, así como una tendencia en
línea recta.

• La cantidad de muestras (variable dependiente “y”)

• El periodo de la demanda de muestras (variable independiente “x”)

Se considera también que se utilizará programación lineal como práctica de

modelado, ya que involucra el análisis de datos para poder sacar la máxima utilidad
y minimizar los costos de los recursos. (Render, Stair, Jr., & Hanna, 2012)

En la siguiente tabla de observa la demanda mensual que se tuvo en de 2018 a

inicios de 2021, la cual será la base para analizar el comportamiento de las
variables:

DEMANDA
AÑO MES PERIODO
(MUESTRAS)
Enero 1 10,862
Febrero 2 11,236
Marzo 3 12,485
2018
Abril 4 12,698
Mayo 5 10,983
Junio 6 11,283

3
 Julio 7 12,486
Agosto 8 11,569
Septiembre 9 10,698
Octubre 10 10,569
Noviembre 11 11,453
Diciembre 12 11,596
Enero 13 12,365
Febrero 14 11,593
Marzo 15 15,869
Abril 16 14,895
Mayo 17 11,563
Junio 18 15,623
2019
Julio 19 15,862
Agosto 20 14,763
Septiembre 21 13,569
Octubre 22 12,596
Noviembre 23 12,369
Diciembre 24 10,186
Enero 25 16,895
Febrero 26 19,658
Marzo 27 19,863
Abril 28 26,610
Mayo 29 31,249
Junio 30 30,509
2020
Julio 31 30,987
Agosto 32 29,656
Septiembre 33 29,414
Octubre 34 31,526
Noviembre 35 31,894
Diciembre 36 34,167
Enero 37 48,625
2021 Febrero 38 53,697
Marzo 39 48,629

En el siguiente gráfico se muestra el comportamiento de la demanda por

periodo, la cual incrementó a partir de finales de 2019.

4
 Comportamiento de la demanda de muestras
60,000

50,000

40,000

30,000

20,000

10,000

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
DEMANDA (MUESTRAS)

De acuerdo con esta información presentada de 2020, en la fase 2 se

desarrollará el modelo de regresión lineal simple para estimar la demanda los
siguientes periodos (2021 y 2022) y de esta manera cumplir con el objetivo
desarrollado en el punto 3.

5
 Etapa 2

2.1 Desarrollo del modelo “Regresión lineal con series de tiempo”

En función al planteamiento que se realizó en el proyecto integrador etapa 1,

analizamos los datos para conocer la dispersión de estos en función de la demanda y los
periodos. Así mismo el gráfico nos sirve para comenzar con la investigación de la relación
entre las variables. (Render, B., Stair, R, Hanna, M, 2012)

DEMANDA (MUESTRAS)
60,000

50,000

40,000

30,000

20,000

10,000

0
0 5 10 15 20 25 30 35 40 45

Utilizaremos la siguiente fórmula para calcular la regresión lineal simple:

Imagen 1. Fórmula d estimación de la intersección y la pendiente

Fuente. Render, B., Stair, R, Hanna, M. (2012). Métodos Cuantitativos para los Negocios

Esto conlleva a que debemos conocer la intersección y la pendiente de la demanda en

función a los periodos de tiempo (meses), para esto calculamos con las siguientes formulas:

6
 Fuente. Render, B., Stair, R, Hanna, M. (2012). Métodos Cuantitativos para los Negocios.

En la siguiente tabla se muestran los cálculos para cada periodo, utilizando las fórmulas
anteriormente descritas.

AÑO Y (muestras) X
(período)

(𝑥−𝑥)2 (𝑋−𝑋)(𝑌−𝑌)
2018 10,862 1 361 174,864

11,236 2 324 158,929

12,485 3 289 128,867

12,698 4 256 117,878

10,983 5 225 136,236

11,283 6 196 122,953

12,486 7 169 98,532

11,569 8 144 101,957

10,698 9 121 103,041

10,569 10 100 94,964

11,453 11 81 77,511

11,596 12 64 67,755

2019 12,365 13 49 53,903

7
 11,593 14 36 50,834

15,869 15 25 20,982

14,895 16 16 20,682

11,563 17 9 25,507

15,623 18 4 8,885

15,862 19 1 4,203

14,763 20 0 0

13,569 21 1 -6,496

12,596 22 4 -14,939

12,369 23 9 -23,089

10,186 24 16 -39,518

2020 16,895 25 25 -15,852

19,658 26 36 -2,444

19,863 27 49 -1,417

26,610 28 64 52,357

31,249 29 81 100,653

30,509 30 100 104,436

30,987 31 121 120,138

29,656 32 144 115,087

29,414 33 169 121,532

31,526 34 196 160,449

31,894 35 225 177,429

34,167 36 256 225,626

2021 48,625 37 289 485,513

53,697 38 324 605,369

48,629 39 361 542,709

Totales 782,550 780 4,940 4,276,026 Reemplazando los valores a los

componentes de las fórmulas planteadas tenemos:

8
Para la intersección y la pendiente calculamos:

2.2 Ecuación de regresión lineal estimada

Derivado de lo anterior, se determinó que la ecuación para la regresión lineal estimada ese
calcula de la siguiente manera:

Es decir, pronóstico = 2753.54 (ventas) + 865.59 (período)

Si el periodo a calcular es el 40 (abril 2020), entonces tendríamos que reemplazar el valor
de “x” (periodo 40) y nos da un valor anticipado de 37,377.14 muestras.

9
Esta ecuación de regresión lineal la podemos comprobar directamente con el gráfico de
dispersión y se determina en relación a las variables (demanda – muestras y periodo) en
automático.

DEMANDA (MUESTRAS)
60,000

50,000
y = 865.59x + 2753.5
R² = 0.7018
40,000

30,000

20,000

10,000

0
0 5 10 15 20 25 30 35 40 45

Gráfico 3. Diagrama de dispersión con ecuación de regresión lineal.

Fuente. Elaboración propia.

Para obtener la medición del ajuste del modelo de regresión, se creó la última columna;

que es donde se observa la fórmula , donde esta mide la variación

total de “Y” alrededor de la media. (Render, B., Stair, R, Hanna, M, 2012)

10
Medición total de Y alrededor de la media:

SCT = 5, 274, 174,985

Variabilidad de Y alrededor de la recta de regresión:

11
SCE = 1, 572, 879,772

Suma de cuadrados debido a la regresión:

SCR = 3, 701, 275,478

2.3 Coeficiente de determinación

El coeficiente de determinación se determina con la fórmula:

2 =SCR=1−SCE SCT SCT

por lo tanto, se obtuvo que:

Esto quiere decir que el 70% de la variabilidad de las muestras clínicas se explica por la
ecuación de regresión basada en el período (x).

2.4 Coeficiente de correlación

Enseguida del coeficiente de determinación, calculamos la fuerza de la regresión lineal, con

la fórmula:

El resultado del coeficiente es: 0.837719139 por lo que determinamos que la pendiente es
positiva.

2.5 Análisis de datos

Los cálculos y resultados que se desarrollaron en el modelo de regresión lineal los

confirmamos con la herramienta de análisis de datos que Excel nos proporciona, y en efecto,
los resultados coinciden.

12
el modelo de regresión lineal permite calcular el pronóstico de muestras de los meses que
restan de 2021 y todo 2022. A continuación de observan los pronósticos por período (mes):

13
Conclusión

En base al análisis, el modelo implementado y los resultados obtenidos, podemos concluir

que para la empresa este 2021 y 2022 la demanda de muestras incrementará con el paso
del tiempo, de tal forma que el punto máximo en diciembre se estima de 44,301 muestras y
para 2022 de 54,688 muestras.

Con esta información, la dirección general decidirá si realiza un adendum al contrato por las
muestras clínicas estimadas en los pronósticos y si mantiene el precio estipulado en el
contrato.

Con la demanda pronosticada deberá:

1. Prever y planificar el incremento de la producción de muestras

2. Solicitar suministro de insumos (reactivo) con base en la demanda
pronosticada
3. Planear el incremento de personal y/o eficientar procesos que le permitan
satisfacer la demanda de las muestras clínicas.

14
Referencias

Anderson D. Sweeney D, y Williams T. (2008). Estadísica para administración y economía.

Lind, D., Marchal, W., Wathen, S. (2012). Estadistica aplicada para los negocios y la economía.

Render, B., Stair, R, Hanna, M. (2012). Métodos Cuantitativos para los Negocios.

15