INSTITUTO POLITÉCNICO NACIONAL

ESCUELA SUPERIOR DE COMERCIO

Y ADMINISTRACIÓN
UNIDAD SANTO TOMÁS

ADMINSTRACIÓN DE VENTAS
´´EXPOSICIÓN EQUIPO #3´´
Integrantes: PROFESOR: Ulises Jesús
• Carrera Rodríguez Luis Heriberto Urbano Sánchez
• Garduño Yonca Luis Fernando
• González Rodríguez Barbara Grupo: 4RV1
• Hernández García Francisco Javier
Fecha: 3 de octubre de 2018
• Martínez Garduño Pamela
Modelo de regresión
Un modelo de regresión es un modelo matemático que busca
determinar la relación entre una variable dependiente (Y) con
respecto a otras variables llamadas explicativas o
independientes (X).

El modelo de regresión se suele utilizar en las Ciencias

Sociales con el fin de determinar si existe o no relación
causal entre una variable dependiente (Y) y un conjunto de
otras variables explicativas (X). Asimismo, el modelo busca
determinar cuál será el impacto sobre la variable Y ante un
cambio en las variables explicativas (X).
 Forma del modelo de regresión

El modelo de regresión simple tiene la siguiente forma:

Y = A + BX + u

Y= variable dependiente o endógena

X= variable independiente o explicativa
A, B = parámetros fijos y desconocidos
u= termino de error que recoge todos los demás factores que afectan
Y pero que no están incluidos en el modelo. También puede captar los
errores de estimación de la variable dependiente. No observable.
Luego, el objetivo del modelo de regresión será estimar los valores de
A y B a partir de una muestra.
Un ejemplo de regresión
lineal para pronosticar la
demanda:
Las ventas de la
empresa zapatos lokos
S.A de R.L. durante los
últimos 10 trimestres son
las siguientes
¿Cómo pronosticar la demanda de los trimestres 13, 14 y 15 a través de
un análisis de regresión lineal?

Lo primero es estimar
los parámetros.
Lo podemos lograr con
el método de mínimos
cuadrados, que nos
permite encontrar la
recta que mejor se  La y “minúscula” es el valor y de cada punto
ajusta a un conjunto de de datos.
datos dados.
 La n es el número de punto de datos.
Conocidas las ecuaciones y el papel de las variables, vamos
a calcular el pronóstico con regresión lineal:
En la siguiente se encuentran los cálculos realizados para los 12
trimestres según lo requerido por las ecuaciones:
Con los valores de la última fila de la tabla, podemos calcular a y b,
con los cuales logramos calcular los valores de la última columna
(Y) que es la recta que más se ajusta a la demanda y.

Veamos entonces:
Con esta aclaración, puedes ver cómo se realiza el
pronóstico de producción del trimestre 13. Procedemos
igual para los demás trimestres.
Y=63,657(14)+72,894=964.09
Y=63,657(15)+72,894=1027.75

Eso tiene el siguiente aspecto:

Una medida apropiada para medir el error en regresión lineal es
el error estándar de estimación (Sy,x), que nos permite determinar la
variabilidad en torno a la recta de regresión.
Con los datos obtenidos
en nuestra tabla,
reemplazamos en la
fórmula y obtenemos:

Error estándar del

estimado Sy,x: 54,79
 MODELO DE ECUACIONES SIMULTANEAS

• Es un modelo estadístico que viene dado por un conjunto de

ecuaciones lineales. Se utilizan en econometría para encontrar
valores que se encuentran correlacionados y que suceden
paralelamente, por ejemplo, en las estimaciones de la oferta y la
demanda.
 PUNTO DE EQUILIBRIO

• Se centra en a rentabilidad de una

empresa Ingresos =Costos Totales

• Los ingresos totales son iguales a los Demanda=Oferta

costos totales.
• No hay perdidas ni ganancias.
• Para encontrar la ecuación de la demanda
y la oferta, se utiliza una ecuación de línea
recta de dos puntos.
 PERIODO UNIDADES INGRESO
VENDIDAS
ENERO 100 50
FEBRERO 85 90
MARZO 90 120

DEMANDA (-) OFERTA (+)

 • 105 -15= 35X + 5X
• -5X + 105 = 35X + 15
• 90 = 40X
• 90/40 = X = 2.25

DEMANDA OFERTA
 PERIODO (2004) UNIDADES INGRESO (MILES)
VENDIDAS
OCTUBRE 22,100 60
NOVIEMBRE 19,600 80

DEMANDA (-) OFERTA (+)

Y – 22,100 19,600 – 22,100 Y – 60 80 – 60
= =
X - 10 11 - 10 X - 10 11 - 10

-2,500
Y – 22,100 =
1
(X – 10) Y – 60 = 20 (X – 10)
1
Y = -2,500 (X – 10) + 22,100
Y = 20 (X - 10) + 60

Y = -2,500 X + 25,000 + 22,100

Y = 20 X – 200 + 60
Y = -2,500 X + 47,100
Y =20 X -140
• -2,500 X + 47,100 = 20 X -140
• 47,100 + 140 = 20 X + 2,500 X
• 47,240 = 2,520 X
• 47,240
= X = 18.74
2,520

DEMANDA (-) OFERTA (+)

Y = -2,500 X + 47,100 Y = 20 X -140

Y = -2,500 (18.74) + 47,100 Y = 20 (18.74) -140

Y = 234.92 Y = 234.92

PUNTO DE EQUILIBRIO: X = 19
Y = 235
Unidades (Y)
250
Punto de
235
Equilibrio
200

150

100

50

Ingreso (X)
0 5 10 15 19 20 (Miles)
Permite a las organizaciones estudiar sus
procesos desde una perspectiva sistemática
procurando una mejor comprensión de la
causa y efecto entre ellos además de permitir
una mejor predicción de ciertas situaciones.
POR EJEMPLO.
• La satisfacción de un cliente ante un nuevo proceso.
• La utilización de recursos en un nuevo proceso o
incluso minimizar el tiempo de dicho proceso.
 TIPOS DE MODELOS DE SIMULACIÓN
• Modelo teórico
Es el modelo principal de toda
una investigación científica,
gracias a ello podemos definir o
concluir la hipótesis, las
predicciones, etc.
Debe contener los elementos
que se precisen para la
simulación.
• Modelo conceptual
Establece la importancia de la
discriminación o rechazo en una
colectividad por medio de un
cuestionario u otra herramienta con
una escala de actitud.
El modelo es el cuestionario para
confirmar o rechazar la hipótesis.
 4 MÉTODOS DE SIMULACIÓN MÁS COMUNES

• Métodos analíticos • Métodos continuos

• La simulación analítica
manifiesta múltiples aspectos
ligados a procesos en los que
varios agentes compiten por
un mismo recurso.
• El comportamiento de los procesos
se simula utilizando ecuaciones que
reflejan la variación del tiempo de
cada variable.
• Son apropiados para procesos de
gran volumen o producciones
continuas.
 • Métodos discretos.
• Permiten simular comportamientos
aleatorios introduciendo
distribuciones de probabilidad.
• Solo pueden ser tomados como
una estimación, siendo necesario
múltiples replicas para que el
resultado obtenido, en promedio, se
aproxime al real.
• Todos orientados a objetos.
• Cada objeto está formado por
una combinación de información
(atributos) y procedimientos
(métodos); ambos se combinan
para crear un “ejemplar”.
• Por ejemplo, un objeto
denominado "cliente" puede
tener como atributos edad,
capacidad de endeudamiento y
nivel de educación.
 VENTAJAS

1. La simulación anticipa los cambios y de la misma manera ayuda a

responder de una mejor manera.
2. Promueve soluciones totales.
3. Es efectiva para el control de costos.
4. Permite cuantificar el impacto sobre el tiempo total del proceso de
las actividades que no generan valor añadido.
5. Permite evaluar posibles cambios en una organización.
 EJEMPLO
Establecimiento de supuestos:

• Todos los módulos de venta poseen las mismas características de

atención
• Los tiempos entre llegadas de los clientes se distribuyen equitativamente
(1 min).
• Existe un solo tipo de cliente (atención por cada cliente de 5 min).
• No existe prioridad entre los clientes.
• Situación actual • Simulación con 3 módulos

Se obtienen los siguientes resultados

 ´