Pronóstico de la demanda

Regresión lineal

Pronóstico de la demanda: Mínimos cuadrados

El modelo de pronóstico de regresión lineal permite hallar el valor esperado de una variable aleatoria a cuando b toma un valor específico. La aplicación de este método implica un supuesto de linealidad cuando la demanda presenta un comportamiento creciente o decreciente, por tal razón, se hace indispensable que previo a la selección de este método exista un análisis de regresión que determine la intensidad de las relaciones entre las variables que componen el modelo.

¿Cuándo utilizar un pronóstico de regresión lineal?

El pronóstico de regresión lineal simple es un modelo óptimo para patrones de demanda con tendencia (creciente o decreciente), es decir, patrones que presenten una relación de linealidad entre la demanda y el tiempo.

Existen medidas de la intensidad de la relación que presentan las variables que son fundamentales para determinar en qué momento es conveniente utilizar regresión lineal.


Análisis de regresión

El objetivo de un análisis de regresión es determinar la relación que existe entre una variable dependiente y una o más variables independientes. Para poder realizar esta relación, se debe postular una relación funcional entre las variables.

Cuando se trata de una variable independiente, la forma funcional que más se utiliza en la práctica es la relación lineal. El análisis de regresión entonces determina la intensidad entre las variables a través de coeficientes de correlación y determinación.

Coeficiente de correlación [r]

El coeficiente de correlación, comúnmente identificado como r o R , es una medida de asociación entre las variables aleatorias X y Y, cuyo valor varía entre -1 y +1.

El cálculo del coeficiente de correlación se efectúa de la siguiente manera:

Dónde t hace referencia a la variable tiempo y x a la variable demanda.

Modelo de Regresión Lineal Simple

Fórmulas

Donde:


Ejemplo de aplicación de un pronóstico de Regresión lineal Simple

La juguetería Gaby desea estimar mediante regresión lineal simple las ventas para el mes de Julio de su nuevo carrito infantil «Mate». La información del comportamiento de las ventas de todos sus almacenes de cadena se presenta en el siguiente tabulado.

MesPeriodoVentas
 Enero17000
Febrero29000
Marzo35000
Abril411000
Mayo510000
Junio613000

El primer paso para encontrar el pronóstico del mes 7 consiste en hallar la pendiente, para ello efectuamos los siguientes cálculos:


Parece complejo, sin embargo, esta serie de cálculos se aprecian sencillos por medio de un tabulado.

rl_excel
Hallar b es cuestión de aplicar la fórmula:
rl_b
rl_bII
Luego, y dado que ya tenemos el valor de la pendiente b procedemos a calcular el valor de a, para ello efectuamos los siguientes cálculos:

Veámoslo de acuerdo a nuestra explicación con colores:

X

X_II

t

t_II

a_II

Ya por último, determinamos el pronóstico del mes 7, para ello efectuamos el siguiente cálculo:

Podemos así determinar que el pronóstico de ventas para el período 7 es equivalente a 13067 unidades.


Calcula tu pronóstico regresión lineal

El siguiente formato ha sido desarrollado por nuestro equipo para efectuar tu pronóstico de una forma sencilla, de esta forma obtendrás de una manera sencilla el pronóstico mediante regresión lineal.

Bryan Salazar López

Ingeniero Industrial y Magíster en Logística Integral especializado en productividad y modelamiento de procesos bajo dimensiones de sostenibilidad, industria 4.0, transformación digital y modelos de optimización. Docente universitario de pregrado y posgrado con experiencia en la enseñanza de estos temas. Fundador de Ingenieriaindustrialonline.com, un sitio en donde se recogen las aportaciones de investigaciones, artículos y referencias relevantes para la industria.

4 comentarios

    1. Hola Carlos, un saludo. Al tratarse de un gráfico que pretende esbozar una comparación entre los valores reales (ventas) y la línea de regresión (pronóstico), si puedes observar, el eje X inicia en el período 1, es decir, omitimos el período 0, punto en el cuál la línea de regresión tendría intersección con el eje Y en el valor de 5.266, tal como lo sugieres. Gracias por tu observación, espero haber resuelto tu inquietud, nos leemos por acá.

  1. Hola estimado

    Tengo el siguiente problema:
    En la teoría económica, se asume una relación de causalidad del ingreso (𝑌) sobre el gasto (𝐺); más aún, el impacto de un incremento en el ingreso es en un periodo posterior. Si 𝑡 representa el paso del tiempo y se asume una relación de causalidad lineal, de los siguientes modelos, el que mejor representa esta proposición es:
    a) 𝑮𝒕 = 𝝁 + 𝖰𝒀𝒕 +∈𝒕
    b) 𝑮𝒕 = 𝝁 + 𝖰𝒀𝒕 + 𝒕 + 𝝐𝒕
    c) 𝑮𝒕 = 𝝁 + 𝖰𝒀𝒕−𝟏 + 𝜺𝒕

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Botón volver arriba