Escolar Documentos
Profissional Documentos
Cultura Documentos
operaciones I
1. Pronsticos
Pronstico de demanda
Es una estimacin cuantitativa de la
demanda futura de productos o servicios.
La elaboracin de pronsticos de
demanda es fundamental, ya que todas
las actividades de la empresa dependen
del volumen de negocios que se va a
realizar.
Ejemplos de Pronsticos
* Programa de produccin
* Poltica de inventarios
* Capacidad productiva de la planta
* Presupuestos
* Sistemas de distribucin
* Mtodos de produccin
* Desarrollo de nuevos productos
* Etc.
Variaciones de la
demanda
Respecto
al
tiempo:
Variaciones de la
demanda
Respecto
al
tiempo:
Variaciones de la
demanda
Respecto
al
tiempo:
Variaciones de la
demanda
Respecto
al
tiempo:
Variaciones de la
demanda
Respecto
al
tiempo:
Mtodos de pronsticos
Mtodos de pronsticos
Anlisis de series de
tiempo
a) Ajuste de linea: (recta, curva exponencial y
curva potencial).
b) Promedio mvil: (simple, con ajuste de
tendencia y ponderado).
c) Promedio ponderado exponencialmente:
(simple y con ajuste de tendencia)
Mtodos causales
a) Regresin lineal simple: cuando se
considera una sola variable independiente
que no sea el tiempo.
b) Regresin lineal mltiple: cuando se
considera ms de una variable (una de
ellas puede ser el tiempo).
c) Regresin no lineal
REGRESIN LINEAL
Regresin: Es la relacin de una variable dependiente con
una o varias independientes.
Caractersticas del modelo:
Una variable dependiente.
Una o ms variables independientes.
Funcin lineal:
Y = o + 1X1 + 2X2 ++ kXk +
Se estiman los parmetros del modelo:
Y = a + bX1 + cX2 ...
REGRESIN LINEAL
Y = o + 1 X +
Interseccin
Pendiente
REGRESIN LINEAL
EJEMPLO DE REGRESIN SIMPLE
En el ao 2000 en Mxico, se logr una excelente cosecha
de papas. Adems, a finales de Abril se recibi una
importante donacin de uno de los pases europeos.
Considerando la produccin nacional y la donacin, el
Gobierno determin que en los meses de Mayo y Junio
debera venderse un acumulado de 18 millones de kilos. A
partir de los datos de 4 meses representativos, determinar
a qu precio se tuvo que vender el kilo de papas.
REGRESIN LINEAL
30
3
20
7
10
10
4
24
64
44
Suma
16
11
Promedio
Y = o + 1 X
Y = 28.232 -1.112X
Mtra. Maribel Beltrn Castelo
REGRESIN LINEAL
Clculos de sumatorias:
(x-)
-8
-4
-1
13
Suma 0
(x-)2
64
16
1
169
250
1 =
(y-)
14
4
-6
-12
0
( x x )( y y )
( x x )2
0 = - 1 X = 16
x2
9
49
100
576
734
(x-)(y-)
-112
-16
6
-156
-278
xy
90
140
100
96
426
- 278
250
y2
(y-)2
900
196
400
16
100
36
16
144
1416 392
-1.112
REGRESIN LINEAL
Utilizando excel:
Y = 28.232 1.112 X
Por cada unidad en el precio X, el
promedio de la demanda Y
disminuye 1.112
REGRESIN LINEAL
Utilizando excel
Coeficiente de correlacin mltiples: puede interpretarse como el
porcentaje de variabilidad de Y explicada o debida a la recta de regresin.
Coeficiente de determinacin R2: es una medida que nos dice qu tan bien
se ajusta la recta de regresin muestral a los datos, es decir, es una medida de
bondad de ajuste [se encuentra entre 0 y 1]. Para el ejemplo el 79% de los
cambios en la demanda se explican por el precio.
El R2 ajustado: es un criterio de valoracin de la capacidad de explicacin de
los modelos de regresin, y representa el porcentaje de la varianza justificado por
la variable independiente.
El error tpico: se refiere a las variaciones que son a menudo inevitables. El
error tpico puede definirse tambin como la variacin producida por factores
distorsionantes tanto conocidos como desconocidos
REGRESIN LINEAL
1981
1982
1983
1984
1985
1986
DEMANDA
(ton)
770
780
786
795
805
800
POB.
(millones)
71.3
73.0
74.6
76.3
77.9
79.5
IPC
(1978=1)
1.91
3.04
6.13
10.14
16.00
29.80
REGRESIN LINEAL
a
N
2
Yx
.
z
Yz . xz
Con los
orgenes
cambiados
2
2
2
x
.
z
(
xz)
2
Yz
.
x
Yx . xz
x .z
2
( xz)
REGRESIN LINEAL
EJEMPLO DE REGRESIN MLTIPLE
Y
a
b X cZ
Con los
orgenes
originales
x - x . y - y
b
c
2
Yz
.
x
Yx . xz
x .z
2
( xz)
REGRESIN LINEAL
ECUACIN DE REGRESIN:
REGRESIN LINEAL
CORRIDA DEL TSP
====================================================================
LS // Dependent Variable is DEMAN
SMPL
1981 - 1986
6 Observations
====================================================================
VARIABLE
COEFFICIENT
STD. ERROR
T-STAT.
2-TAIL SIG.
====================================================================
C
277.56108
65.284106
4.2515874
0.024
POB
6.9168348
0.9014990
7.6725930
0.005
IPC
-0.8941506
0.2640463
-3.3863398
0.043
====================================================================
R-squared
0.981387
Mean of dependent var
789.3333
Adjusted R-squared
0.968978
S.D. of dependent var
13.14027
S.E. of regression
2.314398
Sum of squared resid
16.06932
Durbin-Watson stat
2.356016
F-statistic
79.08835
====================================================================
Residual Plot
obs RESIDUAL ACTUAL
FITTED
|
|
*
|*
*
|
|
* | 1985 2.92388 805.000 802.076
|
*
|
REGRESIN LINEAL
CALIDAD DE LA ECUACIN
Ajuste
Coeficiente de determinacin
Coeficiente de determinacin ajustado
Error estndar de la regresin
Significancia
Prueba t de student.
Otras pruebas estadsticas
REGRESIN LINEAL
CALIDAD DE LA ECUACIN
Supuestos
Causalidad
Linealidad
Normalidad
Homocedasticidad
No-multicolinealidad
No-autocorrelacin
REGRESIN LINEAL
Causalidad
La regresin relaciona una variable dependiente
Y con una o ms variables independientes Xi.
La regresin no tiene sentido si las Xi no causan
un cambio en Y, es decir, si no hay causalidad.
Es perfectamente posible, por ejemplo, que 2
variables estn relacionadas sin que haya
causalidad entre ellas. Es suficiente que ambas
dependan de una tercera. En estadstica, se llama
variable amenaza.
REGRESIN LINEAL
Linealidad
Este es el supuesto ms obvio. Si determinamos
una ecuacin lineal, est implcita una relacin
lineal entre Y y cada un de las Xi. Si esto no se
da, debemos cambiar a una regresin no-lineal.
REGRESIN LINEAL
Normalidad
La distribucin estadstica de los errores tienen
que ser normal con media cero. En otras
palabras, si elaboramos un histograma de
frecuencias con los errores, el resultado debe ser
una campana muy similar a la curva normal con
media cero.
REGRESIN LINEAL
Homocedasticidad
La distribucin estadstica de los errores, adems
de normal, tiene que mantenerse idntica para
cualquiera rangos de valores de las variables, es
decir, valores grandes o valores pequeos. Por
ejemplo, los errores no deben aumentar ni
disminuir si las Xi aumentan o disminuyen. Si
esto no se cumple, decimos que hay
heterocedasticidad.
REGRESIN LINEAL
No-multicolinealidad
Cuando las variables Xi de una ecuacin de
regresin dada estn muy correlacionadas,
decimos que hay multicolinealidad. El mismo
sentido comn sugiere que evitemos la
multicolinealidad. Es como tener en un equipo de
ftbol 2 delanteros que tienden a jugar en la misma
posicin. Por lo tanto, el supuesto es de nomulticolinealidad. La correlacin entre variables
disminuye el valor de t, por lo que la prueba t
elimina las que no contribuyen a la calidad de la
ecuacin. En otras palabras la prueba t se encarga
de evitar la multicolinealidad.
Mtra. Maribel Beltrn Castelo
REGRESIN LINEAL
No-autocorrelacin
Con mucha frecuencia (principalmente en
pronsticos de demanda) hay un error para cada
periodo de tiempo y stos pueden aumentar o
disminuir a la medida que transcurre el tiempo. Si
esto se da decimos que hay autocorrelacin. La
autocorrelacin afecta la validez de las pruebas
estadsticas, por lo que el supuesto a cumplir es la
no autocorrelacin.
REGRESIN LINEAL
AJUSTE
R 1
2
(
Y
Y
)
i i
2
(
Y
Y
)
i
R 2 1 [(1 R 2 )( N 1) /( N p)]
SE 2
(Yi Yi )
Np
REGRESIN LINEAL
AJUSTE
R 0.981387
2
R 0.968978
SE 2.314398
2
REGRESIN LINEAL
SIGNIFICANCIA
HIPTESIS:
REGRESIN LINEAL
SIGNIFICANCIA
Manualmente
Calcular por computadora el valor de t.
Sacar de tablas el valor crtico de t para el nivel de
confianza y grados de libertad correspondientes.
Comparar el valor calculado con el crtico:
Si |tcalc|>|tcrt|, se rechaza Ho.
Si |tcalc|<|tcrt|, se acepta Ho.
REGRESIN LINEAL
SIGNIFICANCIA
A travs del TSP, EViews, etc.
Seleccionar el nivel de confianza (alfa).
Sacar de la corrida el valor de 2-TAIL SIG o de p.
Comparar el valor de alfa con 2-TAIL SIG o p:
Si 2-TAIL SIG < alfa, se rechaza Ho.
Si 2-TAIL SIG > alfa, se acepta Ho.
REGRESIN LINEAL
COMPROBACIN DE SUPUESTOS
A travs de la teora.
Agregando a la ecuacin variables amenaza.
A travs de las grficas de errores.
A travs del histograma de errores.
A travs de la prueba t.
A travs de la prueba Durbin-Watson.
REGRESIN LINEAL
COMPROBACIN DE SUPUESTOS
E
A)
.. .... .. .. . ... . . .
.... .... ...... .. . ...
.. ...
. . .. .. ... ...
Patron nulo
. .
.
..
.
.
.
..
.
. . ... .. . . .. .
.
. .. . .. . .
. . . .. . .. .. ..
.. . ..
A)
Heterocedasticida
Y
d
A)
A)
No linealidad
E
.. . ..
.
.
. .. . ... .....
....... . ...
..
.
..... .
.
.. ......
.. .. ... ..
T
Autocorrelacion
REGRESIN LINEAL
OTROS ASPECTOS IMPORTANTES
Seleccin de variables independientes.
Mtodo exhaustivo.
Mtodo stepwise.