PROYECCIÓN DE TENDENCIA

LINEAL

Teoría de decisiones
Ing. Laura Sofía Bazán Díaz
Ing. Laura Sofía Bazán Díaz 2

ANÁLISIS DE REGRESIÓN

• En el análisis de regresión se usan los valores conocidos de las variables para

estimar la relación entre una variable (llamada la VARIABLE DEPENDIENTE) y
una o más variables relacionadas (llamadas VARIABLES INDEPENDIENTES).
• Esta relación suele encontrarse de modo tal que minimice la suma de errores
al cuadrado (y por lo tanto, también ECM). Con esta relación luego podemos
usar los valores de las variables independientes para estimar el valor asociado
de la variable dependiente. Cuando se estima una relación lineal entre la
variable dependiente (que suele denotarse como y) y una sola variable
independiente (que suele denotarse como x), esto se llama REGRESIÓN
LINEAL SIMPLE.
Ing. Laura Sofía Bazán Díaz 3

ANÁLISIS DE REGRESIÓN

• Para estimar la relación entre la variable dependiente y una sola variable

independiente es necesario encontrar los valores de los parámetros 𝑏0 y
𝑏1 para una línea recta y= 𝑏0 + 𝑏1 𝑥.
• Ya que nuestro uso del análisis de regresión lineal simple muestra la
relación lineal entre la variable independiente y la dependiente que
minimiza el ECM, podemos usar este enfoque para encontrar la línea que
mejor se adapte a un conjunto de datos que exhiben una tendencia
lineal.
Ing. Laura Sofía Bazán Díaz 4

ANÁLISIS DE REGRESIÓN
• Al encontrar esta tendencia lineal, la variable que pronosticará (𝑌𝑡 , el
valor real de la serie de tiempo 𝑡) es la variable dependiente y la variable
de tendencia (el periodo 𝑡) es la variable independiente. Usaremos la
siguiente notación para nuestra línea de tendencia lineal.

𝑌෠𝑡 = 𝑏0 + 𝑏1 𝑡
Ing. Laura Sofía Bazán Díaz 5

ANÁLISIS DE REGRESIÓN
𝐷𝑜𝑛𝑑𝑒:

𝑡 = 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑑𝑒 𝑡𝑖𝑒𝑚𝑝𝑜
𝑌෠𝑡 = 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 𝑑𝑒 𝑡𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 𝑙𝑖𝑛𝑒𝑎𝑙 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑡
𝑒𝑠 𝑑𝑒𝑐𝑖𝑟, 𝑒𝑙 𝑣𝑎𝑙𝑜𝑟 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜 𝑑𝑒 𝑌𝑡 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑡
𝑏0 = 𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑐𝑒𝑝𝑡𝑜 𝑑𝑒 𝑌 𝑒𝑛 𝑙𝑎 𝑙í𝑛𝑒𝑎 𝑑𝑒 𝑡𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 𝑙𝑖𝑛𝑒𝑎𝑙
𝑏1 = 𝑙𝑎 𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑙í𝑛𝑒𝑎 𝑑𝑒 𝑡𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 𝑙𝑖𝑛𝑒𝑎𝑙
Ing. Laura Sofía Bazán Díaz 6
Ing. Laura Sofía Bazán Díaz 7
Ing. Laura Sofía Bazán Díaz 8

ANÁLISIS DE REGRESIÓN
• En la ecuación, la variable de tiempo comienza en 𝑡=1, que corresponde
con la primera observación de la serie de tiempo (año 1 para la serie de
tiempo de ventas de bicicletas) y continúa hasta 𝑡=n, que se corresponde
con la observación más reciente de la serie de tiempo (año 10 para la
serie de tiempo de ventas de bicicletas). Por tanto, para la serie de
tiempo de ventas de bicicletas 𝑡=1 se corresponde con el valor más viejo
de la serie de tiempo y 𝑡=10 se corresponde con el año más reciente. El
cálculo se puede usar para mostrar que las ecuaciones dadas abajo
para 𝑏0 y 𝑏1 da como resultado la línea que minimiza el ECM.
Ing. Laura Sofía Bazán Díaz 9

ANÁLISIS DE REGRESIÓN
• Las ecuaciones para calcular los valores de 𝑏0 y 𝑏1 son:

σ 𝑛 σ 𝑛
𝑛 𝑡=1 𝑡 𝑡=1 𝑌𝑡
σ𝑡=1 𝑡𝑌𝑡 −
𝑏1 = 𝑛
σ 𝑛 2
𝑡
σ𝑛𝑡=1 𝑡 2 − 𝑡=1
𝑛

𝑏0 = 𝑌ത − 𝑏1 𝑡ҧ
Ing. Laura Sofía Bazán Díaz 10

ANÁLISIS DE REGRESIÓN
Donde:
𝑡 = el periodo
𝑌𝑡 = 𝑣𝑎𝑙𝑜𝑟 𝑟𝑒𝑎𝑙 𝑑𝑒 𝑙𝑎 𝑠𝑒𝑟𝑖𝑒 𝑑𝑒 𝑡𝑖𝑒𝑚𝑝𝑜 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑡
𝑛 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑒𝑟𝑖𝑜𝑑𝑜𝑠 𝑒𝑛 𝑙𝑎 𝑠𝑒𝑟𝑖𝑒 𝑑𝑒 𝑡𝑖𝑒𝑚𝑝𝑜
𝑛

𝑌ത = 𝑣𝑎𝑙𝑜𝑟 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑙𝑎 𝑠𝑒𝑟𝑖𝑒 𝑑𝑒 𝑡𝑖𝑒𝑚𝑝𝑜; 𝑒𝑠 𝑑𝑒𝑐𝑖𝑟, 𝑌ത = ෍ 𝑌𝑡 ൗ𝑛

𝑡=1
𝑛

𝑡ҧ = 𝑣𝑎𝑙𝑜𝑟 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑡; 𝑒𝑠 𝑑𝑒𝑐𝑖𝑟 𝑡ҧ = ෍ 𝑡 ൗ𝑛

𝑡=1
Ing. Laura Sofía Bazán Díaz 11

ANÁLISIS DE REGRESIÓN
• Calculemos 𝑏0 y 𝑏1
para los datos de
las bicicletas en la
tabla, el resumen
de los cálculos
intermedios
necesarios para
calcular los valores
de 𝑏0 y 𝑏1 son:
Ing. Laura Sofía Bazán Díaz 12

ANÁLISIS DE REGRESIÓN
• Y los últimos cálculos del valor 𝑏0 y 𝑏1 son:
55
𝑡ҧ = = 5.5
10
264.5
ത
𝑌= = 26.45
10
1545.5 − (55)(264.5)Τ10
𝑏1 = = 1.10
385 − 552 Τ10

𝑏0 = 26.45 − 1.10 5.5 = 20.40

Ing. Laura Sofía Bazán Díaz 13

ANÁLISIS DE REGRESIÓN
Por lo tanto, 𝑌෠𝑡 = 20.4 + 1.1𝑡
• Es la ecuación de regresión para el componente de tendencia lineal para la serie de
tiempo de las ventas de bicicletas.
• La pendiente de 1.1 en esta ecuación de tendencia indica que, durante los últimos 10
años, la firma ha experimentado un incremento promedio de ventas de
aproximadamente 1100 unidades por año. Si suponemos que la tendencia de los
últimos 10 años es un buen indicador del futuro, podemos usar la ecuación para
proyectar el componente de tendencia de la serie de tiempo. Por ejemplo sustituimos
𝑡=11 en la ecuación, nos da la proyección de tendencia del siguiente año: 𝑌෠11 = 20.4 +
1.1 11 = 32.5.
• Por tanto, el modelo de tendencia lineal nos da un pronóstico de 32,500 bicicletas
para el siguiente año.
Ing. Laura Sofía Bazán Díaz 14

Pronósticos de tendencia lineal y errores de pronóstico para la

serie de tiempo de ventas de bicicletas
Ing. Laura Sofía Bazán Díaz 15

ANÁLISIS DE REGRESIÓN
• La tabla muestra el cálculo de la suma minimizada de errores al
cuadrado para la serie de tiempo de ventas de bicicletas. Como antes se
señaló, minimizar la suma de errores al cuadrado minimiza la medida
usada comúnmente para calcular la precisión, ECM. En la serie de tiempo
de ventas de bicicletas ECM=3.07.
• Observe que en este ejemplo, no usamos valores pasados de la serie de
tiempo para producir el pronóstico y por tanto k=0; es decir, podemos
producir un pronóstico para cada periodo de la serie de tiempo y por
consiguiente, no tenemos que ajustar nuestros cálculos de EAM, ECM o
EPAM para k.
Ing. Laura Sofía Bazán Díaz 16

ANÁLISIS DE REGRESIÓN
• También podemos usar la línea de tendencia para pronosticar ventas en
el futuro más lejano. Por ejemplo, si usamos la ecuación para intervalos
superiores, desarrollamos pronósticos anuales para dos o tres años en el
futuro como sigue:
𝑌෠12 = 20.4 + 1.1 12 = 33.6
𝑌෠13 = 20.4 + 1.1 13 = 34.7
• Observe que el valor pronosticado aumenta 1100 bicicletas al año.