GESTIN TCTICA DE OPERACIONES

Pronstico estacional y causal

VIDEO
ANLISIS DE REGRESIN

Los pronsticos en el mediano plazo pueden ser

explicados mediante un anlisis de regresin, este
anlisis de regresin indica la tendencia de la
demanda en funcin a otro factor formndose
tendencias tales como: lineal, exponencial,
logartmica, etc.
Un anlisis de regresin se puede realizar sobre
modelos de pronsticos: series de tiempo o causales
ANLISIS DE REGRESIN

El anlisis de regresin se utiliza para determinar si

un grupo de datos (una o ms variables
independientes) guardan algn tipo de relacin o
correlacin con otro grupo de datos (variable
dependiente). Una vez que se hayan calculado
dichas relaciones podrn hacerse pronsticos
TIPOS DE ANLISIS DE REGRESIN

Lineal
Exponencial
y = a + bx
y = cebx
Polinmica
Potencial
y = b + c1x + c2x2 + c3x3 + + c6x6
y = cxb

Logartmica

y = b + clnx
ANLISIS DE REGRESIN LINEAL SIMPLE

Anlisis de Regresin Lineal Simple. Modelo matemtico que

slo contiene una variable independiente y una variable
dependiente.

Ecuacin matemtica:

y = a + bx
ANLISIS DE REGRESIN LINEAL MLTIPLE.

Modelo Matemtico que contiene 2 o ms variables

independientes y una variable dependiente.

Ecuacin matemtica:
y = a + b1x1 + b2x2 + + bnxn
ANLISIS DE REGRESIN LINEAL
SIMPLE
Modelo matemtico que slo contiene una variable
independiente y una variable dependiente. Si los datos
forman una serie de tiempo, la variable independiente es el
tiempo en perodos y la variable dependiente son las ventas o
demanda.
Ecuacin de regresin: y = a + bx
Donde:
x : valores de la variable independiente
y : valores de la variable dependiente
a : interseccin con el eje vertical
b : pendiente de la lnea de regresin
n : nmero de observaciones
VARIABLE DEPENDIENTE E INDEPENDIENTE

Dependiente

= +
Independiente

- Ventas - Inversin en
- OEE (Overall Equipment publicidad
Efficiency o Eficiencia General - Inversin en
de los Equipos) mantenimiento
ANLISIS DE REGRESIN LINEAL
SIMPLE
Los valores de a y b se obtienen mediante las siguientes
formulas:
COEFICIENTE DE CORRELACIN (R).

Explica la importancia relativa, el grado o fuerza de

la relacin entre y & x; el signo de r indica la
direccin de dicha relacin, y el valor absoluto de r la
magnitud de la relacin. r puede asumir cualquier
valor entre -1 y +1. El signo de r ser siempre igual
al signo de b.
COEFICIENTE DE CORRELACIN (R).

Una r negativa indica que los valores de y i x tienden a

moverse en direcciones opuestas, y una r positiva indica
que los valores de y & x se mueven en la misma
direccin. As tenemos:
-1 Una relacin negativa perfecta; conforme y sube, x
baja unidad por unidad y viceversa.
+1 Una relacin positiva perfecta; conforme y sube, x
sube unidad por unidad y viceversa.
0 No existe relacin alguna entre y & x.
Ejemplos
+0.3 Una relacin positiva dbil.
-0.9 Una relacin negativa fuerte
COEFICIENTE DE CORRELACIN (R).

El coeficiente de correlacin se calcula como sigue:

COEFICIENTE DE DETERMINACIN (R2).

Es el porcentaje de variacin en la variable

dependiente y que es explicada por la ecuacin de
regresin. El valor de r2 ser siempre un nmero
positivo en el rango de 0 r2 1
ERROR ESTNDAR DE PRONSTICO O
DESVIACIN ESTNDAR.

Un punto estimado de y es en realidad la media o

valor esperado, de una distribucin de valores
posibles. Para medir la exactitud de los estimados en
la regresin se establecen rangos dentro de los
cuales los datos reales ms probablemente ocurrirn
CALCULO DE LOS RANGOS PARA LOS
PRONSTICOS

Lmite Superior = Yi + t Syx

Lmite Inferior = Yi - t Syx
Donde:
Y: demanda pronosticada
i : perodo pronosticado
Syx : Desviacin estndar
t : valor de la distribucin de probabilidad t student para un nivel de
significancia del 0.01 y para n-2 grados de libertad para un nivel de
confianza del 90%
EJEMPLO

La empresa Motores Andinos S.A. produce motores

petroleros Perkins. Durante ms de un ao, la planta
de produccin ha operado a casi plena capacidad. El
gerente de planta, estima que el crecimiento en las
ventas continuar y desea desarrollar un pronstico
a largo plazo que se usar para planear las
necesidades de las instalaciones para los siguientes
tres aos. Se han totalizado las cifras de ventas
correspondientes a los ltimos diez aos:
EJEMPLO
EJEMPLO

Resolvamos ahora despejando los valores de a y de b:

a = (385)(21,000) - (55)(133,300) 10(385) - (55)2
a = 913.333
b = (10)(133,300) - (55)(21,000) 825
b = 215.785
EJEMPLO

Ahora que conocemos los valores de a y de b, podemos utilizar

la ecuacin de
regresin para pronosticar las ventas de aos futuros:
Y = 913.333 + 215.758X
Si deseamos pronosticar las ventas en miles de unidades para
los tres aos siguientes, podramos reemplazar 11, 12 y 13, que
son los tres valores siguientes de X, en la ecuacin de
regresin de X:
SOLUCIN

Y11 = 913.333 + 215.758(11) = 3,286.7, o 3,290 miles de unidades

Y12 = 913.333 + 215.758(12) = 3,502.4, o 3,500 miles de unidades
Y13 = 913.333 + 215.758(13) = 3,718.2, o 3,720 miles de unidades
SOLUCIN
SOLUCIN
SOLUCIN

Calculo del coeficiente de correlacin:

r = 0.9702
Calculo del coeficiente de determinacin:
r2 = 0.9412 o 94.12%
Calculo del error estndar de pronostico
Sxy = 173.0 miles de unidades
SOLUCIN

Estableciendo rangos: para un nivel de significancia 0.05 y a n-2

grados de libertad,
para la demanda pronosticada del perodo 11 tenemos:

LS = 3,286.7 + 1.86(173) = 3,610 miles de unidades.

LI = 3,286.7 - 1.86(173) = 2,960 miles de unidades.
Interpretacin: Existe una probabilidad del 90% de que nuestras
ventas anuales del prximo ao queden entre 3,610 y 2,960 miles de
unidades. Slo existe una probabilidad del 10% de que nuestras
ventas caigan fuera de este lmite. Nuestra mejor estimacin es 3,290
miles de unidades.
SOLUCIN
GRFICAMENTE
PM
GRACIAS