Instituto Tecnológico de Pachuca
Departamento de Ingeniería Industrial
DEPARTAMENTO DE INGENIERÍA INDUSTRIAL
REPORTE DE PRÁCTICAS No. 1
Área
Ingeniería Industrial
Asignatura
ADMINISTRACIÓN DE LA CADENA DE SUMINISTRO
Tema:
Tema 1: Métodos de Pronóstico
Elaboró:
Jaime Alexis Angeles Tellz 19200373
Damaris Yamilet Reyes Vazquez 18190794
Miriam Lizeth Hernández Rodríguz 19200424
Jonathan Martin Estrada López 19200234
Revisó
M. en I. Carlos Manuel Pérez Ramírez
Pachuca de Soto, Hgo., 28 de septiembre del 2022
Carretera México-Pachuca Km. 87.5, Col. Venta Prieta,
Pachuca, Hidalgo. C.P. 42080 A.P. 276
Tels.: (771) 7105251, 170 0301, 170 0345 y 170 0687
tecnm.mx | pachuca.tecnm.mx
Ingeniería Industrial
Nombre del Documento: Administración
de la Cadena de Suministro Revisión: 0
Marco de Referencia: CACEI 3.5 Contenidos Página 1
1. DATOS DE REPORTE DE PRÁCTICA
Asignatura: ADMINISTRACIÓN DE LA CADENA DE SUMINISTRO
Unidad y Tema 1: T1 Pronósticos, subtemas 1.1 a 1.5
Práctica No. 1: Métodos de Pronóstico
Tiempo de duración de la práctica: 10 horas
2. OBJETIVO GENERAL:
Identificar las variables predictoras de la variable de interés mediante diversas técnicas exploratorias y
de ajuste a fin de establecer varios modelos potencialmente aceptables de pronóstico, estimar sus
parámetros, validarlos, compararlos, elegir el mejor y pronosticar varios periodos futuros.
3. MEDIDAS DE SEGURIDAD:
Identificar las variables predictoras de la variable de interés mediante diversas técnicas exploratorias y
de ajuste a fin de establecer varios modelos potencialmente aceptables de pronóstico, estimar sus
parámetros, validarlos, compararlos, elegir el mejor y pronosticar varios periodos futuros.
4. MATERIAL, EQUIPO O SOFTWARE
Requerimientos: Cantidad o Características
Hoja de cálculo 1 equipo de cómputo por equipo, con
Programa estadístico o exclusivo para software requerido instalado
pronóstico
5. FUNDAMENTOS TEÓRICOS
PRONÓSTICO
Un pronóstico es "la estimación del valor futuro que tendrá una variable de interés". Su alcance
puede denominarse como: corto plazo (hasta 3 meses), mediano plazo (más de tres meses a dos
años) y largo plazo (más de dos años).
Los pronósticos cuentan con dos enfoques:
Extrapolación: basado en un estudio inferencial sobre el comportamiento pasado (registrado) de la
variable de interés.
Explicativo: basado en el análisis de los factores que se cree determinan el nivel futuro de la
variable de interés.
Ingeniería Industrial
Nombre del Documento: Administración
de la Cadena de Suministro Revisión: 0
Marco de Referencia: CACEI 3.5 Contenidos Página 2
Podemos clasificar a los pronósticos por su tipo. Pueden ser cualitativos: investigaciones de
mercado, analogías con el ciclo de vida del producto o juicio de expertos; o bien pueden ser
cuantitativos. En este último se dividen en dos:
- Series de tiempo: promedios móviles (simples o poderados), suavizamiento exponencial (simple,
doble, triple), Holt & Winter, AR, MA, ARMA o ARIMA.
- Funcionales: Regresión, modelos econométricos, Entrada-Salida o simulación.
Para fines de pronóstico es recomendable seguir el siguiente diagrama.
Figura 1) Resumen del procedimiento de exploración y pronóstico de una serie de tiempo.
Ingeniería Industrial
Nombre del Documento: Administración
de la Cadena de Suministro Revisión: 0
Marco de Referencia: CACEI 3.5 Contenidos Página 3
SERIES DE TIEMPO
Una serie de tiempo es un conjunto ordenado de valores de una variable de interés anotados a
intervalos de tiempo regulares. Es posible que estos valores tengan una relación suficientemente alta
con el tiempo en que fueron obtenidos y que éste pueda ser utilizado para pronosticar el de aquélla.
Antes de aprovechar una serie temporal para fines de pronóstico, hay que explorarla a fin de conocer
sus características particulares y así poder elegir los procedimientos de pronóstico más apropiados o
certeros.
Diagnóstico: componentes y otras características de una serie
Una serie de tiempo es estacionara si presenta estas tres características:
1) Es homocedástica: en promedio su variabilidad es constante a todo lo largo del tiempo. En caso
contrario se dice que es heterocedástica.
2) Tiene el mismo valor esperado (media, promedio) en todos los periodos.
3) Casi siempre la simple observación del diagrama de dispersión de la serie es suficiente para
determinar si es estacionaria o no. Si la apariencia es similar a la del ruido blanco (números reales al
azar en el intervalo entre cero y uno) entonces se puede asumir que la serie es homocedástica.
Figura 2) Muestra de un ruido blanco
Además, con el diagrama de dispersión se puede percibir la presencia de hasta cuatro componentes
(sin importar si es homocedástica o heterocedástica):
1. Tendencia (T): movimiento de largo plazo ascendente o descendente de la serie a través del
tiempo.
2. Estacionalidad (S, por Seasonality): patrón ondulatorio a corto plazo de la serie que se repite, por
ejemplo, todos los años.
3. Ciclicidad (C): patrón ondulatorio a largo plazo de la serie que se repite, por ejemplo, cada “n”
años.
4. Irregular (I): variaciones azarosas de la serie. Por ejemplo: el ruido blanco solo tiene la
componente irregular.
4. Irregular (I): variaciones azarosas de la serie. Por ejemplo: el ruido blanco solo tiene la
componente irregular.
Ingeniería Industrial
Nombre del Documento: Administración
de la Cadena de Suministro Revisión: 0
Marco de Referencia: CACEI 3.5 Contenidos Página 4
En caso de que haya heterocedasticidad, tiene que recurrirse a alguna transformación que
razonablemente convierta a la serie en homocedástica. Hay que probar varias
transformaciones, tales como la raíz cuadrada, cúbica o cuarta, algún logaritmo y recíprocos,
por citar algunas.
Una vez transformada la serie de heterocedástica a homocedástica, está apta para
pronosticar.
Para series Estacionarias:
En series de tiempo estacionarias son aplicables directamente algunas técnicas de pronóstico
como las definidas a continuación:
A(t) = dato real del periodo t F(t) = pronóstico del periodo t
Para series No Estacionarias:
En una serie no estacionaria hay que utilizar otros métodos o transformarla primero a
estacionaria y aplicarle procedimientos ya conocidos. Esto último es el principio de
descomposición: aislar las componentes de la serie hasta convertirla en estacionaria;
pronosticarla y "devolverle" las características removidas.
Dependiendo de las componentes mencionadas anteriormente, una serie homocedástica
puede pronosticarse con alguno de los métodos mencionados a continuación:
Existen otros métodos:
- Modelo de regresión lineal simple
- Modelo de regresión no Lineal
- Modelo de regresión simple
- Modelo de regresión múltiple
Existen otros métodos:
- Modelo de regresión lineal simple
- Modelo de regresión no Lineal
- Modelo de regresión simple
- Modelo de regresión múltiple
Ingeniería Industrial
Nombre del Documento: Administración
de la Cadena de Suministro Revisión: 0
Marco de Referencia: CACEI 3.5 Contenidos Página 5
El método o métodos aplicables se eligen de acuerdo a las características particulares de la
serie temporal disponible. Se procede a explicar los métodos antes mencionados.
Método intuitivo
También llamado último dato o método ingenuo. La forma más sencilla de pronosticar es
suponer que la demanda del siguiente periodo será igual a la demanda del periodo más
reciente. Ejemplo: si las ventas de un producto fueron de 100 unidades en enero, podemos
pronosticar que en febrero las ventas también serán de 100 unidades.
Promedios móviles
También llamado promedio aritmético de toda la serie anterior. Este tipo de pronóstico usa un
número de valores de datos históricos reales para generar un pronóstico. Los promedios
móviles son útiles si podemos suponer que la demanda del mercado permanecerá
relativamente estable en el tiempo. Matemáticamente se expresa como:
donde n es el número de periodos incluidos en el promedio móvil.
Promedio móvil ponderado
Cuando se presenta una tendencia o patrón localizable, pueden utilizarse ponderaciones para
dar más énfasis a los valores recientes. Esto permite que las técnicas de pronóstico respondan
más rápido a los cambios, puesto que puede darse mayor peso a los periodos más recientes.
La elección de las ponderaciones es un tanto arbitraria, por lo que la decisión de qué
ponderaciones emplear requiere cierta experiencia. Un promedio móvil ponderado se expresa
de manera matemática como:
Suavización exponencial
También llamado alisado exponencial con constante α. Es otro método de pronóstico de
promedios móviles ponderados que requiere mantener muy pocos registros de datos
históricos. La fórmula básica para la suavización exponencial se expresa como sigue:
donde
donde
Ingeniería Industrial
Nombre del Documento: Administración
de la Cadena de Suministro Revisión: 0
Marco de Referencia: CACEI 3.5 Contenidos Página 6
Modelo de regresión lineal simple
A reserva de exploraciones adicionales sobre los datos (serie de tiempo o no), cuando una
ecuación de regresión es al menos buena, calificada así por el coeficiente de determinación
ajustado, puede utilizarse para estimar (pronosticar) el valor esperado de la variable
dependiente conocido el de la independiente (o de las independientes).
El modelo de regresión lineal simple establece un determinado valor de la variable
dependiente es obtenido a partir de un valor fijo de la variable independiente:
Modelo de regresión cuadrática
Si decidimos desarrollar una recta de tendencia lineal mediante un método estadístico preciso
podemos aplicar el método de mínimos cuadrados. Este enfoque resulta en una línea recta
que disminuye al mínimo la suma de cuadrados de las diferencias verticales o desviaciones de
la recta hacia cada una de las observaciones reales.
Una recta de mínimos cuadrados se describe en términos de su intersección con el eje y (la
altura a la que cruza el eje y) y su cambio esperado (pendiente). Si se calcula la intersección
con el eje y y la pendiente, se puede expresar la recta con la siguiente ecuación:
Ingeniería Industrial
Nombre del Documento: Administración
de la Cadena de Suministro Revisión: 0
Marco de Referencia: CACEI 3.5 Contenidos Página 7
Suavizamiento exponencial doble o método de Holt
Es un suavizamiento exponencial doble a fin de incluir la tendencia en series temporales que,
además del movimiento irregular, solo presenta esta componente.
Sean:
α (alfa) = factor de suavizamiento para el nivel
ß (beta) = factor de suavizamiento de la tendencia
A(t) = Valor actual (o real) de la variable de respuesta (la que supuestamente depende solo del
periodo de tiempo) registrado en el periodo t
F(t) = Nivel estimado de la variable de respuesta para el periodo t
T(t) = Tendencia estimada para el periodo t
FT(t) = Pronóstico de la variable de respuesta para el periodo t
Al igual que en el alisado exponencial simple, se requiere de un nivel y una tendencia iniciales.
Para ello, una buena opción es utilizar la ordenada al origen “a” y la pendiente “b” de una
regresión lineal de mínimos cuadrados: F(1) = a y T(1) = b.
Así, para t = 2, 3, …, primero se calcula F(t):
Enseguida T(t):
Finalmente, el pronóstico para el periodo t, FT(t), es la suma de estas dos partes:
Si la serie posee tambien variaciones estacionales, primero se debe desestacionalizar la serie
y a ésta aplicarle el método de Holt y posteriormente regresarle la estacionalidad.
Triple alisado exponencial o método de Holt & Winters
Es un triple alisado exponencial, por lo que agrega un tercer factor de suavizamiento para
tomar en cuenta la componente estacional (se asume que la serie temporal es homocedástica
con presencia de las componentes de tendencia y estacionalidad).
Tercer factor de amortiguamiento, para la componente estacional: δ
I(t) = Índice estacional bruto del periodo t
m = # periodos en que se divide al año
Pronóstico para el periodo t+1: FTS(t + 1) = [F(t) + T(t)] * I(t+1-m)
Ingeniería Industrial
Nombre del Documento: Administración
de la Cadena de Suministro Revisión: 0
Marco de Referencia: CACEI 3.5 Contenidos Página 8
Auto-Regresivos (ARIMA)
Los modelos de pronóstico cuya denominación genérica es ARIMA (Auto Regresive Integrated
Moving Average), propuestos y desarrollados inicialmente por George E.P.Box y Jenkins,
suponen que una serie de tiempo es el resultado de un proceso estocástico, es decir, de un
comportamiento aleatorio.
A veces una serie de tiempo presenta otra característica: autocorrelación.
AR: por lo menos un término autoregresivo
I: los integra
MA: procesos de promedios móviles
Los modelos ARIMA son los que se basan, al menos los primeros desarrollados, en la
metodología Box & Jenkins.
Para establecer el orden de la parte autoregresiva de un modelo hay que examinar la función
de autocorrelación parcial (PACF) y para el orden de proceso de promedios móviles la
función de autocorrelación (PAF).
ARIMA:
(p, d, q)(P, D, Q)
p = orden autoregresivo de la parte no estacionaria
d = diferencias que obtuviste para que la serie fuera estacionaria
q = orden de la parte del modelo que corresponde al promedio móvil.
Ingeniería Industrial
Nombre del Documento: Administración de la Cadena de Suministro
Revisión: 0
Marco de Referencia: CACEI 3.5 Contenidos Página 09
6. PROCEDIMIENTO
Se pretenden estimar los gastos en alimentación de una familia en base a la
información que proporcionan las variables regresoras 'ingresos mensuales
y 'número de miembros de la familia'. Para ello se recoge una muestra aleatoria
simple de 15 familias, cuyos resultados se facilitan en la tabla adjunta. (El gasto e
ingreso se expresan en cien mil euros).
Gasto
Ingresos Tamaño
Alim.
0.43 2.1 3
0.31 1.1 4
0.32 0.9 5
< 0.46 1.6 4
1.25 6.2 4
0.44 2.3 3
0.52 1.8 6
0.29 1 5
1.29 8.9 3
0.35 2.4 2
0.35 1.2 4
0.78 4.7 3
0.43 3.5 2
0.47 2.9 3
0.38 1.4 4
Nombre del Documento: Administración de la Cadena de Ingeniería Industrial
Suministro
Revisión: 0
Marco de Referencia: CACEI 3.5 Contenidos Página 10
Se pretenden estimar los gastos en alimentación de una familia en base a la información que
proporcionan las variables regresoras 'ingresos mensuales y 'número de miembros de la familia'.
ingresosen
Para ello se recoge una muestra aleatoria simple de 15 familias, cuyos resultados se facilitan x tamaño
la
tabla adjunta. (El gasto e ingreso se expresan en cien mil euros).
Gasto
Alimentaci Ingresos Tamaño
ón
0.43 2.1 3
0.31 1.1 4
0.32 0.9 5
< 0.46 1.6 4
1.25 6.2 4
0.44 2.3 3
0.52 1.8 6
0.29 1 5
1.29 8.9 3
0.35 2.4 2
0.35 1.2 4
0.78 4.7 3
0.43 3.5 2
0.47 2.9 3
0.38 1.4 4
Modelo de regresión lineal
Y= a+ bX1 + bx2
Gatos Alimentición vs Ingresos
1.4
f(x) = 0.134321793416572 x + 0.161898978433598
1.2 R² = 0.888229176521114
0.8
0.6
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9 10
Modelo de regresión no lineal (Cuadratica)
Y= a+ bX1 + cx2 + dX12 + eX22
Gastos Alimentación Vs Tamaño
1.4
1.2
0.8
0.6
f(x) = − 0.0363461538461538 x + 0.671269230769231
R² = 0.0159942980938482
0.4
0.2
0
1.5 2 2.5 3 3.5 4 4.5 5 5.5 6 6.5
Modelo de regresión lineal
Y= a+ bX1 + bx2
Gasto Alimentación= a + bX1 Ingresos + bX2 Tamaño
Estadísticas de la regresión
Coeficiente de correlación múltiple 0.97449 94.96%
Coeficiente de determinación R^2 0.94964 94.12%
R^2 ajustado 0.94125
Error típico 0.07751
Observaciones 15
R2 Calidad de Regresi
1 Perfecta (Excelente
Aprox. 95% Muy Buena
De 80% a 90% Buena
De 70% a 80% Regular
De 60% a 70% Mala
Aprox. 50% Muy mala
Mnos de 40% Pesima
0 Inútil por completo
Nombre del Documento: Administración de la Cadena de Ingeniería Industrial
Suministro
Revisión: 0
Marco de Referencia: CACEI 3.5 Contenidos Página 13
ANÁLISIS DE VARIANZA
Grados de Suma de Promedio de Valor crítico
libertad cuadrados los cuadrados F de F
Regresión 2 1.3595422 0.6797711 113.141 1.631E-08
Residuos 12 0.0720978 0.0060082
Total 14 1.43164
Coeficiente Error Estadístico Probabilida Inferior Superior Superior
Inferior 95.0%
s típico t d 95% 95% 95.0%
Intercepció
-0.160458 0.0903891 -1.7751923 0.1012114 -0.3574 0.036483 -0.357398981 0.0364828953
n
Variable X 1 0.148727 0.0099713 14.915484 4.1458E-09 0.127 0.170453 0.1270013894 0.1704526562
Variable X 2 0.0769152 0.0201069 3.8253195 0.002416 0.03311 0.120724 0.0331060923 0.1207242962
Verificación en el el programa de Minitab
Ecuación de regresión
Gasto Alimentación=
-0.1605 + 0.14873 Ingresos +
0.0769 Tamaño
Nombre del Documento: Administración de la Cadena de Ingeniería Industrial
Suministro
Revisión: 0
Marco de Referencia: CACEI 3.5 Contenidos Página 09 de 33
Nombre del Documento: Administración de la Cadena de Ingeniería Industrial
Suministro
Revisión: 0
Marco de Referencia: CACEI 3.5 Contenidos Página 09 de 33
MINIMOS CUADRADOS
Por medio de Excel Por medio de Minitab
Gasto Cte Ingresos Tamaño
Alimentación
0.43 1 2.1 3
0.31 1 1.1 4
0.32 1 0.9 5
0.46 1 1.6 4
1.25 1 6.2 4
0.44 1 2.3 3
0.52 1 1.8 6
0.29 1 1 5
1.29 1 8.9 3
0.35 1 2.4 2
0.35 1 1.2 4
0.78 1 4.7 3
0.43 1 3.5 2
0.47 1 2.9 3
0.38 1 1.4 4
Variable Coeficiente Valor
estimado
Cte a -0.1605
Ingresos b1 0.14873
Tamaño b2 0.07692
Nombre del Documento: Administración de la Cadena de Ingeniería Industrial
Suministro
Nombre del Documento: Administración de la Cadena de
Suministro
Revisión: 0
Marco de Referencia: CACEI 3.5 Contenidos Página 09 de 33
PRONÓSTICO
Gasto Alim. Ingresos Tamaño COEF.
1 0.3826143 2.1 3 -0.1605
2 0.3108025 1.1 4 0.14873
3 0.3579722 0.9 5 0.07692
4 0.385166 1.6 4
5 1.0693103 6.2 4
6 0.4123597 2.3 3
7 0.5687418 1.8 6
8 0.372845 1 5
9 1.393958 8.9 3
10 0.3503172 2.4 2
11 0.3256752 1.2 4
12 0.7693045 4.7 3
13 0.5139169 3.5 2
14 0.5015959 2.9 3
15 0.3554206 1.4 4
Modelo de regresión (Cuadratica)
Y= a+ bX1 + cx2 + dX12 + eX22
Gasto
Ingresos Tamaño Ingresos Tamaño
Alimentaci
(X1) (X2) (X1)^2 (X2)^2
ón
0.43 2.1 3 4.41 9
0.31 1.1 4 1.21 16
0.32 0.9 5 0.81 25
0.46 1.6 4 2.56 16
1.25 6.2 4 38.44 16
0.44 2.3 3 5.29 9
0.52 1.8 6 3.24 36
0.29 1 5 1 25
1.29 8.9 3 79.21 9
0.35 2.4 2 5.76 4
0.35 1.2 4 1.44 16
0.78 4.7 3 22.09 9
0.43 3.5 2 12.25 4
0.47 2.9 3 8.41 9
0.38 1.4 4 1.96 16
Estadísticas de la regresión
Coeficiente de correlaci 0.9887884 97.77%
Coeficiente de determi 0.9777025 96.88%
R^2 ajustado 0.9687835
Error típico 0.0564995
Observaciones 15
ANÁLISIS DE VARIANZA
Promedio Valor
Grados de Suma de de los crítico de
libertad cuadrados cuadrados F F
Regresión 4 1.399718 0.3499295 109.62 3.246E-08
Residuos 10 0.031922 0.0031922
Total 14 1.43164
Nombre del Documento: Administración de la Cadena de Ingeniería Industrial
Suministro
Revisión: 0
Marco de Referencia: CACEI 3.5 Contenidos Página 14
CoeficientesError típicoEstadístico tProbabilidad
Inferior 95%
Superior 95%Inferior 95.0% Superior 95.0%
Intercepción -0.7915627 0.1925387 -4.1111882 0.0021065 -1.2206 -0.36256 -1.220565518 -0.362559799
Variable X 1 0.2338188 0.0326758 7.1557126 3.0838E-05 0.16101 0.306625 0.1610125585 0.3066251275
Variable X 2 0.3402388 0.0865406 3.9315537 0.0028131 0.14741 0.533063 0.1474144619 0.5330632003
Variable X 3 -0.0090963 0.003356 -2.7104306 0.0219174 -0.0166 -0.001619 -0.016574085 -0.001618595
Variable X 4 -0.0314121 0.0107722 -2.9160229 0.015405 -0.0554 -0.00741 -0.055414129 -0.00741005
Verificación en el el programa de Minitab
Nombre del Documento: Administración de la Cadena de Ingeniería Industrial
Suministro
Nombre del Documento: Administración de la Cadena de
Suministro
Revisión: 0
Marco de Referencia: CACEI 3.5 Contenidos Página 15
Nombre del Documento: Administración de la Cadena de Ingeniería Industrial
Suministro
Revisión: 0
Marco de Referencia: CACEI 3.5 Contenidos Página 16
MINIMOS CUADRADOS
Gasto
Ingresos Tamaño Ingresos Tamaño
Alimentació Cte
(X1) (X2) (X1)^2 (X2)^2
n
0.43 1 2.1 3 4.41 9
0.31 1 1.1 4 1.21 16
0.32 1 0.9 5 0.81 25
0.46 1 1.6 4 2.56 16
1.25 1 6.2 4 38.44 16
0.44 1 2.3 3 5.29 9
0.52 1 1.8 6 3.24 36
0.29 1 1 5 1 25
1.29 1 8.9 3 79.21 9
0.35 1 2.4 2 5.76 4
0.35 1 1.2 4 1.44 16
0.78 1 4.7 3 22.09 9
0.43 1 3.5 2 12.25 4
0.47 1 2.9 3 8.41 9
0.38 1 1.4 4 1.96 16
Nombre del Documento: Administración de la Cadena de Ingeniería Industrial
Suministro
Revisión: 0
Marco de Referencia: CACEI 3.5 Contenidos Página 17
Constante -0.7915627
Ingresos(x1) 0.2338188
Tamaños(x2) 0.3402388
Ingresos(x1) -0.0090963
Tamaños(x2 -0.0314121
PRONÓSTICO
Gasto
Ingresos Tamaño Ingresos Tamaño
Alimentaci
(X1) (X2) (X1)^2 (X2)^2
ón
1 0.3973497 2.1 3 4.41 9 -0.791562658
2 0.3129934 1.1 4 1.21 16 0.233818843
3 0.3273982 0.9 5 0.81 25 0.3402388311
4 0.4176228 1.6 4 2.56 16 -0.00909634
5 1.1668127 6.2 4 38.44 16 -0.031412089
6 0.4361087 2.3 3 5.29 9
7 0.5104369 1.8 6 3.24 36
8 0.3490518 1 5 1 25
9 1.3069116 8.9 3 79.21 9
10 0.2720369 2.4 2 5.76 4
11 0.3342831 1.2 4 1.44 16
12 0.8444554 4.7 3 22.09 9
13 0.4702024 3.5 2 12.25 4
14 0.5480195 2.9 3 8.41 9
15 0.3763168 1.4 4 1.96 16
Nombre del Documento: Administración de la Cadena de Ingeniería Industrial
Suministro
Revisión: 0
Marco de Referencia: CACEI 3.5 Contenidos Página 18
COMPARACIÓN DE LOS DOS MODELOS DE REGRESIONES
Model
o R2 ajustada
Modelo de
regresión
lineal
94.12%
Y= a+ bX1
+ bx2
Modelo de
regresión
no lineal
(Cuadratic
a)
96.88%
Y= a+ bX1
+ cx2 +
dX12 +
eX22
CONCLUCIÓN
Comparando los dos modelos de regreción, nos damos cuenta que el segundo modelo (Cuadratica) es mejor
que la lineal ya que cuenta con un R^2 ajustada de 96.88% mientras la lineal un 94.12%
resos x tamaño
erior 95.0%
Nombre del Documento: Administración de la Cadena de Suministro
Marco de Referencia: CACEI 3.5 Contenidos
INDICADORES DE ERROR
Gasto Regrecion Cuadratica INDICADOR
Alimentación Regreción Lineal
1 0.43 0.382614287897 0.397349740803822
2 0.31 0.310802459392 0.312993392959509 Desviación media absolu
3 0.32 0.357972249096 0.327398188065685 Error porcentual medio a
4 0.46 0.385165970772 0.417622755030438 Error estandar SE
5 1.25 1.069310275472 1.16681274220836
6 0.44 0.412359692449 0.436108729923866
7 0.52 0.568741763837 0.510436888813424
8 0.29 0.372844951372 0.34905176770536
9 1.29 1.39395804267 1.30691161738602
10 0.35 0.350317200468 0.272036949577003
11 0.35 0.325675161668 0.33428311898644
12 0.78 0.769304547075 0.844455435776254
13 0.43 0.513916925505 0.470202428211535
14 0.47 0.501595906105 0.548019453931064
15 0.38 0.35542056622 0.376316790621184
Ingeniería Industrial
Revisión: 0
Página 20
ROR
INDICADOR LINEAL CUADRATICA
Sesgo ,medio MFE 0.05 0.03
Desviación media absoluta, MAD 0.05 0.00
Error porcentual medio absoluto 12% 9%
Error estandar SE 0.07 0.04
Ingeniería Industrial
Nombre del Documento: Administración de la Cadena de Suministro
Revisión: 0
Marco de Referencia: CACEI 3.5 Contenidos Página 21
Pronóstico
Gasto
Alimentació Ingresos Tamaño Pronostico
n
1 0.43 2.1 3 0.38261429 Valor estimado
2 0.31 1.1 4 0.61998752 -0.1604580427
3 0.32 0.9 5 0.59534549 0.14872702276
4 0.46 1.6 4 0.54562401 0.07691519426
5 1.25 6.2 4 1.22976832
6 0.44 2.3 3 0.57281774
7 0.52 1.8 6 0.72919981
8 0.29 1 5 0.53330299
9 1.29 8.9 3 1.55441609
10 0.35 2.4 2 0.51077524
11 0.35 1.2 4 0.4861332
12 0.78 4.7 3 0.92976259
13 0.43 3.5 2 0.67437497
14 0.47 2.9 3 0.66205395
15 0.38 1.4 4 0.51587861
16 2.0 4.0 10.0 1.36406003
17 2.0 5.0 9.0 1.43587186
18 1.0 9.0 6.0 1.80003437
Gasto Alimentación Pronosti
2.5 2
1.8
2 1.6
1.4
1.5 1.2
1
1 0.8
0.6
0.5 0.4
0.2
0 0
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10
Ingeniería Industrial
Revisión: 0
Página 21
Pronostico
4 6 8 10 12 14 16 18 20
Nombre del Documento: Ingeniería Industrial
Administración de la Cadena de
Suministro Revisión: 0
Marco de Referencia: CACEI 3.5 Contenidos Página 22
8. CONCLUSIONES
Mediante este ejecicio se abordaron los temas de la unidad un de Administracion de
la cadena de suministros donde se llevo acabo dos modelos de regreción para en un
futuro desarrollarlo en ambito laboral y diseñar, implantar, administrar, innovar y
optimizar sistemas de producción.
Nombre del Documento: Ingeniería Industrial
Administración de la Cadena de
Suministro Revisión: 0
Marco de Referencia: CACEI 3.5 Contenidos Página 23
9. FUENTES DE INFORMACIÓN
Roger G.Sharoeder. (2003) Administración de operaciones; México. ISBN
