UNIVERSIDAD DEL BÍO-BÍO

FACULTAD DE INGENIERIA
INGENIERIA CIVIL INDUSTRIAL

Producción
Unidad 1: Pronósticos de demanda
Parte 2: Regresión Lineal

Profesor: Guillermo Latorre

glatorre@ubiobio.cl

Producción 1
 Métodos Causales: Regresión Lineal

• Estudia relaciones causa-efecto.

• Modelos utilizados cuando se dispone de datos históricos y la relación entre el

factor que se intenta pronosticar y otros factores internos o externos puede
identificarse.

• Veremos el método de Regresión Lineal.

Gestión de Operaciones 2
 Métodos Causales: Regresión Lineal
Ventajas
• Excelente para prever puntos de flexión de la demanda.
• Útil para pronósticos de mediano o largo plazo.

Regresión lineal
• Consiste en que una variable dependiente se relaciona con una o más variables
independiente por medio de una expresión algebraica.
• Las variables independientes influyen en la variable dependiente y, por lo tanto,
son la causa de los resultados observados en el pasado.

Ejemplo:
Variable dependiente: se quiere pronosticar la demanda de personas que utilizan
UBER en Concepción.
Variable independiente: publicidad, Competencia, ‘Insatisfacción’ con otros servicios
similares etc.

Otros ejemplos causalidad: demanda-precio; ventas-publicidad, ingresos-monto de

seguros, ventas-temperatura, horas estudio-nota.

Gestión de Operaciones 3
 Regresión Lineal

188

168

148

128

Sales
108
Regression
88
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Week

Gestión de Operaciones 4
 Regresión Lineal

La recta de regresión tiene la forma y = a + bx +e, donde:

• y es la variable dependiente (observada)
• x es la variable independiente (predictora, regresora)
• a es la secante en y
• b es la pendiente de la recta
• e es el error aleatorio (diferencia entre valor observado y línea de
regresión).

Gestión de Operaciones 5
 Regresión Lineal

Desviación
y o error e Ecuación de
Estimación de y
Variable Dependiente

a partir de regresión:
la ecuación de y= a +bx + e
regresión
{ Valor
actual
de y

Valor de x empleado
para calcular y

x
Variable Independiente
Gestión de Operaciones 6
 Regresión Lineal

• Objetivo del análisis de regresión lineal: Encontrar

los valores de a y b que minimicen la suma de las
desviaciones (errores) al cuadrado de los puntos
reales de la gráfica.

Gestión de Operaciones 7
 Regresión Lineal

• Medidas de uso común para evaluar la precisión del pronóstico:

– Coeficiente de correlación r: mide la dirección, fuerza de la relación entre

x e y. Varía entre -1 y 1. Si |r|>0.75 se puede decir que existe relación
lineal entre las variables.

– Coeficiente de determinación r2: mide que proporción de la variación que

presenta la variable y es explicada por la variable x del modelo. Varía
entre 0 y 1.

– Error estándar promedio. Mide la proximidad con que los datos de y se

agrupan en la línea de regresión.

Gestión de Operaciones 8
 Regresión Lineal: mínimos cuadrados
• El método de mínimos cuadrados ajusta los datos que reducen al mínimo la
suma de los cuadrados de la distancia vertical entre cada punto de datos y el
punto correspondiente en la recta.
Trimestre Ventas
1 600
2 1550
3 1500
4 1500
5 2400
6 3100
7 2600
8 2900
9 3800
10 4500
11 4000
12 4900 Gestión de Operaciones 9
 Regresión Lineal: mínimos cuadrados

Determinación de la Recta: Desviación media absoluta

y  a  bx MAD  
Ei
Ei  yi  Yi
n
a  y  bx
i

Error Cuadrático Medio Insesgado

b
 xy  nx  y
S yx  
Ei2

 x  nx 2 2 i n
Desviación estándar y media
Error estándar del estimado:
n

E  E E
n 2

E 
2
i i
i
CME  i 1  i 1
; E i

n2 n 1 n
10

Gestión de Operaciones
 Regresión Lineal: mínimos cuadrados

• Coeficiente de Correlación

 x y  nx y
i i
r i

 x  x  * y  y 
2 2
i i
i i

Gestión de Operaciones 11
 Regresión Lineal: ejemplo

Ventas Publicidad
Mes (miles de unidades) (miles de $)
1 264 2.5 a = - 8.136
2 116 1.3 b = 109.229
3 165 1.4 r = 0.98
4 101 1.0 r2 = 0.96
5 209 2.0
syx = 15.61
Gasto en publicidad para el mes 6 es de $ 1.750
Antecedentes cuantitativos obtenidos a través de la calculadora

Gestión de Operaciones 12
 Regresión Lineal: ejemplo

Ventas Publicidad
Mes (000 unidades) (000 $)
1 264 2.5 a = ?
2 116 1.3 b = ?
3 165 1.4 r = ?
4 101 1.0 r2 = ?
5 209 2.0

Si no se tiene calculadora o bien se pide su demostración.

Gestión de Operaciones 13
 Regresión Lineal: ejemplo

Ventas Publicidad
Mes (miles unidades) (miles $)
1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0

a  y  bx b
 xy  nx  y
 x  nx 2 2

Gestión de Operaciones 14
 Regresión Lineal: ejemplo

Ventas, y Publicidad, x
Mes (miles unidades) (miles $) xy x2 y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
y = 171 x = 1.64

a = - 8.136 b = 109.229

Gestión de Operaciones 15
 Regresión Lineal: ejemplo
y = - 8.136 + 109.229(x)
Ventas, y Publicidad, x
Mes (miles unidades) (miles $) xy x2 y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
y = 171 x = 1.64

a = - 8.136 b = 109.229

Gestión de Operaciones 16
 Regresión Lineal: ejemplo

300 — y = - 8.136 + 109.229(X)

Ventas (miles de unidades)

Publicidad, x 250 — y
Ventas,
Mes (000 unidades) (000 $) xy x2 y2
1 —
200264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 150165
— 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
100 —
Total 855 8.2 1560.8 14.90 164,259
y = 171 x = 1.64
50 | | | |
1.0 1.5 2.0 2.5
a = - 8.136 b = 109.229
Publicidad (miles de dólares)

Gestión de Operaciones 17
 Regresión Lineal: ejemplo

Ventas, y Publicidad, x
Mes (miles unidades) (miles $) xy x2 y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
y = 171 x = 1.64

Gestión de Operaciones 18
 Regresión Lineal: ejemplo

Ventas, y Publicidad, x
Mes (miles unidades) (miles $) xy x2 y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
y = 171 x = 1.64
Coeficiente de
nxy - x y
r= correlación de
[nx 2 -(x) 2][ny 2 - (y) 2] la muestra

Gestión de Operaciones 19
 Regresión Lineal: ejemplo

Ventas, y Publicidad, x
Mes (miles unidades) (miles $) xy x2 y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
y = 171 x = 1.64

r = 0.98

Gestión de Operaciones 20
 Regresión Lineal: ejemplo

Ventas, y Publicidad, x
Mes (miles unidades) (miles $) xy x2 y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
y = 171 x = 1.64

r = 0.98 r 2 = 0.96  YX = 15.61

Gestión de Operaciones 21