ADMINISTRACIN DE LA DEMANDA PRONSTICOS (REGRESION LINEAL)

MODELO DE REGRESION LINEAL

2

MODELO CAUSAL
A diferencia de los modelos de serie, los modelos causales identifican y miden directamente los efectos de las fuerzas especificas que influyen en la demanda. Por tanto, son mas apropiados para predecir y evaluar los efectos de las decisiones que toma la empresa (p.e. cambios en la publicidad o en los precios ) que las tcnicas de series de tiempos. Dentro de los modelos causales tenemos a la regresin lineal.

ANALISIS DE REGRESION LINEAL

Determina la relacin entre una variable independiente X, y una variable dependiente Y. Se asume que es lineal (similar a una lnea recta) Ecuacin: Y = a + bX Y = variable dependiente X = variable independente a = intercepta al eje y b = pendiente de la recta

ANALISIS DE REGRESION LINEAL (La Pendiente de la recta depende del signo de b)

$ = a + bX Y i i
b>0

Y
a

b<0 a Time, X
5

TABLA DE REGRESION LINEAL

(Ordenar y calcular los trminos necesarios para plantear las ecuaciones)

Xi X1 X2 : Xn Xi

Yi Y1 Y2 : Yn Yi

2 Xi

X 12 X2 :
2 Xn 2 Xi 2

2 Yi 2 Y1 2 Y2

X iY i X 1Y 1 X 2Y 2 : X nY n X iY i
6

:
2 Yn 2 Yi

ANALISIS DE REGRESION LINEAL

i = a + bx i Y

Mtodo 1: resolviendo las ecuaciones normales: Y = a*n + b X 2 XY = a *X + b X Los valores de a y b se calculan resolviendo el sistema de ecuaciones simultneas, por el mtodo de sumas y restas.
7

ANALISIS DE REGRESION LINEAL

i = a + bx i Y

Mtodo 2: aplicacin directa de las siguientes frmulas: a= X * Y X * XY n * X - (X)

2 2 2

n * XY X * Y b= n *X (X)
2 2

ANALISIS DE REGRESION LINEAL

i = a + bx i Y

Mtodo 3: resolviendo las ecuaciones siguientes: b= XY n * X Y X (X)

2 2

Cov (X,Y) V (X)

a= YbX
9

EJEMPLO DE REGRESIN LINEAL

Usted es gerente de una tienda que vende equipos diversos (grupos electrgenos pequeos) y necesita saber la proyeccin de las ventas para el ao 2014 utilizando el mtodo de regresin lineal.

2009 2010 2011 2012 2013

48 60 53 38 72
10

ARTIFICIO PARA SERIES DE TIEMPO

Cuando se trata de hallar la tendencia lineal en series de tiempo se puede aplicar el siguiente artificio para reemplazar la variable independiente (X):

a) Si la serie tiene un nmero impar de aos, se elige al valor medio como nuevo origen de la serie: 2002 2003 2004 2005 2006 2007 2008 2009 2010 -4 -3 -2 -1 0 +1 +2 +3 +4

X:

(X=0)

b) Si la serie tiene un nmero par de aos, el punto medio de la serie se ubica entre los aos centrales y se considera una escala de 2 unidades entre los aos consecutivos: 2003 2004 2005 2006 2007 2008 2009 2010 -7 -5 -3 -1 0 +1 +3 +5 +7

X:

(X=0)

TABLA DE DATOS ORDENADOS

Para los datos del problema, tenemos la siguiente tabla:
Aos 2009 2010 2011 2012 2013 X -2 -1 0 1 2 X 0 Prom X 0 Ventas 48 60 53 38 72 Y 271 Prom Y 54.2 X 2 4 1 0 1 4 X 10 2 Y 2 2304 3600 2809 1444 5184 Y 2 15341 XY -96 -60 0 38 144 XY 26

ANALISIS DE REGRESION LINEAL

i = a + bx i Y

Mtodo 1: resolviendo las ecuaciones normales: Y = a*n + b X 2 XY = a *X + b X Los valores de a y b se calculan resolviendo el sistema de ecuaciones simultneas, por el mtodo de sumas y restas.
13

ANALISIS DE REGRESION LINEAL

i = a + bx i Y

Por medio del artificio, eliminamos X de las ecuaciones originales, quedando como sigue: a = Y/n Y = a*n
2

XY = b X

b = XY /X

Reemplazando valores, tenemos: a = 271/5= 54.2 b = 26/10=2.6

14

ANALISIS DE REGRESIN LINEAL

i = a + bx i Y
Por tanto, la ecuacin de la recta es: Y = 54.2 + 2.6 X Como resultado, el pronstico de ventas para el ao 2014, se calcula como sigue: Y4 = 54.2 + 2.6 (3) Y4 = 62

15

ANALISIS DE REGRESIN LINEAL

Aos 2009 2010 2011 2012 2013 2014 X -2 -1 0 1 2 3 X 0 Prom X 0 Y 271 Prom Y 54.2
16

Ventas 48 60 53 38 72

X2 4 1 0 1 4 X 10 2

Y 2 2304 3600 2809 1444 5184 Y 2 15341

XY -96 -60 0 38 144 XY 26

Proyeccin 49 51.6 54.2 56.8 59.4 62

ANALISIS DE REGRESIN LINEAL

17

ERROR ESTANDAR ESTIMADO (MSE)

Syx = = (y -yc)2 n Donde: y = el valor de y para cada punto de dato. yc = el valor calculado para la variable dependiente a partir de la ecuacin de regresin. n = el nmero de datos

18