UNIVERSIDAD NACIONAL EXPERIMENTAL DE GUAYANA
VICERRECTORADO ACADÉMICO
COORDINACIÓN GENERAL DE PREGRADO
PROYECTO DE CARRERA:
CÁTEDRA:
TEMA:
PROYECCIÓN DE LA TENDENCIA
En esta sección se presenta la regresión lineal como métodos de elaboración de pronósticos apropiado para las series
de tiempo que exhiben un patrón de tendencia.
La siguiente tabla y su gráfica muestra los datos correspondientes a las ventas de bicicletas de un comercio local
Año Ventas (en miles)
1 21.6
2 22.9
3 25.5
4 21.9
5 23.9
6 27.5
7 31.5
8 29.7
9 28.6
10 31.4
Esta serie de tiempos se utilizará para ilustrar cómo la regresión lineal simple permite pronosticar una serie de tiempo
con tendencia lineal. Aunque la gráfica de serie de tiempo de la figura muestra algún movimiento ascendente y
descendente en los últimos 10 años, se podría estar de acuerdo en que la línea de tendencia mostrada proporciona
una aproximación razonable del movimiento de la serie a largo plazo. Se puede utilizar el método de regresión lineal
simple a efecto de obtener una tendencia lineal para la serie de tiempo de las ventas de bicicletas.
La ecuación de regresión estimada que describe una relación lineal entre una variable independiente x y una variable
dependiente y se expresó como:
𝑦ˆ = 𝑏0 + 𝑏1 𝑥
donde yˆ es el valor estimado o predicho de y. Para enfatizar el hecho de que en un pronóstico la variable
independiente es el tiempo, se sustituirá x por t, así como yˆ por Tt para hacer patente que se está estimando la
tendencia de una serie de tiempo. Por tanto, para calcular la tendencia lineal en una serie de tiempo se utilizará la
siguiente ecuación de regresión estimada
Ecuación de tendencia lineal
𝑇𝑡 = 𝑏0 + 𝑏1 𝑡
Donde:
Tt = Pronostico de tendencia en el periodo T
b0 = Intersección de la recta de tendencia lineal
Elaborado por
UNIVERSIDAD NACIONAL EXPERIMENTAL DE GUAYANA
VICERRECTORADO ACADÉMICO
COORDINACIÓN GENERAL DE PREGRADO
PROYECTO DE CARRERA:
CÁTEDRA:
TEMA:
En la ecuación la variable tiempo comienza en t = 1 correspondiente a la primera observación de la serie de tiempo
(año 1 para la serie de tiempo de las ventas de bicicletas) y continúa hasta que t = n correspondiente a la observación
más reciente (año 10 para la serie de tiempo de las ventas de bicicletas). Así, t = 1 corresponde al valor de la serie más
antigua y t = 10 corresponde al año más reciente.
A continuación, se presentan las fórmulas para calcular los coeficientes de regresión estimados b0 y b1 de la ecuación
∑𝑛𝑡=1(𝑡 − 𝑡̅)(𝑌𝑡 − 𝑌̅)
𝑏1 = 𝑏0 = 𝑌̅ − 𝑏1∗ 𝑡̅
∑𝑛1(𝑡 − 𝑡̅)2
Donde
Yt = Valor de la serie en el tiempo t
n = Número de observaciones
̅
Y = Valor promedio de la serie de tiempo
t̅ = Valor promedio de t
Los cálculos siguientes corresponden a la serie de tiempo de la venta de bicicletas
Con estos valores y la información de la tabla 18.13 se puede calcular la pendiente y la intersección de la tendencia lineal
para la serie de tiempo de las ventas de bicicletas.
∑𝑛𝑡=1(𝑡 − 𝑡̅)(𝑌𝑡 − 𝑌̅) 90.75
𝑏1 = 𝑛 = = 1.1 𝑏0 = 𝑌̅ − 𝑏1∗ 𝑡̅ = 26.45 − 1.1 ∗ 5.5 = 20.4
∑1 (𝑡 − 𝑡̅)2 82.5
Por lo tanto, la ecuación de la tendencia lineal es
𝑇𝑡 = 20.4 + 1.1𝑡
Elaborado por
UNIVERSIDAD NACIONAL EXPERIMENTAL DE GUAYANA
VICERRECTORADO ACADÉMICO
COORDINACIÓN GENERAL DE PREGRADO
PROYECTO DE CARRERA:
CÁTEDRA:
TEMA:
La pendiente de 1.1 indica que en los últimos 10 años la empresa experimentó un promedio de crecimiento en las
ventas de cerca de 1 100 unidades por año. Si se supone que la tendencia en las ventas de la última década es un
buen indicador del futuro, esta ecuación de tendencia puede utilizarse para obtener los pronósticos sobre periodos
futuros. Por ejemplo, al sustituir en la ecuación t = 11 se obtiene la proyección de tendencia o el pronóstico para el
próximo año T11.
T11 = 20.4 + 1.1(11) = 32.5
Para calcular la exactitud del método de elaboración de pronósticos de la proyección de tendencia se utilizará el CME
(Error cuadrático medio). La siguiente tabla muestra el cálculo de la suma de los errores cuadrados para la serie de
tiempo de las ventas de bicicletas.
∑𝑛
𝑡=1(𝑌𝑡 −𝐹𝑡 )
2 30.7
𝐶𝑀𝐸 = = = 3.07
𝑛 10
El ECM = 3.07 (en miles² de unidades) significa que el modelo de pronóstico tiene un error promedio cuadrático de 3.07.
Esto equivale a una desviación típica de errores de aproximadamente 1.75 mil unidades , lo cual indica que el modelo
tiene una precisión moderada .
Ventajas de la regresión lineal en pronósticos con tendencia
Simplicidad y facilidad de interpretación:La regresión lineal es un modelo matemático sencillo que se entiende
fácilmente. Permite identificar claramente la tendencia central de los datos (creciente, decreciente o estable) a
través de la pendiente de la recta.
Fundamento estadístico sólido: Ofrece medidas de bondad de ajuste (como el coeficiente de determinación (R2) y
pruebas de significancia (t-student, p-valor), lo que permite evaluar la confiabilidad del modelo.
Capacidad de proyectar valores futuros: Una vez estimada la ecuación de la recta Y = a + b, es directo extrapolar
valores futuros, lo cual es útil para la planeación de inventarios, producción y compras en la cadena de suministro.
Identificación de tendencias lineales: Es especialmente adecuado cuando la serie de tiempo muestra una tendencia
lineal clara y estable (por ejemplo, crecimiento constante de la demanda por un producto en su fase de crecimiento.
Elaborado por
UNIVERSIDAD NACIONAL EXPERIMENTAL DE GUAYANA
VICERRECTORADO ACADÉMICO
COORDINACIÓN GENERAL DE PREGRADO
PROYECTO DE CARRERA:
CÁTEDRA:
TEMA:
Facilidad de implementación: Puede aplicarse con herramientas comunes como Excel, software estadístico (SPSS, R,
Python) o incluso calculadoras, lo que la hace accesible para equipos de trabajo en empresas.
Desventajas de la regresión lineal en pronósticos con tendencia
Supone una tendencia lineal constante: La principal limitación es que asume que la tendencia seguirá siendo recta y
constante en el futuro, lo cual puede no ser realista. Muchas series de tiempo presentan tendencias no lineales
(exponenciales, logarítmicas, cíclicas), que este modelo no captura adecuadamente.
No considera estacionalidad ni ciclos: La regresión lineal simple no incorpora patrones estacionales o cíclicos. Si la
demanda tiene variaciones recurrentes (por ejemplo, picos en navidad), el modelo generará errores sistemáticos.
Sensibilidad a valores atípicos (outliers):Un solo dato atípico puede distorsionar significativamente la línea de
tendencia, afectando la precisión del pronóstico.
Falta de adaptabilidad en tiempo real A diferencia de métodos como el suavizado exponencial con tendencia (
Método Holt), la regresión lineal no se actualiza automáticamente con nuevos datos; requiere reestimar todo el
modelo cada vez que se incorpora información nueva.
Extrapolación riesgosa: Proyectar demasiado hacia el futuro basándose en una tendencia pasada puede llevar a
pronósticos poco confiables, especialmente en entornos dinámicos o sujetos a cambios estructurales (crisis,
innovaciones, competencia).
Requiere una cantidad suficiente de datos históricos : Para que el modelo sea confiable, se necesita una serie de
tiempo con varios periodos de datos. En productos nuevos o mercados emergentes, esta información puede no estar
disponible.
A manera de Conclusión La regresión lineal es una herramienta útil y válida para pronosticar series de tiempo con
tendencia lineal clara y estable, especialmente en contextos donde se busca una primera aproximación o se dispone
de pocos recursos analíticos. Sin embargo, no debe usarse de forma aislada en entornos complejos de la cadena de
suministro.
Elaborado por