Predicción con Modelos de Series de

Tiempo, Regresión Lineal y

Regresión Lineal Múltiple

Cursante:

Prof

Abril, 05 de 2020
 Muebles VITEFAMA

ESTRUCTURA ORGANIZATIVA

GERENTE GENERAL

DEPARTAMENTO DE
RECURSOS HUMANOS

DEPARTAMENTO DE
DEPARTAMENTO DE DEPARTAMENTO DE DEPARTAMENTO DE
INVESTIGACIÓN Y
PRODUCCIÓN COMERCIALIZACIÓN FINANZAS
DESARROLLO

Las funciones elegidas dentro de la estructura organizativa de muebles

VITEFAMA, se escogen

DEPARTAMENTO DE RECURSOS HUMANOS

 Operarios: Se aplicó un estudio a seis obreros que cumplen funciones en el

área de producción (operarios) para poder valorar la eficiencia de cada uno de
ellos. Los factores a considerar son eficacia, puntualidad y habilidad, en base
a esta información fueron sometidos a varias pruebas para medir su eficiencia,
de allí que la variable dependiente es la eficiencia y las independientes
puntualidad y habilidad dentro de un rango del 0-40 Puntos.

Y^ =bo +b 2 X 2 +b 3 X 3 … . α

En donde;

Y^ =Eficiencia

b o=Constante o intersección con Y

b 2 , b3 =Coeficiente de regresión neta

X 2 =¿ Puntualidad

X 3 =¿ Habilidad

El análisis de regresión lineal comprendía dos variables y del proceso de

minimización resultaban dos ecuaciones. Ahora se deben resolver tres ecuaciones
para determinar los valores de b2, b3 y b0. Estas son:

∑ Y =no 0+ b2 +b2 ∑ X 2 +b3 ∑ X 3

∑ X 2 Y =b0 ∑ X 2 +b 2 ∑ X 22+ b3 ∑ X 2 X 3
∑ X 3 Y =b0 +∑ X 3 +b2 ∑ X 2 X 3 +b3 ∑ X 23
En tanto que se tienen estos resultados;

Nombre del Valor del

Parámetro Parámetro
-110,30
b0
1,13
b2
3,18
b3

EFICACIA PRONÓSTICO
OPERARI HABILIDAD PUNTUALIDA
DE
O (Y) (X3) D (X2)
EFICIENCIA
1 66 47,5 38  
2 43 21,3 41  
3 36 36,5 34  
4 23 18 35  
5 22 29,5 31  
6 14 14,2 34  
27,8 33.1
    3 35,50 7

Gráficamente;
 f(x) = 0
R² = 0
Pronóstico de Eficiencia
Regresión Lineal Múltiple
12

10

8
Puntualidad

6 EFICACIA
Eficacia

HABILIDAD (X2)
4 Linear (HABILIDAD (X2))
PUNTUALIDAD (X3)
2

0
0 2 4 6 8 10 12
Operarios

Como R es mayor que 0.5 se considera que existe una correlación directa o positiva entre la
eficacia como variable dependiente y las variables independientes habilidad y puntualidad,
ya que estas permiten pronosticar la eficiencia de un operario cuando este alcanza 33.17
puntos en las evaluaciones para ser considerado eficiente, es decir, a partir de esta
puntuación se espera que el operario sea eficiente.

Área de Ventas; El departamento de Recursos Humanos pretende hacer una

selección de nuevos vendedores para lo cual aplica una prueba, con la finalidad
de probar la validez de la misma se aplica a cinco vendedores experimentados de
la empresa la calificación obtenida por cada uno de ellos se compara con las
ventas semanales.

Y^ =bo +b 2 X 2 +b 3 X 3 … . α

En donde;

Y^ =Validez de la prueba

b o=Constante o intersección con Y

b 2 , b3 =Coeficiente de regresión neta

X 2 =¿ Calificación histórica

X 3 =¿ Calificación obtenida

En tanto que se tienen estos resultados;

Nombre del Valor del

Parámetro Parámetro
0,10
b0
0,00
b2
-2,32
b3

CALIFICACIO VENTAS CALIFICACIO VALIDEZ DE

VENDEDO Se considera que la
N OBTENIDA SEMANALE N HISTORICA LA PRUEBA
R
(Y) S (X2) (X3) prueba es válida porque
ya que esta es
5.000,0
1 0,4 0,2 comparada con las
0  
12.000, ventas semanales de
2 0,7 0,5
00   cada vendedor, a su
3 0,3
4.000,0
0,1 vez el resultado a
0   obtener es de 0.42
8.000,0 dentro de los resultados
4 0,6 0,4
0  
de los vendedores.
11.000,
5 0,1 0,6
00  
0,
8.000,00 0,36 42
 Válidez de la Prueba
Regresión Linela Múltiple
14000
CALIFICACION OBTENIDA
(Y)
12000 Linear (CALIFICACION
OBTENIDA (Y))
10000 VENTAS SEMANALES (X2)
Calificación obtenida
Ventas Semanales

8000

6000

4000

2000

0 0.2 0.5 0.1 0.4 0.6

0.5 1 f(x)
1.5= − 0.07
2 2.5 3 3.5
x + 0.63 4 4.5 5 5.5
R² = 0.21

Como R es mayor a 0.5 se considera que existe una correlación

directa positiva entre las ventas semanales y la calificación de
las pruebas

Departamento de Comercialización

 Ventas mensuales

Y^ =bo +b 2 X 2 +b 3 X 3 … . α

En donde;

Y^ =Ventas mensuales , estimado por la ecuación de regresión

b o=Constante o intersección con Y

b 2 , b3 =Coeficiente de regresión neta

X 2 =¿ Publicidad

X 3 =¿ Descuentos por ventas

En tanto que se tienen estos resultados;

Nombre del Parámetro Valor del Parámetro

b0 14.518,0410
b2 1,1619
b3 -296,6150

Bajo las condiciones

VENTAS NETAS
establecidas DESCUENT
se tendrá un PRONÓSTICO
GASTOS
($) O EN DE VENTAS
MES pronóstico de ventas
PUBLICIDAD de
VENTAS ($)
(Y) $10,348.17($) (X2)
(X3)

1 8.035,00 24.502,00 120,00  

2 7.465,00 25.500,00 120,00  

3 8.506,00 26.500,00 125,00  

4 9.529,00 27.500,00 125,00  

5 10.496,00 28.500,00 125,00  

6 18.058,00 28.500,00 100,00  

f(x) = 0
    26.833,67 R² = 0 119,17 10.348,17
Pronóstico Ventas Netas
Regresión Lineal Múltiple
12

10

8
Gastos Publicidad
Ventas Netas

6 Como R es mayor a 0.5 y

menor a 1
VENTAS existe
NETAS
4 Linear (VENTAS NETAS)
correlación directa o
GASTOS PUBLICIDAD
2 positiva; lo que(X2) quiere
decir que si planea
0
0 2 4 6 8 10 incrementar
12 los gastos de
Meses publicidad y otorgar
descuentos las ventas
aumentaran.
DEPARTAMENTO DE FINANZAS

El departamento de finanzas realiza las siguientes actividades:

Planeamiento financiero; Tesorería, pagos (gastos, costos de producción) y

cobros; Contabilidad; Gastos de auditoría interna; Control de gestión
presupuestaria y tributación. De las cuales se seleccionan: Tiempo de producción
por mensual, Tributación y costos de producción. López (2013)

Para la función de tiempo de producción mensual registrado por lote de una mesa

TIEMPO
∑ ¿ 1 xt−1
MES PRONÓSTICO ^x t= t
MENSUAL n
1 624,77 #N/A
2 624,76 #N/A
3 624,75 #N/A
4 624,76 624,7625
^x t= promedio de tiempo mensual
5 624,78 624,7625
6 624,76 Media móvil
624,7725 n
7 700 624,79 624,775 ∑ ¿ sumatoria de datos
8 600 624,77 624,7675 t

9 624,75 624,775
500 xt−1=tiempo real de producción
10 624,79 624,77
11 400 624,77 624,7725 Real
Valor

12 300 624,78 624,78 n=número de datos Pronóstico

200

100
Salazar (2019)
0
1 2 3 4 5 6 7 8 9 10 11
Mediante la aplicación de este
Punto de datos
método se puede observar que
el pronóstico permanece
básicamente en el mismo valor
624,77+ 624,76+624,75 que es lo que se espera para el
^x 4 =
3 próximo periodo de producción;
así mismo se pudo observar que
624,76+624,75+624,76 624,75+624,76+624,78 el tiempo de producción
^x 5= ^x 6=
3 3 disminuye o se mantiene cuando
los trabajadores tienen un buen
uso y ubicación de las
herramientas como
destornilladores, clavos, taladros
de presión aumentaran.
 En esta área de producción solo se pronosticó el tiempo de producción mensual a
través del Promedio Móvil, sin embargo en estos momentos se requiere
pronosticar el tiempo mensual, teniendo en consideración dos variables más
como lo son la cantidad de operarios que participan del proceso de fabricación de
mesas y la cantidad que se espera producir.

Y^ =bo +b 2 X 2 +b 3 X 3 … . α

En donde;

Y^ =cantidad de mesas producidas

b o=Constante o intersección con Y

Nombre del Parámetro Valor del Parámetro
-358.976,25
b 2 , b3 =Coeficiente de regresión neta b0
574,71
b2
X 2 =¿ Empleados que participan
0,66
b3
X 3 =¿ Cantidad de mesas producidas
EMPLEADOS CANTIDAD
TIEMPO DE PROMEDIO
MESE QUE MATERIAL
PRODUCCIO DE MESAS
S PARTICIPAN
N (X2) (X3) PRODUCIDAS
(Y)
Mediante la aplicación de este
1 600 624,77 800  
nuevo método se puede
2 700 624,76 900  
observar que el pronóstico de
3 600 624,75 800   mesas producidas es de 633
4 600 624,76 800   unidades mensuales
5 700 624,78 900  
6 600 624,76 800
7 700 624,79 900  
8 600 624,77 800  
9 500 624,75 600  
10 700 624,79 900  
11 600 624,77 800  
12 700 624,78 900  
633,3
  624,77 825 3
 Pronostico de Mesas Producidas
1000 Regresión Linela Múltiple
900
Empleados que participan

800 f(x) = − 1.05 x + 831.82

Tiempo de Producción

700 R² = 0
600
500 TIEMPO DE PRODUCCION
400 (X2)
300 EMPLEADOS QUE
PARTICIPAN (Y)
200 Linear (EMPLEADOS QUE
100 PARTICIPAN (Y))
0 CANTIDAD MATERIAL (X3)
0 2 4 6 8 10 12 14 Linear (CANTIDAD
Meses MATERIAL (X3))

Como R tiene una correlación lineal directa por lo que se considera positiva la
aplicación de este método de pronóstico.

Para la función de tributación el ISR causado durante los años 2001-2010

ISR f t=f t −1+ ( α∗( A t −1−f t−1 ) )

AÑO PRONOSTICO
CAUSADO
1.083,9 f t−1= pronósticodel período anterior
2001 3 #N/A
1.568,1 1.083,9
2002 0 3 At −1−f t −1=error del pronóstico anteior
2.930,0 1.471,2
2003 7 7
3.855,1 2.638,3 α =coeficiente de suavización(entre 0,0−1,0)
2004 8 1
4.919,7 3.611,8 α =0,2
2005 9 1
4.332,6 4.658,1 f t=Pronóstico del período
2006 3 9
7.213,9 4.397,7
2007 4 4
12.713,1 6.650,7
2008 5 0
12.359,1 11.500,6
2009 3 6
18.444,2 12.187,4
2010 9 4
 Suavización exponencial
20,000.00
18,000.00
16,000.00
14,000.00
12,000.00
Real
10,000.00
Valor

Pronóstico
8,000.00
6,000.00
4,000.00
2,000.00
-
1 2 3 4 5 6 7 8 9 10
Punto de datos
En la
aplicación de
este método
se puede apreciar que se espera que sea menor, lo que indica que la empresa
debe implementar mecanismos que permitan pagar menos ISR, sin caer en ilícitos
tributarios, estos pueden ser contribuciones estadales, rebajas o deducciones de
ley

En el caso de la función de tributación, no es posible aplicar el método de

regresión lineal múltiple porque solo se dispone de dos variables como lo son el
impuesto causado y el impuesto presupuestado; y como se ha mencionado la
regresión lineal múltiple requiere de una variable dependiente y dos o más
variables independientes.

Para la función de Costos De Producción durante los años 2006-2010, regresión

lineal

COSTO
AÑO COSTO FIJO
VARIABLE
2006 231,42 61,59
2007 232,41 61,74
2008 232,20 61,98
2009 232,51 62,01
2010 232,78 62,15
El análisis de regresión es una técnica de pronóstico que establece una relación
entre variables. Una variable se conoce y se usa para pronosticar el valor de una
variable aleatoria conocida. Para encontrar los coeficientes a y b se utiliza la
demanda anterior (o histórica) en vez del pronóstico anterior. Se emplea Dt para
indicar la demanda histórica y para encontrar los coeficientes a y b. Entonces,
cuando se desea pronosticar la nueva demanda, Los coeficientes a y b pueden
calcularse mediante las dos ecuaciones siguientes:

n ( ∑ xt . Dt ) −( ∑ xt−( ∑ Dt ) ) ∑ Dt−b ∑ xt
b= 2 a=
n ∑ ( xt 2 )−( ∑ x 1 ) n

Franco, Pérez, Reyes y Marcano (2008)

Regresión Lineal
62.2
62.1
62 f(x) = 0.37 x − 23.03
61.9
61.8
61.7
61.6
61.5
61.4
61.3
231.2 231.4 231.6 231.8 232 232.2 232.4 232.6 232.8 233

El objeto de un análisis de regresión es investigar la relación estadística que existe

entre una variable dependiente costos variables que van a depender de los
precios del mercado y la competencia existentes en el mismo y una o más
variables independientes (X), en este caso los costos fijos que se han determinado
en base al proceso de producción. Este método permite la comparación entre los
costos variables y la tendencia.

Para la función de costos de producción si es aplicable el método de regresión

lineal múltiple, considerando la variable dependiente costos de ventas, que es el
monto obtenido luego de restarle a las ventas la suma de los costos fijos y
variables.

Y^ =bo +b 2 X 2 +b 3 X 3 … . α
En donde;

Y^ =Costo Generales

b o=Constante o intersección con Y

Nombre del Parámetro Valor del Parámetro
123,02
b 2 , b3 =Coeficiente de regresión neta b0
1,73
b2
X 2 =¿ Costo Variable
0,00406
b3
X 3 =¿ Costo de Ventas

PRONÓSTIC
COSTO COSTO DE O DE Se pronostica que en situación
AÑO COSTO FIJO
VARIABLE VENTAS COSTOS estable los costos generales se
GENERALES ubiquen en 232.26 por unidad
2006 231,42 61,59 506,99  
2007 232,41 61,74 605,85  
2008 232,2 61,98 505,82  
2009 232,51 62,01 505,48  
2010 232,78 62,15 605,07  
232,2
61,89 545,842 6

Pronostico de Costos Generales

Regresión Lineal Múltiple
700

600
f(x) = 9.58 x − 18688.79
500 R² = 0.08
Costo de Ventas

400
Costo Fijo

300 COSTO VARIABLE

200 COSTO FIJO

Linear (COSTO FIJO)
100
COSTO DE VENTAS
0
2005 2006 2007 2008 2009 2010 2011 Linear (COSTO DE VENTAS)
Años
 Como el valor de R es mayor a 0.5 se dice que existe una correlación lineal entre los
costos fijos, variables y el costo de lo vendido o costo de ventas antes del impuesto

CONCLUSIONES

Una vez completado el análisis o aplicación de los métodos de pronósticos de

tiempo y de regresión lineal, se puede decir que en la parte donde se oberva que
se obtienen mejores resultados o un pronóstico más acertado es en las ventas;
igualmente este método es inviable para el caso del ISR, por lo menos para esta
empresa.

Este método permite la observación de otras variables que hacen del pronóstico
un resultado más preciso, sin embargo como todo pronóstico presenta errores que
constituyen el principal problema a evitar, es así como se puedo observar, que la
base para realizar cualquier pronóstico es la existencia de una base de datos
reales y confiables.

De allí que se pueden aplicar varios métodos de pronósticos para determinar la

precisión que tiene en cuanto a los resultados y su conveniencia en base a lo que
se está estudiando.
 REFERENCIAS

Ávila A., N y Cusco H., T. (2011). Evaluación Tributaria de los Gastos Deducibles
para el Impuesto a la Renta, del Ejercicio Fiscal 2010, aplicada a una Empresa de
Producción y Comercialización de Muebles de Madera, caso VITEFAMA. [Archivo
PDF] Recuperado de: https://dspace.ups.edu.ec/handle/123456789/1277

Cortesía de Laureate International Universities. (Productor). (04 de junio de

2015). Gestión Financiera. [Video]. Recuperado de
http://onefolio.laureate.net/es/resources/751

Franco K., Pérez L., Reyes R. y Marcano J. (2008) Pronóstico, planificación y

programación de la producción. [Documento en Línea]. Recuperado de:
https://www.monografias.com/trabajos102/pronostico-planificacion-y-
programacion-produccion/pronostico-planificacion-y-programacion-
produccion2.shtml

Hanke, J. y Wichern, D. W. (2006). Pronósticos en los negocios. Ciudad de

México, México: Pearson Educación. Recuperado de
http://www.bibliotechnia.com.mx/portal/visor/web/visor.php

López S., E. (2013). Análisis y Propuesta de Mejoramiento de la Producción en la

empresa VITEFAMA. [Archivo PDF]. Recuperado de:
https://dspace.ups.edu.ec/bitstream/123456789/3988/1/UPS-CT002579.pdf

Ríos, P. (2016).  Cluster, Método K-Means y Regresión Lineal Simple.Recuperado

el 30 de Marzo de 2020 de https://www.youtube.com/watch?v=__9FiG7vXX4 

Ríos, P. (2016).  Regresión Lineal Múltiple, Análisis e Interpretación. Recuperado

el 30 de Marzo de 2020 de https://www.youtube.com/watch?v=MT8gk9gdGRU
Salazar, B. (2019). Promedio móvil. [Sitio Web]. Recuperado de:
https://www.ingenieriaindustrialonline.com/pronostico-de-la-demanda/promedio-
movil/