Está en la página 1de 62

S

O
D
S
O
O
T
V

I
T
M
A
3
T
S
.
I
2 NT
O
S
L
O
A
A
C
U
I
R
C PA
T
S

N
O
R
P

Mtodos cuantitativos
Modelos de series de tiempo: Intentan
predecir el futuro usando datos histricos. Una
serie de tiempo se basa en una secuencia de
datos igualmente espaciados (semanales,
mensuales,
trimestrales,
etctera).
Para
pronsticos a corto plazo, se usan mucho los
mtodos de series de tiempo.
Modelos causales: incorporan las variables o
factores que pueden influir en la cantidad que
se pronostica con el modelo de elaboracin de
pronsticos.
RENDER BARRY. MTODOS CUANTITATIVOS PARA LOS NEGOCIOS.
UNDECIMA EDICIN. PEARSON EDUCACIN. MXICO. 2012.

E
D
L
S
E
A
D
D
I
D
D
U
O
E
M TIT TIC
C
S
A

X
N
E
O

R
P

Medidas de exactitud del


pronstico
Para saber qu tan bien funciona un modelo o
para comparar un modelo con otros, los valores
pronosticados se comparan con los valores reales
u observados. El error del pronstico (o
desviacin) se define como:

Error de pronstico= valor real - valor pronosticado

RENDER BARRY. MTODOS CUANTITATIVOS PARA LOS NEGOCIOS.


UNDECIMA EDICIN. PEARSON EDUCACIN. MXICO. 2012. (P. 158)

Desviacin media absoluta


(DMA)
Una medida de exactitud es la desviacin
media absoluta (DMA), que se calcula tomando la
suma de los valores absolutos de los errores de
pronsticos individuales y, luego, dividiendo entre
el nmero de errores (n):

RENDER BARRY. MTODOS CUANTITATIVOS PARA LOS NEGOCIOS.


UNDECIMA EDICIN. PEARSON EDUCACIN. MXICO. 2012. (P. 158)

Desviacin media absoluta


(DMA)
Considere las ventas de Wacker Distributors
de reproductores de CD que se presentan en la
tabla 1. Suponga que en el pasado, Wacker haba
pronosticado las ventas de cada ao como las
ventas que se lograban en realidad en el ao
anterior. Algunas veces esto se conoce como
modelo simple. La tabla 2 da estos pronsticos,
as como los valores absolutos de los errores.

RENDER BARRY. MTODOS CUANTITATIVOS PARA LOS NEGOCIOS.


UNDECIMA EDICIN. PEARSON EDUCACIN. MXICO. 2012. (P. 158)

Desviacin media absoluta


(DMA)

Al pronosticar el siguiente periodo (ao 11), el pronstico sera de 190. Observe


que no hay error calculado para el ao 1 pues no se pronostic, ni tampoco hay error
para el ao 11, cuyo valor real todava no se conoce. As, el nmero de errores (n) es
9.
RENDER BARRY. MTODOS CUANTITATIVOS PARA LOS NEGOCIOS.
UNDECIMA EDICIN. PEARSON EDUCACIN. MXICO. 2012. (P. 158)

Desviacin media absoluta


(DMA)
De esto, obtenemos lo siguiente:

Lo cual significa que, en promedio, cada


pronstico difiere del valor real en 17.8 unidades.

RENDER BARRY. MTODOS CUANTITATIVOS PARA LOS NEGOCIOS.


UNDECIMA EDICIN. PEARSON EDUCACIN. MXICO. 2012. (P. 158)

Error cuadrado medio (ECM)


Adems de la DMA, en ocasiones se emplean
otras medidas de la exactitud de los errores
histricos al pronosticar. Una de las ms
comunes es el error cuadrado medio (ECM) que
es el promedio de los cuadrados de los errores:

RENDER BARRY. MTODOS CUANTITATIVOS PARA LOS NEGOCIOS.


UNDECIMA EDICIN. PEARSON EDUCACIN. MXICO. 2012. (P. 158)

Error cuadrado medio (ECM)

HEIZER JAY Y RENDER BARRY. DIRECCIN DE LA PRODUCCIN Y DE


OPERACIONES. OCTAVA EDICIN. PEARSON EDUCACIN. ESPAA. 2007.

Error medio absoluto porcentual


(EMAP)
Adems de la DMA y el ECM, algunas veces
se utiliza el error medio absoluto porcentual
(EMAP), que es el promedio de los valores
absolutos de los errores expresados como
porcentajes de los valores reales. Esto se calcula
como:

RENDER BARRY. MTODOS CUANTITATIVOS PARA LOS NEGOCIOS.


UNDECIMA EDICIN. PEARSON EDUCACIN. MXICO. 2012. (P. 158)

Error medio absoluto porcentual


(EMAP)

HEIZER JAY Y RENDER BARRY. DIRECCIN DE LA PRODUCCIN Y DE


OPERACIONES. OCTAVA EDICIN. PEARSON EDUCACIN. ESPAA. 2007.

E
D DE
S
S
O
O
L
O
P
E
C EM
I
D
T
I
O
S
M ET
N
D
O
S
R
P RIE
E
S

Modelos de pronsticos de series de tiempo


Para cada modelo, se cuenta con varios
mtodos
de
pronstico,
que
incluyen
promedios, promedios mviles, suavizamiento
exponencial, regresin y tal vez combinaciones
de todos stos. Debido a que debe reconocerse
qu modelo es adecuado para una serie de
tiempo dada, se analizar cada modelo por
separado.

RENDER BARRY. MTODOS CUANTITATIVOS PARA LOS NEGOCIOS.


UNDECIMA EDICIN. PEARSON EDUCACIN. MXICO. 2012. (P. 160)

Promedios mviles
Los promedios mviles son tiles si podemos
suponer que las demandas del mercado
permanecern bastante estables en el tiempo. Un
promedio mvil de cuatro meses, por ejemplo, se
encuentra simplemente sumando la demanda
durante los ltimos cuatro meses y dividindola
entre 4. Con cada mes que pasa, los datos del
mes ms reciente se suman a los datos de los
tres meses anteriores y se elimina el mes ms
lejano.

RENDER BARRY. MTODOS CUANTITATIVOS PARA LOS NEGOCIOS.


UNDECIMA EDICIN. PEARSON EDUCACIN. MXICO. 2012. (P. 161)

Promedios mviles
Un pronstico de promedio mvil de n
periodos, que sirve como estimacin de la
demanda del siguiente periodo, se expresa como:

RENDER BARRY. MTODOS CUANTITATIVOS PARA LOS NEGOCIOS.


UNDECIMA EDICIN. PEARSON EDUCACIN. MXICO. 2012. (P. 161)

Promedios mviles
Matemticamente, esto se escribe como:

Donde:

RENDER BARRY. MTODOS CUANTITATIVOS PARA LOS NEGOCIOS.


UNDECIMA EDICIN. PEARSON EDUCACIN. MXICO. 2012. (P. 161)

EJEMPLO DE SUMINISTROS DE WALLACE GARDEN: Las


ventas de naves de almacenamiento de Wallace Garden se
presentan en la columna central de l tabla 3.

RENDER BARRY. MTODOS CUANTITATIVOS PARA LOS NEGOCIOS.


UNDECIMA EDICIN. PEARSON EDUCACIN. MXICO. 2012. (P. 161)

Promedio mvil ponderado


Cuando existe una tendencia o patrn
detectable se pueden utilizar ponderaciones o
pesos para resaltar ms los valores recientes.
Esta prctica hace que la tcnica de previsin
sea ms sensible a los cambios, porque los
periodos ms recientes se ponderan con un
mayor peso. Por tanto, es necesario tener cierta
experiencia
para
poder
decidir
qu
ponderaciones se van a utilizar.

HEIZER JAY Y RENDER BARRY. DIRECCIN DE LA PRODUCCIN Y DE


OPERACIONES. OCTAVA EDICIN. PEARSON EDUCACIN. ESPAA. 2007.

Promedio mvil ponderado


Wallace Garden decide usar un pronstico de
promedio mvil ponderado de 3 meses con pesos de 3
para la observacin ms reciente, 2 para la siguiente y
1 para la ms lejana, lo cual se implementara como
sigue:

RENDER BARRY. MTODOS CUANTITATIVOS PARA LOS NEGOCIOS.


UNDECIMA EDICIN. PEARSON EDUCACIN. MXICO. 2012. (P. 162)

RENDER BARRY. MTODOS CUANTITATIVOS PARA LOS NEGOCIOS.


UNDECIMA EDICIN. PEARSON EDUCACIN. MXICO. 2012. (P. 162)

Promedio mvil ponderado


Los dos promedios mviles simples y
ponderados son efectivos en cuanto a suavizar
fluctuaciones repentinas en el patrn de
demanda,
con
la
finalidad
de
dar
estimaciones estables
Las medias mviles no son muy buenas a la
hora de captar tendencias.
Las medias mviles requieren un gran
nmero de datos histricos.

RENDER BARRY. MTODOS CUANTITATIVOS PARA LOS NEGOCIOS.


UNDECIMA EDICIN. PEARSON EDUCACIN. MXICO. 2012. (P. 162)

Suavizamiento exponencial
El suavizamiento exponencial es un sofisticado
mtodo de previsin de medias mviles ponderadas que
an sigue siendo relativamente fcil de aplicar. Necesita
un reducido nmero de datos. La frmula base del
suavizamiento exponencial se puede representar como
sigue:
Nueva previsin= previsin del ltimo periodo +
(demanda real del ltimo periodo previsin del ltimo periodo)
donde es una ponderacin o constante de suavizamiento, elegida por el que
hace la previsin, que toma valores entre 0 y 1.

HEIZER JAY Y RENDER BARRY. DIRECCIN DE LA PRODUCCIN Y DE


OPERACIONES. OCTAVA EDICIN. PEARSON EDUCACIN. ESPAA. 2007.

Suavizamiento exponencial
La ecuacin tambin se escribe matemticamente como

Donde

HEIZER JAY Y RENDER BARRY. DIRECCIN DE LA PRODUCCIN Y DE


OPERACIONES. OCTAVA EDICIN. PEARSON EDUCACIN. ESPAA. 2007.

Suavizamiento exponencial
Por ejemplo, en enero, un distribuidor predijo
una demanda de 142 automviles de cierto modelo
para febrero. La demanda real en febrero fue de
153
autos.
Utilizando
una
constante
de
suavizamiento =0.20, podemos pronosticar la
demanda de marzo usando el modelo de
suavizamiento exponencial. Al sustituir en la
frmula,

RENDER BARRY. MTODOS CUANTITATIVOS PARA LOS NEGOCIOS.


UNDECIMA EDICIN. PEARSON EDUCACIN. MXICO. 2012. (P. 164)

Suavizamiento exponencial
Habitualmente, la constante de suavizamiento
para las aplicaciones empresariales est en el
intervalo comprendido entre 0,05 y 0,50. Puede
cambiarse para dar mayor ponderacin a los
valores recientes (cuando asume valores
elevados) o mayor ponderacin a los valores
antiguos (cuando asume valores bajos).

HEIZER JAY Y RENDER BARRY. DIRECCIN DE LA PRODUCCIN Y DE


OPERACIONES. OCTAVA EDICIN. PEARSON EDUCACIN. ESPAA. 2007.

Suavizamiento exponencial

Variaciones estacionales en los


datos
Las variaciones estacionales en los datos son
movimientos regulares ascendentes o descendentes
en una serie temporal, vinculados a eventos
peridicos, tales como la meteorologa o las
vacaciones.
La estacionalidad puede aparecer cada hora,
diariamente, semanalmente, mensualmente o con
cualquier otra periodicidad. Los restaurantes de
comida rpida experimentan diariamente oleadas
de gente a medioda y a partir de las 8 de la tarde.
HEIZER JAY Y RENDER BARRY. DIRECCIN DE LA PRODUCCIN Y DE
OPERACIONES. OCTAVA EDICIN. PEARSON EDUCACIN. ESPAA. 2007.

A continuacin, se indican los pasos que


seguir una empresa que experimenta
estaciones de un mes:
1. Calcular la demanda histrica media de cada
estacin (de cada mes en este caso) sumando la
demanda de ese mes cada ao y dividindola entre
el nmero de aos de datos disponibles. Por
ejemplo, si en enero se han tenido ventas de 8, 6 y
10 a lo largo de los tres aos pasados, la demanda
media de enero ser igual a (8+6+10)/3=8
unidades.

HEIZER JAY Y RENDER BARRY. DIRECCIN DE LA PRODUCCIN Y DE


OPERACIONES. OCTAVA EDICIN. PEARSON EDUCACIN. ESPAA. 2007.

2.

Calcular la demanda media de todos los meses


dividiendo la demanda media anual total entre el nmero
de estaciones. Por ejemplo, si la demanda media total para
un ao es de 120 unidades y hay 12 estaciones (cada
mes), la demanda media mensual es 120/12 =10
unidades.
3. Calcular un ndice de estacionalidad para cada estacin
dividiendo la demanda histrica real de ese mes (calculado
en el paso 1) entre la demanda media de todos los meses
(calculado en el paso 2). Por ejemplo, si la demanda
histrica media de enero en los tres ltimos aos es de 8
unidades, y la demanda media de todos los meses es de
10 unidades, el ndice de estacionalidad para enero es
8/10= 0,80.

HEIZER JAY Y RENDER BARRY. DIRECCIN DE LA PRODUCCIN Y DE


OPERACIONES. OCTAVA EDICIN. PEARSON EDUCACIN. ESPAA. 2007.

4. Estimar la demanda anual total del ao prximo.


5. Dividir esta estimacin de la demanda anual total
entre el nmero de estaciones y multiplicarla por el
ndice de estacionalidad de un mes determinado.
Esto proporciona la previsin estacionalizada de
ese mes, que es lo que buscamos.

HEIZER JAY Y RENDER BARRY. DIRECCIN DE LA PRODUCCIN Y DE


OPERACIONES. OCTAVA EDICIN. PEARSON EDUCACIN. ESPAA. 2007.

HEIZER JAY Y RENDER BARRY. DIRECCIN DE LA PRODUCCIN Y DE


OPERACIONES. OCTAVA EDICIN. PEARSON EDUCACIN. ESPAA. 2007. (P.

Proyecciones de
tendencia
El ltimo mtodo de previsin de series
temporales que vamos a analizar es el de la
proyeccin de tendencia. Esta tcnica ajusta una
lnea de tendencia a una serie de datos histricos,
y despus proyecta la lnea hacia el futuro para
realizar previsiones a medio o largo plazo.
Si se decide elaborar una lnea recta de
tendencia utilizando un mtodo estadstico preciso,
se puede aplicar el mtodo de los mnimos
cuadrados.
HEIZER JAY Y RENDER BARRY. DIRECCIN DE LA PRODUCCIN Y DE
OPERACIONES. OCTAVA EDICIN. PEARSON EDUCACIN. ESPAA. 2007.

Proyecciones de tendencia
La recta de mnimos cuadrados queda definida por el
punto de corte con el eje de la y (la altura a la que corta
al eje vertical) y por su pendiente (el ngulo de la recta).
Si se calcula el corte con y y la pendiente, la recta se
puede expresar con la siguiente ecuacin:

y= a+bx
y= valor calculado de la variable a predecir (llamada variable dependiente)
a= corte en el eje y
b= pendiente de la recta de regresin (o la velocidad de la variacin de y con
respecto a variaciones dadas en x)
x= variable independiente (en este caso es el tiempo)

HEIZER JAY Y RENDER BARRY. DIRECCIN DE LA PRODUCCIN Y DE


OPERACIONES. OCTAVA EDICIN. PEARSON EDUCACIN. ESPAA. 2007.

Proyecciones de tendencia
Los estadsticos han desarrollado ecuaciones
que se pueden utilizar para hallar los valores de a y
b para cualquier recta de regresin. La pendiente b
se calcula mediante la frmula:

HEIZER JAY Y RENDER BARRY. DIRECCIN DE LA PRODUCCIN Y DE


OPERACIONES. OCTAVA EDICIN. PEARSON EDUCACIN. ESPAA. 2007.

Proyecciones de tendencia
Se puede calcular la interseccin con y de la
siguiente forma:

El siguiente
estos conceptos.

ejemplo muestra cmo aplicar

HEIZER JAY Y RENDER BARRY. DIRECCIN DE LA PRODUCCIN Y DE


OPERACIONES. OCTAVA EDICIN. PEARSON EDUCACIN. ESPAA. 2007.

Proyecciones de tendencia

Previsin con mnimos cuadrados


En la siguiente tabla se muestra la demanda de energa elctrica en N.Y.
Edison para el periodo 1999-2005, en megavatios. Hagamos una
previsin de la demanda del ao 2006 ajustando una lnea recta de
tendencia a estos datos.

AO

1999
2000
2001
2002

DEMANDA
DE
ENERGA
ELCTRICA

74
79
80
90

AO

2003
2004
2005

DEMANDA
DE
ENERGA
ELCTRICA

105
142
122

Con series de datos a lo largo del tiempo, se pueden minimizar los


clculos transformando los valores de x (tiempo) en nmeros ms
sencillos. As, en este caso, puede designarse a 1999 como ao 1, 2000
como ao 2, y as sucesivamente.
HEIZER JAY Y RENDER BARRY. DIRECCIN DE LA PRODUCCIN Y DE
OPERACIONES. OCTAVA EDICIN. PEARSON EDUCACIN. ESPAA. 2007.

Proyeccin con mnimos cuadrados


AO

1999
2000
2001
2002
2003
2004
2005

DEMANDA
PERIOD
DE
O DE
ENERGA
TIEMPO ELCTRIC
(X)
A
(Y)
1
74
2
79
3
80
4
90
5
105
6
142
7
122

XY

1
4
9
16
25
36
49

5476
6241
6400
8100
11025
20164
14884

74
158
240
360
525
852
854

HEIZER JAY Y RENDER BARRY. DIRECCIN DE LA PRODUCCIN Y DE


OPERACIONES. OCTAVA EDICIN. PEARSON EDUCACIN. ESPAA. 2007.

Proyeccin con mnimos cuadrados

Proyeccin con mnimos cuadrados


As pues, la ecuacin de la tendencia por mnimos
cuadrados es y= 56.71 + 10.53x. Para estimar la
demanda de 2006, primero denominemos el ao 2006
en nuestro nuevo sistema de codificacin como x=8.
Demanda en 2006 = 56.71 + 10.53 (8) = 140.95
141
La demanda para el 2007 puede
colocando x= 9 en la misma ecuacin:

estimarse

Demanda en 2007 = 56.71 + 10.53(9) = 151.48 151


HEIZER JAY Y RENDER BARRY. DIRECCIN DE LA PRODUCCIN Y DE
OPERACIONES. OCTAVA EDICIN. PEARSON EDUCACIN. ESPAA. 2007.

Previsin con mnimos cuadrados


Para confirmar la validez del modelo, se representa la
demanda histrica y la lnea de tendencia en la figura. En
este caso, se debe ser cuidadoso, e intentar entender la
oscilacin de la demanda de 2004 a 2005.

HEIZER JAY Y RENDER BARRY. DIRECCIN DE LA PRODUCCIN Y DE


OPERACIONES. OCTAVA EDICIN. PEARSON EDUCACIN. ESPAA. 2007.

MTODOS DE
PRONSTICO CAUSAL:
ANLISIS DE REGRESIN
Y CORRELACIN

A diferencia del pronstico de series de tiempo,


los modelos de pronstico causales casi siempre
consideran varias variables relacionadas con la
cantidad que se desea predecir.
Por ejemplo, las ventas de computadoras
personales Dell se relacionan con el presupuesto
para publicidad de Dell, los precios de la compaa,
los precios y estrategias promocionales de la
competencia, e incluso con la economa nacional y
los ndices de desempleo. En este caso, las ventas
de computadoras personales se denominan como
la variable dependiente y las otras variables son las
variables independientes
HEIZER JAY Y RENDER BARRY. PRINCIPIOS DE ADMINISTRACIN DE
OPERACIONES. 7 EDICIN. PEARSON EDUCACIN. 2009. (P. 160)

Uso del anlisis de regresin


para pronosticar
Con el fin de realizar un anlisis de regresin
lineal
puede
utilizarse
el
mismo
modelo
matemtico que empleamos con el mtodo de
mnimos cuadrados para efectuar la proyeccin de
tendencias. Las variables dependientes que
deseamos pronosticar seguirn siendo y. Pero la
variable independiente, x, ya no necesita ser el
tiempo. Usamos la ecuacin

y= a+bx

HEIZER JAY Y RENDER BARRY. PRINCIPIOS DE ADMINISTRACIN DE


OPERACIONES. 7 EDICIN. PEARSON EDUCACIN. 2009. (P. 160)

Clculo de una ecuacin de


regresin lineal
La compaa constructora Nodel renueva
casas antiguas en West Bloomfield, Michigan.
Con el tiempo, la compaa ha encontrado
que su volumen de dlares por trabajos de
renovacin depende de la nmina del rea de
West Bloomfield. La administracin quiere
establecer una relacin matemtica para
ayudarse a predecir las ventas.

HEIZER JAY Y RENDER BARRY. PRINCIPIOS DE ADMINISTRACIN DE


OPERACIONES. 7 EDICIN. PEARSON EDUCACIN. 2009. (P. 160)

Clculo de una ecuacin de


regresin lineal
Mtodo: El Vicepresidente de Operaciones de
Nodel ha preparado la tabla siguiente, la cual
muestra los ingresos de Nodel y la cantidad de
dinero percibido por los trabajadores en West
Bloomfield durante los ltimos 6 aos.
VENTAS DE
NODEL
(EN MILLONES
DE DLARES),
Y

NMINA LOCAL
(EN MILES DE
MILLONES DE
DLARES), X

VENTAS DE
NODEL
(EN MILLONES
DE DLARES),
Y

NMINA LOCAL
(EN MILES DE
MILLONES DE
DLARES), X

2.0
3.0
2.5

1
3
4

2.0
2.0
3.5

2
1
7

HEIZER JAY Y RENDER BARRY. PRINCIPIOS DE ADMINISTRACIN DE


OPERACIONES. 7 EDICIN. PEARSON EDUCACIN. 2009. (P. 160)

Clculo de una ecuacin de regresin lineal


El Vice-presidente necesita determinar si existe
una relacin lineal (en lnea recta) entre la nmina
del rea y las ventas. Para ello, grafica los datos
conocidos en un diagrama de dispersin:

HEIZER JAY Y RENDER BARRY. PRINCIPIOS DE ADMINISTRACIN DE


OPERACIONES. 7 EDICIN. PEARSON EDUCACIN. 2009. (P. 161)

Clculo de una ecuacin de regresin lineal


Solucin: Podemos encontrar una ecuacin
matemtica si usamos el enfoque de regresin de
mnimos cuadrados.
VENTAS

NMINA

(Y)

(X)

2.0

3.0

2.5

16

6.25

10

2.0

2.0

3.5

49

12.25

24.5

XY

HEIZER JAY Y RENDER BARRY. PRINCIPIOS DE ADMINISTRACIN DE


OPERACIONES. 7 EDICIN. PEARSON EDUCACIN. 2009. (P. 161)

Clculo de una ecuacin de


regresin lineal

HEIZER JAY Y RENDER BARRY. PRINCIPIOS DE ADMINISTRACIN DE


OPERACIONES. 7 EDICIN. PEARSON EDUCACIN. 2009. (P. 161)

Clculo de una ecuacin de regresin lineal


Por lo tanto, la ecuacin de regresin estimada es:

y= 1.75 + .25x
o bien:

Ventas = 1.75 + .25 (nmina).

Si la cmara de comercio local predice que la nmina


para el rea de West Bloomfield ser de 6,000 millones
de dlares el prximo ao, podemos estimar las ventas
de Nodel con la ecuacin de regresin:
Ventas (en $ millones)= 1.75+.25(6)
= 1.75+1.50= 3.25
O bien

Ventas = $3,250,000.00

HEIZER JAY Y RENDER BARRY. PRINCIPIOS DE ADMINISTRACIN DE


OPERACIONES. 7 EDICIN. PEARSON EDUCACIN. 2009. (P. 161)

Error estndar de la estimacin


La previsin de unas ventas de 325.000 dlares para
Nodel se denomina estimacin puntual de y. Realmente, la
estimacin puntual es la media, o valor esperado, de una
distribucin de posibles valores de las ventas.

HEIZER JAY Y RENDER BARRY. PRINCIPIOS DE ADMINISTRACIN DE


OPERACIONES. 7 EDICIN. PEARSON EDUCACIN. 2009. (P. 162)

Error estndar de la estimacin


Para medir la exactitud de las estimaciones de
la regresin, es necesario calcular el error
estndar de estimacin,
. Este error se conoce
como la desviacin estndar de la regresin: mide el
error desde la variable dependiente, y, hasta la
lnea de regresin, en lugar de hasta la media.

HEIZER JAY Y RENDER BARRY. PRINCIPIOS DE ADMINISTRACIN DE


OPERACIONES. 7 EDICIN. PEARSON EDUCACIN. 2009. (P. 162)

Error estndar de la estimacin


n= 6

En
cientos
de miles
de
dlares

El error estndar de la estimacin es, por tanto,


de $ 30.600 en ventas.
HEIZER JAY Y RENDER BARRY. PRINCIPIOS DE ADMINISTRACIN DE
OPERACIONES. 7 EDICIN. PEARSON EDUCACIN. 2009. (P. 162)

Coeficiente de correlacin
La ecuacin de regresin es una forma de
expresar la naturaleza de la relacin que hay
entre dos variables. Las rectas de regresin
no son relaciones de causa y efecto.
Simplemente describen relaciones entre las
variables. La ecuacin de regresin muestra
la forma en que una variable se relaciona con
el valor y los cambios de otra variable.

HEIZER JAY Y RENDER BARRY. PRINCIPIOS DE ADMINISTRACIN DE


OPERACIONES. 7 EDICIN. PEARSON EDUCACIN. 2009. (P. 131)

Otra forma de evaluar la relacin entre dos


variables consiste en calcular el coeficiente de
correlacin. Esta medida expresa el grado o la fuerza
de la relacin lineal. Usualmente identificado como r,
el coeficiente de correlacin puede ser cualquier
nmero entre +1 y 1.

Se ilustra cmo se ven los distintos valores de r.


HEIZER JAY Y RENDER BARRY. PRINCIPIOS DE ADMINISTRACIN DE
OPERACIONES. 7 EDICIN. PEARSON EDUCACIN. 2009. (P. 132)

Para calcular r,usamos casi los mismos


datos necesarios para calcular a y b para la
recta de regresin. La ecuacin r resulta mas
larga y es:

HEIZER JAY Y RENDER BARRY. PRINCIPIOS DE ADMINISTRACIN DE


OPERACIONES. 7 EDICIN. PEARSON EDUCACIN. 2009. (P. 132)

Por ejemplo: el vicepresidente de la compaa de


nodel quiere conocer la fuerza de la asociacin entre
la nmina local y las ventas.
VENTAS NMINA
(Y)

(X)

XY

2.0

3.0

2.5

16

6.25

10

2.0

2.0

3.5

49

12.25

24.5

HEIZER JAY Y RENDER BARRY. PRINCIPIOS DE ADMINISTRACIN DE


OPERACIONES. 7 EDICIN. PEARSON EDUCACIN. 2009. (P. 132)

HEIZER JAY Y RENDER BARRY. PRINCIPIOS DE ADMINISTRACIN DE


OPERACIONES. 7 EDICIN. PEARSON EDUCACIN. 2009. (P. 132)

Razonamiento: Esta r de .901 parece indicar


que hay una correlacin significativa y ayuda a
confirmar la relacin estrecha que existe entre
las dos variables.

HEIZER JAY Y RENDER BARRY. PRINCIPIOS DE ADMINISTRACIN DE


OPERACIONES. 7 EDICIN. PEARSON EDUCACIN. 2009. (P. 132)

HEIZER JAY Y RENDER BARRY. PRINCIPIOS DE ADMINISTRACIN DE


OPERACIONES. 7 EDICIN. PEARSON EDUCACIN. 2009. (P. 132)