Académique Documents
Professionnel Documents
Culture Documents
1,200
Jan x .957 = 96
12
1,200
Feb x .851 = 85
12
EJEMPLO N°07:
2006 Forecast
140 – 2005 Demand
130 – 2004 Demand
2003 Demand
120 –
Demanda
110 –
100 –
90 –
80 –
70 –
| | | | | | | | | | | |
J F M A M J J A S O N D
Mes
EJEMPLO N°08: TENDENCIA EN
EL HOSPITAL DE SAN DIEGO
10,200 –
Días de hospitalización
10,000 –
9,800 – 9745
9702
9616 9659
9573 9723 9766
9,600 – 9530 9680
9594 9637
9,400 – 9551
9,200 –
9,000 – | | | | | | | | | | | |
Jan Feb Mar Apr May June July Aug Sept Oct Nov Dec
67 68 69 70 71 72 73 74 75 76 77 78
Mes
EJEMPLO N°07: ÍNDICE DE ESTACIONALIDAD
PARA EL HOSPITAL DE SAN DIEGO
1.06 –
Días de hospitalización
1.04 1.04
1.04 – 1.03
1.02
1.02 – 1.01
1.00
1.00 – 0.99
0.98
0.98 – 0.99
0.96 – 0.97 0.97
0.96
0.94 –
0.92 – | | | | | | | | | | | |
Jan Feb Mar Apr May June July Aug Sept Oct Nov Dec
67 68 69 70 71 72 73 74 75 76 77 78
Mes
EJEMPLO N°07: PRONÓSTICO
COMBINANDO TENDENCIA Y
ESTACIONALIDAD
10,200 – 10068
Días de hospitalización
9949
10,000 – 9911
9764 9724
9,800 – 9691
9572
9,600 –
9520 9542
9,400 – 9411
9265 9355
9,200 –
9,000 – | | | | | | | | | | | |
Jan Feb Mar Apr May June July Aug Sept Oct Nov Dec
67 68 69 70 71 72 73 74 75 76 77 78
Mes
ANÁLISIS DE REGRESIÓN LINEAL
REGRESIÓN: Relación funcional de 2 o más
variables correlacionadas.
Y = a + bx
Desviación3
Desviación4
Desviación1
(error) Desviación2 ^
y = a + bx
Línea de tendencia
Periodo de tiempo
MÉTODO DE LOS MÍNIMOS
CUADRADROS
Trata de ajustar la línea a los datos que minimizan la
suma de los cuadrados de la distancia vertical entre cada
punto de datos y su punto correspondiente en línea:
Y = a + bx
Sxy - nxy
a = y - bx b=
Sx2 - nx2
EJEMPLO N° 06:
Periodo de Demanda de
Año Tiempo (x)energía eléctrica (y) x2 xy
1999 1 74 1 74
2000 2 79 4 158
2001 3 80 9 240
2002 4 90 16 360
2003 5 105 25 525
2004 6 142 36 852
2005 7 122 49 854
∑x = 28 ∑y = 692 ∑x2 = 140 ∑xy = 3,063
x=4 y = 98.86
Por lo tanto:
Y = 56.70 + 10.54x
EJEMPLO N° 06:
Línea de Tendencia,
Demanda de energía (megavatios)
160 –
150 – Y = 56.70 + 10.54x
140 –
130 –
120 –
110 –
100 –
90 –
80 –
70 –
60 –
50 –
| | | | | | | | |
1999 2000 2001 2002 2003 2004 2005 2006 2007
Año
VALIDACIÓN
ERROR: Diferencia entre el valor del pronóstico y
lo ocurrido en realidad.
𝑛
− 𝑌𝑖 )2
𝑖=1(𝑦𝑖
𝑆𝑦𝑥 =
𝑛−2
PRONÓSTICOS ASOCIATIVOS O
CAUSALES:
Por ejemplo, podemos esperar que un periodo
extendido de lluvia aumente las ventas de paraguas e
impermeables. La lluvia provoca ventas de equipo para
lluvias. Ésta es una RELACIÓN CAUSAL, en la cual un
hecho provoca que ocurra otro. Si el elemento causal es
conocido con bastante anticipación, podemos usarlo
como base para el pronóstico.
El primer paso del pronóstico de una relación
causal es encontrar los hechos que en realidad
son las causas.
1.0 –
| | | | | | |
0 1 2 3 4 5 6 7
Nómina Local (cientos de millones de dólares)
EJEMPLO N°08: CÁLCULO DE LA
ECUACIÓN DE REGRESIÓN LINEAL
Ventas, y Salarios, x x2 xy
2.0 1 1 2.0
3.0 3 9 9.0
2.5 4 16 10.0
2.0 2 4 4.0
2.0 1 1 2.0
3.5 7 49 24.5
∑y = 15.0 ∑x = 18 ∑x2 = 80 ∑xy = 51.5
| | | | | | |
0 1 2 3 4 5 6 7
Area payroll
EL ERROR ESTÁNDAR DE LA
ESTIMACIÓN
Es una medida de la variabilidad alrededor de la línea
de regresión (su desviación estándar).
Para medir la exactitud de las estimaciones de la
regresión, es necesario calcular el error estándar de
estimación
(desviación estándar 4.0 –
De la regresión). 3.25
3.0 –
Ventas
1.0 –
| | | | | | |
0 1 2 3 4 5 6 7
Salarios Locales
EL ERROR ESTÁNDAR DE LA
ESTIMACIÓN
Sy,x = 0.306
4.0 –
3.25
El error estándar de la 3.0 –
Sales
1.0 –
| | | | | | |
0 1 2 3 4 5 6 7
Area payroll
COEFICIENTE DE CORRELACIÓN
nSxy - SxSy
r=
[nSx2 - (Sx)2][nSy2 - (Sy)2]
COEFICIENTE DE CORRELACIÓN
y y
y y
y^ = a + b1x1 + b2x2 …
El desarrollo matemático necesario en la regresión
múltiple es bastante complejo (y normalmente se
realiza con computadoras).
EJEMPLO N°10: ANÁLISIS DE
REGRESIÓN MÚLTIPLE
En el ejemplo de Nodel se incluye como variable
independiente el interés anual, la nueva ecuación
(calculada utilizando un programa informático) sería:
^
y = 1.80 + .30x1 - 5.0x2
El nuevo r = 0.96, lo que significa que la inclusión de la variable
X2 (los tipos de interés) añade incluso más fuerza a la relación
lineal. Además se pueden estimar las ventas si se sustituyen los
valores de los salarios del próximo año ( 600 millones de dólares)
y el tipo de interés (12%), la previsión de ventas sería: