UNIDAD IV - Regresión, Correlación y Series de Tiempo

Mgt.
Guido Farfán Escalante

Análisis de Regresión
Consiste en determinar una ecuación o función que

explique o se ajuste al comportamiento de los datos u
observaciones. Ésta ecuación se denomina Ecuación de
Regresión o Función de Ajuste, la cual se utiliza para
realizar las estimaciones o proyecciones correspondientes,
previa verificación del grado de ajuste adecuado al
comportamiento de los datos.
Mgt. Guido Farfán Escalante

 Condición de Causalidad.
Antes de realizar el análisis de regresión previamente se debe verificar
la relación de causa y efecto entre las variables.
CAUSA
Ingreso
D EFECTO
Precipitación
pluvial D Consumo S
Emisión de
D Caudal S
gases
Contaminación M
I
Tratamiento
de desechos
D
Efluentes
mineros
 Tipos de Regresión.
1. De acuerdo al número de variables.

 Simple
 Múltiple o compuesta
2. De acuerdo al comportamiento de las variables.
 Directa
 Inversa
3. De acuerdo al tipo de función.
 Lineal
 Parabólica
 Potencial
 Exponencial
 Etc.

 Método de los Mínimos Cuadrados.
*
d yi = Valores
**
d
* d observados
* *
d d
d
d
*
d
d
yc = Valores
*
d
d
**
calculados
d* d
* *

0 2
d
Mínimo
MinZ   d    yi  yc 
2 2
Mínimo
 Regresión Lineal
 Función Lineal yc  a  bxi
min Z    yi  a  bxi 
2
z
a) 0
a
2  yi  a  bxi (1)  0
   y  a  bx   0
i i
 y  na  b x  0
i i
 y  na  b x
i i
Primera Ecuación
Normal de Regresión
 Regresión Lineal
b) z
0
b
2  yi  a  bxi ( xi )  0
   y x  ax  bx   0
i i i i
2
 yi xi  a  xi  b xi 2  0
 ii i i
y x  a x  b x 2
Segunda Ecuación
Normal de Regresión

 Resumen: Regresión Lineal
 Función: yc  a  bxi
 yi  na  b xi ...............1
 Sistema: 
 i i   i  i ...... 2
 2
y x a x b x
 Regresión Parabólica:
yc  a  bxi  cxi2
 Función:
 yi  na  b xi  c  xi 2 ................1

 i i   i  i  i ....... 2
 
2 3
 Sistema: y x a x b x c x

 i i   i  i  i ..... 3
 
2 2 3 4
y x a x b x c x
 Regresión Múltiple
 Función: yc  a  bxi  cTi 2
 yi  na  b xi  c  Ti .................1
 Sistema: 
 i i   i  i c Ti xi ...... 2
 2
y x a x b x

 i i   i  i i  i ..... 3
  2
y T a T b x T T

 Regresión Potencial
 Función: yc  axib
 Linealizando:
log yc  log a  b log xi
 Sistema:
 log yi  n log a  b log xi ...........................1


 log yi  log xi  log a  log xi  b  log xi  ... 2
2

 Regresión Exponencial
 Función: yc  ab xi
 Linealizando:
log yc  log a  xi log b
 Sistema:
 log yi  n log a  log b xi .............1


 i  i   i ... 2
2
x log yi log a x log b x

Análisis de Correlación
Consiste en determinar indicadores que permitan

evaluar el grado de ajuste de la ecuación de
regresión con los datos u observaciones.
Los mas usuales son:
 Coeficiente de Determinación(𝑟 2 )
 Coeficiente de Correlación (r)

 Coeficiente de Determinación.
* d yi = Valores
* * . .*.. d observados
* *. .. . d
*
d d
d
d
y
*. . .
d
.d
* d
d
yc = Valores
d * d * calculados
* *
0
Varianza Total = Varianza Explicada + Varianza no explicada
VarianzaTotal   yi  y  
2
n
Varianza Explicada   yc  y  
2
n
Varianza no Explicada    yi  yc  n
2

 Coeficiente de Determinación.
*
d yi = Valores
**
d
* d observados
* *
d d
d
d
*
d
d
y
*
d
d
**
yc = Valores
d* d calculados
* *
0
Varianza Total = Varianza Explicada + Varianza no explicada
VarianzaTotal   yi  y  
2
n
Varianza Explicada   yc  y  
2
n
Varianza no Explicada    yi  yc  n
2
Varianza Explicada
Coeficiente de Determinación 
Varianza Total
     
2 2
y
c y n y
c y
r 2
 r 2

 y y   y y 
2 2
i n i
 Rango de Existencia de 𝒓𝟐
0  r 1 2
 Coeficiente de Correlación (r)
r r 2

 Error de Proyección (E.P.)
E.P.  Varianza no Explicada
E.P.   y  yc  n
2
i
 y    y 
2 2
i y c y
E.P. 
n

 Intervalos de Confianza:
 Intervalo de confianza de 68%
yc  (1) E.P.
yc  (2) E.P.
yc  (2) E.P.

Series de tiempo
 SERIES DE TIEMPO
Desde tiempos antiguos una de las principales inquietudes
del hombre fue estimar el futuro utilizando información del
presente y del pasado.
Eso se llama predecir.
En la actualidad es evidente que el hombre requiere conocer

el comportamiento futuro de ciertos fenómenos con el fin de
planificar, prever o prevenir.

Series de tiempo
DEFINICION BÁSICA DE SERIE DE TIEMPO

Una serie de tiempo es una colección o conjunto
de mediciones de cierto fenómeno o experimento
registrados secuencialmente en el tiempo, en forma
equiespaciada (a intervalos de tiempo iguales) .
Las observaciones de una serie de tiempo serán
denotadas por:
Y(t1), Y(t2) ,... , Y(tn)
donde Y(ti) es el valor tomado por el proceso en el
instante ti.

Series de tiempo
Ejemplos de series de tiempo

1. Economía: Precios de un articulo, tasas de
desempleo, tasa de inflación, índice de precios,
precio del dólar, precio del cobre, precios de
acciones, ingreso nacional bruto, etc.
2. Meteorología: Cantidad de agua caída,
temperatura máxima diaria, Velocidad del viento
(energía eólica), energía solar, etc.
3. Geofísica: Series sismológicas.

Series de tiempo
4. Química: Viscosidad de un proceso, temperatura de

un proceso.
5. Demografía: Tasas de natalidad y de mortalidad.
6. Medicina: Electrocardiograma, electroencéfalograma.
7. Marketing: Series de demanda, gastos, utilidades,

ventas, ofertas.
8. Telecomunicaciones: Análisis de señales.
9. Transporte: Series de tráfico.
...y muchos otros.

Series de tiempo
ANALISIS GRAFICO DE UNA SERIE DE

TIEMPO
Por muy simple que parezca, el paso más importante

en el análisis de series de tiempo consiste en graficar
la serie. Esto debe hacerse siempre, independiente
de cuán simples o complejos sean los procedimientos
que se emplean posteriormente.

Series de tiempo

Series de tiempo
El gráfico de la serie permitirá detectar los siguientes

elementos:
a) Outliers:
Se refiere a puntos de la serie que se escapan de lo

normal.
Si se sospecha que una observación es un outliers, se

debe reunir información adicional sobre posibles factores
que afectaron el proceso.

Series de tiempo
Por ejemplo, en un estudio de la producción diaria de

cobre se presentó la siguiente situación:
Outliers
Producción diaria
700
Y(t)
600
500
400
Producción diaria
300
200
100
0 t
1 2 3 4 5 6 7 8 9 10
Series de tiempo
b) Tendencias
La tendencia representa el comportamiento predominante
de la serie. Esta puede ser definida vagamente como el
cambio de la media a lo largo de un extenso período de
tiempo. Y(t)
700
600
500
400
Producción diaria
300
200
100
0 t
1 2 3 4 5 6 7 8 9 10
Series de tiempo
c) Variaciones cíclicas o estacionales
La variación estacional representa un movimiento
periódico de la serie de tiempo.
La duración del período puede ser un año, un trimestre, un
mes, un día, etc.
Y(t) Producción diaria
400
350
300
250
200
Producción diaria
150
100
50
0 t
0 2 4 6 8 10 12

Series de tiempo
Se suele hacer una distinción entre componentes cíclicas y

estacionarias.
Estas últimas ocurren con períodos identificables, como la

estacionalidad del empleo, o de la venta de ciertos
productos, cuyo período es un año.
El término variación cíclica se suele referir a ciclos

grandes, cuyo período no es atribuible a alguna causa.
Por ejemplo, fenómenos climáticos, que tienen ciclos que

duran varios años.
Series de tiempo
Las tendencias y estacionalidades pueden darse simultáneamente.
Y(t) Producción diaria

700
600
500
400
Producción diaria
300
200
100
0
t
0 2 4 6 8 10 12

Series de tiempo
d) Variaciones aleatorias.
Los movimientos irregulares (al azar) representan todos
los tipos de movimientos de una serie de tiempo que no
sea tendencia, variaciones estacionales y fluctuaciones
cíclicas.

Series de tiempo
 Modelos Clásicos
Un modelo clásico de series de tiempo, supone
que la serie Y(1), ..., Y(n) puede ser expresada
como suma o producto de tres componentes:
Tendencia,
Componente estacional,
Término de error aleatorio.

Series de tiempo
1. Y(t) = T(t)+E(t)+A(t) Modelo aditivo

2. Y(t) = T(t) E(t) A(t) Modelo multiplicativo
donde:
T: Tendencia de la serie.
E: Variación Estacional.
A: Variaciones aleatorias.
El gráfico siguiente muestra la serie y sus
componentes, para el caso aditivo.
Series de tiempo
El problema que se presenta es modelar

adecuadamente las componentes de la serie.
Series de tiempo
ESTIMACIÓN DE LA TENDENCIA
Hay varios métodos para estimar la tendencia

T(t), uno de ellos es utilizar un modelo de
regresión lineal.
Se pueden utilizar otros tipos de regresiones,

como regresión cuadrática, logística,
exponencial, entre otros.

Series de tiempo
 EJEMPLO 1:
La tabla presenta parte de los datos de una serie de consumo
de energía eléctrica. Son 24 datos mensuales referentes a los
años 1977 a 1978.
Consumo de Energía Eléctrica
t Y(t) t Y(t)
1 84,6 13 110,3
2 89,9 14 118,1
3 81,9 15 116,5
4 95,4 16 134,2
5 91,2 17 134,7
6 89,8 18 144,8
7 89,7 19 144,4
8 97,9 20 159,2
9 103,4 21 168,2
10 107,6 22 175,2
11 120,4 23 174,5
12 109,6 24 173,7

Series de tiempo
Gráfico de la serie:

Series de tiempo
El modelo de tendencia propuesto es un modelo

de regresión lineal:
Y(t) = 0 + 1 t + A(t)
Recurriendo al método de mínimos cuadrados
se estiman los parámetros y se obtiene
T(t)  68.45  4.24*t

Series de tiempo
La serie sin tendencia se de la siguiente manera:
Se observa un ciclo que dura casi todo el período observado,

de 24 meses.
Series de tiempo
ESTIMACION DE LA COMPONENTE
ESTACIONAL
Para estimarla, se debe conocer el período, y se

deben tener datos de varios períodos consecutivos.
Por ejemplo, datos mensuales, estacionalidad de un

año.
El ejemplo siguiente ilustra la forma de obtener la

componente estacional.

Series de tiempo
 EJEMPLO 2
Indicador Mensual de Actividad Económica (IMACEC).
Base del índice : 1996=100
Corresponde al nuevo Indicador Mensual de Actividad
Económica (Imacec), estructurado a base de la matriz
insumo-producto de 1996. La cobertura de este
indicador comprende casi la totalidad de las actividades
económicas incluidas en el PIB.

Series de tiempo
1996 1997 1998 1999 2000 2001 2002 2003

Enero 99.6 105.0 110.8 109.2 112.6 116.4 119.7 122.6
Febrero 94.9 98.6 104.3 103.7 107.6 111.8 113.0 118.3
Marzo 105.4 109.1 117.5 116.4 121.2 124.3 124.4 128.8
Abril 103.4 108.1 116.1 108.0 113.8 118.0 122.0 125.3
Mayo 104.2 109.2 114.4 111.2 117.9 121.7 123.0 126.1
Junio 101.3 106.5 111.9 110.0 113.1 119.1 120.1
Julio 98.7 107.1 110.9 106.4 112.3 116.0 118.9
Agosto 98.7 105.6 109.0 108.1 113.4 116.9 119.1
Septiembre 94.8 103.8 105.4 105.7 108.6 111.4 114.6
Octubre 102.0 110.9 107.7 109.2 115.4 118.4 121.7
Noviembre 98.0 106.8 106.1 110.7 114.9 117.3 119.9
Diciembre 99.2 108.4 106.5 111.9 114.4 115.7 120.9

Series de tiempo

Series de tiempo
Se estima la tendencia por el método de mínimos

cuadrados, de regresión lineal
dando el siguiente resultado:

Intercepto a = 100.3. Corresponde al valor de partida.
Pendiente b = 0.253 . Corresponde al aumento medio
mensual.
Coeficiente de determinación R2 = 0.74, que indica un
ajuste moderadamente bueno.
El error estándar de los errores se estimó en 3.98.

Series de tiempo
La recta de regresión correspondiente a la tendencia se

muestra en el siguiente gráfico:

Series de tiempo
Asumiremos un modelo clásico aditivo.
Entonces para obtener una estimación de la

estacionalidad, restamos los valores ajustados de la
tendencia a los datos, obteniendo una serie sin tendencia.
Luego promediamos todos los valores de enero, los de

febrero, los de marzo, etc., obteniendo doce valores
mensuales promedio:

Series de tiempo
Mes Prom.
Enero 0.8
Febrero -4.9
Marzo 6.7
Abril 2.4
Mayo 3.8
Junio 0.8
Julio -1.2
Agosto -1.3
Septiembre -5.4
Octubre 0.2
Noviembre -1.7
Diciembre -1.5

Series de tiempo
Se observan valores altos a partir de marzo, y bajos en torno a
septiembre.
Si recomponemos la serie con tendencia y componente cíclica, sin
la componente aleatoria, tenemos la situación que se ilustra en el
gráfico siguiente:

Series de tiempo
Con esto se pueden hacer predicciones futuras,

extrapolando la recta de regresión y sumándole la
componente cíclica del mes correspondiente.
Dentro de un rango limitado, estas predicciones pueden

ser acertadas.
A continuación se muestra el gráfico de la componente

aleatoria sola.

Series de tiempo
 SUAVIZAMIENTO DE SERIES DE TIEMPO
Una forma de visualizar la tendencia, es mediante

suavizamiento de la serie.
La idea central es definir a partir de la serie observada una

nueva serie que filtra o suaviza los efectos ajenos a la
tendencia (estacionalidad, efectos aleatorios), de manera
que podamos visualizar la tendencia.

Series de tiempo
Serie original Serie suavizada

Pronósticos
¿Cuanto
venderé?
Un pronóstico es una predicción de lo que

sucederá con las ventas existentes de los
productos de una empresa.
Los pronósticos de ventas sirven como fuente de

información para que la empresa pueda proyectar sus
flujos de ingresos, planificar las compras y poder
establecer las metas que deberá cumplir el área de
ventas; a su vez, todo esto servirá para poder controlar el
desempeño de la empresa a lo largo de todo el periodo
proyectado.

Pronósticos
 Los ocho pasos de los pronósticos:
1. Determinación del uso del pronóstico:

¿Qué objetivo se trata de lograr?.
2. Selección de los ítems del pronóstico.
3. Determinación del marco de tiempo del
pronóstico: Si es de 30 días(corto plazo),
de un mes a un año (mediano plazo) o a
más de un año (largo plazo).
4. Selección de los modelos de pronóstico
5. Recopilación de datos.
6. Validar el modelo de pronóstico.
7. Realización del pronóstico.
8. Implementar los resultados.

Pronósticos
 Selección de la técnica de pronósticos.
Hay dos enfoques para determinar el pronóstico.
Descripción Enfoque Cualitativo Enfoque Cuantitativo
Se utiliza cuando la situación Se utiliza cuando la situación es

es imprecisa y existen pocos estable y existen datos históricos
Aplicabilidad datos (Ej. nuevos productos y (Ej. productos existentes,
tecnologías). tecnología actual).
Involucra la intuición y la
Consideraciones Involucra técnicas matemáticas.
Experiencia.
• Jurado de opinión ejecutiva

• Consulta a vendedores.
• Modelos de series de tiempo
Técnicas • Método Delphi.
• Modelos causales.
• Investigación de mercados de
consumo.

Pronósticos
 Tipos de pronósticos.
Técnicas de
Pronóstico
Modelos Modelos de Modelos

cualitativos series de tiempo causales
Método Promedio Análisis de

Delphi móvil regresión
Jurado de Suavizamiento Regresión

opinión ejecutiva exponencial múltiple
Consulta a Proyección de
vendedores tendencias
Investigación de
mercados de Descomposición
consumo Mgt. Guido Farfán Escalante
Pronósticos
Métodos cualitativos.
Son pronósticos compilados a partir de estimaciones
Consulta a
realizadas periódicamente por miembros del personal de
vendedores ventas de las compañías.
Es un método de pronóstico en el cual se hace un

Jurado de opinión resumen de las opiniones, experiencia y conocimientos
ejecutiva técnicos de uno o varios gerentes para llegar a un solo
pronóstico.
Es un método sistemático para determinar el grado de interés

Investigación de
del consumidor externo por un producto o servicio, mediante
mercado de la creación y puesta a prueba de diversas hipótesis por medio
consumo de encuestas encaminadas a la recopilación de datos
Se usa para elaborar pronósticos a largo plazo, su mayor

Método Delphi objetivo se basa en satisfacer la demanda de productos y
con proyecciones de ventas de los nuevos productos.

Pronósticos
Métodos cuantitativos.
Promedios móviles.
Se usa para estimar el pronóstico de una serie de tiempo de demanda y, por
lo tanto, para suprimir los efectos de las fluctuaciones aleatorias.
Requiere simplemente calcular la demanda promedio para los n periodos
más recientes, con el fin de usarla como pronostico para el siguiente
periodo, en términos específicos, el pronóstico correspondiente al periodo
t+1 se calcula como sigue:
M t  Y t 1 
 Yt  Yt 1  Yt 2  ......  Yt n1 
n
Mt = Promedio móvil en el período t
Y t 1= Valor de pronóstico para el siguiente período
Yt = Valor real en el período t
n = Número de términos en el promedio móvil
El promedio móvil para el período t es la media aritmética de las n observaciones mas
recientes
Pronósticos
 Ejemplo aplicativo. Promedio móvil trimestral de A.Tool Company.
Pronóstico de
Ventas
AÑO TRIMESTRE t Yt
promedio móvil et
Y t 1
1 17 550
2 18 400
2010 3 19 350
4 20 600
1 21 750 475 +275
2 22 500 525 -25
2011 3 23 400 550 -150
4 24 650 562.5 +87.5
1 25 850 575 +275
2 26 600 600 0
2012 3 27 450 625 -175
4 28 700 637.5 +62.5
2013 1 29 650
Pronósticos
Pronóstico del promedio móvil para el primer trimestre del 2011.
Y20  Y20 1  Y20  2  Y20  4 1

M 20  Y 20 1 
4 Y t 1
Y20  Y19  Y18  Y17
Y 21 
4
550  400  350  600 1900
Y 21    475
4 4
Cuando se conoce el valor del primer trimestre del 2011, se puede

calcular el error de pronóstico.
e21  Y21  Y 21  750  475  275

Pronósticos
Pronóstico del promedio móvil para el primer trimestre

del 2013.
Y t 1
Y28  Y281  Y28 2  Y28  4 1
M 28  Y 281 
4
Y28  Y27  Y26  Y25
Y 29 
4
700  450  600  850 2600
Y 29    650
4 4

Pronósticos
Métodos cuantitativos.
Promedio móvil doble.
Es una forma de pronosticar series de tiempo que tienen tendencia lineal. El
método hace lo que su nombre implica: Se calcula un conjunto de
promedios móviles y después se calcula un segundo conjunto como
promedio móvil del primero.
La técnica del promedio móvil doble se resume mediante las siguientes
ecuaciones:
Yt  Yt 1  Yt  2  ......  Yt  n 1 
Y t 1 
n
Dado que M t  Y t 1 entonces se usa la siguiente ecuación para calcular el
segundo promedio móvil.
M t  M t 1  M t  2  ......  M t  n 1
M t' 
n

Pronósticos
Para calcular la diferencia entre ambos promedios móviles se
usa la siguiente ecuación:
at  2 M t  M t'
Se calcula un factor de ajuste adicional, similar a la medición
de una pendiente que cambia a través de la serie mediante la
siguiente ecuación:
bt 
2
n 1
 M t  M t
'
Por último se utiliza la siguiente ecuación para realizar el

pronóstico de períodos m en el futuro:
Y t  p  at  bt p

Pronósticos
 Ejemplo aplicativo. Pronóstico de promedio móvil doble para Movie Store
Ventas por Promedio móvil Promedio Pronóstico

Período Valor de Valor de a + bp
semana tres semanas móvil doble et
t ' a b
Yt Mt M (p = 1)
t Y t 1
1 654 -- -- -- -- -- --
2 658 -- -- -- -- -- --
3 665 659 -- -- -- -- --
4 672 665 -- -- -- -- --
5 673 670 665 675 5 -- --
6 671 672 669 675 3 680 -9
7 693 679 674 684 5 678 15
8 694 686 679 693 7 689 5
9 701 696 687 705 9 700 1
10 703 699 694 704 5 714 -11
11 702 702 699 705 3 709 -7
12 710 705 702 708 3 708 2
13 712 708 705 711 3 711 1
14 711 711 708 714 3 714 -3
15 728 717 712 722 5 717 11
16 -- -- -- -- 727

Pronósticos
Dado M t  717. Se calcula el segundo promedio móvil de tres semanas.

M 15  M 14  M 13 717  711  708
M 
'
15   712
3 3
Se calcula la diferencia entre ambos promedios móviles.
a15  2 M 15  M 15'  2(717)  712  722

Ajustando la pendiente:
b15 
2
3 1
 M 15  M 15'   (717  712)  5
2
2
Efectuando el pronóstico para un período a futuro:
Y 151  a15  b15 (1)  722  5  727
El promedio de cuatro semanas a futuro es:
Y 15 4  a15  b15 (4)  722  5(4)  742

Pronósticos
Suavizamiento exponencial.
El método de suavizamiento exponencial, es un método de pronóstico móvil
ponderado muy refinado que permite calcular el promedio de una serie de
tiempo, asignando a las demandas recientes mayor ponderación que a las
demandas anteriores.
Es el método de pronóstico formal que se usa más a menudo por su sencillez y
por la reducida cantidad de datos que requiere. A diferencia del método de
promedio móvil ponderado, que requiere n periodos de demanda pasada y n
ponderaciones, el método de suavizamiento exponencial necesita solamente
tres datos: el pronóstico del último periodo, la demanda de ese periodo un
parámetro de suavizamiento.
La ecuación correspondiente a este pronóstico es:
Ft 1   Dt  1    Ft
Donde:
𝐹𝑡+1 = Demanda para el periodo siguiente
𝐷𝑡 = Demanda en el periodo
𝐹𝑡 =Pronostico calculado para el periodo
Pronósticos
 Ejemplo aplicativo. Suavizamiento exponecial ACEITE CIL VEGETAL.
De acuerdo al análisis ABC donde tenemos categorizados la familia de
artículos (aceites), tomaremos como referencia el artículo ACEITE CIL
VEGETAL cuya unidad de medida son baldes de 20 litros.
Tomando en consideración el volumen de compras mensuales de los tres
últimos meses (Junio, Julio, Agosto 2011) para éste producto, que se
muestra en el cuadro siguiente:
Cuadro No 1: Volumen de Compras Mensual
Unidades Vendidas
Producto
Mes
Mes t-2 Mes t-1
Actual
ACEITE
VEGETAL 450 465 442
CIL

Pronósticos
Calcularemos el pronóstico para el mes actual mediante la
siguiente fórmula matemática:
Ft = (0.4*450) + (0.6*465)
Ft = 459
De manera tal que podemos estructurar el siguiente cuadro:
Cuadro No 2: Pronóstico calculado mes actual

Pronostico
Unidades Compradas
Calculado
Producto
Mes
Mes t-2 Mes t-1 Este Mes
Actual
ACEITE
400 465 442 459
VEGETAL CIL

Pronósticos
 Determinación del pronóstico mensual.

Aplicando la formula siguiente:
Ft+1 = αCt + (1 - α)Ft
Reemplazando con los valores obtenidos en la tabla anterior

se llega a lo siguiente:
Ft+1 = (0.1*442) + (1 – 0.1)*459
Ft+1 = 457
Los pronósticos mensuales de compra determinados para los

productos del grupo A analizados, se muestran a
continuación:

Pronósticos
Cuadro No 3: Pronósticos de Compras Mensuales Artículos Grupo A
Pronóstico
Compra Compra Pronóstico
Descripción del Articulo Unidad Mes t-2 Mes t-1 Calculado
Anual Mensual Mes t+1
Mes t
ACEITE CIL VEGETAL BALDE*20 LTS BAL 5,301 442 450 465 459 457
ACEITE CIL VEGETAL CAJA*12 LTS CJS 3,534 295 280 290 286 287
ACEITE CIL VEGETAL BIDON *5LTS. BID 6,625 552 542 533 537 538
ACE.CIL VEGETAL CAJA*24/500cc. CJS 2,132 178 160 192 179 179
AC. COCINERO VEG.BALDE*20LTS. UNI 1,410 118 95 124 112 113
ACEITE CIL VEGETAL UNID*1 LTS UNI 19,418 1,618 1,575 1,642 1,615 1,615
ACE.CIL VEGETAL PAQT*24/200ML. CJS 3,407 284 260 272 267 269
AC.CIL VEGETAL.LATA*18 LTS LAT 1,007 84 83 95 90 90
ACE.CAPRI VEG.BID*5LT BID 2,917 243 233 255 246 246
ACEITE CRISOL MULT.FS BALDE*20 LTS. BAL 471 39 28 42 36 37
AC. COCINERO VEG.BIDON * 5 LTS BID 1,766 147 142 162 154 153
ACEITE CAPRI VEG.CAJA*12 LTS CJS 599 50 35 52 45 46
ACEITE CRISOL LATA FRI.INT.FS.*18LTS. LAT 410 34 30 38 35 35

UNIDAD IV - Regresión, Correlación y Series de Tiempo

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

UNIDAD IV - Regresión, Correlación y Series de Tiempo

Transféré par

Droits d'auteur :

Formats disponibles

Mgt.

Guido Farfán Escalante

Consiste en determinar una ecuación o función que

Mgt. Guido Farfán Escalante

1. De acuerdo al número de variables.

Mgt. Guido Farfán Escalante

Mgt. Guido Farfán Escalante

 Resumen: Regresión Lineal

 Función: yc  a  bxi  cTi 2

Mgt. Guido Farfán Escalante

 log yi  n log a  b log xi ...........................1

Mgt. Guido Farfán Escalante

 log yi  n log a  log b xi .............1

Mgt. Guido Farfán Escalante

Consiste en determinar indicadores que permitan

Mgt. Guido Farfán Escalante

Mgt. Guido Farfán Escalante

 Coeficiente de Correlación (r)

Mgt. Guido Farfán Escalante

 Error de Proyección (E.P.)

E.P.  Varianza no Explicada

Mgt. Guido Farfán Escalante

 Intervalo de confianza de 68%

 Intervalo de confianza de 95%

 Intervalo de confianza de 99%

Mgt. Guido Farfán Escalante

Eso se llama predecir.

En la actualidad es evidente que el hombre requiere conocer

Mgt. Guido Farfán Escalante

DEFINICION BÁSICA DE SERIE DE TIEMPO

Mgt. Guido Farfán Escalante

Ejemplos de series de tiempo

Mgt. Guido Farfán Escalante

4. Química: Viscosidad de un proceso, temperatura de

5. Demografía: Tasas de natalidad y de mortalidad.

6. Medicina: Electrocardiograma, electroencéfalograma.

7. Marketing: Series de demanda, gastos, utilidades,

8. Telecomunicaciones: Análisis de señales.

9. Transporte: Series de tráfico.

...y muchos otros.

ANALISIS GRAFICO DE UNA SERIE DE

Por muy simple que parezca, el paso más importante

Mgt. Guido Farfán Escalante

Mgt. Guido Farfán Escalante

El gráfico de la serie permitirá detectar los siguientes

Se refiere a puntos de la serie que se escapan de lo

Si se sospecha que una observación es un outliers, se

Mgt. Guido Farfán Escalante

Por ejemplo, en un estudio de la producción diaria de

Mgt. Guido Farfán Escalante

Se suele hacer una distinción entre componentes cíclicas y

Estas últimas ocurren con períodos identificables, como la

El término variación cíclica se suele referir a ciclos

Por ejemplo, fenómenos climáticos, que tienen ciclos que

Las tendencias y estacionalidades pueden darse simultáneamente.

Y(t) Producción diaria

Mgt. Guido Farfán Escalante

Mgt. Guido Farfán Escalante

Término de error aleatorio.

Mgt. Guido Farfán Escalante

1. Y(t) = T(t)+E(t)+A(t) Modelo aditivo

El problema que se presenta es modelar

Hay varios métodos para estimar la tendencia

Se pueden utilizar otros tipos de regresiones,