Beruflich Dokumente
Kultur Dokumente
Pág. 1/22
Ampliación U.T. 4. Apartado: Previsión de la demanda Gestión Logística y Comercial. IES Sierra de Carrascoy (AMM)
1.1 La previsión de la demanda
Este apartado desarrolla el apartado 4.2.0 de la unidad 4 del libro de texto (dentro del apartado 4.2,
“Proceso de compras”) (véase el fichero de diapositivas facilitado en el Blog habitual).
La previsión de la demanda, como se indicaba en apartado: 2.2.1. Variables que influyen en el
aprovisionamiento, es un elemento a contemplar cuando hablamos de logística. Especialmente cuando
utilizamos la estrategia de “empuje”. Recordamos: los sistemas de arrastrar o pull y de empujar o push,
son dos enfoques de gestión de operaciones, en el primero los artículos se fabricarán o se comprarán en
respuesta a la demanda, en el segundo se fabricarán o se comprarán con base en lo que se planea o
anticipa (Véase U.T. 2, apartado 2.2.2).
Prever la demanda, es la alternativa que se utiliza para determinar la posible cantidad de producto
demandado en un periodo futuro, aunque las herramientas que se indican son susceptibles de ser usadas
para pronosticar el comportamiento de cualquier variable; en el área empresarial –que es nuestro marco
de referencia- serviría para estimar: número de vendedores, volumen de producción, comisiones,
beneficios, etc.
Para la previsión de la demanda existen diversos métodos que se utilizarán en función de lo siguiente:
El plazo de la previsión de la demanda: corto, medio o largo.
La disponibilidad de datos históricos fiables (datos de ventas ya realizadas en los periodos
anteriores al que se pretende predecir).
La exactitud exigida en la previsión, que Prever es tan molesto como conducir un
dependerá del tipo de producto, del
mercado y de la estrategia comercial de automóvil con los ojos vendados y siguiendo
la empresa. En aquellos casos en los que
no se puedan utilizar datos históricos de
las indicaciones de una persona que mira al
ventas, bien porque se trate de un exterior a través del espejo retrovisor.
producto nuevo o bien por la falta de
rigor de los datos, se puede estimar la Anónimo (Kotler)
demanda.
En cualquier caso, y antes de describir los diferentes métodos de previsión, es necesario tener esto en
cuenta:
Ningún método de previsión es perfecto, pues es imposible determinar los acontecimientos
futuros.
La exactitud de la previsión depende del rigor y objetividad de los datos. La previsión de la
demanda tiene como objetivo fundamental reducir la incertidumbre y, por tanto, el riesgo en la
toma de decisiones logísticas y comerciales.
Las herramientas que veremos se usan como complemento a otras formas de estimación. Se
podría utilizar la investigación de mercado, realizando un estudio de campo –una encuesta, por
ejemplo- que permitiera, calcular el número posible de consumidores y lo que podrían consumir
en los mercados de consumo, o bien entre nuestros clientes industriales (se pregunta
directamente a los interesados por la posibilidad de adquirir el producto)., para prever sus
necesidades. Podrían usarse clientes actuales y/o potenciales.
En muchos casos es más importante identificar los factores que hacen variar la demanda que
cuantificar su posible variación. Los datos obtenidos en las previsiones deben servir como base
para la toma de decisiones estratégicas de la empresa, decisiones que influyen directamente en la
gestión de stocks.
Pág. 2/22
Ampliación U.T. 4. Apartado: Previsión de la demanda Gestión Logística y Comercial. IES Sierra de Carrascoy (AMM)
Subjetivos (cualitativos): se basan en opiniones y juicios de expertos en la materia. Pueden ser
cuantificados. Se suelen utilizar para el largo plazo o bien para estimar la demanda de nuevos productos
de los que no tenemos datos históricos. La mayor utilidad radica en que son capaces de identificar las
tendencias del mercado, siendo su mayor problema la subjetividad, ya que no se basa en datos
numéricos. Ejemplos: Delphi, encuestas, etc. Más info sobre previsión de demanda en nuevos
productos: aquí.
Objetivos (cuantitativos): las previsiones se realizan a partir de series cronológicas de datos. Se utilizan
cuando los datos de que se dispone sobre el mercado son lo suficientemente fiables. Su mayor utilidad
es la posibilidad de cuantificar con cierta exactitud la demanda futura, o bien determinar las causas que
producen las variaciones. Pueden ser de dos tipos:
o No causales: se realizan previsiones de la demanda futura sin analizar las causas de sus posibles
variaciones. Ej. Medias móviles, ingenuo, medias simples, técnicas de alisado, análisis gráfico,
etc.
o Causales: se explican los factores que más pueden incidir en las variaciones de la demanda
futura. Ej. Análisis de regresión (lineal o no lineal), métodos econométricos, descomposición de
series temporales (estudian la estacionalidad), etc.
La elección de la técnica de previsión más adecuada vendrá dada por un compromiso aceptable entre
el mayor coste que representa la utilización de una técnica de previsión más sofisticada, y, por tanto,
más precisa, y la reducción de costes que implica un menor stock de seguridad.
Para la gestión de stocks los métodos idóneos son los métodos objetivos no causales, principalmente los
métodos ingenuo, de las medias simples y de las medias móviles.
Veremos algunos de los métodos objetivos de previsión indicados: concretamente, los no causales:
método ingenuo, medias simples; medias simples y del grupo de los causales, el de regresión simple.
Haremos uso de la herramienta Excel, para omitir en lo posible la formulación, lo que excede los
objetivos de este módulo.
Nota: En los diferentes métodos, se incorpora la solución para el caso práctico que se incluye en el
apartado Caso práctico 3. Solución, en pág. 13.
𝑃𝑛 − 𝑃𝑛−1
𝑃𝑛+1 = + 𝑃𝑛
𝑃𝑛−1
Supone que el último incremento relativo se mantiene para el próximo valor.
O sea para calcular Pn+1 se suma la variación (positiva o negativa) relativa (se recomienda usar tanto
por 1) entre los dos últimos valores conocidos.
Otros autores indican que el método ingenuo consiste en considerar que el próximo año se producirá la
última demanda conocida.
Pn+1= Pn
Ingenuo III. Variación:
Pn+1= Pn+(Pn-Pn-1)
Pág. 3/22
Ampliación U.T. 4. Apartado: Previsión de la demanda Gestión Logística y Comercial. IES Sierra de Carrascoy (AMM)
O sea para calcular Pn+1 se suma la variación (positiva o negativa) absoluta producida entre los dos
últimos valores conocidos.
Otros métodos ingenuos: Algunos autores proponen que de adoptar alguna de estas modalidades
anteriores, se recomienda usar la variación media de los valores observados (media simple)
Solución para el caso “Rotini” que se indica más abajo: Ingenuo 2. Y9 23,0
Pág. 4/22
Ampliación U.T. 4. Apartado: Previsión de la demanda Gestión Logística y Comercial. IES Sierra de Carrascoy (AMM)
El número de valores de datos por incluir en la media móvil es discrecional, depende del carácter de los
datos recopilados. Si los datos son trimestrales, puesto que hay cuatro trimestres en un año, sería
adecuado tener cuatro términos. Si los datos son diarios, como hay siete días en una semana, sería
apropiado tener siete términos o si se estudia la producción de energía eléctrica de varios años; el rango
de la media móvil sea de 12 (12 meses recoge la producción en un año). También se puede emplear el
método de prueba y error, aunque lo habitual es usar el nivel de agrupación con menor error típico
medio.
En una media móvil se orden k, se pierden k-1 observaciones. O sea, para una MM3 se pierden 2 (3-1).
Pág. 5/22
Ampliación U.T. 4. Apartado: Previsión de la demanda Gestión Logística y Comercial. IES Sierra de Carrascoy (AMM)
1.5.3 Pronóstico
Una vez comprobada el intervalo óptimo de agrupamiento (menor error típico medio), se procedería a
realizar la proyección de la variable en el futuro.
Para ello usaremos las herramientas de Excel (Análisis de datos y gráficos). Se explica en el apartado
correspondiente.
Para usar algunas herramientas de Excel, instalaremos (si no lo está ya) este paquete, siguiendo el
siguiente procedimiento: Agregar Herramientas para análisis: Botón Office-opciones-complementos-
Ir A-herramientas para análisis.
Para usar la herramienta (exige reinicio de Excel, si se instaló en esta sesión), accede a Datos-Análisis y
elige la opción adecuada, en este caso, Media Móvil.
Pág. 7/22
Ampliación U.T. 4. Apartado: Previsión de la demanda Gestión Logística y Comercial. IES Sierra de Carrascoy (AMM)
Alternativa para la representación de los valores pronosticados: Crear un gráfico de líneas (con
marcadores) y posteriormente añadir una línea de tendencia (de media móvil, con el orden deseado) a la
serie de los valores reales. Se observará que coincide la gráfica con los representados mediante el
procedimiento anterior, sólo que no se muestran los valores. Ver ejemplo a continuación:
25 Gráfico de líneas + línea de tendencia Media Móvil (Rotini)
20
Compras en Tm
15
Compras reales
10
1
0
1 2 3 4 5 6 7 8 9
Años
En el caso de que la Sra. Cuadrado hubiera decidido aplicar el método de medias móviles, una vez
definido el nivel (2, 3, 4, etc.) debería sustituir los valores de la variable y por la media de los valores
según el nivel indicado.
Supongamos que define el nivel 4. La nueva serie de valores sería:
Todos los cálculos en Excel se realizan con la función PROMEDIO. La previsión para el año 9 es la
última media móvil, o sea, 19,5. Con este nivel de agrupación el error típico medio es de 3,14. Dado
que la serie es muy corta, no procede comparar este valor con otros niveles de agrupamiento.
Se se hace manualmente (sin herramienta análisis de datos), los valores N/A anteriores a fila 3, se
pueden añadir manualmente con la función adecuada.
Algunos autores recomiendan “corregir” los cálculos de Excel, desplazando hacia abajo una fila, los
valores pronosticados, de modo que en el ejemplo, el valor pronosticado 11,25, debería estar en el año 5
(ver imagen anterior). La razón es que realmente el valor pronosticado para el año 5 es 11,25. No lo
corregiremos, aunque sí tendremos en cuenta este desfase en los pronósticos. De todas formas, para que
se muestre el valor pronosticado, habría que rehacer el gráfico.
Pág. 8/22
Ampliación U.T. 4. Apartado: Previsión de la demanda Gestión Logística y Comercial. IES Sierra de Carrascoy (AMM)
Pág. 9/22
Ampliación U.T. 4. Apartado: Previsión de la demanda Gestión Logística y Comercial. IES Sierra de Carrascoy (AMM)
1.6 Análisis de Regresión lineal simple y correlación
El análisis de regresión lineal simple tiene por finalidad predecir y/o estimar los valores de la
variable dependiente o explicada, a partir de la obtención de la función lineal de la variable
independiente o explicativa1. La notación matemática de la ecuación de regresión simple se denota
como sigue:
Y = a + b*X
En donde:
Y es la variable a predecir;
a y b son parámetros desconocidos a estimar. a Es la constante, (el punto de corte en el eje Y) y
b es la pendiente de la recta.
Existen diferentes procedimientos para ajustar una función simple, cada uno de los cuales intenta
minimizar una medida diferente del grado de ajuste. La elección preferida ha sido, tradicionalmente, la
recta que hace mínima la suma de los cuadrados de las distancias verticales entre cada punto y la
recta. Esto significa que, de todas las rectas posibles, existe una y sólo una que consigue que las
distancias verticales entre cada punto y la recta sean mínimas (las distancias se elevan al cuadrado
porque, de lo contrario, al ser unas positivas y otras negativas, se anularían unas con otras al sumarlas).
Mediante la regresión simple mínimo cuadrática, se expresa la estructura funcional de la relación
existente entre dos variables, ajustando la nube de puntos dada por los pares de valores de las dos
variables a una curva de la forma mejor posible (minimizando la varianza del error). El ajuste será de la
forma Y=f(x)+e (omitimos otra forma que consiste en ajustar X=f(Y)+e) donde e denota el error
cometido cuya varianza debe ser mínima.
1
En cuanto que formaliza una ecuación matemática que relaciona Y con X, implica, necesariamente, que la variable
explicativa X es causa de la variable explicada Y. Por ello, en cualquier aplicación de esta técnica, se requiere una cuidadosa
elección de las variables de análisis.
Pág. 10/22
Ampliación U.T. 4. Apartado: Previsión de la demanda Gestión Logística y Comercial. IES Sierra de Carrascoy (AMM)
Bondad del ajuste: Una vez tenemos la recta de regresión, es necesario saber si el ajuste que ofrece la
recta sobre la nube de puntos es suficientemente bueno. Es decir, se trata de saber si el modelo que se ha
ajustado para relacionar las variables X e Y es un modelo consistente. Para ello usaremos dos
estadísticos, el coeficiente de correlación y el coeficiente de determinación.
1.6.1 Correlación
Se llama correlación al grado de dependencia mutua entre dos variables. El coeficiente de correlación
–R- (es un número adimensional -sin unidades) que intenta medir la intensidad con que dos variables
están relacionadas. Este concepto está directamente relacionado con el concepto de curva de regresión.
Cuando en el análisis de regresión, la curva es una recta, la regresión se llama lineal, y en este caso el
coeficiente de correlación se llama coeficiente de correlación lineal, y mide el grado de asociación lineal
que existe entre las variables. El ajuste será de la forma Y = a + b X + e (recta de regresión de Y sobre
X). El coeficiente de correlación mide la calidad de ese ajuste.
El valor del mismo se encuentra acotado, en términos absolutos, entre 0 y el valor.
El valor 1 nos indica covariación perfecta entre las variables y el valor 0 covariación nula. Valores
intermedios suponen relaciones de distinta intensidad, más estrictas conforme el valor del coeficiente se
aproxima a 1 o a -1 2.
Si tenemos en cuenta el signo del coeficiente, -1 y 1.
Valores positivos y negativos tienen la misma interpretación en cuanto a grado de covariación de las
variables, si bien uno u otro signo indica un tipo distinto en ésta. Así, cuando el valor del coeficiente de
correlación es positivo, indica relación o covariación directa (si una variable aumenta, la otra aumenta)
y, cuando el valor es negativo se da una relación inversa (si una de las dos variables aumenta, la otra
disminuye).
En todo caso, esta técnica de la correlación, aunque informa de la intensidad de la relación entre
variables y, por tanto de si es posible o no aproximar con suficiente precisión el valor de una variable
dado el valor de la otra 3, no permite llevar a cabo la cuantificación exacta de dicho valor. Para poder
determinar numéricamente el valor aproximado a tomar por la variable Y conocido un valor de X,
hemos de acudir al análisis estadístico de la regresión.
Coeficiente de determinación
Una vez que se ha realizado el ajuste por mínimos cuadrados, conviene disponer de algún indicador que
permita medir el grado de ajuste entre el modelo y los datos. En el caso de que se hayan estimado varios
modelos alternativos podría utilizarse medidas de este tipo, a las que se denomina medidas de la bondad del
ajuste, para seleccionar el modelo más adecuado.
𝑅 = √𝑅2
2
Este coeficiente, en cuanto medida del grado de intensidad de la relación entre las variables, es una medida de tipo
cualitativo. Es decir, si en un caso por ejemplo el valor es 0,4 y en otro 0,8, no quiere decir que en el segundo la intensidad
de la relación sea el doble que en el primero; sólo informa que en el segundo esta relación es mayor.
3
En las aplicaciones prácticas se recomiendan valores altos de este coeficiente, del orden de 0,9 o más, para decir que existe
un grado adecuado de covariación.
Pág. 11/22
Ampliación U.T. 4. Apartado: Previsión de la demanda Gestión Logística y Comercial. IES Sierra de Carrascoy (AMM)
2
Este estadístico (R ) mide la proporción de la variación total en la variable dependiente Y que se
explica, o contabiliza, por la variación en la variable dependiente X. Ej. Si R², es 0,576, es posible decir
que 57,6% de la variación en el número de copiadoras vendidas (variable Y explicada), se explica o
contabiliza, por la variación en el número de llamadas de vendedores (variable X; explicativa).
En general, R² es una medida de la bondad del ajuste por regresión. Si R² se aproxima a la unidad el
ajuste es bueno y si R² se acerca a cero el ajuste es malo. Esta definición e interpretación de R² es válida
para cualquier tipo de ajuste aunque no sea lineal.
En cuanto a relación entre correlación e independencia, se observa
que, si las variables son independientes estarán incorrelacionadas,
ya que R=0 cuando hay independencia. Ahora bien, el recíproco
no es necesariamente cierto, ya que dos variables pueden estar
incorrelacionadas linealmente y ser dependientes, puesto que al
ser R=0, lo único que podemos decir es que la asociación lineal es
nula, pero esas variables pueden depender según otro tipo de
asociación (parabólica, exponencial, logarítmica, etc. En la
ilustración se muestran algunas que usa Excel).
El coeficiente de determinación proporciona una medida cuyo valor va desde 0 hasta 1, mientras que el
coeficiente de correlación muestral proporciona una medida cuyo valor va desde –1 hasta +1. El
coeficiente de correlación lineal está restringido a la relación lineal entre dos variables, pero el
coeficiente de determinación puede emplearse para relaciones no lineales y para relaciones en las que
hay dos o más variables independientes (regresión múltiple). Por tanto, el coeficiente de determinación
tiene un rango más amplio de aplicaciones.
Pág. 12/22
Ampliación U.T. 4. Apartado: Previsión de la demanda Gestión Logística y Comercial. IES Sierra de Carrascoy (AMM)
La hipótesis contraria se designa por H1 y se llama hipótesis alternativa.
Usaremos el coeficiente 𝛽. La hipótesis alternativa será lo contrario: que ambas variables están
relacionadas y por lo tanto la variable independiente tiene poder predictivo de la variable dependiente,
en la población.
𝐻0 : 𝛽𝑜 = 0
𝐻1 : 𝛽1 ≠ 0
Estas pruebas de significación se hacen con valores de (nivel de significación) del 0,05 (Nivel de
confianza del 95%), 0,01 (Nivel de confianza del 99%) o del 0,1 (Nivel de confianza del 90%).
Para el contraste de hipótesis se usan varias herramientas algo complejas. Usaremos, para este método
sólo el contraste F (de Fisher-Snedecor), y nos basaremos en los cálculos realizados por Excel. Véase el
apartado, en pág. 13.
d. Con el menú contextual del eje: “Dar formato a eje…”, cambiamos la escala del eje
horizontal y ponemos fijo el valor mínimo y máximo de la escala.
3. Análisis econométrico:
A partir de la observación de los puntos, se observa una tendencia general que a medida que aumentan
los años, aumentan las ventas (Y); a este tipo de relación se le conoce como correlación directa o
positiva. Si Y tiende a incrementarse cuando se incrementa X, entonces tendríamos: Y = f (X).
Pero la inspección visual del diagrama de dispersión también sugiere que la relación entre las dos
variables es esencialmente lineal. Por tanto, si la relación f que liga Y con X es lineal, tendríamos la
ecuación de una recta: Y=a+bX. El gráfico ya se encuentra modificado según lo indicado anteriormente:
4
Letra griega alfa.
Pág. 13/22
Ampliación U.T. 4. Apartado: Previsión de la demanda Gestión Logística y Comercial. IES Sierra de Carrascoy (AMM)
Mediante la letra a designamos la ordenada en el origen (término constante), y mediante la letra b la
pendiente de la recta; la pendiente b es el cambio de Y (aumento de las ventas) asociado con un cambio
unitario en X (número de año). Sin embargo, en la práctica, la relación determinística anterior es
inadecuada porque hay otros factores que influyen en Y; un modelo empírico necesariamente debe
incorporar este hecho de la siguiente forma: Y = a + b X + e
El término de error, e, es una variable aleatoria que se añade para reflejar, entre otros aspectos, factores
que también explican el rendimiento pero que no los hemos tenido en cuenta en el análisis
La expresión anterior, en donde solo figura una única variable explicativa (X), se le conoce como
modelo de regresión lineal simple.
4. Ajustando una recta a los datos:
Nuestro objetivo es ahora ajustar una recta a la nube de puntos, buscando tanto la ordenada en el origen
a como la pendiente b (los parámetros del modelo). Ahora bien, en la práctica podrían ajustarse
infinidad de rectas; ¿cuál es la mejor? Excel nos va a buscar la mejor recta, llamada recta de regresión
mínimo-cuadrática Y= â+𝑏̂X. El gorro encima de a y b indican valores concretos que toman los
parámetros una vez estimados.5 Ver caso resuelto a continuación.
5
(Sabias que: estos caracteres, “con gorro” se obtienen, en Word, seleccionando el carácter, y desde el editor de ecuaciones,
añadiendo el énfasis)
Pág. 14/22
Ampliación U.T. 4. Apartado: Previsión de la demanda Gestión Logística y Comercial. IES Sierra de Carrascoy (AMM)
OBSERVACIÓN: En un sentido
estrictamente técnico, no se
considera que las compras de
cereales estén relacionadas
con el tiempo, sino que el
tiempo se usa como sustituto
de variables con las que está
relacionada la cifra de compras,
pero tales variables no se
conocen o son difíciles de
medir.
Pág. 15/22
Ampliación U.T. 4. Apartado: Previsión de la demanda Gestión Logística y Comercial. IES Sierra de Carrascoy (AMM)
Pág. 16/22
Ampliación U.T. 4. Apartado: Previsión de la demanda Gestión Logística y Comercial. IES Sierra de Carrascoy (AMM)
6
En las opciones del gráfico, (formato de línea de tendencia , con el menú contextual) también se permite
la obtención del coeficiente de determinación (R2), sin necesidad de usar la función.
20
venta s
15 MM3
Ventas
Tendenci a l i nea l
10
0
1 2 3 4 5 6 7 8 9
Año
El coeficiente de determinación con valor 0,9285 nos indica que existe una alta correlación entre las
variables Compras y año de la compra.
Este estadístico se puede obtener, a través de la opción correspondiente del gráfico de dispersión, o bien
utilizar la función de Excel, COEFICIENTE.R2.
En el caso práctico “Rotini S.A.”: Nota: En las fórmulas de Excel: A5:A12 (son los años y B5:B12, son
las compras observadas), o sea; X e Y respectivamente.
En este caso nos mide el % de la variación de las compras (el 92,8%) que está explicado por el año de
compra. El ajuste entre valores reales y proyectados, es bueno.
Estadísticos
Raíz de Coef. de Determinación (R2) Función COEF.DE.CORREL (R )
6
Si se agrega una media móvil a un gráfico XY (Dispersión), la media móvil se basará en el orden de los valores
del eje X trazados en el gráfico. Para obtener el resultado deseado, puede que sea necesario ordenar los valores
del eje X antes de agregar una media móvil.
Pág. 17/22
Ampliación U.T. 4. Apartado: Previsión de la demanda Gestión Logística y Comercial. IES Sierra de Carrascoy (AMM)
Según el Coef. de determ inación: (0/1). 0,9285. En este caso nos mide el
% de la variación de las compras (el 92,8%) que está explicado por el año de
compra. El ajuste entre valores reales y proyectados, es bueno.
Pág. 18/22
Ampliación U.T. 4. Apartado: Previsión de la demanda Gestión Logística y Comercial. IES Sierra de Carrascoy (AMM)
25
20
Ventas
15
ventas
10
Proyecta +2
5
0
1 2 3 4 5 6 7 8 9 10
Año
Pág. 19/22
Ampliación U.T. 4. Apartado: Previsión de la demanda Gestión Logística y Comercial. IES Sierra de Carrascoy (AMM)
1.6.5.2 Contraste de hipótesis y resumen de datos
Usando la herramienta Excel: Datos- Grupo Análisis-Análisis de datos-Regresión se obtiene:
Resumen
El contraste de hipótesis es un procedimiento consiste en averiguar si los datos observados en las
Estadísticas de la muestras respaldanlas hipótesis sobre las poblaciones. Uno de ellos es el contraste F.
regresión El contraste F nos indica que, con el 5% de significación (), la variable año es significativa en la
Coeficiente de
estimación de la variable compras.
correlación
múltiple 0,96356777 El Valor crítico de F < que el nivel de signficación. (0,00012 < 0,05), Se rechaza la hipótesis nula y se
Coeficiente de aceptala alternativa (nivelde significación en tanto por uno.).
determinación R^2 0,92846285 O lo que es lo mismo: o<),
R^2 ajustado 0,91653999
Indica la medida de variabilidad de la variable dependiente que no es explicada por la recta de regresión. En general,
Error típico
1,51251394 cuanto mejor es el ajuste, más pequeño es este error
Observaciones 8
ANÁLISIS DE
VARIANZA (ANOVA)
Grados de Valor crítico
Suma de cuadrados Promedio de los cuadrados F
libertad de F
Regresión 1 178,1488095 178,1488095 77,8725065 0,00011761
Residuos 6 13,72619048 2,287698413
Total 7 191,875
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%
Intercepción 6,107 1,178541366 5,181950363 0,002050449 3,22335603 8,99092969 3,223356
Variable X 1 2,060 0,233385968 8,824540017 0,000117613 1,48844892 2,6305987 1,4884489
Pronóstico
Observación para Y Residuos Residuos estándares Percentil Y
1 8,2 -0,167 -0,119 6,25 8
2 10,2 -0,226 -0,162 18,75 10
3 12,3 2,714 1,938 31,25 12
4 14,3 -2,345 -1,675 43,75 15
5 16,4 -0,405 -0,289 56,25 16
Pág. 20/22
Ampliación U.T. 4. Apartado: Previsión de la demanda Gestión Logística y Comercial. IES Sierra de Carrascoy (AMM)
1.7 Actividades adicionales
ACTIVIDAD ADICIONAL 1 Rodstar S.L.
Respecto a los datos que se detallan: las ventas realizadas por Años Ventas en
Vendedor
10 vendedores de Rodstar S.L., con la experiencia en la experiencia u.m. (miles)
empresa, que se indica, SE PIDE: 1 1 80
1) Indica cuál es la variable dependiente y la 2 3 97
independiente. 3 4 92
2) Halla la recta de regresión. 4 4 102
5 6 103
3) Elabora un diagrama de dispersión con estos datos.
6 8 111
4) Representa la ecuación de regresión lineal simple 7 10 119
estimada que puede emplearse para predecir las ventas 8 10 123
anuales. 9 11 117
5) Usa la ecuación de regresión estimada para pronosticar 10 13 136
las ventas anuales de un vendedor de 9 años de experiencia.
6) Calcula los coeficientes de correlación y de determinación. Comenta su significado.
7) Comenta la bondad del ajuste, con un grado de significación del 5%.
Kentucky S.A. presenta los siguientes datos históricos de producción del PRODUCCIÓN
MESES
producto XX, en miles de unidades físicas, en los últimos 22 meses. (m . uu. ff.)
1 593
SE PIDE: 2 570
1. Pronosticar la producción para el mes 23, usando el modelo de medias 3 486
móviles simples, tomando 3 periodos. 4 854
2. Elaborar un gráfico con la tendencia de los valores pronosticados según 5 797
6 362
el apartado anterior, de forma que se muestre el valor pronosticado.
7 594
3. Con el mismo método, probar con agrupaciones de de 4 y 5 periodos y
8 271
elegir el orden de agrupamiento más adecuado, razonando la respuesta. 9 450
4. Elabora el gráfico con los valores reales y los pronosticados, con los 3 10 254
niveles de agrupamiento. 11 433
5. Comprueba si existe correlación simple entre las variables facilitadas, 12 529
realizando los análisis gráficos y estadísticos pertinentes. Explica los 13 994
resultados. 14 319
15 610
16 748
17 832
18 193
19 720
20 415
21 536
22 850
Pág. 21/22
Ampliación U.T. 4. Apartado: Previsión de la demanda Gestión Logística y Comercial. IES Sierra de Carrascoy (AMM)
1.8 Apéndice 1: Algunas funciones estadísticas de Excel
FUNCIÓN UTILIDAD
PENDIENTE Calcula el valor b, de la recta de regresión lineal. No la usaremos.
Calcula el valor a, de la recta anterior. Punto de intersección con el eje
INTERSECCION.EJE
Y. No la usaremos.
COEF.DE.CORREL Coeficiente de correlación
Devuelve valores que resultan de una tendencia lineal, calculada con
TENDENCIA
el método de mínimos cuadrados.
Calcula las estadísticas de una línea utilizando el método de los
ESTIMACION.LINEAL "mínimos cuadrados" para calcular la línea recta que mejor se ajuste a
los datos.
Esta función calcula o prevé un valor futuro utilizando los valores
existentes. El valor previsto es un valor del eje Y para un valor del eje
X dado. Los valores conocidos son valores de x e y existentes, y el
PRONOSTICO
nuevo valor se calcula utilizando una regresión lineal. Esta función se
puede utilizar para prever las ventas futuras, las necesidades de
inventario y las tendencias de los consumidores.
Devuelve el cuadrado del coeficiente de correlación mediante los
COEFICIENTE.R2
puntos de datos de conocido y y conocido x.
Otras AQUÍ, entre otros.
Población es el conjunto de todos los elementos que son objeto del estudio estadístico.
Muestra es un subconjunto, extraído de la población (mediante técnicas de muestreo), cuyo
estudio sirve para inferir características de toda la población.
Estadístico: En estadística un estadístico (muestral) es una medida cuantitativa, derivada de un
conjunto de datos de una muestra, con el objetivo de estimar o inferir características de una
población o modelo estadístico.
Individuo es cada uno de los elementos que forman la población o la muestra. Si hablamos de
valores, equivaldría a un dato individual, a un valor observado.
Tendencia: Se puede definir como un cambio a largo plazo que se produce en relación al nivel
medio, o el cambio a largo plazo de la media. La tendencia se identifica con un movimiento
suave de la serie a largo plazo.
Efecto Estacional: Muchas series temporales presentan cierta periodicidad o dicho de otro
modo, variación de cierto periodo (anual, mensual...). Por ejemplo, el paro laboral aumenta en
general en invierno y disminuye en verano. Estos tipos de efectos son fáciles de entender y se
pueden medir explícitamente o incluso se pueden eliminar del conjunto de los datos,
desestacionalizando la serie original.
Varianza: En teoría de probabilidad, la varianza (que suele representarse como σ2) de una
variable aleatoria es una medida de dispersión definida como la media aritmética del cuadrado de
la desviación de dicha variable respecto a su media. (Wikipedia). La letra es sigma (alfabeto
griego).
Nivel o intervalo de confianza: En estadística, la probabilidad que asociamos con una
estimación de intervalo se conoce como el nivel de confianza. Esta probabilidad nos indica
cuánta confianza tenemos en que la estimación del intervalo de confianza incluya al parámetro
de la población. Una probabilidad más alta significa más confianza.
Nivel de significación: Para simplificar, es el valor complementario del nivel de confianza. O
sea, si el nivel de confianza es del 95% (0,95), el nivel de significación será el 0,05 (el valor
complementario se calcula como: 1-0,95).
Pág. 22/22