LA REGRESIN LINEAL PARA PRONOSTICAR LA

DEMANDA

QU ES LA REGRESIN LINEAL Y CMO TE AYUDAR EN TU

PRONSTICO DE VENTAS
El objetivo del anlisis de regresin como mtodo causal
es pronosticar la demanda a partir de una o ms causas (variables
independientes), las cuales pueden ser por ejemplo el tiempo, precios
del producto o servicio, precios de la competencia, economa del pas,
acciones del gobierno o fomentos publicitarios.
Algunos apuntes importantes sobre ste mtodo son:

Puedes calcular series de tiempo y relaciones causales. En el

primer caso, ubicas la demanda histrica de tu bien o servicio
para que cambie en funcin del tiempo. El segundo caso es
cuando la variable que pronosticas cambia en funcin de otra
(variable causal).
Lineal significa que los datos del periodo anterior y la proyeccin
para el periodo futuro que vas a obtener caen sobre una recta.
Si hablamos de una sola variable independiente, es una
regresin lineal simple, contrario a si son dos o ms variables
independientes, donde hablaramos de regresin lineal mltiple.

PRONOSTICOS CAUSALES CON REGRESION LINEAL

El objetivo es: pronosticar una variable dependiente, por ejemplo las
ventas, en funcin de una o ms variables independientes, por
ejemplo el precio. Este es un pronstico causal porque el valor de una
variable dependiente esta causando o al menos tiene una correlacin
alta con el valor de la(s) variable(s) independiente(s).
Calcular el coeficiente de correlacin para establecer la medida de la
fuerza de la relacin lineal entre las 2 variables. Este coeficiente tiene
las siguientes caractersticas:
Varia de -1 a +1 ambos inclusive.
Un valor cercano a 0 indica que hay una poca asociacin entre las
variables
Un valor cercano a +1 nos indica una asociacin directa o positiva
entre las variables
Un valor cercano a -1 indica una asociacin inversa o negativa entre
las variables.
CUNDO UTILIZAR LA REGRESIN LINEAL
El anlisis de regresin es pertinente cuando se evidencia una
tendencia en los datos histricos del pronstico. Cmo? Dibuja los
datos de meses anteriores, los de la demanda real. Si lo ests
haciendo en Excel 2010 o superior, da click derecho sobre la serie de
datos graficados y luego click en agregar lnea de tendencia. Si no,
simplemente analiza la tendencia de los datos, es creciente o
decreciente?

Cmo es la relacin entre la demanda y el tiempo? Para responder

esta pregunta, haremos uso del coeficiente de correlacin (r).
Este coeficiente, te permitir entender qu tanta correlacin existe
entre la demanda y el tiempo.

Correlacin perfecta: Cuando el resultado de coeficiente es

igual a 1 o -1. En este caso existe una relacin directamente
proporcional entre la demanda y el tiempo.
Correlacin fuerte: Cuando el resultado es mayor a 0.5 y
menor que 1 (correlacin positiva) o menor a -0.5 y mayor que -
1(correlacin negativa).
Correlacin dbil: Valores que estn entre -0.5 y 0.5.
Entre ms cercano se encuentre el coeficiente de correlacin a +1 o -1
ms fuerte ser la tendencia y ms apropiado ser aplicar un modelo
de regresin lineal. Por ejemplo si la correlacin es igual a 1,
observaremos que la relacin entre las variables es directamente
proporcional, en el sentido que si uno aumenta, la otra tambin lo
har.

Bien vale aclarar que este mtodo es ms til cuando se enfoca en

periodos de largo plazo. Esto aunado a su utilidad para estimar la
demanda en funcin de variables independientes.

Veamos entonces de que va el anlisis de regresin.

EL ANLISIS DE REGRESIN EN EL PRONSTICO DE
DEMANDA

Esta es la ecuacin de la recta. En ella:

La b es la inclinacin de la recta.
La a es la secante o la altura en la que la recta corta al eje y.
La X es nuestra variable independiente.
La Y es nuestra variable dependiente, nuestro pronstico
calculado para un periodo

COMO HACER EN EXCEL UNA REGRESIN LINEAL

Un ejemplo de regresin lineal para pronosticar la demanda:
Las ventas de la empresa IngE durante los ltimos 10 trimestres son
las siguientes:
Cmo pronosticar la demanda de los trimestres 13, 14 y 15 a travs
de un anlisis de regresin lineal?
Lo primero es estimar los parmetros. Lo podemos lograr con
el mtodo de mnimos cuadrados, que nos permite encontrar la
recta que mejor se ajusta a un conjunto de datos dados. En nuestro
caso, este conjunto est dado por las ventas trimestrales (variable
dependiente). La variable independiente es el tiempo. Vamos
entonces a la siguiente frmula para determinar a y b:

La y minscula es el valor y de cada punto de datos.

La n es el nmero de punto de datos.

Conocidas las ecuaciones y el papel de las variables, vamos

a calcular el pronstico con regresin lineal:
En la siguiente se encuentran los clculos realizados para los 12
trimestres segn lo requerido por las ecuaciones:
Con los valores de la ltima fila de la tabla, podemos calcular a y b,
con los cuales logramos calcular los valores de la ltima columna (Y)
que es la recta que ms se ajusta a la demanda y.

Veamos entonces:

Fjate que el valor de b vara de 63,64 a 63,657 siendo este ltimo el

resultado si se toman todos los decimales de las variables que
participan en su calculo. Para tener resultados ms fiables usamos el
valor de b calculado con todos los decimales, tal como lo aprecias
cuando hallamos a. Fjate adems que pasa lo mismo con el valor
calculado de a y el valor que se obtiene cuando en la operacin
estn todos los decimales.

Con esta aclaracin, puedes ver cmo se realiza el pronstico de

produccin del trimestre 13. Procedemos igual para los dems
trimestres.

Y=63,657(14)+72,894=964.09
Y=63,657(15)+72,894=1027.75
Eso tiene el siguiente aspecto:

Cuando pronosticamos, siempre queremos saber qu tan exacto es

el mtodo que estamos utilizando, igual que una medida de error
de pronstico.
Para eso hay diferentes medidas que nos dan el grado de error en
un pronstico.
Una medida apropiada para medir el error en regresin lineal es
el error estndar de estimacin (Sy,x), que nos permite determinar la
variabilidad en torno a la recta de regresin.

Con los datos obtenidos en nuestra tabla, reemplazamos en la formula

y obtenemos:

Error estndar del estimado Sy,x: 54,79

Esto lo interpretamos como una medida de la variabilidad o
dispersin de los valores observados alrededor de nuestra lnea de
regresin.
Otro anlisis que si o si debemos realizar cuando trabajamos con un
anlisis de regresin, no importa si es con un fin de pronstico, es
el clculo del coeficiente de correlacin.
Como lo dijimos anteriormente, el coeficiente de correlacin dar una
medida de asociacin entre las variables X y Y.
Dicho de otra forma, el coeficiente correlacin en la divisin entre la
covarianza y el producto de las desviaciones estndar de ambas
variables.

As pues, si queremos ver la correlacin entre la demanda y lo

pronosticado en periodos anteriores (desde el periodo 1 hasta el 12),
usamos la funcin COEF.DE.CORREL de excel.

La funcin requiere dos datos de entrada:

Matriz 1: Sealamos las demandas por mes.

Matriz 2: Sealamos los pronsticos por mes.
El resultado de este ejercicio es r=0,975. Esto indica que la
correlacin es muy fuerte y positiva porque est cercana a 1.
En otras palabras, nos conviene seguir usando este mtodo de
pronstico para futuros perodos.

PLANTILLA EN EXCEL REGRESIN LINEAL

La siguiente es una plantilla en excel para pronosticar demanda a

travs del mtodo de anlisis de regresin.
AMIGO STEVE ACA ADJUNTAMOS EL EXCEL QUE SE VA
TRABAJAR.
REVISA TODO CUALQUIER COSA ME AVISASSS