Sunteți pe pagina 1din 39

Pronóstico de una variable

OBJETIVOS

• Entender la necesidad de hacer pronósticos y la importancia de estos en


las operaciones de las empresas industriales y de servicios.
• Explicar la naturaleza y aplicación de los diferentes métodos de
pronósticos.
• Utilizar el método gráfico para identificar el modelo a utilizar para hacer
pronósticos.
• Calcular, entender e interpretar el modelo de regresión lineal simple y el
de correlación lineal simple.
Competencias

El estudiante deberá ser capaz de:

• Graficar y analizar el comportamiento de una serie de datos.


• Predecir la tendencia de los datos determinando la línea de mejor
aproximación.
• Calcular e interpretar correctamente la línea de regresión y el coeficiente
de correlación.
• Entender el por qué solo deben ser tratados en este modelo los datos
que presenten como naturaleza las características de una línea recta.
PRONOSTICO DE UNA VARIABLE

INTRODUCCIÓN

En la etapa anterior, nos ocupamos de la Estadística


Descriptiva, en la cual organizamos los datos en una tabla de
distribución de frecuencias, calculamos las medidas de tendencia
central y dispersión, para describir las características que hacían
referencia a una variable.

Cabe indicar, que la variable estudiada no guardaba relación


alguna entre su conducta y el escenario de procedencia.
Ahora, nuestro interés será el de estudiar la relación que pueda
existir entre dos variables, es decir, una de ellas impulsará el
comportamiento de la otra y tendremos que desarrollar ahora,
como tarea, un modelo matemático que nos permita estudiar su
comportamiento.

Este modelo, podrá ser utilizado para hacer predicciones, así


como también, controlar y optimizar el grado de asociación
existente entre las variables.
CONCEPTO DE PRONÓSTICO

Desde el punto de vista de los negocios, un pronóstico o


predicción corresponde a la estimación de las futuras demandas
de los clientes por los productos o servicios.

De esta forma, el pronóstico nos orienta así:

 A determinar qué productos se requieren;


 Cuántos serán solicitados por los clientes;
 Cuándo ocurrirán estas demandas;

Todo lo anterior, con el fin de proveer los recursos para su


producción.
MÉTODOS UTILIZADOS

Estos se pueden agrupar en tres categorías:

1. MÉTODOS SUBJETIVOS.

Se basan en opiniones de expertos o con experiencia, los


cuales hacen pronósticos sin la necesidad de utilizar modelos
matemáticos. Algunos ejemplos:

 Opiniones de gerentes de ventas y distribuidores.


 Intuición de ventas por días feriados u otras actividades.
2. MÉTODOS HISTÓRICOS.

Se basan en la actuación pasada o los antecedentes


históricos, utilizando modelos matemáticos para realizar los
pronósticos. Algunos ejemplos de modelos:

 Mínimos cuadrados aplicados a la Regresión lineal


simple.
 Regresión múltiple.
 Gamma y Exponencial.
 Logarítmica y Weilbull.
 Series de tiempo.
 Atenuación exponencial.
 Promedio simple y móvil.
3. MÉTODOS CAUSALES.

Se basan en las causas que determinan los acontecimientos


que se darán en el futuro. Por ejemplo:

 Modelo de correlación lineal simple.


USO DEL MÉTODO GRÁFICO

Como primer paso, se deben graficar los datos y determinar si


existe una relación entre las variables.

A manera de ejemplo, se examinan las siguientes situaciones


en donde puede apreciarse que las dos primeras gráficas
muestran una relación lineal. Para describir su
comportamiento, se podrá desarrollar una ecuación lineal.

Sin embargo, las dos gráficas siguientes sugieren una


relación curvilínea. Para estos últimos casos, se pueden
ajustar funciones curvilíneas a través de una parábola u otro
polinomio, o transformando los datos a logaritmos y otras
funciones algebraicas.
TIPOS DE RELACIÓN ENTRE LAS VARIABLES

Directamente Proporcional Inversamente Proporcional

Relación no lineal Relación no lineal


ANÁLISIS DE REGRESIÓN LINEAL SIMPLE

Para este modelo el pronóstico se convierte en una cuestión de


determinar la línea de mejor tendencia general y de interpolar o
extrapolar esta línea hacia un comportamiento futuro.

Esta línea se determina por el método de los mínimos cuadrados


y su ecuación se define por:

Y = a + bX
En donde:

Y: Variable dependiente, siendo su valor el que se desea predecir.


a: Punto de intersección con el eje “Y” de la línea de mejor
aproximación.

b: Valor de la pendiente de la línea de mejor aproximación.

X: Variable independiente, en términos de la cual se predice la


variable dependiente. Esta puede estar dada en función del
tiempo, rango de valores o como un indicador económico.

Como se deduce, el modelo sólo se restringe a relaciones de


tipo lineal.
ESQUEMA GRÁFICO PARA LA LÍNEA DE REGRESIÓN

Yi 100

90
VARIABLE DEPENDIENTE

80
Y = a + bX
70

60

50

40 c
b = c/d
d
30

20

a
10

0
5 10 15 20 25 30 35 40 45 50

VARIABLE INDEPENDIENTE Xi
REGRESIÓN LINEAL SIMPLE

FÓRMULAS

De la ecuación de una línea recta:

Y = a + bX

las ecuaciones para “a” y “b” son las siguientes:


n n n
n  xi yi   xi  yi
b i 1 i 1 i 1
2

n  xi    xi 
n n2

i 1  i 1 

n n
 yi  b  xi
a i 1 i 1

n
Ejemplo #1

En la sección de artículos para autos de una tienda por departamentos se obtiene que el comportamiento
de la demanda mensual de cierto cobertor, utilizado para la protección del sol, se ha dado como se muestra
a continuación.

Número
Meses de
cobertores
Enero 50
Febrero 51
Marzo 48
Abril 60
Mayo 60
Junio 66
Julio 59
Agosto 70
Septiembre 68
Octubre 74
Noviembre 79
Diciembre 76

Utilice el modelo de predicción correcto para predecir la demanda del próximo mes de enero.
PASOS A SEGUIR

Paso #1

Graficar los datos para comprobar la existencia de una tendencia


lineal. Para ello definimos previamente las variables.

Y: número de artículos solicitados por el distribuidor.

X: meses tomados en consideración para la predicción. Cabe indicar,


que esta última variable debe transformarse apropiadamente
de una variable cualitativa a una cuantitativa, tomando como
base el mes de Enero = 1.
DISTRIBUCIÓN DE LA DEMANDA SEGÚN LOS MESES

100 100

79
80 74 76 80
70 68
66
60 60 59
DEMANDA

60 60
50 51
48

40 40

20 20

0 0

E RO ERO RZO BRIL AYO NI


O
U LIO STO BR
E
B RE BRE BRE
U
EN EBR MA A M J J O M
AG PTIE OCT
U
VI E
M
CI
EM
F O D I
SE N
MESES
Comprobada la existencia de una relación de tipo lineal, se procede
a crear las ecuaciones.

Paso #2

Ordenar los resultados de los términos de las ecuaciones en una


tabla resumen.
2 2
Mes Xi Yi X i Yi Xi Yi

Enero 1 50 50 1 2500
Febrero 2 51 102 4 2601
Marzo 3 48 144 9 2304
Abril 4 60 240 16 3600
Mayo 5 60 300 25 3600
Junio 6 66 396 36 4356
Julio 7 59 413 49 3481
Agosto 8 70 560 64 4900
Septiembre 9 68 612 81 4624
Octubre 10 74 740 100 5476
Noviembre 11 79 869 121 6241
Diciembre 12 76 912 144 5776

Totales 78 761 5338 650 49459


Paso #3

Se reemplazan los resultados en las ecuaciones para obtener los


valores de “b” y “a”.

b
125338  78761
12650  78
2

b  2.74 artículos por mes

Este valor se interpreta como el incremento de la demanda en


promedio por mes. Es decir, se espera que todos los meses
aumenten en 2.74 artículos, los pedidos realizados por el
distribuidor.
Para el punto de intersección:

761  2.7478
a
12

a  45.6 artículos

Paso #4

Finalmente, la línea de regresión quedará representada por la ecuación:

Y  45.6  2.74 X
Para obtener la demanda estimada en el próximo mes de enero, se
sustituye el valor de “X” por 13.

Y  45.6  2.7413
Y  81.2  81 artículos
Conclusión

Si el sistema que causa a la demanda no cambia, se espera


fuertemente que esta sea de 81 artículos.

Como sistemas de causa posibles, tenemos algunos factores externos


no controlables por la empresa, que deben monitorearse:

 Precio de venta
 Innovaciones en el mercado por la moda u otros diseños.
 Competencia
DISTRIBUCIÓN DE LA DEMANDA SEGÚN LOS MESES

100 100

79
80 74 76 80
70 68
66
60 60 59
DEMANDA

60 60
50 51
48

40 40

Y = 45.6 + 2.74X
20 20

0 0

E RO ERO RZO BRIL AYO NI


O
U LIO STO BR
E
B RE BRE BRE
U
EN EBR MA A M J J O M
AG PTIE OCT
U
VI E
M
CI
EM
F O D I
SE N
MESES
COEFICIENTE DE CORRELACIÓN LINEAL DE PEARSON

Esta es una herramienta que se utiliza para medir el grado con el cual
una variable está linealmente relacionada con otra, para darle validez al
pronóstico.

Cabe indicar, que mientras más dispersos se encuentren los puntos con
respecto a la línea de mejor aproximación, menor será el valor del
coeficiente.

La ecuación que determina este coeficiente, está dada por:

n n n
n  xi yi   xi  yi
r i 1
2
i 1 i 1
2

n  xi    xi 
 n  yi    yi 

n 2 n n n2

i 1  i 1  i 1  i 1 
INTERPRETACIÓN DEL VALOR DE LA PENDIENTE

Caso para “b” positiva.

Si la pendiente de la ecuación de estimación es positiva, “r” será


positivo y existirá una relación directamente proporcional entre las
variables. El valor de “r” oscilará entre 0 y 1. De ser uno, indica que
es nula la posibilidad de equivocarnos por ser perfecta su asociación.
Si es menor que uno, este riesgo aumenta.
GRADO DE DISPERSIÓN ENTRE LAS VARIABLES

Relación perfecta r = +1 r = +0.8

r = +0.5
Caso para “b” negativa.

Si la pendiente de la ecuación de estimación es negativa, “r” será


negativo y existirá una relación inversamente proporcional entre las
variables. El valor de “r” oscilará entre 0 y -1. La interpretación del
resultado es análoga a la anterior.

Es importante señalar, que si no existe relación entre las variables el


valor de la pendiente será de cero.

Ver interpretación del valor de “r” a través de la tabla.


GRADO DE DISPERSIÓN ENTRE LAS VARIABLES

Relación perfecta r = -1 r = -0.8

r = -0.5 r=0
Ejemplo #1

De nuestro ejemplo anterior, calcule el coeficiente de correlación e


interprete su resultado.

r
125338  78761
12650  78 1249459  761
2 2

r   0.946

Para interpretar el resultado, se consulta a la tabla ubicándose


dentro de la categoría "Muy Alta".
INTERPRETACIÓN
PARA EL VALOR DEL COEFICIENTE DE CORRELACIÓN
LINEAL SIMPLE DE PEARSON

VALOR ABSOLUTO INTERPRETACIÓN


DEL DEL
COEFICIENTE COEFICIENTE

Igual a 0 Nula
Mayor de 0 y menor que 0.10 Muy Baja
De 0.10 y menor que 0.20 Baja
De 0.20 y menor que 0.40 Moderadamente Baja
De 0.40 y menor que 0.60 Moderada
De 0.60 y menor que 0.80 Moderadamente Alta
De 0.80 y menor que 0.90 Alta
De 0.90 y menor que 1.00 Muy Alta
Igual a 1.00 Perfecta
Conclusión

Este resultado indica que existe una correlación o asociación “muy


alta” entre la demanda de artículos y los meses transcurridos, es
decir, el modelo matemático utilizado para hacer las predicciones de
la demanda promedio proyectada se puede considerar con un grado
confiabilidad de tipo “muy alto”, preparando así, los recursos
financieros y humanos necesarios para dar frente a dicha demanda.
COEFICIENTE DE DETERMINACIÓN

Mide el grado en que la variable independiente explica la


variabilidad de la variable dependiente. Al expresar la variación
explicada como una razón de la variación total de la variable
dependiente, obtenemos el coeficiente de determinación.

variación explicada
r 
2
variación total

El coeficiente de determinación se define, de acuerdo a la ecuación


anterior, como la proporción de la variación total en la variable
dependiente que se explica mediante la variable independiente. Es
decir, mide el porcentaje de la variación en Y que se explica por la
variación en X.
En el ejemplo anterior, sobre la demanda de artículos y los meses
tomados en consideración, el coeficiente de correlación fue
evaluado en 0.946 interpretándose como “muy alto” en su
categoría

Sin embargo, ese término no tiene un significado preciso. Una


medida más fácil de interpretar es el coeficiente de determinación,
el cual se calcula elevando al cuadrado el coeficiente de
correlación.
Para el ejemplo, el coeficiente de determinación sería:

r   0.946 
2 2

r 2 = 0.895

Este resultado es una relación proporcional o porcentaje que puede


interpretarse como que el 89.5% de la variación de la demanda en
el número de artículos se explica por la variación en los meses.

De otra forma, mide la eficiencia del modelo matemático utilizado


para realizar la predicción. En ese porcentaje, la demanda es
explicada por el modelo de regresión, es decir, por la relación lineal
que existe entre la demanda de artículos y los meses tomados en
consideración.
DISTRIBUCIÓN DE LAS VENTAS
SEGÚN LOS GASTOS EN PUBLICIDAD

10 10

9 9

8 Y = 1 + 1.6X 8

7 7 7

6 6
VENTAS

6
5 5 5

4 4

3 3

2 2 2

1 1

0 0
0 1 2 3 4 5

GASTOS EN PUBLICIDAD
DISTRIBUCIÓN DE LA DEMANDA SEGÚN EL PRECIO

140 140

125
120 120
Y = 257.1 - 14.15X
DEMANDA EN MILES

100 100

80 90 79 80

60 57 60

40 40

20 20
22 9
0 0
9 10 11 12 13 14 15 16 17 18 19 20

PRECIO EN CENTAVOS
DISTRIBUCIÓN DE LA DEMANDA SEGÚN LOS AÑOS

200 200

180 180

160 160
DEMANDA EN MILES

140 140
135
140 130 140
125

120 110 120


105
95
100 85 100
75
80 80

60 Y = 74.3 + 7.2 X 60

40 40

20 20

0 0
1 2 3 4 5 6 7 8 9 10

AÑOS
DISTRIBUCIÓN DE LA DEMANDA SEGÚN LAS SEMANAS

50 50

45 45

40 40
NÚMERO DE PUESTOS

35
33
35 32 35
30 30
28 28
30 30
25
24
23
25 22 22 25
20
19
18
20 20
15
15 12 12 15
10
8
10 10
Y = 8.56 + 1.31 X
5 5

0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

SEMANAS

S-ar putea să vă placă și