Instituto Tecnológico de Lázaro

Cárdenas Michoacán.

Carrera: Ingeniería Industrial.

Materia: Administración de operaciones 1.

Unidad 2.

Métodos de pronósticos.

Alumna: Nancy Manuela Bocanegra Rojas.

Docente: Francisco Hernández Rivera.

Grupo: 53V.

Turno: Matutino.

CD. Y PTO. LÁZARO CÁRDENAS, MICH., 06 DE OCTUBRE DEL 2022.

III. Métodos causales.

Análisis de regresión.

El análisis de regresión es un método estadístico que permite examinar la relación

entre dos o más variables e identificar cuáles son las que tienen mayor impacto en
un tema de interés.

El proceso de realizar una regresión permite determinar con confianza cuáles son
los factores más importantes, cuáles se pueden ignorar y cómo influyen entre sí.
Dichos factores se denominan variables las cuales se clasifican en:

• Variable(s) dependiente(s): Es el factor más importante, el cual se está

tratando de entender o predecir.
• Variable(s) independiente(s): Es el factor que tú crees que puede impactar
en tu variable dependiente.

Tipos de análisis de regresión

Los diferentes tipos de análisis de regresión son lo siguientes:

Modelo de regresión lineal simple

La regresión lineal simple es la técnica más utilizada, es una forma que permite
modelar una relación entre dos conjuntos de variables. El resultado es una ecuación
que se puede utilizar para hacer proyecciones o estimaciones sobre los datos.

Este modelo se considera un predictor x y una variable dependiente o

respuesta Y. Imagina que la verdadera relación entre Y y x es una línea recta y que
la observación Y en cada nivel x es una variable aleatoria.

El modelo de regresión lineal simple se caracteriza por predecir la variable

dependiente a través de la siguiente ecuación:
E(Y/x) = 0 + β1 x

Donde la ordenada al origen β0 y la pendiente β1 son coeficientes desconocidos de

la regresión.

Algunos consejos que puedes tomar en cuenta al utilizar el modelo de regresión

lineal simple son:

• Debes tener cuidado al seleccionar las variables con las que se construyen
las ecuaciones de regresión y determinar la forma del modelo.
• Las relaciones de regresión sólo son válidas para los valores del regresor
que están dentro del rango de los datos originales.

Modelo de regresión lineal múltiple

La regresión lineal múltiple es una técnica estadística que se encarga de analizar

situaciones que involucran más de una variable.

Este método permite identificar cuáles son las variables independientes son las que
pueden explicar una variable independiente, comprobar las causas y predecir de
forma aproximada los valores

El modelo de regresión lineal múltiple puede ser descrito a partir de la siguiente

ecuación:

Y = 0 + β1X1 + β2X2 + … + βnXn + ε

Donde Y es una variable dependiente, β representa sus estimadores y la ε

representa el residuo o error.

Modelo de regresión no lineal

La regresión no lineal es un proceso más complicado donde puede ocurrir que en
el número de parámetros no coincida con el de variables explicativas.

Un ejemplo de un modelo no lineal en los parámetros sería el dado por la siguiente

función exponencial:

Υ= αΧβ

En muchas ocasiones se pueden transformar las variables originales para convertir

la función no lineal en una lineal y así, aplicar dichas técnicas. Por lo tanto, si la no
linealidad afecta solamente a las variables explicativas, pero no a los coeficientes,
se pueden definir nuevas variables.
Modelos econométricos.

Un modelo econométrico es un conjunto de ecuaciones concebidas para

proporcionar una explicación cuantitativa del comportamiento de las variables
económicas.

el modelo econométrico requiere:

• Identificar las variables que fundamentalmente influyen en el modelo.

• Una formulación de la relación funcional entre las variables que lo componen.

• Una definición temporal y/o espacial concreta, ya que los modelos econométricos
suelen estar definidos en un entorno estocástico frente al determinismo habitual de
los modelos económicos.

• Un término que permita razonar en términos probabilísticos y no exactos. Para

ello, se suele incorporar el denominado error o perturbación aleatoria que recoge el
efecto de los factores que inicialmente no fueron incluidos y que son difícilmente
observables.

Para realizar un trabajo empírico econométrico es fundamental contar con

información relativa a las variables cuyas relaciones se trata de estudiar. La
econometría trata de la estimación de estos parámetros desconocidos de los
modelos en base a los datos económicos. Para ello, es necesario contar con
métodos de tratamiento de datos que nos permitan cuantificar las relaciones de
manera adecuada.

Etapas de elaboración:

En la elaboración de un modelo econométrico se pueden distinguir varias etapas

con propósitos y tareas bien diferenciadas. Con carácter general, se trata de un
proceso cíclico, en el que de la validación puede surgir la necesidad de volver a las
etapas anteriores para corregir o redefinir el modelo.
Los elementos fundamentales de todo modelo econométrico son:

• Las variables que intervienen.

• Las ecuaciones o relaciones matemáticas.

• Los parámetros o magnitudes a estimar.

• Un conjunto de observaciones o datos necesarios para el proceso de estimación.

Modelos de entrada/salida.

Pueden ser modelos muy grandes y complejos, ya que analizan el flujo de los bienes
y servicios a través de la economía completa, requiriendo una cantidad importante
de información, haciendo que su desarrollo sea largo y costoso. Utilizándose
generalmente para proyectar necesidades para mercados enteros o para
segmentos de la economía y no para productos específicos.
Principales indicadores.

1.- Indicadores de “no-calidad” o de coste de oportunidad.

Por desgracia todavía se calculan con poca frecuencia ya que es complicado

calcular el daño económico que un servicio defectuoso causa a un cliente,
pero debe tenerse muy en cuenta. Es el coste que tiene la oportunidad perdida
por un mal servicio. En ecommerce puede ser elevado ya que puede incluso
producirse un veto directo del producto, la marca o la empresa por mucho tiempo.
Esto provoca un daño económico a la empresa por beneficios dejados de percibir,
costes fijos que debe soportar haya venta o no y, si se diera el caso, penalizaciones
por incumplimientos (más frecuentes en B2B). Normalmente las empresas que
utilizan este indicador asignan un coste a cada una de las situaciones negativas que
se pueden producir, de forma que sea fácil su cálculo.

2.- Indicadores de nivel de servicio.

Es la forma más extendida de medir la calidad de un servicio. Sería el porcentaje de

demanda satisfecha sin incidencias, es decir, conforme a las expectativas del
cliente, sobre la demanda total del cliente. La valoración del servicio percibido es
potestad únicamente del cliente, aunque en ocasiones, en nuestros cálculos,
olvidemos este detalle. Por tanto, para un cálculo correcto debemos establecer
previamente qué factores del servicio son críticos para el cliente, después averiguar
en qué medida hemos satisfecho cada factor y valorar la desviación si existe.

Estos factores pueden ser: recepción según especificaciones en plazo, tiempo

de respuesta ante imprevistos, cantidad correcta, veracidad de la trazabilidad
total del pedido y otro quizá menos matemático, pero de gran valor añadido que
puede ser el conocimiento y sensibilidad hacia el cliente, es decir, en qué
medida nos percibe como colaboradores.
3.- Indicador de plazo de suministro o Lead time.

Es el tiempo que transcurre desde que el cliente hace el pedido hasta que lo
recibe. Desde que el pedido se transmite al proveedor y gracias a la digitalización,
los tiempos de tramitación del pedido (su verificación, control de líneas, de stock,
comunicación interna, etc.) prácticamente han desaparecido. Los tiempos de ciclo
de otros procesos como el picking o la expedición se han reducido drásticamente,
sin embargo, los tiempos de transporte y entrega, todavía hoy son tiempos para
tener en cuenta y no siempre bajo control.

4.- Indicadores de control del pronóstico.

Para controlar la eficacia de la planificación de la demanda en logística. No debemos

olvidar que la base de control es el comportamiento real de la demanda y por
tanto cualquier previsión manejará un cierto grado de error, para conocer a qué
distancia ha quedado el pronóstico de la realidad será necesario controlar la
precisión de la previsión. El control debe efectuarse en tiempo real utilizando
indicadores que midan la desviación del pronóstico respecto de la realidad.
Dado que el objetivo es conseguir que datos históricos anticipen resultados y
comportamientos futuros debemos ser muy concienzudos respecto a la calidad de
los datos recopilados. En un almacén inteligente dotado de un buen software de
gestión, la recopilación y precisión de los datos es óptima y podemos estar bastante
seguros de que los pronósticos que se basen en ellos serán precisos y si no lo son
no será debido a una falta de calidad.
IV. Modelos de simulación.

Modelos dinámicos.

El modelo dinámico obtenido permite pronosticar, estimar o predecir los niveles de

venta de la categoría seleccionada, constituyéndose en un recurso muy significativo
e importante para al cuadro gerencial de la mencionada empresa, posibilitando la
elección adecuada de los volúmenes de materia prima que deben ser adquiridos
para abastecer los referidos niveles de venta.

Por ejemplo, con base en la información que se obtenga del modelo, se pueden
hacer inversiones hoy que permitan enfrentar con mayor éxito la creciente inflación,
y el clima de inestabilidad económico político y social que se está previendo para
los años venideros en el espectro financiero venezolano.
Bibliografías:
https://www.questionpro.com/blog/es/analisis-de-regresion/

https://www.centro-
virtual.com/recursos/biblioteca/pdf/econometria/unidad1_pdf1.pdf

https://slideplayer.es/slide/1478010/

https://www.datadec.es/blog/indicadores_planificar_demanda_logistica

https://www.redalyc.org/pdf/4655/465545877005.pdf