UNIVERSIDAD DE GUAYAQUIL

FACULTAD DE CIENCIA ADMINISTRATIVA

ESCUELA DE INGENIERIA COMERCIAL
MTODO DE REGRESIN LINEAL PARA
PRONSTICOS

INTEGRANTES:
CORTEZ CARRION EUNICE
MASSON VACA ARTURO
ORTEGA RODRIGUEZ ZULLY
PILATAXI CELA FRANKLIN
PILAY HERNANDEZ MARICELA
DOCENTE:
ING. JACAS ARENCIBIO ALEXANDER ERNESTO, MSc.
ADMINISTRACIN DE OPERACIONES
CURSO: 7/3
GRUPO: 2
GUAYAQUIL, JUNIO 2016

INDICE

RESUMEN......................................................................................................................................
INTRODUCCION...........................................................................................................................
OBJETIVO......................................................................................................................................
OBJETIVO GENERAL:..............................................................................................................
DESARROLLO...............................................................................................................................
PRONOSTICO................................................................................................................................
MTODO DE REGRESION LINEAL PARA PRONSTICO......................................................
CUNDO UTILIZAR UN PRONSTICO DE REGRESIN LINEAL?...............................
USO DEL ANLISIS DE REGRESIN PARA PRONOSTICAR............................................
EJERCICIO..................................................................................................................................
ERROR ESTNDAR DE LA ESTIMACIN..........................................................................
EJERCICIO............................................................................................................................
COEFICIENTES DE CORRELACIN PARA RECTAS DE REGRESIN...........................
VALORES DEL COEFICIENTE DE CORRELACIN...........................................................
EJERCICIO............................................................................................................................
CONCLUSION..............................................................................................................................
BIBLIOGRAFA...........................................................................................................................

RESUMEN
La Regresin lineal se refiere a la prediccin del valor de una variable a partir
de una o ms variables. En ocasiones se denomina a la variable dependiente (y) variable
de respuesta y a la variable independiente (x) variable de prediccin. (Heizer &
Render , 2004)

En muchos problemas hay dos o ms variables inherentemente relacionadas, y

es necesario explorar la naturaleza de esta relacin. El anlisis de regresin puede
emplearse por ejemplo para construir un modelo que exprese el rendimiento como una
funcin de la temperatura. Este modelo puede utilizarse luego para predecir el
rendimiento en un nivel determinado de temperatura. Tambin puede emplearse con
propsitos de optimizacin o control del proceso. (KRAJEWSKI, 2000)

INTRODUCCION
Muchas de las tcnicas de pronostico que se utilizan actualmente se
desarrollaron en el siglo XXI; un ejemplo de ello son los anlisis de regresin. Con el
desarrollo de tcnicas de pronstico ms complejas, junto con el advenimiento de las
computadoras, los pronsticos recibieron ms atencin durante los aos recientes. Este

desarrollo es en especial cierto desde la proliferacin de la pequea computadora

personal.

Ahora todos los administradores posen la capacidad de utilizar tcnicas de

anlisis de datos muy complejas para fines de pronstico, y una comprensin de dichas
tcnicas es esencial hoy en da para los Administradores de Empresas.

Al crecer la preocupacin de los Administradores por el proceso de pronstico,

se continan desarrollando nuevas tcnicas de pronstico. Esta atencin se enfoca de
manera particular en los errores, que son parte inherente de cualquier procedimiento de
pronstico.

Es raro que los pronsticos coincidan al pie de la letra con el futuro, una vez
llegado este, quienes pronostican solo pueden intentar que los inevitables errores sean
tan pequeos como sea posible.

OBJETIVO
OBJETIVO GENERAL:
Analizar el grado de relacin existente entre las variables utilizando el modelo
de regresin lineal para pronsticos con sus respectivas grficas y clculos matemticos.

DESARROLLO
PRONOSTICO
Pronosticar es el arte y la ciencia de predecir los eventos futuros. Puede
implicar el empleo de datos histricos y su proyeccin hacia el futuro mediante algn
tipo de modelo matemtico. Puede ser una prediccin subjetiva o intuitiva; o puede ser
4

una combinacin de estas es decir, un modelo matemtico ajustado mediante el buen

juicio del administrador. (KRAJEWSKI, 2000)

Lo que funciona mejor en una empresa con una serie de condiciones quiz sea
un completo desastre en otra organizacin, o incluso en otro departamento de la misma
empresa. Adems, se observara que hay lmites para lo que puede esperarse de los
pronsticos. Pocas veces son perfectos. Su preparacin y supervisin tambin implica
un gusto de tiempo y dinero. Pocos negocios, sin embargo, se dan el lujo de eludir el
proceso de pronosticar y solo esperar a ver qu sucede, para despus arriesgarse.
(David, 2009)

El pronstico de las operaciones productivas dentro de la empresa es poder

anticiparse en el tiempo para saber el resultado de los objetivos y metas de la empresa, o
tratar de reducir o eliminar el riesgo e incertidumbre. El pronstico es una herramienta
fundamental para todos los tipos de planeacin y control empresarial.

MTODO DE REGRESION LINEAL PARA PRONSTICO

El modelo de pronstico de regresin lineal permite hallar el valor esperado de
una variable aleatoria a cuando b toma un valor especfico. La aplicacin de este
mtodo implica un supuesto de linealidad cuando la demanda presenta un
comportamiento creciente o decreciente, por tal razn, se hace indispensable que previo
a la seleccin de este mtodo exista un anlisis de regresin que determine la intensidad

de las relaciones entre las variables que componen el modelo. (Heizer & Render ,
2004)

Es una tcnica estadstica que es utilizada para solucionar problemas comunes

en cualquier negocio, en donde se pueden identificar y cuantificar algunas relaciones
funcionales entre dos o ms variables en donde las variables son dependientes tanto la
una como de la otra. (KRAJEWSKI, 2000)

A diferencia del pronstico de series de tiempo, los modelos de pronstico

asociativo casi siempre consideran varias variables relacionadas con la cantidad que se
desea predecir. Una vez determinadas dichas variables, se construye un modelo
estadstico que se usa para pronosticar el elemento de inters. Este enfoque es ms
poderoso que los mtodos de series de tiempo que incluyen slo valores histricos para
la variable a pronosticar. En un anlisis asociativo pueden considerarse muchos
factores. (David, 2009)

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.

CUNDO UTILIZAR UN PRONSTICO DE REGRESIN LINEAL?

El pronstico de regresin lineal simple es un modelo ptimo para patrones de

demanda con tendencia (creciente o decreciente), es decir, patrones que presenten una
relacin de linealidad entre la demanda y el tiempo.

Existen medidas de la intensidad de la relacin que presentan las variables que

son fundamentales para determinar en qu momento es conveniente utilizar regresin
lineal.
El trabajo del administrador es desarrollar la mejor relacin estadstica entre las
ventas de computadoras personales y las variables independientes. El modelo de
pronsticos asociativo cuantitativo ms comn es el anlisis de regresin lineal.

USO DEL ANLISIS DE REGRESIN PARA PRONOSTICAR

Con el fin de realizar un anlisis de regresin lineal, Podemos usar 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. Pero la variable independiente, x, ya no necesita ser el tiempo. Usamos
la ecuacin

= a + bx
= valor de la variable dependiente (ventas)
a= interseccin con el eje y
b= pendiente de la recta de regresin

x= variable independiente

EJERCICIO
Nodel Construction Company remodela casas antiguas en West Bloomfield,
Michigan. Con el tiempo, la compaa se ha percatado de que su volumen de dlares
por trabajos de renovacin depende de la nmina del rea de West Bloomfield. En la
siguiente tabla se numeran los ingresos de Nodel y el monto de dinero percibido por los
trabajadores en West Bloomfield durante los ltimos seis aos.
Ventas de Nodel

Nmina local

Ventas de Nodel

Nmina local

($000,000), y
2,0

($000,000), x
1

($000,000), y
2,0

($000,000), x
2

3,0

2,0

2,5

3,5

La administracin de Nodel desea establecer una relacin matemtica que le

ayuda a predecir las ventas. Primero, necesita determinar si existe una relacin en lnea
recta (lineal) entre la nmina del rea y sus ventas, de manera que grafica los datos
conocidos en un diagrama de dispersin.

A partir de los seis puntos de datos, parece haber una ligera relacin positiva
entre la variable independiente (nmina) y la variable dependiente (ventas): en la
8

medida que se incrementa la nmina, las ventas de Nodel tienden a subir. Podemos
encontrar una ecuacin matemtica si usamos el enfoque de regresin de mnimos
cuadrados.
X2
xy
1
2
9
9
16
10
4
4
1
2
49
24,5
2
x = 80
x = 51,5

Ventas, y Nmina, x
2
1
3
3
2,5
4
2
2
2
1
3,5
7
y = 15,0
x = 18

x 18
= =3
6
6

y 15
= =2,5
6
6

3
80( 6 ) ( 2)=
xy n x 51,5(6)(3)(2,5)
b=
=

x 2n x2

0,25

a= bx=2,5( 0,25 )( 3 ) =1,75

La ecuacin de regresin estimada es, por lo tanto,

= 1,75 + 0,25x
o bien:
Ventas = 1,75 + 0,25 (nmina)
Si la cmara de comercio local predice que la nmina para el rea de West
Bloomfield ser de 600 millones de dlares el prximo ao, estimamos las ventas de
Nodel con una ecuacin de regresin:
Ventas (en $ millones) = 1,75 + 0,25(6)
= 1,75 + 1,50 = 3,25

o bien:
Ventas = $3250.000
La parte final del ejercicio muestra una debilidad inherente a los mtodos de
pronstico asociativo como el de regresin. Aun cuando calculamos una ecuacin de
regresin, debemos dar un pronstico para la variable independiente x, en este caso, la
nmina, antes de estimar la variable dependiente y para el siguiente periodo. Aunque
ste no es un problema para todos los pronsticos, es posible imaginar la dificultad que
implica la determinacin de los valores futuros de algunas variables independientes
comunes (como los ndices de desempleo, producto nacional bruto, ndices de precios, y
otros).

ERROR ESTNDAR DE LA ESTIMACIN

Medida de la variabilidad alrededor de la recta de regresin, su desviacin
estndar.
El pronstico de ventas para Nodel de $3250.000 dlares determinado en el
ejemplo anterior se conoce como estimacin puntual de y. La estimacin puntual es en
realidad la media, o el valor esperado, de una distribucin de valores posibles de ventas.
Con el propsito de medir la precisin de las estimaciones de regresin,
debemos calcular el error estndar de la estimacin, Sy,x. Este clculo se llama
desviacin estndar de la regresin, y mide el error desde la variable dependiente, y,
hasta la recta de regresin, en lugar de hasta la media. La ecuacin anterior es una
expresin similar a la encontrada en la mayora de los libros de estadstica para calcular
la desviacin estndar de una media aritmtica:

Sy,x

( y yc)2

n2

Donde
y= valor de y de cada puntual
yc= valor calculado de la variable dependiente, a
partir de la ecuacin de regresin
10

n= nmero de datos puntuales

La ecuacin quiz parezca ms complicada, pero de hecho es una versin
de la ecuacin, ms fcil de usar. Ambas frmulas ofrecen la misma respuesta y
son tiles para establecer intervalos de prediccin de la estimacin puntual.

Sy,x

y 2ay bxy
n2

EJERCICIO

Para calcular el error de la estimacin para los datos de Nodel en el ejercicio, la

nica cifra que necesitamos que no es posible despejar para calcular Sy,x es
y 2=39,5. Por tanto:

Sy,x

Sy,x

y 2ay bxy
n2

39,51,75 ( 1,50 )0,25(51,5)

62

Sy,x 0,3975

11

Sy,x

0,306

El error estndar de la estimacin es entonces $30,600 dlares en ventas.

El Vice-presidente de operaciones de Nodel quiere conocer el error asociado con

la recta de regresin calculada en el ejercicio anterior.
Mtodo: Calcule el error estndar de la estimacin, Sy,x, usando la ecuacin.
Solucin: La nica cifra que necesitamos y que no es posible despejar para
calcular Sy,x es y2. Algunas sumas rpidas revelan que y2 = 39.5. Por lo tanto:

COEFICIENTES DE CORRELACIN PARA RECTAS DE

REGRESIN
Medida de la cantidad de variacin en la variable dependiente respecto de su
medida que explica la ecuacin de regresin.
La ecuacin de regresin es una forma de expresar la naturaleza de la relacin
entre dos variables. Las rectas de regresin no son relaciones de causa y efecto,
simplemente describen las relaciones entre variables. La ecuacin de regresin muestra
la forma en que una variable se relaciona con el valor y los cambios en otra variable.

Otra forma de evaluar la relacin entre dos variables consiste en calcular el

coeficiente de correlacin. Esta medida expresa el grado o fuerza de la relacin lineal.
Casi siempre identificando como r, el coeficiente de correlacin puede ser cualquier
nmero entre +1 y -1.

Para calcular r, empleamos casi los mismos datos empleados para calcular a y b
para la recta de regresin. La ecuacin para r es:

12

n y ( y)

(n x 2 ( x )2)

nxy x y
r=

VALORES DEL COEFICIENTE DE CORRELACIN

EJERCICIO

En el ejercicio anterior la relacin entre las ventas de renovacin de casas de

Nodel Construction Company y la nmina en el rea de West Bloomfield. Para calcular
el coeficiente para los datos correspondientes, slo necesitamos agregar una columna
ms de clculo (para y2) y despus aplicar la ecuacin de r.
xy

y2

16

10

6,25

3
2,5

y2

13

3,5

49

24,5

12,25

x = 51,5

x = 39,5

y = 15,0

x = 18

x2 = 80

n y 2( y)2

2
(n x ( x )2)

nxy x y
r=

(6)(80)( 18 )2
( 6 ) ( 51,5 )(18)(15,0)
r=

2
(6)(39,5)(15,0)

r=

309270
(156)(12)

r=

39
1,872

r=

39
43,3

r=0,91
Esta r de 0,901 parece ser una correlacin significativa y ayuda a confirmar
que hay una relacin estrecha entre las dos variables.

14

CONCLUSION
El anlisis de regresin lineal para pronstico constituye el mtodo que se
emplea para conocer las relaciones y significacin entre series de datos. Lo anterior, es
de suma importancia para la industria ya que es aqu en donde se presentan variables de
respuesta e independientes las cuales interactan para originar las caractersticas de un
proceso en particular y por ende; analizar, predecir valores de la variable dependiente y
examinar el grado de fuerza con que se relacionan dichas variables.

15

BIBLIOGRAFA
David, M. N. (2009). Administracin de operaciones, Enfoque de administracin de
procesos de negocio. Mxico: Cengage Lerning .
Heizer, j., & Render , B. (2004). Principio de Administracin de Operaciones. Mxico:
Pearson Educacin.
KRAJEWSKI, L. R. (2000). Administracin de operaciones: estrategia y anlisis.
Mxico: Pearson Educacin.
Taylor, W. (1881). Principles of Scientific Management. Mxico: Pearson Educacin.

16