Ing.

VITELIO ASENCIOS TARAZONA

 Dentro de los modelos causales o asociativos
encontramos el anlisis de regresin o
regresin lineal, que es un mtodo con
enfoque cuantitativo que nos permite
pronosticar la demanda.
Agrupa una variable dependiente (la demanda)
con una o ms variables independientes a
travs de una ecuacin lineal.
 La regresin lineal en pronstico de ventas

Objetivo del RL es pronosticar la demanda a

partir de una o ms causas (variables
independientes), las cuales pueden ser por
ejemplo: el tiempo, precios del producto o
servicio, precios de la competencia, economa del
pas, acciones del gobierno o fomentos
publicitarios.
 Algunos apuntes importantes sobre ste
mtodo son
Puedes calcular series de tiempo y relaciones causales.
En el primer caso, ubicas la demanda histrica de tu bien o
servicio para que cambie en funcin del tiempo.
El segundo caso es cuando la variable que pronosticas cambia
en funcin de otra (variable causal).
Lineal significa que los datos del periodo anterior y la
proyeccin para el periodo futuro que vas a obtener caen sobre
una recta.
Si hablamos de una sola variable independiente, es una
regresin lineal simple, contrario a si son dos o ms variables
independientes, donde hablaramos de regresin lineal mltiple
 Cundo utilizar la regresin lineal

El anlisis de regresin es pertinente cuando se evidencia una tendencia en los

datos histricos del pronstico. Cmo? Dibuja los datos de meses anteriores, los
de la demanda real. Si lo ests haciendo en Excel 2010 o superior, da click derecho
sobre la serie de datos graficados y luego click en agregar lnea de tendencia. Si no,
simplemente analiza la tendencia de los datos, es creciente o decreciente?
Cmo es la relacin entre la demanda y el tiempo? Para responder esta pregunta,
haremos uso del coeficiente de correlacin (r).
Este coeficiente, te permitir entender qu tanta correlacin existe entre la
demanda y el tiempo.
Correlacin perfecta: Cuando el resultado de coeficiente es igual a 1 o -1. En este
caso existe una relacin directamente proporcional entre la demanda y el tiempo.
Correlacin fuerte: Cuando el resultado es mayor a 0.5 y menor que 1 (correlacin
positiva) o menor a -0.5 y mayor que -1(correlacin negativa).
Correlacin dbil: Valores que estn entre -0.5 y 0.5.
 Entre ms cercano se encuentre el coeficiente de correlacin a
+1 o -1 ms fuerte ser la tendencia y ms apropiado ser
aplicar un modelo de regresin lineal. Por ejemplo si la
correlacin es igual a 1, observaremos que la relacin entre las
variables es directamente proporcional, en el sentido que si
uno aumenta, la otra tambin lo har.
Bien vale aclarar que este mtodo es ms til cuando se enfoca
en periodos de largo plazo. Esto aunado a su utilidad para
estimar la demanda en funcin de variables independientes.
 El anlisis de regresin en el pronstico de demanda

Esta es la ecuacin de la recta. En ella:

La b es la inclinacin de la recta.
La a es la secante o la altura en la que la recta corta al eje y.
La X es nuestra variable independiente.
La Y es nuestra variable dependiente, nuestro pronstico calculado
para un periodo.
 Ejemplo
Las ventas de la
empresa IngE durante
los ltimos 10 trimestres
son las siguientes:
Cmo pronosticar la
demanda de los
trimestres 13, 14 y 15
a travs de un anlisis
de regresin lineal?
Lo primero es estimar los parmetros a y b.
Lo podemos lograr con el mtodo de mnimos
cuadrados, que nos permite encontrar la recta
que mejor se ajusta a un conjunto de datos dados.
En nuestro caso, este conjunto est dado por las
ventas trimestrales (variable dependiente).
La variable independiente es el tiempo.
Vamos entonces a la siguiente frmula para
determinar a y b:
La y minscula es el valor y de cada punto de datos.
La n es el nmero de punto de datos.
Conocidas las ecuaciones y el papel de las variables, vamos a calcular el pronstico con
regresin lineal:
Con los valores de la ltima fila de la tabla, podemos
calcular a y b, con los cuales logramos calcular los
valores de la ltima columna (Y) que es la recta que
ms se ajusta a la demanda y.
El pronstico tiene el siguiente aspecto:
 Cuando pronosticamos, siempre queremos saber qu tan
exacto es el mtodo que estamos utilizando, igual que
una medida de error de pronstico.
Una medida apropiada para medir el error en RL es el error
estndar de estimacin (Sy,x), que nos permite determinar la
variabilidad en torno a la recta de regresin.

Error estndar del estimado Sy,x: 54,79

Esto lo interpretamos como una medida de la variabilidad o
dispersin de los valores observados alrededor de nuestra lnea
de regresin.
 Coeficiente de correlacin [r]
El coeficiente de correlacin, comnmente
identificado como r o R , es una medida de
asociacin entre las variables aleatorias X y Y,
cuyo valor vara entre -1 y +1.
El resultado de este ejercicio es r = 0,975.

Esto indica que la correlacin es muy fuerte y

positiva porque est cercana a 1.