ADMINISTRACIÓN DE LA

PRODUCCIÓN
Curso Ingeniería Comercial
Pronóstico de la demanda

Profesora: Dra.Virna Ortiz Araya

 Casos de estudio
 Entrevista sobre pronósticos
 https://www.youtube.com/watch?v=yUs8_eVHI
rk
 ¿Depende el tamaño de la empresa para
decidir el tipo de pronóstico?
 ¿Porqué es necesario pronosticar?
 ¿Cuáles son las consecuencias de que el
encargado de pronosticar no realice bien su
trabajo?
 ¿Cuál es la manera más cara de pronosticar?
Caso empresa Alemana

 https://www.youtube.com/watch?v=6WjK
TvKf-Ao
 ¿Qué factores externos e internos se ven
afectados en esta situación?
 ¿Cuál es clima del negocio?
 ¿Qué pasa con la demanda?
 ¿Se puede estimar la demanda?
¿Cómo descubren fraude en
pronóstico?
 https://www.youtube.com/watch?v=DLV0f
dWxGE8
 ¿Qué ocurrió en este caso?
 ¿Cuál fue el causal del problema?
Caso Obras de Arte
 https://www.youtube.com/watch?v=YNU
Y981nWEg
 ¿Cómo pronostican en las ventas de
piezas de arte?
 ¿Cuáles son las técnicas que utilizan para
vender?
Previo
Un tema relevante dentro de la Gestión de
Operaciones es contar con un adecuado
pronóstico de la demanda.

Permite tomar decisiones en el largo plazo

asociadas a planes de expansión, diseño de
procesos, creación de nuevos productos,
capacidad instalada de una planta, ubicación
de nuevas oficinas de atención de clientes, etc.
 Contenidos
 Introducción:
◦ ¿Qué es el pronóstico?
◦ Horizontes temporales del pronóstico.
◦ La influencia del ciclo de vida del producto.
 Tipos de Pronósticos
 Enfoques de los pronósticos
◦ Visión global de los métodos cualitativos
◦ Visión global de los métodos cuantitativos
 Pronóstico de Series de tiempo
◦ Descomposición de una serie temporal
◦ Enfoque simple
◦ Medias móviles
◦ Suavizamiento exponencial
 Métodos de pronóstico causal: análisis de regresión y correlación.
 “Forecasting future events is often like
searching for a black cat in an unlit room, that
may not even be there” (Steve Davidson in
The Crystal Ball).

“La previsión de eventos

futuros es a menudo
como la búsqueda de un
gato negro en una
habitación oscura, que
ni siquiera puede estar
allí”.
El pronóstico de la
demanda

 El análisis histórico del comportamiento de

la demanda se realiza para estudiar la
evolución del pasado a fin de pronosticar el
comportamiento futuro, con un margen
razonable de seguridad.
 No es extrapolar una tendencia, sino
estudiar los posibles factores que afectan esa
tendencia.
Factores que afectan la demanda

 Cambios en las políticas económicas.

 Sustitución del producto.
 Complementación del producto.
 Comportamiento estacionario.
 Cambios en la estructura de la población.
 Modificaciones significativas de volumen.
 Coyunturas internacionales.
Pronosticar

 Es el arte y ciencia de predecir los eventos del futuro.

 Los pronósticos han recorrido un largo camino desde la
magia negra, la predicción de la fortuna por medio de las
estrellas, las hojas de té o las bolas de cristal.
 Modelación matemática.
 Predicción subjetiva.
 Base de todas las decisiones empresariales:
◦ Producción.
◦ Inventario.
◦ Personal.
◦ Instalaciones.
◦ Presupuesto.
 Marco conceptual
 Los pronósticos se refieren a lo que se
cree que sucederá en el futuro. La
planeación, por su parte, considera lo que
debería suceder en el futuro.
 Existen diversas herramientas
informáticas para pronosticar demanda,
clima, entre otros temas.
 Excel es una buena ayuda para calcular
pronóstico.
https://www.youtube.com/watch?v=ccolcek_umQ Excel
Tipos de pronóstico
 Cualitativos
◦ De carácter subjetivo
◦ Basado en estimaciones y opiniones.
◦ Programación de trabajos, asignación de tareas.
 Análisis de series de tiempo
◦ Utilización de datos relacionados de periodos anteriores.
◦ Componentes: tendencia, estacionalidad y ciclos.
 Relaciones causales
◦ Supone demanda relacionada con una o más causas
◦ Regresión lineal y regresión Multilineal
 Simulación
◦ Modelos complejos simulados en computador
◦ Modelos dinámicos
 Técnicas y modelos comunes
 Cualitativos
◦ Método Delphi
◦ Investigación de Mercado
◦ Consenso grupal: Intercambio abierto en reuniones
◦ Analogía histórica: Relaciones con artículo similar
◦ Niveles inferiores de la organización: Datos de vendedores
 Series de tiempo
◦ Promedio Móvil Simple
◦ Promedio Móvil Ponderado
◦ Suavizamiento exponencial
◦ Análisis de regresiones de tiempo
◦ Técnica Box Jenkins
◦ Series de tiempo de Shiskin: Descomponer series de
tiempo en estacionalidad
 Tipos de horizontes temporales del
pronóstico
 Pronóstico a corto plazo:
◦ Cobertura de hasta un año, generalmente inferior a
los tres meses.
◦ Programación de compras, trabajos, asignación de
tareas.
 Pronósticos a medio plazo:
◦ Entre tres meses y tres años.
◦ Planificación de las ventas, de la producción y del
presupuesto.
 Pronósticos a largo plazo:
◦ Periodos superiores a tres años.
◦ Planificación de nuevos productos, localización de las
instalaciones, desembolso de capital.
 Pronósticos de corto plazo frente a
Pronósticos de largo plazo
 Los pronósticos a medio y largo plazo tratan
de asuntos más extensos, y apoyan las decisiones
de gestión que conciernen a la planificación y
los productos, las plantas y los procesos.
 Los pronósticos a corto plazo normalmente
emplean metodologías diferentes a las anteriores,
utilizan técnicas matemáticas como las medias
móviles, alisado exponencial y
extrapolación.
 Los pronósticos a corto plazo tienden a ser más
exactos que los realizados a largo plazo. Al
aumentar el horizonte temporal disminuye la
fiabilidad de la previsión.
 Usos y Métodos de los Pronósticos
en decisiones de Operaciones
Usos Horizonte Exactitud Número Nivel Métodos de
de tiempo necesaria de gerencial pronóstico
productos
Diseño del Largo Media Uno o Alto Cualitativos y
proceso pocos casuales
Planeación de la Largo Media Uno o Alto Cualitativos y
capacidad de las pocos casuales
instalaciones
Planificación Mediano Alta Pocos Mediano Casuales y
agregada Series de
tiempo
Programación Corto La más alta Muchos Más bajo Series de
tiempo
Administración de Corto La más alta Muchos Más bajo Series de
inventarios tiempo
La influencia del ciclo de
vida del producto
 Las etapas de introducción y crecimiento
necesitan pronósticos más largos que las
etapas de madurez y declive.
 Los pronósticos son útiles para proyectar
◦ diferentes tipos de personal,
◦ diferentes niveles de inventario,
◦ diferentes niveles de capacidad de producción,
 mientras el producto pasa de la primera a
la última etapa.
Estrategia durante el ciclo de vida
de un producto
 Tipos de Pronósticos

 Pronósticos económicos:
◦ Dirigidas al ciclo económico, por ejemplo, las
tasas de inflación, la masa monetaria, el PIB, etc.
 Pronósticos tecnológicos:
◦ Predicen el progreso tecnológico.
◦ Predicen el nacimiento de nuevas ventas.
Ejemplo: motores de hidrógeno, energía solar.
 Pronósticos de demanda:
◦ Predicen las ventas de productos ya existentes.
Etapas del proceso de
Pronóstico
 Determinar el objetivo del pronóstico.
 Seleccionar los artículos sobre los que se va
a realizar el pronóstico.
 Determinar el horizonte temporal del
pronóstico.
 Seleccionar el(los) modelo(s) de
pronóstico.
 Realizar el pronóstico.
 Validar e implementar los resultados.
Demanda de un producto representada en un
periodo de 4 años con tendencia de
crecimiento y estacionalidad
Demanda real frente a los métodos de
media móvil y media móvil ponderada.
 Realidades sobre el pronóstico
 Raras veces los pronósticos son perfectos.
Influencia de factores externos.
 La mayoría de las técnicas de pronóstico
asumen que existe cierta estabilidad
sostenida en el sistema.
 Tanto las predicciones de familias de
productos como las predicciones en
conjunto son más precisas que los
pronósticos de productos individuales.
Métodos cualitativos Métodos cuantitativos

 Se emplean cuando la  Se emplean cuando la

situación no es clara y hay situación es “estable” y
pocos datos: existen datos “históricos”:
◦ Productos nuevos. ◦ Productos existentes.
◦ Nueva tecnología. ◦ Tecnología actual.
 Requiere intuición y  Utilizan modelos
experiencia: matemáticos:
◦ Por ejemplo, el pronóstico de ◦ Por ejemplo, el pronóstico de
las ventas a través de internet. las ventas de televisores.

En la práctica, las empresas utilizan una combinación de los dos enfoques.

Enfoques del pronóstico

Métodos Cualitativos
 Jurado de opinión ejecutiva:
◦ Se agrupan las opiniones de un grupo de expertos de alto
nivel o de directivos, a menudo en combinación con modelos
estadísticos.
 Proposición de personal comercial:
◦ Las estimaciones de las ventas esperadas por los vendedores
se revisan para ver si se pueden llevar a cabo y luego obtener
un pronóstico global.
 Método Delphi:
◦ Proceso de grupo que permite la realización de los
pronósticos a través de un grupo de toma de decisiones con
base en las opiniones de otro grupo de personas.
 Estudio de mercado del consumidor:
◦ Requiere información de los clientes o consumidores
potenciales.
Jurado de opinión
ejecutiva

 Requiere un pequeño grupo de directivos:

◦ El grupo establece una estimación conjunta de
la demanda.
 Combina la experiencia directiva con
modelos estadísticos.
 Es bastante rápido.
 Desventaja:“pensamiento de grupo”.
Proposición de personal comercial

 Cada vendedor estima las ventas

que hará.
 Se revisan las previsiones para
definir si se pueden llevar a cabo.
 Se combinan con los pronósticos a
niveles de distritos y con las
nacionales.
 El representante de ventas conoce
las necesidades de los
consumidores.
 Tiende a ser bastante optimista.
 Método Delphi

 Proceso de grupo iterativo.

 3 tipos de participantes: los que toman
decisiones, el personal de plantilla y los
que responden.
 Reduce el “pensamiento en grupo”.
 Coteja opiniones para llegar a un
consenso en varias iteraciones de
opiniones – respuestas.
 Estudio de mercado

 Preguntar a los consumidores sobre sus

futuros planes de compra.
 Lo que dicen los consumidores y lo que
luego hacen suele diferir.
 A veces es difícil contestar a las preguntas
del estudio.
 Es útil para mejorar el diseño de un
producto y planificar nuevos productos.
Métodos Cuantitativos

 Enfoque simple
Modelos de
 Medias móviles series temporales

 Suavizamiento exponencial
 Proyección de tendencia

 Regresión lineal Modelos

asociativos o
 Regresión lineal con causales

estacionalidad
 Pronósticos por Serie de Tiempo
 Es una secuencia de datos uniformemente espaciada:
Se obtiene observando las variables en
periodos de tiempo regulares.
 Se utilizan para hacer análisis detallados de los
patrones de demanda en el pasado, a lo largo del
tiempo y para proyectar estos patrones hacia el
futuro.
◦ Se supone que los factores que han influenciado
en el pasado lo siguen haciendo en el futuro.
 Suposición básica: la demanda se puede dividir en
componentes como nivel promedio, tendencia,
estacionalidad, ciclos y error.
Pronósticos por Series de Tiempo
 La estrategia básica que se utiliza en los
pronósticos por series de tiempo, es identificar
la magnitud y la forma de cada uno de los
componentes basándose en los datos
disponibles del pasado. Estos componentes
(con excepción del componente aleatorio), se
proyectan entonces hacia el futuro.

 Si sólo queda un componente aleatorio

pequeño y el patrón persiste en el futuro, se
obtendrá un pronóstico confiable.
Descomposición de una serie
temporal
Tendencia Ciclos

Serie
Temporal

Estacionalidad Variaciones
aleatorias
 Componentes de una serie
temporal
 Tendencia: es una componente de la serie temporal que refleja su evolución a largo
plazo. Puede ser de naturaleza estacionaria o constante, de naturaleza lineal, parabólica,
exponencial, etc. Ejemplo: Número de kg de carne de vaca consumidos por trimestre
durante los últimos años en unos grandes almacenes.

 Variaciones cíclicas: Es la componente que recoge oscilaciones periódicas de amplitud

superior a un año. Estas oscilaciones periódicas no son regulares y se presentan en los
fenómenos económicos cuando se dan de forma alternativa. Ejemplo: Ventas trimestrales
de un supermercado en el período 1990 – 1994, expresadas en millones de pesetas.

 Variaciones estacionales: Es la componente que recoge oscilaciones que se producen

alrededor de la tendencia, de forma repetitiva y en períodos iguales o inferiores a un año.
Su nombre proviene de las estaciones climatológicas: primavera, verano, otoño e invierno.
Ejemplos: Incremento de ventas en Navidad. El clima afecta a la venta de determinados
productos: helados, ropa de invierno, entre otros.

 Variaciones accidentales o aleatorias: Recoge movimientos provocados por factores

imprevisibles (un pedido inesperado, una huelga, una ola de calor, etc.) También recibe el
nombre de variaciones irregulares, residuales o erráticas. Son de corta duración y no se
repiten.
Ejemplos
 Nº de accidentes laborales graves en las
empresas de más de 500 empleados de
Sevilla, durante los últimos 5 años.
 Ventas de una empresa en los últimos 10
años.
 Cantidad de lluvia caída al día durante el
último trimestre.
Ejemplos
 Nomenclatura
 En el estudio de los pronósticos por serie
de tiempo, se utilizan los siguientes símbolos
y terminología:
Demandas Observadas Pronósticos para el
periodo t
Datos D1 D2 Dt-2 Dt-1 Dt Ft+1 Ft+2 Ft+3

Periodo 1 2 … t-2 t-1 t t+1 t+2 t+3 …

Tiempo presente
 Nomenclatura
 Donde:
◦ Dt : Demanda durante el periodo t
◦ Ft+1: Demanda pronosticada para el periodo t + 1.
◦ et = Dt – F1: error de pronóstico en el periodo t.
◦ At : Promedio calculado hasta el periodo t.
 Modelos de series temporales
 Cualquier valor que aparezca en una serie
temporal es la multiplicación (o suma) de
los componentes de la serie temporal.
 Modelo multiplicativo:
◦ 𝑌𝑖 = 𝑇𝑖 ∗ 𝑆𝑖 ∗ 𝐶𝑖 ∗ 𝑅𝑖 (si los datos son
mensuales o trimestrales).
 Modelo aditivo:
 𝑌𝑖 = 𝑇𝑖 + 𝑆𝑖 + 𝐶𝑖 + 𝑅𝑖 (si los datos son mensuales o
trimestrales).
 Enfoque simple

 Suponer que la demanda en el próximo

periodo será igual a la demanda del periodo
más reciente:
 Por ejemplo, si en mayo hubo 48 ventas, en
junio habrá 48 ventas.
 Es el modelo con la mejor relación eficacia-
costo y eficiencia.
 Sirve como punto de partida para modelos
mas sofisticados.
 Promedio Móvil
 El método más simple para el pronóstico por series de
tiempo es el método del promedio móvil.
 Se utiliza si no hay tendencia o si ésta es escasa. Las
demandas son estables a lo largo del tiempo.
 Se suelen utilizar para suavizar o alizar las irregularidades
a corto plazo en las series de datos.
 En este método se supone que la serie de tiempo tiene
sólo un componente de nivel y un componente aleatorio.
 Cuando se utiliza el promedio móvil se selecciona un
número dado de periodos N para los cálculos. Después
se calcula la demanda promedio At para los periodos N
del pasado al momento t. Esto es:
𝐷 +𝐷 +⋯+𝐷
 𝐴𝑡 = 1 𝑡−1 𝑁 𝑡−𝑁+1
 Promedio Móvil
 Como se supone que la serie de tiempo es
horizontal, el mejor pronóstico para el periodo
t+1 es simplemente una continuación de la
demanda promedio observada a lo largo del
periodo t. De esta manera se obtiene:
 𝐹𝑡+1 = 𝐴𝑡
 Cada vez que se calcula Ft+1, la demanda más
reciente se incluye en el promedio y se quita
de la observación de la demanda más antigua.
 Ejemplo: Pronósticos de promedio
móvil
 Usted es el Director de una tienda de un museo
que vende réplicas. Quiere predecir las ventas del
año 2004 mediante un promedio móvil de 3 años.

Año Ventas (Unidades)

1999 4
2000 6
2001 5
2002 3
2003 7

https://www.youtube.com/watch?v=au8OHq8DZBw
Solución
Solución
Solución
Método de la media móvil ponderada
(MMP)
 Se utiliza cuando se presenta una tendencia:
◦ Los datos anteriores tienen importancia ponderada.
 Las ponderaciones se basan en la intuición y
análisis de datos previos:
◦ Suelen estar entre 0 y 1, y la suma dar “uno”.
◦ Los periodos más recientes suelen ponderarse con
mayor peso.
 Ecuación:
◦ MMP =
σ(𝑝𝑜𝑛𝑑𝑒𝑟𝑎𝑐𝑖ó𝑛 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑛)(𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑛)
σ 𝑝𝑜𝑛𝑑𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠
Demanda actual, media móvil y
media móvil ponderada
Inconvenientes de los métodos de
media móvil

 Al aumentar n veces, los pronósticos son

menos sensibles a los cambios.
 No es posible predecir bien la tendencia.
 Se necesitan muchos datos históricos.
 El horizonte de proyección es corto.
 Suavizamiento exponencial
 Es una técnica de pronóstico de media móvil
ponderada:
◦ Las ponderaciones disminuyen exponencialmente.
◦ Se ponderan más los datos más recientes.
 Se necesita una constante de Suavizamiento ():
◦ Toma valores entre 0 y 1.
◦ Se escoge de forma subjetiva.
◦ Mayor : Pondera más la demanda reciente, el periodo
reciente.
◦ Menor : Pondera poco la demanda reciente. Le da peso
a demandas anteriores.
 Necesita una cantidad reducida de datos históricos.
 Suavización exponencial
 Se basa en la idea de que es posible calcular un
promedio nuevo a partir de un promedio anterior y
también de la demanda más recientemente observada.
 Formalización:
 𝐹𝑡 = 𝛼𝐴𝑡−1 + 𝛼 1 − 𝛼 𝐴𝑡−2 + 𝛼(1 − 𝛼)2 𝐴𝑡−3 + ⋯ +
α 1 − 𝛼 𝑡−1 𝐴0
 Donde:
◦ Ft :Valor del pronóstico.
◦ At :Valor real.
◦ : proporción del peso que se da a la demanda nueva contra
la que se da al promedio anterior (0≤≤1). Habitualmente
(0,05≤  ≤ 0,50).
◦ 𝐹𝑡 = 𝐹𝑡−1 + 𝛼 𝐴𝑡−1 − 𝐹𝑡−1 Se utiliza para calcular el
pronóstico.
Observaciones
 Si se desea que Ft responda en alto grado
a la demanda reciente, se debe elegir un
valor mayor para .
 En la mayor parte del trabajo de
pronóstico,  recibe un valor que se
encuentra entre 0,1 y 0,3 para que
conserve una estabilidad razonable.
 Ejemplo de Suavizamiento
Exponencial
 Usted está organizando un evento cultural.
Desea predecir el número de personas que
asistirán en el año 2004 mediante el Método de
Suavizamiento exponencial ( =0,10). El
pronóstico para 1999 fue de 175.
Años Asistencia
1999 180
2000 168
2001 159
2002 175
2003 190
2004 ND
Solución mediante suavizamiento
exponencial
Solución mediante suavizamiento
exponencial
Solución mediante suavizamiento
exponencial
Solución mediante suavizamiento
exponencial
Solución mediante suavizamiento
exponencial
Solución mediante suavizamiento
exponencial
Gráfico: Suavizamiento Exponencial

195

190

185

180
Ventas

175
Ventas Real
Pronóstico
170

165

160

155
1998 1999 2000 2001 2002 2003 2004 2005

Años
Efectos en el Pronóstico con respecto
a la constante de Suavizamiento 

La importancia de los periodos antiguos disminuye rápidamente a medida que

aumenta .
 Errores de Pronóstico
 Permite medir el error global del modelo de
pronóstico.
 Error de pronóstico = demanda – pronóstico.
 Se trata de seleccionar el valor de  que
minimice el error de pronóstico, calculado
como:
 La desviación absoluta media (DAM) o
 El error cuadrático medio (ECM)
◦ 𝐷𝐴𝑀 = σ 𝑒𝑟𝑟𝑜𝑟𝑒𝑠 𝑑𝑒𝑛𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜
σ 𝑒𝑟𝑟𝑜𝑟𝑒𝑠 𝑑𝑒 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 2
◦ 𝐸𝐶𝑀 = 𝑛
Suavizamiento exponencial con
ajuste de tendencia
 Se utiliza para dar respuesta a las tendencias
presentes en la demanda.
 Para mejorar la previsión se ajusta el modelo
de alisado exponencial para desfases
positivos o negativos en la tendencia.

◦ 𝑃𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 𝑖𝑛𝑐𝑙𝑢𝑦𝑒𝑛𝑑𝑜 𝑙𝑎 𝑡𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 𝑃𝐼𝑇𝑡 =

𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 𝑎𝑙𝑖𝑠𝑎𝑑𝑎 𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙𝑚𝑒𝑛𝑡𝑒 𝐹𝑡 +
tendencia suavizada exponencialmente (𝑇𝑡 )
 Suavizamiento exponencial con
ajuste de tendencia
 𝐹𝑡 = 𝛼 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑟𝑒𝑎𝑙 𝑑𝑒𝑙 ú𝑙𝑡𝑖𝑚𝑜 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 + (1 −
 Nomenclatura
Símbolo Significado
Ft Pronóstico suavizado exponencialmente de la serie de datos en el
periodo t.
Tt Tendencia suavizada exponencialmente en el periodo t.
At Demanda real en el periodo t.
 Constante de Suavizamiento para la media (0≤ ≤ 1)
 Constante de Suavizamiento para la tendencia (0≤ ≤ 1)
Demanda real y línea de tendencia
Método de mínimos cuadrados
Demanda real y línea de tendecia
Análisis de regresión lineal

 Se usa para prever la línea de tendencia.

 Supone una relación entre la variable de
respuesta, “Y”, y el periodo de tiempo,
“X”, que es una función lineal:
𝑌෠𝑖 = 𝑎 + 𝑏𝑋𝑖
 Se calcula mediante el método de los
mínimos cuadrados:
◦ Minimiza la suma de errores cuadrados.
Modelo del análisis de regresión
lineal
Diagrama de dispersión
Ecuaciones de mínimos cuadrados
 Ecuación:𝑌෠𝑖 = 𝑎 + 𝑏𝑋𝑖
σ𝑛 ഥ𝑦
𝑖=1 𝑥𝑖 𝑦𝑖 −𝑛𝑥 ഥ
 Pendiente: 𝑏 = σ𝑛 𝑥 2
𝑖 −𝑛𝑥 ഥ 2
𝑖=1
 Corte con el eje Y: 𝑎 = 𝑦ത − b𝑥ҧ
 Tabla de cálculo:
 Ejemplo de análisis de regresión
lineal
 Usted es el analista de marketing de SQT,
compañía japonesa productora de piezas
mecanizadas de alta precisión. Obtuvo los
siguientes datos:
Año Ventas (unidades)
1999 1
2000 1
2001 2
2002 2
2003 4

¿Cuál es la ecuación de tendencia?

 Modelo de pronóstico del análisis
de regresión lineal
 Usted está realizando el análisis de marketing de
SQT. Al utilizar años codificados, halla que la
ecuación de regresión es la determinada en el ajuste.
Ventas vs años
4,5

3,5 y = 0,7x - 1398,7

R² = 0,8167
Unidades

2,5

1,5

0,5

0
1998,5 1999 1999,5 2000 2000,5 2001 2001,5 2002 2002,5 2003 2003,5

Años

Determine el pronóstico para el año 2004.

Correlación
 El coeficiente de
correlación se
identifica
normalmente
como r o R.
 Los valores varían
entre -1 y +1.
 Mide el grado de
asociación.
 Medidas de Eficiencia de la
Estimación
 Coeficiente de Correlación.
 Es una medida de la asociación entre las
variables aleatorias X e Y.
𝐶𝑜𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑋,𝑌 𝑆𝑥𝑦
 𝑅= 𝑆𝑥 𝑆𝑦
=
𝑆𝑥 𝑆𝑦
ഥ 𝑌 −𝑌
σ 𝑋𝑖 −𝑋 ഥ
 𝑆𝑥𝑦 = 𝑛
𝑖

ഥ 2
σ 𝑋𝑖 −𝑋
 𝑆𝑥 = 𝑛

ഥ 2
σ 𝑌𝑖 −𝑌
 𝑆𝑦 = 𝑛
 Fórmula del coeficiente de
correlación
𝑛 σ𝑛 𝑥 𝑦
𝑖=1 𝑖 𝑖 − σ𝑛 𝑥 σ𝑛 𝑦
𝑖=1 𝑖 𝑖=1 𝑖
 𝑟=
𝑛 σ𝑛 𝑛 𝑥 2 𝑛 σ𝑛 𝑦 2− σ𝑛 𝑦
2 2
𝑥 − σ
𝑖=1 𝑖 𝑖=1 𝑖 𝑖=1 𝑖 𝑖=1 𝑖

 Valores del coeficiente de correlación

Coeficiente de correlación y
modelo de regresión