regresion lineal
DESCRIPTION
Información acerca de pronósticos a mediano y largo plazoTRANSCRIPT
![Page 1: Regresion Lineal](https://reader034.vdocument.in/reader034/viewer/2022050909/55cf8ec8550346703b959659/html5/thumbnails/1.jpg)
Pronósticos en el mediano y largo plazo
![Page 2: Regresion Lineal](https://reader034.vdocument.in/reader034/viewer/2022050909/55cf8ec8550346703b959659/html5/thumbnails/2.jpg)
Análisis de Regresión
Los pronósticos en el mediano plazo pueden ser explicados mediante un análisis de regresión, este análisis de regresión indica la tendencia de la demanda en función a otro factor formándose tendencias tales como: lineal, exponencial, logarítmica, etc.
Un análisis de regresión se puede realizar sobre modelos de pronósticos: series de tiempo o causales.
![Page 3: Regresion Lineal](https://reader034.vdocument.in/reader034/viewer/2022050909/55cf8ec8550346703b959659/html5/thumbnails/3.jpg)
Análisis de Regresión
El análisis de regresión se utiliza para determinar si un grupo de datos (una o más variables independientes) guardan algún tipo de relación o correlación con otro grupo de datos (variable dependiente). Una vez que se hayan calculado dichas relaciones podrán hacerse pronósticos.
• Tipos de análisis de regresión:•
• Lineal•
• y = a + bx•
• Poli nómica•
• y = b + c1x + c2x2 + c3x3 + … + c6x6
•
• Logarítmica•
• y = b + clnx •
• Exponencial•
• y = cebx
•
• Potencial•
• y = cxb
![Page 4: Regresion Lineal](https://reader034.vdocument.in/reader034/viewer/2022050909/55cf8ec8550346703b959659/html5/thumbnails/4.jpg)
Análisis de Regresión Lineal
• Análisis de Regresión Lineal Simple. Modelo matemático que sólo contiene una variable independiente y una variable dependiente.
•
• Ecuación matemática: y = a + bx
• Análisis de Regresión Lineal Múltiple.Modelo Matemático que contiene 2 o más variables independientes y una variable dependiente.
•
• Ecuación matemática: y = a + b1x1 + b2x2 + … + bnxn
![Page 5: Regresion Lineal](https://reader034.vdocument.in/reader034/viewer/2022050909/55cf8ec8550346703b959659/html5/thumbnails/5.jpg)
Análisis de Regresión Lineal Simple. Modelo matemático que sólo contiene una variable independiente y una variable dependiente. Si los datos forman una serie de tiempo, la variable independiente es el tiempo en períodos y la variable dependiente son las ventas o demanda.
Ecuación de regresión: y = a + bx
Donde:
x : valores de la variable independiente
y : valores de la variable dependiente
a : intersección con el eje vertical
b : pendiente de la línea de regresión
n : número de observaciones
![Page 6: Regresion Lineal](https://reader034.vdocument.in/reader034/viewer/2022050909/55cf8ec8550346703b959659/html5/thumbnails/6.jpg)
Análisis de Regresión Lineal Simple. Los valores de a y b se obtienen mediante las siguientes formulas:
𝑎 = 𝑥2 𝑦 − 𝑥 𝑥𝑦
𝑛 𝑥2 − 𝑥 2
𝑏 =𝑛 𝑥𝑦 − 𝑥 𝑦
𝑛 𝑥2 − 𝑥 2
![Page 7: Regresion Lineal](https://reader034.vdocument.in/reader034/viewer/2022050909/55cf8ec8550346703b959659/html5/thumbnails/7.jpg)
Coeficiente de Correlación (r).
Explica la importancia relativa, el grado o fuerza de la relación entre y & x; el signo de r indica la dirección de dicha relación, y el valor absoluto de r la magnitud de la relación. r puede asumir cualquier valor entre -1 y +1. El signo de r será siempre igual al signo de b.
![Page 8: Regresion Lineal](https://reader034.vdocument.in/reader034/viewer/2022050909/55cf8ec8550346703b959659/html5/thumbnails/8.jpg)
Coeficiente de Correlación (r).
Una r negativa indica que los valores de y i x tienden a moverse en direcciones opuestas, y una r positiva indica que los valores de y i x se mueven en la misma dirección. Así tenemos:
-1 Una relación negativa perfecta; conforme y sube, x baja unidad por unidad y viceversa.
+1 Una relación positiva perfecta; conforme y sube, x sube unidad por unidad y viceversa.
0 No existe relación alguna entre y & x.
+0.3 Una relación positiva débil.
-0.9 Una relación negativa fuerte.
![Page 9: Regresion Lineal](https://reader034.vdocument.in/reader034/viewer/2022050909/55cf8ec8550346703b959659/html5/thumbnails/9.jpg)
Coeficiente de Correlación (r).
El coeficiente de correlación se calcula como sigue:
𝑟 =𝑛 𝑥𝑦 − 𝑥 𝑦
𝑛 𝑥2 − 𝑥 2 𝑛 𝑦2 − 𝑦 2
![Page 10: Regresion Lineal](https://reader034.vdocument.in/reader034/viewer/2022050909/55cf8ec8550346703b959659/html5/thumbnails/10.jpg)
Coeficiente de Determinación (r2).
Es el porcentaje de variación en la variable dependiente y que es explicada por la ecuación de regresión. El valor de r2 será siempre un número positivo en el rango de 0 ≤ r2 ≤ 1
![Page 11: Regresion Lineal](https://reader034.vdocument.in/reader034/viewer/2022050909/55cf8ec8550346703b959659/html5/thumbnails/11.jpg)
Error estándar de pronóstico o desviación estándar.
Un punto estimado de y es en realidad la media o valor esperado, de una distribución de valores posibles. Para medir la exactitud de los estimados en la regresión se establecen rangos dentro de los cuales los datos reales más probablemente ocurrirán.
𝑆𝑦𝑥 = 𝑦2 − 𝑎 𝑦 − 𝑏 𝑥𝑦
𝑛 − 2
![Page 12: Regresion Lineal](https://reader034.vdocument.in/reader034/viewer/2022050909/55cf8ec8550346703b959659/html5/thumbnails/12.jpg)
Calculo de los rangos para los pronósticosLímite Superior = Yi + t Syx
Límite Inferior = Yi - t Syx
Donde:
Y: demanda pronosticada
i : período pronosticado
Syx : Desviación estándar
t : valor de la distribución de probabilidad t student para un nivel de significancia del 0.01 y para n-2 grados de libertad para un nivel de confianza del 90%
![Page 13: Regresion Lineal](https://reader034.vdocument.in/reader034/viewer/2022050909/55cf8ec8550346703b959659/html5/thumbnails/13.jpg)
Ejemplo
La empresa Motores Andinos S.A. produce motores petroleros Perkins. Durante más de un año, la planta de producción ha operado a casi plena capacidad. El gerente de planta, estima que el crecimiento en las ventas continuará y desea desarrollar un pronóstico a largo plazo que se usará para planear las necesidades de las instalaciones para los siguientes tres años. Se han totalizado las cifras de ventas correspondientes a los últimos diez años:
![Page 14: Regresion Lineal](https://reader034.vdocument.in/reader034/viewer/2022050909/55cf8ec8550346703b959659/html5/thumbnails/14.jpg)
Ejemplo
![Page 15: Regresion Lineal](https://reader034.vdocument.in/reader034/viewer/2022050909/55cf8ec8550346703b959659/html5/thumbnails/15.jpg)
Solución
Año
Ventas anuales (miles de unid.)
(y) Periodo
(x)
x2
xy
1 1,000 1 1 1,000
2 1,300 2 4 2,600
3 1,800 3 9 5,400
4 2,000 4 16 8,000
5 2,000 5 25 10,000
6 2,000 6 36 12,000
7 2,200 7 49 15,400
8 2,600 8 64 20,800
9 2,900 9 81 26,100
10 3,200 10 100 32,000
Totales ∑y = 21,000 ∑x = 55 ∑x2 = 385 ∑xy = 133,300
![Page 16: Regresion Lineal](https://reader034.vdocument.in/reader034/viewer/2022050909/55cf8ec8550346703b959659/html5/thumbnails/16.jpg)
Solución
Resolvamos ahora despejando los valores de a y de b:
a = (385)(21,000) - (55)(133,300)10(385) - (55)2
a = 913.333
b = (10)(133,300) - (55)(21,000)825
b = 215.785
![Page 17: Regresion Lineal](https://reader034.vdocument.in/reader034/viewer/2022050909/55cf8ec8550346703b959659/html5/thumbnails/17.jpg)
Solución
• Ahora que conocemos los valores de a y de b, podemos utilizar la ecuación de regresión para pronosticar las ventas de años futuros:
• Y = 913.333 + 215.758X
• Si deseamos pronosticar las ventas en miles de unidades para los tres años siguientes, podríamos reemplazar 11, 12 y 13, que son los tres valores siguientes de X, en la ecuación de regresión de X:
![Page 18: Regresion Lineal](https://reader034.vdocument.in/reader034/viewer/2022050909/55cf8ec8550346703b959659/html5/thumbnails/18.jpg)
Solución
• Y11 = 913.333 + 215.758(11) = 3,286.7, o 3,290 miles de unidades
• Y12 = 913.333 + 215.758(12) = 3,502.4, o 3,500 miles de unidades
• Y13 = 913.333 + 215.758(13) = 3,718.2, o 3,720 miles de unidades
![Page 19: Regresion Lineal](https://reader034.vdocument.in/reader034/viewer/2022050909/55cf8ec8550346703b959659/html5/thumbnails/19.jpg)
Solución
Año
Ventas anuales (miles de
unid.) (y) Periodo
(x)
x2
xy Pronóstico
1 1,000 1 1 1,000 1,129
2 1,300 2 4 2,600 1,345
3 1,800 3 9 5,400 1,561
4 2,000 4 16 8,000 1,776
5 2,000 5 25 10,000 1,992
6 2,000 6 36 12,000 2,208
7 2,200 7 49 15,400 2,424
8 2,600 8 64 20,800 2,639
9 2,900 9 81 26,100 2,855
10 3,200 10 100 32,000 3,071
11 11 3,287
12 12 3,502
13 13 3,718
![Page 20: Regresion Lineal](https://reader034.vdocument.in/reader034/viewer/2022050909/55cf8ec8550346703b959659/html5/thumbnails/20.jpg)
Solución
1 2 3 4 5 6 7 8 9 10 11 12 13
Períodos
500
1,000
1,500
2,000
2,500
3,000
3,500
4,000
Ve
nta
s M
iles d
e u
nid
ade
s
Ventas
Regresión
Análisis de Regresión Lineal
![Page 21: Regresion Lineal](https://reader034.vdocument.in/reader034/viewer/2022050909/55cf8ec8550346703b959659/html5/thumbnails/21.jpg)
Solución
• Calculo del coeficiente de correlación:
• r = 0.9702
• Calculo del coeficiente de determinación:
• r2 = 0.9412 o 94.12%
• Calculo del error estándar de pronostico
• Sxy = 173.0 miles de unidades
![Page 22: Regresion Lineal](https://reader034.vdocument.in/reader034/viewer/2022050909/55cf8ec8550346703b959659/html5/thumbnails/22.jpg)
Solución
• Estableciendo rangos: para un nivel de significancia 0.01 y a n-2 grados de libertad, para la demanda pronosticada del período 11 tenemos:
•
• LS = 3,286.7 + 1.86(173) = 3,610 miles de unidades.
• LI = 3,286.7 - 1.86(173) = 2,960 miles de unidades.
• Interpretación: Existe una probabilidad del 90% de que nuestras ventas anuales del próximo año queden entre 3,610 y 2,960 miles de unidades. Sólo existe una probabilidad del 10% de que nuestras ventas caigan fuera de este límite. Nuestra mejor estimación es 3,290 miles de unidades.