1. Modelos de Regresión.

Los modelos de regresión se encargan de predecir una variable con

base en otras variables conocidas o supuestas. Un ejemplo de aplicación de
estos seria, la búsqueda de factores relacionados al proceso de predicción
de un cierto nivel de ventas (por ejemplo, precio, gastos de publicidad).
Frecuentemente, se busca estudiar la existencia de relaciones entre
variables. Por ejemplo, muchas personas pueden preguntarse si hay alguna
relación entre el consumo de electricidad, las horas de trabajo, la eficiencia
de las calderas y el tiempo de vida de los engranajes de las máquinas del
taller. La primera aproximación seria representa pares de variables en un
plano. Así, obtendríamos una nube de puntos la cual podría indicarnos
visualmente la existencia o no de algún tipo de relación entre las variables.
Es importante mencionar, que desde el punto de vista formal el análisis
de regresión se dedica a estimar la esperanza condicional de Y para dadas
las independientes. Esto es como varia el promedio de Y a fijar valores de las
independientes. Hay entonces un objetivo fijado que es la determinación de
una función llamada función de regresión.

1.1 Regresión lineal simple y múltiple

De acuerdo a Montemayor (2013), en estos métodos, la variable bajo
estudio se denomina variable dependiente, y los factores controlables,
variables independientes o explicativas. La variable dependiente se asume
que es aleatoria y se busca predecir o explicar mediante las variables
independientes, las cuales no son aleatorias sino controlables por el
investigador. Un ejemplo de esto seria, primero saber que una variable
dependiente pueden ser las ventas de un producto y para tratar de
predecirlas o explicarlas se pueden establecer variables independientes
como el precio del producto y el gasto en publicidad.
De igual forma, es importante destacar que existen dos alternativas en
regresión lineal para predecir a la variable dependiente: el modelo de
regresión simple, que incluye una sola variable independiente; y el modelo de
regresión lineal múltiple, que incluye variables independientes; tomando en
consideración el poder de explicación de las variables independientes, se
optará por un modelo simple o uno múltiple.
Para Hanke y Wichern (2010), el modelo de regresión lineal simple se
investiga la relación entre una variable independiente y una variable
dependiente. A menudo la relación entre dos variables permite pronosticar
con exactitud la variable dependiente a partir del conocimiento de la variable
independiente. Por esta razón, la asociación lineal implica una relación en
línea recta. Claro, que una vez que se establece una relación lineal, el
conocimiento de la variable independiente servirá para pronosticar la variable
dependiente.
Para estos autores, el análisis de regresión múltiple implica el uso de
más de una variable independiente para predecir una variable dependiente.
La mayoría de los conceptos presentados en la regresión lineal simple se
utilizan en la regresión múltiple. Sin embargo, surgen algunos conceptos
nuevos, ya que se usa más de una variable independiente para predecir la
variable dependiente.
Sin embargo, hay que tener en cuenta que aunque pueden existir
escenarios completamente lineales, o al menos con una estabilidad notoria,
muchos escenarios de elaboración de pronósticos en la vida real no son tan
simples, ya que con frecuencia se necesita más de una variable
independiente para pronosticar con exactitud una variable dependiente.
Por otro lado, en la regresión simple, la variable dependiente puede
representarse mediante Y, y la variable independiente mediante X. En el
análisis de regresión múltiple, las variables independientes se denotan
mediante X con subíndices. Así, las variables dependientes se siguen
representando por Y y las variables independientes por X 1 X2 Xk. Una vez que
se ha determinado el conjunto inicial de variables independientes, la relación
entre Y y estas X se expresa como un modelo de regresión múltiple.
2. Aplicación en los entornos de Proyectos Industriales.
La aplicación de los modelos de regresión en los entornos industriales
involucra y relaciona la demanda de producto final existente, o del
comportamiento de un proceso o sistema con otras variables externas o
internas que tienden a ocasionar los cambios. Para la utilización de este
método de pronóstico casual es necesario aplicar la técnica de mínimos
cuadrados para obtener un mejor ajuste entre las variables. Además, es
importante mencionar que la aplicación de este modelo en la planeación a
corto y a mediano plazos de la producción agregada o para un inventario que
incluya un número pequeño de productos, es de utilidad cuando existen
fuertes relaciones causales.

2.1 Caso practico de un estudio de investigación cuantitativo causal.

La fabrica de Rodamientos SKF, desea estimar mediante regresión

lineal simple las ventas a nivel mundial de rodamiento de rodillos para el mes
de Julio. La información del comportamiento de las ventas de todos sus
almacenes de cadena se presenta a continuación

- Enero: 7000.
- Febrero: 9000.
- Marzo: 5000.
- Abril: 11000.
- Mayo: 10000.
- Junio: 13000.

El primer paso para encontrar el pronóstico del mes 7 consiste en

encontrar la pendiente, para ello se efectúan los cálculos que se presentan a
continuación, teniendo en cuenta que “t” hace referencia a la variable tiempo
y “x” a la variable demanda.
Formulas:

Pronostico del periodo “t”.

Intersección de la línea con el eje.
Pendiente (Positiva o negativa)

Periodo de tiempo

Donde:

Promedio de la variable dependiente (Ventas o Demanda).

Promedio de la variable independiente (Tiempo).

n

∑ X i t i=¿( (7000∗1 )+( 9000∗2) +(5000∗3)+( 11000∗4 )+(10000∗4 )+(10000∗5)+13000∗6¿) ¿

i=1

∑ X i t i=212000
i=1

∑ X i=(7000+9000+5000+11000+10000+13000)
i=1

∑ X i=55000
i=1

∑ t i=¿(1+2+3 +4+ 5+6) ¿

i=1
 n

∑ t i=¿21 ¿
i=1

∑ t i =¿¿ ¿ ¿
2

i=1

∑ t i =¿91 ¿
2

i=1

∑ t i =¿¿ ¿ ¿
2

i=1

∑ t i =¿441 ¿
2

i=1

b=( 6 ( 212000 ) ) −( 55000 )∗(21) ¿ ¿ −(441) ¿

(6∗91)¿

b=1114.28

Dado que ya se obtiene el valor de la pendiente b, se procede a calcular el

valor de a, para ello se efectúan los siguientes pasos:

(7000+ 9000+5000+11000+10000+13000)
x=
6

x=9966.67

(1+2+3+ 4+5+ 6+7)

t=
6

t=3.5

a=9166.67−( ( 1114.28 )∗( 3.5 ) )

a=5266,68
 Por ultimo, determinemos el pronóstico del mes 7, para ello se realiza el
siguiente cálculo:

x 7=¿=5266,68+(( 1114,28 )∗(7) ) ¿

x 7=¿=13067 ¿

Grafico 1. Diagrama derivado del análisis de regresión líneal.

Fuente: Salazar (2019).

Se evidencia entonces que el modelo de pronostico regresión lineal

permitió encontrar el valor esperado de la variable aleatoria “a” cuando “b” toma
un valor especifico. En función a esto se obtuvo como resultado que el
pronóstico de ventas de esa fabrica para el periodo 7, correspondiente al mes de
Julio, es equivalente a 13607 rodamientos.

Referencias Bibliográficas
Farrera, A. (2013). Manual de Pronósticos para la toma de decisiones.
Editorial Digital, tecnológico de Monterey. México.

Hanke, J. y Wichern, D. (2010) Pronósticos en los negocios. Editorial

Pearson Educación.