UNIVERSIDAD DE SAN CARLOS DE GUATEMALA

1
FACULTAD DE INGENIERIA
ESCUELA DE MECANICA INDUSTRIAL – EMI
ING. ARIEL ARNOLDO CATAVI JIMÉNEZ
PRACTICA DE CONTROL DE LA PRODUCCION
SECCION: N

PRACTICA 2
“PRONOSTICOS DE REGRESIÓN, CORRELACIÓN”

No. NOMBRES APELLIDOS CARNE SECCION

1 LESTER FRANCISCO GALINDO FRANCO 200517794 N
2 JONATHAN EDUARDO AJÚ JÚAREZ 201403709 N
3 JOSUÉ ALEJANDRO MUÑOZ AZURDIA 201403992 N
4 KIMBERLY ISABEL RIVERA MOLINA 201408478 N
5 JAQUELINE CELESTE GOMEZ SOCOY 201602662 N

GUATEMALA SEPTIEMBRE 2019

 INTRODUCCION
El análisis de regresión lineal es un modelo que describe las relaciones funcionales entre
dos o más variables, este modelo es uno de los principales para poder pronosticar a largo
plazo este modelo permite visualizar el futuro de la empresa a largo plazo es útil para los
departamentos de venta de una empresa que desea pronosticar cuanto de materia prima
necesita para los próximos meses, este pronóstico depende de varios factores como el
tiempo, el precio de la materia prima, la economía del país entre otros factores.

Para entender la relación que existe entre la demanda y el tiempo se utiliza el coeficiente
de correlación este coeficiente mide el grado de intensidad de la relación lineal, existen tres
tipos de correlación; correlación perfecta, correlación fuerte y correlación débil, entre más
cercano se encuentre el coeficiente a la unidad, más fuerte será la tendencial lineal y se
podrá aplicar un modelo de correlación lineal.

En el siguiente reporte se analizará un caso práctico poniendo en práctica los conceptos y

analizando cada una de las formas apropiadas para resolver dicho caso.
 JUSTIFICACIÓN
El poder pronosticar dentro de una empresa es de vital importancia, conociendo varios
métodos de tendencia ascendente-descendente, se desarrollaron los temas principales de
los que se pueden destacar el método lineal, logarítmico, exponencial, de potencia y
logarítmico inverso que consisten en el planteo de ecuaciones y el uso de las herramientas
estadísticas para poder determinar factores que nos ayudaran a realizar un mejor
pronóstico, en el informe se desarrolló el proceso de analizar cuál será la mejor opción para
poder realizar un pronóstico con menos error y que podamos desarrollar un buen trabajo
dentro del conocimiento adquirido, tomando en cuenta que para poder llevar a cabo esto
sea el factor de correlación que debería ser tomado en cuenta de los diferentes métodos
de tendencia que debe ser el más próximo a 1 con la ayuda del programa proporcionado
se logro determinar este índice de correlación el cual se podrá observar con más claridad.
 OBJETIVOS

General:

- Pronosticar la demanda de productos o servicios a partir de los antecedentes

históricos de la empresa, y proyectar a nuevos meses ventas utilizando el método
con el error menor y una correlación cercana a la unidad.

Específicos:

1. Evaluar a través de los distintos métodos para pronosticar ventas a futuro tomando
como base datos históricos de ventas anteriores, así como el factor de correlación
para la factibilidad de las proyecciones realizadas.
2. Comparar los pronósticos adquiridos con los datos ventas reales de los meses
analizados y proyectar con el método con el error más bajo
3. Ejecutar el pronóstico de riesgo para proyectar las ventas meses siguientes
tomando en cuenta el factor de correlación r y tener una confianza en los pronósticos
mayor al noventa y cinco por ciento.
FAMILIAS CON CORRELACIÓN

Dentro de los modelos causales o asociativos encontramos el análisis de regresión o

regresión lineal, que es un método con enfoque cuantitativo que nos permite pronosticar la
demanda. Agrupa una variable dependiente (la demanda) con una o más variables
independientes a través de una ecuación lineal.

El objetivo del análisis de regresión como método causal es pronosticar la demanda a partir
de una o más causas (variables independientes), las cuales pueden ser por ejemplo el
tiempo, precios del producto o servicio, precios de la competencia, economía del país,
acciones del gobierno o fomentos publicitarios.

 Puedes calcular series de tiempo y relaciones causales. En el primer caso, ubicas

la demanda histórica de tu bien o servicio para que cambie en función del tiempo.
El segundo caso es cuando la variable que pronosticas cambia en función de otra
(variable causal).
 Lineal significa que los datos del periodo anterior y la proyección para el periodo
futuro que vas a obtener caen sobre una recta.
 Si hablamos de una sola variable independiente, es una regresión lineal simple,
contrario a si son dos o más variables independientes, donde hablaríamos de
regresión lineal múltiple.

¿Cuándo utilizar modelos de regresión?

El análisis de regresión es pertinente cuando se evidencia una tendencia en los datos

históricos del pronóstico.
¿Cómo es la relación entre la demanda y el tiempo? Se relaciona utilizando el coeficiente
de correlación (r).

Este coeficiente, permite entender qué tanta correlación existe entre la demanda y el
tiempo.

- Correlación perfecta: Cuando el resultado de coeficiente es igual a 1 o -1. En este

caso existe una relación directamente proporcional entre la demanda y el tiempo.

- Correlación fuerte: Cuando el resultado es mayor a 0.5 y menor que 1 (correlación

positiva) o menor a -0.5 y mayor que -1(correlación negativa).

- Correlación débil: Valores que están entre -0.5 y 0.5.

Entre más cercano se encuentre el coeficiente de correlación a +1 o -1 más fuerte será la

tendencia y más apropiado será aplicar un modelo de regresión lineal.

Por ejemplo, si la correlación es igual a 1, observaremos que la relación entre las variables
es directamente proporcional, en el sentido que, si uno aumenta, la otra también lo hará
este método es más útil cuando se enfoca en periodos de largo plazo. Esto aunado a su
utilidad para estimar la demanda en función de variables independientes.

La fórmula general de este modelo es la siguiente:

𝑌 = 𝑎 + 𝑏𝑥

Formula no. 1

Donde:

- b es la inclinación de la recta.
- a es la secante o la altura en la que la recta corta al eje y.
- X es nuestra variable independiente.
- Y es nuestra variable dependiente, nuestro pronóstico calculado para un periodo.
El modelo log-normal

La distribución normal juega un papel muy importante en la medición de los riesgos

financieros, debido a que constituye la distribución principal sobre la cual la mayoría de los
modelos financieros se soportan.
Debido a que el modelo log-normal es simple y fácil de usar, este modelo trabaja con los
retornos logarítmicos de la serie financiera asume una distribución normal de los mismos.
Primera diferencia y primera diferencia logarítmica:
- Uno de los requerimientos para la estimación de un modelo de pronóstico, es que
la serie de datos utilizada sea estacionaria; es decir que la media y la varianza sean
constantes.
- Que la media sea constante es equivalente a decir que no hay tendencia en la serie
de datos y una varianza constante implica que la volatilidad en distintos segmentos
de la serie siempre es igual.
- Lo anterior plantea un problema en la estimación de modelos de pronósticos para
las series financieras, dado que éstas generalmente presentan tendencia y variación
en la volatilidad.
- La solución a este inconveniente generalmente se obtiene con la transformación de
la serie financiera no estacionaria a través de la primera diferencia logarítmica

𝑌𝑡 = 𝐿𝑛(𝑋𝑡 ) − 𝐿𝑛 (𝑋𝑡−1)

Fórmula no 2

Cuando la serie original tiene componentes muy pequeños, cercanos a cero como es el
caso de las tasas de interés, basta con la diferenciación y no es necesario aplicar
logaritmos.
El modelo exponencial

El método de suavización o suavizamiento exponencial simple puede considerarse como

una evolución del método de promedio móvil ponderado, en este caso se calcula el
promedio de una serie de tiempo con un mecanismo de autocorrección que busca ajustar
los pronósticos en dirección opuesta a las desviaciones del pasado mediante una
corrección que se ve afectada por un coeficiente de suavización.

Así entonces, este modelo de pronóstico precisa tan sólo de tres tipos de datos: el
pronóstico del último período, la demanda del último período y el coeficiente de suavización.

El pronóstico de suavización exponencial simple es óptimo para patrones de demanda

aleatorios o nivelados donde se pretende eliminar el impacto de los elementos irregulares
históricos mediante un enfoque en períodos de demanda reciente, este posee una ventaja
sobre el modelo de promedio móvil ponderado ya que no requiere de una gran cantidad de
períodos y de ponderaciones para lograr óptimos resultados.

Figura no. 1: Modelo exponencial

𝑌 = 𝑎 + 𝑒 𝑏∗𝑥
 Fórmula no 3

El modelo potencial

El modelo matemático que se ha de utilizar será el de Análisis de Regresión Lineal, ya que

es el método que relaciona dos variables con determinado grado de correlación y a la vez
muestran un comportamiento ascendente descendente en función de tiempo.

𝑦 = 𝑎𝑥 𝑏
Fórmula no. 4

Esta ecuación es una variación de la fórmula no. 1 en donde se multiplica por ambos lados
por un Log para eliminar la potencia y ya poder transformarla en una ecuación lineal.
 MARCO
PRACTICO
COMENTARIOS
PERSONALES
 CONCLUSIONES
1. La familia de regresión y correlación utiliza modelos matemáticos simples pero
eficientes que muestran el comportamiento de los datos modelándolos de manera
que la aplicación de su fórmula lo hace más fácil a la hora de proyectar ventas a
futuros meses pero para hacerlo se toma en cuenta algo sumamente importante el
factor de correlación lineal el cual demostrara que tan homogenizados se
encuentran los datos históricos de las ventas anteriores y que confiables serán las
ventas proyectadas, la mejor proyección es aquea la cual toma una confiabilidad
mayor al noventa y cinco por ciento.
2. Los modelos para pronosticar nos permiten escoger el que mejor se ajusta a la
necesidad de la empresa, desde sus datos históricos echo que se demuestra a
través de un grafico tiempo vs ventas que nos permite tener una visualización de los
datos y observar el comportamiento de estos y definir qué tipo de familia pertenece
los datos.
3. Una manera de lograr una conclusión en los pronósticos es el pronostico de riesgo
una vez ya teniendo el modelo necesario podemos definir las proyecciones que
usaremos para estimar a futuro y con ellas podemos definir si la empresa necesita
reabastecer los inventarios o aun no; aunque una mala jugada de los datos
provocaría que la proyección sea mala y se tomen decisiones erróneas.
 RECOMENDACIONES

 Para poder pronosticar correctamente, se debe poder identificar a través de una gráfica
el comportamiento de los datos históricos y así poder determinar que se trata de un
modelo de regresión y correlación lineal, a este paso se le conoce como Análisis
Primario.

 En los modelos de regresión y correlación lineal es muy importante que conozcamos el

coeficiente de correlación y su interpretación. Si r se encuentra entre -1 y 0 nos da la
pauta para saber que los datos con los cuales contamos se comportan con una
tendencia descendente. Y si r se encuentra entre 0 y +1 nos indica que los datos se
comportan de una manera ascendente.

 Para efectos de esta práctica, es de vital importancia calcular los errores acumulados
para las cuatro ecuaciones, ya que de esto dependemos utilizar la ecuación que mejor
se ajuste al juego de datos con los que contamos, congelando siempre 4 datos. De
esta manera pudimos pronosticar de la forma correcta el primer semestre del período
2020.
 ANEXOS

Grafico 2 tipos de familia

Grafico 3 Coeficiente de correlacion

 BIBLIOGRAFÍA
E-grafia

 INGENIO EMPRESA. [2016]. [En línea]. Disponible en:

https://ingenioempresa.com/regresion-lineal/
[Accedido en: Guatemala, 15 de septiembre 2019].

 Cortés López, J. C., Debón Aucejo, A. M., & Moreno Navarro, C. (2007). Aplicación
del Modelo Log-normal para la Predicción de activos del Banco de Sabadell. XVI
Jornadas ASEPUMA. IV Encuentro Internacional (pág. 11). Valencia: Universidad
Politécnica de Valencia. Disponible en: http://metodos.upct.es/asepuma/
comunicaciones/completas/203.pdf [Accedido en: Guatemala, 16 septiembre
2019].

 INGENIERIA INDUSTRIAL ONLINE.COM [2016]. [En línea]. Disponible en:

https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-
industrial/pron%C3%B3stico-de-ventas/suavizaci%C3%B3n-exponencial-simple/
[Accedido en: Guatemala, 16 septiembre 2019].