métodos utilizado para la proyección

de la demanda
Ramirez Estrada Geovanny Efrain
geovanny.ramirez8171@[Link]

Resumen—

En el campo de la proyección de la demanda, es fundamental I. INTRODUCCIÓN

contar con métodos y técnicas confiables y precisos que permitan
predecir de manera efectiva las necesidades futuras. Esta La proyección de la demanda es un proceso fundamental en
investigación tiene como propósito abordar este desafío y la planificación y toma de decisiones en diversas áreas, desde
proporcionar soluciones innovadoras para mejorar la precisión
la gestión empresarial hasta la política pública. La capacidad
de las proyecciones de demanda.
de predecir con precisión las necesidades futuras es crucial
El estudio se realizó en tres etapas principales: revisión del estado para garantizar una asignación eficiente de recursos y una
del arte, desarrollo de métodos y técnicas avanzadas, y evaluación planificación efectiva. Sin embargo, este proceso conlleva
de los resultados. En la revisión del estado del arte, se desafíos significativos debido a la naturaleza compleja y
identificaron los problemas no resueltos y los enfoques utilizados dinámica de la demanda.
actualmente en la proyección de la demanda. Esto permitió
establecer las bases para el desarrollo de nuevas soluciones. En este contexto, esta investigación tiene como objetivo
abordar el problema de la proyección de la demanda y
En la etapa de desarrollo, se propusieron varios métodos y proporcionar soluciones efectivas y confiables. La justificación
técnicas para mejorar la precisión de las proyecciones. Estos
de esta investigación radica en la importancia de contar con
incluyeron el procedimiento de pronóstico por promedio, el
proyecciones precisas y actualizadas para respaldar la toma de
procedimiento de pronóstico por promedios móviles, el
procedimiento de pronóstico por suavizamiento exponencial, la decisiones informadas y estratégicas. Una proyección
técnica de pronósticos para modelos con tendencia lineal, el incorrecta puede llevar a ineficiencias en la asignación de
análisis de correlación y regresión lineal simple, y el análisis de recursos, exceso o escasez de inventario, problemas de
correlación y regresión lineal simple aplicando planilla de cálculo capacidad y otros impactos negativos en la operación de las
Excel. Además, se exploraron métodos más complejos, como la organizaciones.
regresión exponencial, la regresión parabólica o curva cuadrática,
la curva de Gompertz y los intervalos de confianza. Para comprender y abordar este problema de manera
integral, es necesario realizar una revisión exhaustiva del
En la etapa de evaluación, se aplicaron los métodos propuestos a
estado del arte en el campo de la proyección de la demanda.
conjuntos de datos de demanda reales. Los resultados revelaron
Esta revisión permitirá identificar las técnicas y enfoques
mejoras significativas en la precisión de las proyecciones en
comparación con los enfoques convencionales. Por ejemplo, el utilizados actualmente, así como los problemas y desafíos que
procedimiento de pronóstico por suavizamiento exponencial aún no se han resuelto por completo. A través de esta
demostró una mayor capacidad para capturar patrones de identificación de problemas no resueltos, se establecerán las
demanda cambiantes y ajustarse a las variaciones estacionales. bases para la propuesta de soluciones novedosas y efectivas.
Por otro lado, el análisis de correlación y regresión lineal simple,
junto con el uso de una planilla de cálculo Excel, permitió La propuesta de esta investigación se centra en el desarrollo
identificar relaciones significativas entre variables y generar y la aplicación de un conjunto de métodos y técnicas
proyecciones más precisas. avanzadas para mejorar la precisión y confiabilidad de las
proyecciones de la demanda. Se explorarán enfoques como el
Las conclusiones de este estudio indican que la aplicación de
métodos y técnicas avanzadas en la proyección de la demanda
pronóstico por promedio, promedios móviles, suavizamiento
puede mejorar sustancialmente la precisión de las proyecciones. exponencial, análisis de correlación y regresión lineal simple,
Los resultados obtenidos respaldan la eficacia de los métodos entre otros. Además, se considerarán métodos más complejos
propuestos y su capacidad para abordar los desafíos inherentes a como la regresión exponencial, regresión parabólica y la curva
la proyección de la demanda. Además, se destacó la importancia de Gompertz. Asimismo, se analizará el uso de intervalos de
de considerar la estacionalidad, las tendencias y las relaciones confianza para evaluar la incertidumbre asociada a las
entre variables en el proceso de proyección. proyecciones.

Palabras clave: Proyecciones de demanda, regresión exponencial,

Los resultados obtenidos de esta investigación se resumirán
la regresión parabólica o curva cuadrática, la curva de Gompertz
y presentarán de manera clara y concisa. Se destacarán los
y los intervalos de confianza.
hallazgos clave, las fortalezas de los métodos propuestos y las adicional. Esta técnica utiliza regresión lineal para modelar la
limitaciones identificadas. Además, se presentarán relación entre el tiempo y la demanda, permitiendo predecir los
conclusiones basadas en el análisis de los resultados, valores futuros en función de la tendencia observada. Este
destacando las implicaciones prácticas y las recomendaciones método es útil cuando existe una tendencia clara y estable en
para futuras investigaciones en este campo. los datos históricos.

La estructura del artículo se organizará de la siguiente Cuando se presentan patrones estacionales en la demanda,
manera: en la sección introductoria se presentará el contexto se utiliza el análisis de correlación y regresión lineal simple
del problema y su importancia, seguido de una revisión para identificar y modelar las relaciones entre los factores
exhaustiva del estado del arte. A continuación, se describirá estacionales y la demanda. Este método permite pronosticar la
detalladamente la propuesta de investigación, incluyendo la demanda futura teniendo en cuenta los patrones recurrentes
metodología utilizada y los métodos propuestos. observados en diferentes períodos estacionales.
Posteriormente, se presentarán los resultados y conclusiones
obtenidos. Finalmente, se incluirá una sección de referencias Además, se puede aplicar el análisis de correlación y
bibliográficas y apéndices con información adicional relevante. regresión lineal simple utilizando una planilla de cálculo como
Excel. Esta herramienta facilita la visualización de los datos, el
La proyección de la demanda es una herramienta esencial en cálculo de coeficientes de correlación y la generación de
la planificación y gestión de diversas áreas, como la economía, modelos de regresión lineal para pronosticar la demanda.
la logística y la energía. Permite prever las necesidades futuras
y tomar decisiones informadas para satisfacerlas de manera Otros métodos más avanzados incluyen la regresión
eficiente. Para lograr proyecciones precisas y confiables, se exponencial y la regresión parabólica, también conocida como
utilizan una variedad de técnicas y métodos. En esta curva cuadrática. Estos métodos permiten modelar relaciones
introducción, se presentarán y explorarán varios métodos no lineales entre variables y pronosticar la demanda futura
comunes utilizados en el proceso de pronóstico de la demanda. considerando patrones más complejos.

Uno de los métodos más simples y ampliamente utilizados La curva de Gompertz es otra técnica utilizada en el
es el procedimiento de pronóstico por promedio. Este enfoque pronóstico de la demanda. Se basa en una función matemática
se basa en el cálculo del promedio de los datos históricos de la que describe el crecimiento asintótico y se aplica para
demanda para prever los valores futuros. Si bien es fácil de pronosticar la demanda en situaciones donde se espera una
implementar, este método puede subestimar o sobreestimar la saturación gradual.
demanda en situaciones donde existen fluctuaciones
significativas o patrones no lineales. Además, se utilizan intervalos de confianza para evaluar la
incertidumbre en las proyecciones de la demanda. Estos
Otro método comúnmente utilizado es el procedimiento de intervalos proporcionan una medida de la precisión del
pronóstico por promedios móviles. Este método implica pronóstico y permiten estimar los límites dentro de los cuales
calcular el promedio de un número específico de observaciones es probable que se encuentre la demanda real.
pasadas y utilizarlo como una estimación de la demanda futura.
A medida que se agregan nuevas observaciones, se descartan II. CONCEPTOS
las más antiguas, lo que permite adaptarse a los cambios en la
demanda a lo largo del tiempo. Sin embargo, este método A. Procedimiento de pronóstico por promedio:
El procedimiento de pronóstico por promedio es un método
puede ser menos sensible a las fluctuaciones recientes y no
sencillo que utiliza el promedio aritmético de datos históricos
capturar patrones a largo plazo. para predecir la demanda futura. Consiste en sumar los valores
históricos y dividirlos por el número de observaciones para
El procedimiento de pronóstico por suavizamiento obtener el promedio. Este enfoque asume que la demanda futura
exponencial es otra técnica ampliamente utilizada. Este método será similar a la demanda promedio pasada [1].
asigna pesos exponenciales a los datos históricos, otorgando
mayor importancia a las observaciones más recientes. A través El procedimiento de pronóstico por promedio es una técnica
de un proceso iterativo, se calcula un pronóstico suavizado que sencilla utilizada para predecir valores futuros basados en el
promedio de los datos históricos. Este método asume que la
se ajusta gradualmente a los cambios en la demanda. Este
demanda futura será similar a la demanda promedio observada
método es útil cuando se espera que los patrones de demanda en el pasado. Aunque es una técnica básica, puede ser útil en
cambien con el tiempo y se requiere una mayor adaptabilidad. situaciones donde no se observan patrones claros en los datos o
cuando se busca una estimación rápida y fácil.
Para modelos con tendencia lineal, se utiliza la técnica de
pronóstico que considera la tendencia como un componente El procedimiento de pronóstico por promedio se basa en el
principio de que los valores pasados son un indicador confiable Pronóstico: Valor pronosticado.
de los valores futuros. Se calcula el promedio aritmético de los n: Número de datos históricos disponibles.
datos históricos y se utiliza este valor como el pronóstico para el Xi: Valor de cada dato histórico.
período siguiente. A medida que se disponen de nuevos datos, se B. Procedimiento de pronóstico por promedios
actualiza el promedio y se genera un nuevo pronóstico [2]. móviles:
El procedimiento de pronóstico por promedios móviles es
La fórmula para calcular el promedio es simple: se suman todos similar al procedimiento de promedio, pero en lugar de utilizar
los valores históricos y se dividen por el número de el promedio de todos los datos históricos, utiliza un promedio de
observaciones. Por ejemplo, si se tienen los siguientes datos de un subconjunto de datos más recientes. El tamaño de la ventana
demanda diaria durante una semana: 100, 150, 120, 130, 140, móvil se define según la cantidad de períodos que se consideran
110, el promedio se calcularía de la siguiente manera: relevantes para la predicción. A medida que se disponen de
nuevos datos, el promedio se actualiza, desplazando la ventana
Promedio=(100+150+120+130+140+ 110)/6=750 /6=125 hacia adelante y eliminando el dato más antiguo.
En este caso, el pronóstico para el próximo día sería de 125
unidades. Este valor se considera una estimación de la demanda El procedimiento de pronóstico por promedios móviles es una
esperada para el próximo período. técnica utilizada para predecir valores futuros basada en el
promedio de un número específico de observaciones pasadas. A
El procedimiento de pronóstico por promedio es especialmente diferencia del procedimiento de promedio simple, que utiliza
útil cuando se trabaja con datos que no presentan patrones todos los datos históricos disponibles, el promedio móvil se
estacionales o tendencias claras. Además, es una técnica fácil de calcula solo con un subconjunto de datos, lo que permite
entender y aplicar, lo que la hace accesible para personas con capturar patrones más recientes y adaptarse a cambios en la
conocimientos básicos de estadística [3]. demanda.

Sin embargo, es importante tener en cuenta que el procedimiento El procedimiento de pronóstico por promedios móviles se basa
de pronóstico por promedio tiene algunas limitaciones. Una de en la idea de que los valores pasados más recientes son más
ellas es que no tiene en cuenta otros factores o variables que representativos de la demanda futura que los valores más
podrían influir en la demanda. Por ejemplo, si se pronostica la antiguos. Al calcular el promedio solo con un número limitado
demanda de productos en función del promedio de ventas de observaciones, se enfatizan las tendencias más recientes y se
históricas, no se consideran factores externos como el clima, suavizan las variaciones aleatorias [5].
eventos especiales o cambios en las preferencias del
consumidor. Esto puede llevar a pronósticos inexactos en Existen diferentes tipos de promedios móviles, siendo los más
situaciones donde estos factores son relevantes. comunes el promedio móvil simple y el promedio móvil
ponderado. El promedio móvil simple calcula el promedio
Además, el procedimiento de pronóstico por promedio tiende a aritmético de un número fijo de observaciones pasadas, mientras
suavizar los picos y los valles en los datos históricos. Esto que el promedio móvil ponderado asigna pesos diferentes a cada
significa que no captura cambios bruscos o eventos atípicos que observación para enfatizar su importancia relativa. Los pesos se
pueden afectar la demanda futura. Si se espera una fluctuación basan generalmente en el orden cronológico de las
significativa en la demanda, esta técnica puede generar observaciones, dándole más peso a las más recientes.
pronósticos subestimados o sobreestimados.
El cálculo del promedio móvil implica seleccionar la longitud de
Un ejemplo de aplicación del procedimiento de pronóstico por la ventana de tiempo, es decir, el número de observaciones
promedio puede ser en la industria minorista. Supongamos que pasadas que se utilizarán para calcular el promedio. Por ejemplo,
una tienda de ropa desea pronosticar la demanda diaria de si se utiliza un promedio móvil de 3 períodos y se tienen los
camisetas blancas. Recopilan datos históricos de ventas durante siguientes datos de demanda semanal: 100, 150, 120, 130, 140,
un mes y aplican el procedimiento de pronóstico por promedio. 110, el pronóstico para la próxima semana se calcularía de la
El pronóstico resultante les proporciona una estimación de la siguiente manera:
cantidad de camisetas blancas que deberían tener en stock para
satisfacer la demanda esperada [4]. Promedio móvil=(130+ 140+110)/3=380/3=126.67

Es importante destacar que el procedimiento de pronóstico por En este caso, el promedio móvil de 3 períodos proporciona un
promedio puede servir como punto de partida, pero no debe ser pronóstico de 126.67 unidades para la próxima semana.
la única técnica utilizada en situaciones más complejas. Para
obtener pronósticos más precisos, es recomendable combinar El procedimiento de pronóstico por promedios móviles es útil
este método con otras técnicas y considerar factores adicionales cuando se desea capturar cambios a corto plazo en la demanda y
que puedan influir en la demanda, como promociones, eventos o suavizar las variaciones aleatorias. Es especialmente adecuado
tendencias del mercado. para pronosticar series de tiempo con tendencias o patrones
estacionales que pueden requerir un enfoque más adaptativo que
n el promedio simple [6].
1
Pron o stico= ∑X
n i=1 i Sin embargo, al igual que el procedimiento de pronóstico por
Donde: promedio simple, el promedio móvil también tiene algunas
limitaciones. Una de ellas es que se basa únicamente en datos es una técnica ampliamente utilizada en el análisis de series de
históricos y no tiene en cuenta otros factores que podrían influir tiempo para predecir valores futuros. A diferencia de los
en la demanda. Además, la elección de la longitud de la ventana métodos de promedio móvil, el suavizamiento exponencial
de tiempo puede afectar la capacidad del método para capturar asigna pesos exponenciales decrecientes a las observaciones
cambios en la demanda. Una ventana más corta puede ser más pasadas, lo que da mayor importancia a los valores más
sensible a las variaciones aleatorias, mientras que una ventana recientes y reduce la influencia de las observaciones más
más larga puede suavizar demasiado los cambios recientes. antiguas [10].

Un ejemplo de aplicación del procedimiento de pronóstico por El suavizamiento exponencial se basa en la idea de que la
promedios móviles puede ser en la industria de la electrónica de demanda futura está influenciada por la demanda pasada, y que
consumo. Supongamos que una empresa fabricante de teléfonos los valores más recientes tienen mayor relevancia en la
móviles desea pronosticar la demanda mensual de un modelo predicción. Este método es especialmente útil cuando hay una
específico. Recopilan datos de ventas durante los últimos 12 tendencia o patrón estacional en los datos.
meses y aplican un promedio móvil de 6 meses. El pronóstico
resultante les permite El cálculo del suavizamiento exponencial implica la estimación
de dos componentes principales: el nivel base y la tendencia. El
planificar la producción, gestionar los niveles de inventario y nivel base representa el valor promedio de la serie de tiempo,
tomar decisiones informadas sobre la demanda futura. mientras que la tendencia representa la dirección y la magnitud
de los cambios en la serie a lo largo del tiempo [8].
En este caso, el promedio móvil de 6 meses se calcula sumando
las ventas de los últimos 6 meses y dividiendo entre 6. Esto les El procedimiento de suavizamiento exponencial se puede
proporciona un pronóstico basado en las tendencias más describir mediante la siguiente ecuación:
recientes en la demanda de ese modelo de teléfono móvil. Con
este pronóstico, la empresa puede ajustar su producción y Ft +1=α∗Xt +(1−α)∗Ft
distribución para satisfacer la demanda esperada y evitar
problemas de escasez o exceso de inventario[7]. Donde:
- Ft+1: Pronóstico para el período t+1
El procedimiento de pronóstico por promedios móviles es una - Xt: Valor observado en el período t
técnica que utiliza el promedio de un número limitado de - Ft: Pronóstico para el período t
observaciones pasadas para predecir valores futuros. Es útil para - α: Factor de suavización, que controla la importancia relativa
capturar cambios a corto plazo en la demanda y suavizar las de los valores pasados y presentes. Debe estar en el rango de 0 a
variaciones aleatorias. Sin embargo, no tiene en cuenta otros 1.
factores que podrían influir en la demanda y la elección de la
longitud de la ventana de tiempo puede afectar la precisión del La ecuación muestra que el pronóstico para el siguiente período
pronóstico. Un ejemplo de aplicación puede ser en la industria se calcula como una combinación ponderada entre el valor
de la electrónica de consumo para pronosticar la demanda de observado actual y el pronóstico anterior. El factor de
productos específicos y tomar decisiones informadas sobre la suavización α determina el peso relativo de cada componente en
producción y el inventario. la predicción. Un valor más alto de α da más peso a los valores
más recientes, lo que significa que el pronóstico es más sensible
m
1 a los cambios recientes. Por el contrario, un valor más bajo de α
Pron o stico= ∑
m i=1
X n−i+1 hace que el pronóstico sea más suave y menos sensible a las
fluctuaciones.
Donde:
Una ventaja del suavizamiento exponencial es su simplicidad y
Pronóstico: Valor pronosticado.
facilidad de implementación. No requiere grandes conjuntos de
m: Número de periodos utilizados para el promedio móvil.
datos históricos ni complejas manipulaciones matemáticas.
Xi: Valor de cada dato histórico[9].
Además, el suavizamiento exponencial se puede actualizar
fácilmente a medida que se obtienen nuevos datos, lo que
C. Procedimiento de pronóstico por suavizamiento
permite ajustar los pronósticos en tiempo real[5].
exponencial:
El procedimiento de pronóstico por suavizamiento exponencial
Un ejemplo de aplicación del suavizamiento exponencial es en
es un método que asigna pesos exponenciales decrecientes a los
la industria minorista para predecir las ventas de productos en
valores históricos, dando mayor importancia a los datos más
función de los datos históricos. Supongamos que una tienda de
recientes. Este método es útil cuando se espera que los datos
ropa desea pronosticar la demanda de su producto estrella para
más recientes tengan una mayor influencia en la demanda futura
los próximos meses. Aplicando el suavizamiento exponencial,
que los datos antiguos. Los modelos de suavizamiento
pueden calcular los pronósticos basados en los datos de ventas
exponencial utilizan una constante de suavizamiento para
pasadas y ajustar sus estrategias de inventario y producción en
controlar la rapidez con la que se decae la ponderación
consecuencia. Esto les permite mantener niveles óptimos de
exponencial.
stock y evitar pérdidas debido a la escasez o el exceso de
inventario.
El procedimiento de pronóstico por suavizamiento exponencial
El procedimiento de pronóstico por suavizamiento exponencial 6. Evaluación y refinamiento: Una vez que se obtienen los
es una técnica que asigna pesos exponenciales decrecientes a las pronósticos, se evalúa su precisión comparando los valores
observaciones pasadas para predecir valores futuros. Es pronosticados con los valores reales a medida que los datos se
especialmente útil cuando hay una tendencia o patrón estacional vuelven disponibles. Si es necesario, el modelo se puede refinar
en los datos, la simplicidad de su implementación y la capacidad y ajustar en función de los nuevos datos.
de actualización en tiempo real hacen que sea una herramienta
valiosa en la toma de decisiones empresariales. Un ejemplo de aplicación de la técnica de pronósticos para
modelos con tendencia lineal es en la proyección de ventas de
Pron o stico t=α∗X t −1 +(1−α )∗pronosticot−1 productos en una empresa de fabricación. Supongamos que una
empresa produce y vende un determinado producto, y desea
predecir las ventas futuras para planificar su producción y
gestión de inventario. Utilizando datos históricos de ventas y
aplicando un modelo de regresión lineal, la empresa puede
D. Técnica de pronósticos para modelos con tendencia estimar las ventas futuras en función del tiempo, lo que les
lineal: permite ajustar su producción y planificar su capacidad de
Esta técnica se utiliza cuando se observa una tendencia lineal en almacenamiento de manera eficiente.
los datos históricos. Se ajusta una línea de regresión lineal a los
datos y se utiliza esta línea para predecir la demanda futura. El En resumen, la técnica de pronósticos para modelos con
modelo de regresión lineal puede ser simple o múltiple, tendencia lineal utiliza métodos de regresión lineal para estimar
dependiendo de la cantidad de variables predictoras y proyectar valores futuros cuando se observa una tendencia
consideradas. lineal en los datos. Es especialmente útil cuando se desea
predecir valores a largo plazo y se observa un patrón de
La técnica de pronósticos para modelos con tendencia lineal es crecimiento o decrecimiento constante en la serie de tiempo. La
un enfoque utilizado en el análisis de series de tiempo para precisión de los pronósticos se evalúa y se pueden realizar
predecir valores futuros cuando se observa una tendencia lineal ajustes y refinamientos en función de los nuevos datos
en los datos. Esta técnica asume que la serie de tiempo muestra disponibles.
un patrón de crecimiento o decrecimiento constante a lo largo
del tiempo, y utiliza métodos de regresión lineal para estimar y Pron o stico t=a+b∗t
proyectar los valores futuros [8].
Donde:
El proceso de pronóstico para modelos con tendencia lineal
implica los siguientes pasos: Pronóstico_t: Valor pronosticado en el periodo t.
a: Término constante del modelo.
1. Recolección y preparación de datos: Se recopilan datos b: Coeficiente de la tendencia lineal.
históricos de la serie de tiempo, asegurándose de que estén t: Valor del periodo.
ordenados en función del tiempo. Además, se realiza una
limpieza de los datos para eliminar cualquier valor atípico o E. Análisis de correlación y regresión lineal simple:
inconsistencia. El análisis de correlación y regresión lineal simple se utiliza para
medir y cuantificar la relación entre dos variables. En el
2. Análisis de tendencia: Se realiza un análisis exploratorio de contexto de la proyección de la demanda, se utiliza para
los datos para identificar la presencia de una tendencia lineal. identificar la relación entre la demanda y otras variables
Esto se puede hacer trazando la serie de tiempo y observando si relevantes, como el crecimiento económico o el clima. La
hay una pendiente positiva o negativa a lo largo del tiempo. regresión lineal simple se utiliza para construir un modelo que
estime la demanda futura en función de las variables predictoras
3. Ajuste del modelo de regresión lineal: Si se identifica una [3].
tendencia lineal, se ajusta un modelo de regresión lineal a los
datos históricos. El modelo de regresión lineal utiliza la variable El análisis de correlación y regresión lineal simple es una
de tiempo como predictor y la variable objetivo (por ejemplo, la técnica estadística que se utiliza para estudiar la relación entre
demanda) como variable de respuesta. dos variables cuantitativas. Esta técnica permite determinar si
existe una relación lineal entre las variables y proporciona una
4. Validación del modelo: Se evalúa la calidad del ajuste del medida de la fuerza y dirección de esa relación.
modelo mediante medidas de desempeño como el error cuadrado
medio (MSE) o el coeficiente de determinación (R²). Esto El análisis de correlación se basa en el coeficiente de
permite determinar la precisión del modelo para pronosticar correlación, que es una medida estadística que indica el grado de
valores futuros. asociación lineal entre dos variables. El coeficiente de
correlación varía entre -1 y 1, donde -1 representa una
5. Proyección de valores futuros: Utilizando el modelo de correlación negativa perfecta, 1 representa una correlación
regresión lineal ajustado, se proyectan los valores futuros positiva perfecta y 0 representa la ausencia de correlación. Un
estimando los valores de la variable objetivo en función de los valor cercano a -1 o 1 indica una relación fuerte entre las
valores de tiempo futuros. variables, mientras que un valor cercano a 0 indica una relación
débil o nula.
 El análisis de correlación y regresión lineal simple es una
La regresión lineal simple, por otro lado, es una técnica que
técnica estadística que se utiliza para estudiar la relación entre
utiliza una variable (llamada variable independiente o predictor)
dos variables cuantitativas. Permite determinar si hay una
para predecir otra variable (llamada variable dependiente o relación lineal entre las variables y proporciona una medida de
respuesta) utilizando una relación lineal. La regresión lineal
la fuerza y dirección de esa relación. El análisis incluye el
simple se basa en la ecuación de una línea recta, y se utiliza para
cálculo del coeficiente de correlación, la interpretación de la
modelar y predecir el valor de la variable dependiente en relación, el ajuste de un modelo de regresión lineal y la
función del valor de la variable independiente [10]. predicción de valores. Esta técnica es ampliamente utilizada en
diversos campos, como la economía, la psicología, la biología y
El procedimiento para realizar un análisis de correlación y las ciencias sociales, para analizar y comprender las relaciones
regresión lineal simple es el siguiente: entre variables.
n
1. Recolección de datos: Se recopilan datos de las dos variables ∑ (X i−X )(Y i−Y )
que se desean analizar. Los datos deben estar emparejados, es b= i=1
decir, se deben tener observaciones de ambas variables para n

cada unidad o individuo. ∑ ( X i−X )2

i=1
2. Cálculo del coeficiente de correlación: Se calcula el a=Y −b∗X
coeficiente de correlación entre las dos variables para determinar Donde:
si hay una relación lineal entre ellas. El coeficiente de b: Coeficiente de regresión lineal.
correlación más comúnmente utilizado es el coeficiente de a: Término constante del modelo de regresión lineal.
correlación de Pearson. Xi: Valor de cada dato en la variable independiente.
Yi: Valor de cada dato en la variable dependiente.
3. Interpretación del coeficiente de correlación: Se interpreta el X : Media de los valores de la variable independiente.
valor del coeficiente de correlación para determinar la fuerza y Y : Media de los valores de la variable dependiente.
dirección de la relación. Un valor cercano a -1 o 1 indica una F. Análisis de correlación y regresión lineal simple
correlación fuerte, mientras que un valor cercano a 0 indica una aplicando planilla de cálculo Excel:
correlación débil o nula. Este enfoque utiliza una herramienta ampliamente disponible,
como Microsoft Excel, para realizar el análisis de correlación y
4. Ajuste del modelo de regresión: Si se encuentra una la regresión lineal simple. Las funciones y herramientas
correlación significativa entre las variables, se puede realizar un estadísticas incorporadas en Excel permiten realizar cálculos de
análisis de regresión lineal simple para modelar la relación. Se correlación y ajuste de modelos de regresión lineal simple de
ajusta una línea recta a los datos y se obtienen los coeficientes manera rápida y sencilla.
de regresión, que indican la pendiente y la intersección de la
línea. El análisis de correlación y regresión lineal simple es una
técnica estadística ampliamente utilizada para estudiar la
5. Evaluación del modelo: Se evalúa la calidad del ajuste del relación entre dos variables. Una forma conveniente de realizar
modelo utilizando medidas de error, como el error cuadrado este análisis es mediante el uso de una planilla de cálculo, como
medio (MSE) o el coeficiente de determinación (R²). Estas Excel. Excel ofrece herramientas y funciones que facilitan el
medidas indican cuánta variabilidad en la variable dependiente cálculo del coeficiente de correlación, el ajuste del modelo de
se explica por el modelo de regresión lineal. regresión lineal y la visualización de los resultados.

6. Predicción de valores: Utilizando el modelo de regresión El primer paso para realizar el análisis de correlación y regresión
lineal ajustado, se pueden hacer predicciones de los valores de lalineal simple en Excel es ingresar los datos de las dos variables
variable dependiente para diferentes valores de la variable en columnas separadas. Por ejemplo, supongamos que tenemos
independiente. una muestra de datos que incluye los ingresos mensuales y la
edad de los individuos. Podemos ingresar los ingresos en una
Un ejemplo de aplicación del análisis de correlación y regresión columna y las edades en otra columna[5].
lineal simple es en el estudio de la relación entre el nivel de
educación y el salario de los empleados. Supongamos que se Una vez que los datos están ingresados, podemos calcular el
recolectan datos de una muestra de empleados que incluyen su coeficiente de correlación utilizando la función "CORREL" de
nivel educativo (variable independiente) y su salario anual Excel. Esta función toma como argumentos las dos columnas de
(variable dependiente). Al realizar un análisis de correl datos y devuelve el coeficiente de correlación de Pearson. El
valor del coeficiente de correlación se puede interpretar para
ación, se encuentra un coeficiente de correlación positivo determinar la fuerza y dirección de la relación entre las
significativo, lo que indica que hay una relación lineal entre el variables.
nivel de educación y el salario. Luego, se ajusta un modelo de
regresión lineal simple para predecir el salario en función del Para ajustar el modelo de regresión lineal, Excel ofrece la
nivel de educación, lo que permite estimar el salario de un función "REGLIN" o "LINEST". Estas funciones calculan los
empleado en función de su nivel educativo. coeficientes de regresión, que incluyen la pendiente y la
intersección de la línea de regresión. Al utilizar estas funciones,
podemos obtener los coeficientes y su interpretación, lo que nos exponencial y x es la variable independiente.
permite modelar y predecir los valores de la variable
dependiente en función de la variable independiente. Para realizar una regresión exponencial, se utilizan técnicas de
ajuste de curvas para encontrar los valores óptimos de los
Una vez obtenidos los resultados, podemos visualizar el ajuste parámetros a y b que mejor se ajusten a los datos observados.
del modelo utilizando gráficos en Excel. Podemos crear un Existen diversos métodos para obtener estos valores, como el
gráfico de dispersión que muestre los puntos de datos y la línea método de los mínimos cuadrados o el método de
de regresión ajustada. Esto nos permite visualizar la relación transformación lineal de los datos [6].
entre las variables y determinar si el modelo de regresión lineal
es adecuado. El objetivo de la regresión exponencial es encontrar la mejor
estimación de los parámetros a y b para que el modelo se ajuste
Además del cálculo del coeficiente de correlación y el ajuste del de manera óptima a los datos. Una vez obtenidos los valores de
modelo de regresión lineal, Excel también proporciona los parámetros, podemos utilizar el modelo para realizar
herramientas para evaluar la calidad del ajuste. Podemos predicciones futuras de la variable dependiente. Esto es
calcular medidas de error, como el error cuadrado medio (MSE) especialmente útil cuando se espera que la variable tenga un
o el coeficiente de determinación (R²), para evaluar qué tan bien crecimiento o decaimiento exponencial en el tiempo.
se ajusta el modelo a los datos. Estas medidas nos ayudan a
determinar la cantidad de variabilidad en la variable dependiente Un ejemplo de aplicación de la regresión exponencial es el
que se explica por el modelo. estudio del crecimiento de una población a lo largo del tiempo.
Supongamos que tenemos datos históricos sobre la población de
Excel es una herramienta útil para realizar el análisis de una ciudad durante los últimos años. Si observamos que la
correlación y regresión lineal simple. Permite calcular el población ha estado creciendo de manera exponencial, podemos
coeficiente de correlación, ajustar el modelo de regresión lineal, utilizar la regresión exponencial para modelar este crecimiento y
visualizar los resultados y evaluar la calidad del ajuste. Al predecir la población futura.
utilizar una planilla de cálculo como Excel, podemos realizar de
manera eficiente y efectiva el análisis de correlación y regresión Otro ejemplo es el análisis de la degradación de un material a lo
lineal simple, lo que nos proporciona información valiosa sobre largo del tiempo. Si tenemos datos experimentales que muestran
la relación entre las variables y nos permite realizar predicciones cómo un material se degrada con el tiempo, podemos utilizar la
basadas en el modelo ajustado. regresión exponencial para modelar esta degradación y predecir
y=mx+b la vida útil restante del material.
Donde:
La regresión exponencial es una técnica estadística utilizada
y: Variable dependiente. para modelar y predecir el crecimiento o decaimiento
x: Variable independiente. exponencial de una variable. Permite encontrar los parámetros
m: Pendiente de la línea de regresión. óptimos que mejor se ajusten a los datos y utilizar el modelo
b: Término constante de la línea de regresión. resultante para realizar predicciones futuras. Es una herramienta
útil en diversas áreas, como la demografía, la economía, la
G. Regresión exponencial: biología y la ingeniería, donde se observan patrones de
La regresión exponencial es un método utilizado cuando los crecimiento o decaimiento exponenciales.
datos históricos exhiben un crecimiento exponencial o una
bx
tendencia de crecimiento acelerado. Se ajusta una curva y=a e
exponencial a los datos y se utiliza esta curva para predecir la Donde:
demanda futura. Este enfoque es útil cuando se espera que la
demanda crezca o disminuya de manera exponencial en el y: Variable dependiente.
tiempo. x: Variable independiente.
a: Parámetro de escala.
La regresión exponencial es una técnica estadística utilizada b: Parámetro de tasa de crecimiento.
para modelar y predecir el crecimiento o decaimiento
exponencial de una variable en función del tiempo o de otra H. Regresión parabólica o curva cuadrática:
variable independiente. Se utiliza cuando se observa que los La regresión parabólica o curva cuadrática se utiliza cuando los
datos siguen un patrón exponencial, es decir, aumentan o datos históricos muestran una tendencia de crecimiento o
disminuyen de manera proporcional a una tasa constante decrecimiento en forma de parábola. Se ajusta una curva
multiplicada por una base elevada a una potencia que es función cuadrática a los datos y se utiliza esta curva para pronosticar la
del tiempo o de la variable independiente. demanda futura. Este método es útil cuando se observa un
cambio en la tasa de crecimiento de la demanda a lo largo del
En la regresión exponencial, el modelo matemático se define tiempo.
como:
x
Y =a∗b La regresión parabólica, también conocida como curva
cuadrática, es una técnica estadística utilizada para modelar y
Donde Y es la variable dependiente que se quiere predecir, a es predecir la relación no lineal entre dos variables. A diferencia de
la constante de escala o factor inicial, b es la base de la función la regresión lineal, que se utiliza para modelar relaciones
lineales, la regresión parabólica permite capturar patrones no Benjamin Gompertz en el siglo XIX.
lineales que pueden describirse mediante una curva en forma de
U o una parábola. La curva de Gompertz se define por la siguiente ecuación:

En la regresión parabólica, el modelo matemático se define Y = A∗exp (−exp ((b∗e)/ A )∗(t−M ))

como:
Donde:
2
Y =a∗X +b∗X +c - Y representa la variable dependiente que se desea modelar.
- A es el límite superior o asintótico de Y, es decir, el valor
Donde Y es la variable dependiente que se quiere predecir, X es máximo que la variable puede alcanzar.
la variable independiente, y a, b y c son los coeficientes que - b es un parámetro que controla la tasa de crecimiento o
determinan la forma de la curva. Estos coeficientes se estiman difusión.
utilizando técnicas de ajuste de curvas, como el método de los - M es un parámetro que determina el punto de inflexión o el
mínimos cuadrados, con el objetivo de encontrar los valores que tiempo en el que el crecimiento o la difusión son máximos.
mejor se ajusten a los datos observados [4]. - t representa la variable independiente, generalmente el tiempo.

La regresión parabólica es útil cuando se sospecha que la La curva de Gompertz tiene la característica de tener un
relación entre las variables tiene una forma de U invertida o de crecimiento o difusión inicial rápido, que disminuye a medida
parábola. Por ejemplo, puede utilizarse para modelar el que se acerca al límite superior A. Esto se debe a la presencia de
rendimiento de un proceso químico en función de la la función exponencial y la función logística en la ecuación. La
concentración de un reactivo, donde se espera que el función exponencial asegura un crecimiento o difusión
rendimiento sea máximo en un punto intermedio y disminuya a acelerado al principio, mientras que la función logística restringe
medida que la concentración se aleja de ese punto. el crecimiento o la difusión a medida que se acerca al límite
superior [6].
Una vez obtenidos los coeficientes a, b y c, se puede utilizar el
modelo de regresión parabólica para realizar predicciones de la Esta curva se utiliza para modelar diversos fenómenos en los
variable dependiente en función de los valores de la variable que se observa un crecimiento o difusión inicial rápido, seguido
independiente. Sin embargo, es importante tener en cuenta que de un freno o saturación a medida que se alcanza el límite
la extrapolación más allá del rango de los datos observados máximo. Algunas aplicaciones comunes de la curva de
puede ser menos confiable, ya que la forma de la curva puede Gompertz incluyen:
cambiar en regiones no exploradas por los datos. - Modelado del crecimiento de poblaciones biológicas, como
bacterias, células y especies animales.
La regresión parabólica también puede ser útil para identificar el - Predicción de la difusión de innovaciones o productos en
punto máximo o mínimo de una función. El vértice de la mercados.
parábola, que corresponde al punto máximo o mínimo de la - Estimación del crecimiento de ingresos y ventas en el ámbito
curva, puede proporcionar información importante sobre el económico.
comportamiento de las variables y ayudar en la toma de - Proyección de la adopción de tecnologías o comportamientos
decisiones. en la sociedad.
- Análisis de la propagación de enfermedades o epidemias.
La regresión parabólica o curva cuadrática es una técnica
estadística utilizada para modelar y predecir relaciones no Un ejemplo de aplicación de la curva de Gompertz es su uso en
lineales entre variables. Permite capturar patrones en forma de Uel modelado del crecimiento de una población de bacterias en un
invertida o parábola y encontrar los coeficientes que mejor se cultivo. Supongamos que se realiza un experimento para medir
ajusten a los datos observados. Es especialmente útil cuando se la concentración de bacterias en función del tiempo. Los datos
espera que la relación entre las variables tenga una forma obtenidos muestran un crecimiento inicial rápido, que se va
curvilínea y puede utilizarse para realizar predicciones y desacelerando a medida que la concentración de bacterias se
encontrar puntos máximos o mínimos en la función modelada. acerca a un límite máximo debido a la limitación de recursos en
el cultivo. Mediante el ajuste de los parámetros A, b y M de la
I. La curva de Gompertz: curva de Gompertz a los datos observados, se puede obtener un
La curva de Gompertz es un modelo matemático utilizado para modelo que describa con precisión el crecimiento bacteriano y
describir el crecimiento asintótico, es decir, cuando la tasa de permita hacer predicciones sobre la concentración en el futuro.
crecimiento se reduce a medida que la variable se acerca a un
límite superior. En el contexto de la proyección de la demanda, La curva de Gompertz es una función matemática utilizada para
la curva de Gompertz se utiliza cuando se espera que la modelar el crecimiento y la difusión de fenómenos en diversos
demanda alcance un nivel máximo en el futuro y su crecimiento campos. Su forma característica de crecimiento acelerado
se desacelere gradualmente. seguido de una desaceleración hacia un límite máximo la hace
útil en la descripción y predicción de una variedad de procesos.
La curva de Gompertz es una función matemática utilizada para
−c∗x
modelar el crecimiento y la difusión de fenómenos en diversos y=a∗e−b∗e
campos, como la biología, la demografía, la economía y el Donde:
marketing. Fue propuesta por el matemático y biólogo alemán y: Variable dependiente.
x: Variable independiente. intervalos proporcionan información valiosa sobre la precisión y
a, b, c: Parámetros de la curva de Gompertz. la variabilidad de la estimación, lo que permite tomar decisiones
informadas.
J. Intervalos de confianza:
Los intervalos de confianza proporcionan una medida de Un ejemplo de aplicación de los intervalos de confianza es en la
incertidumbre en las proyecciones de demanda. En lugar de estimación de la media de una variable en una población.
proporcionar una única estimación puntual, se calcula un rango Supongamos que se quiere determinar el peso promedio de una
de valores dentro del cual se espera que caiga la demanda futura determinada especie de animales en un área geográfica. Se toma
con cierto nivel de confianza. Los intervalos de confianza una muestra aleatoria de individuos y se calcula la media
permiten tener en cuenta la variabilidad inherente en los datos muestral, digamos 70 kg. Utilizando técnicas de estimación por
históricos y los métodos de pronóstico utilizados. intervalo de confianza, se puede obtener un intervalo de
confianza del 95% para la media poblacional, por ejemplo, (65
Los intervalos de confianza son una herramienta estadística que kg, 75 kg). Esto significa que con un 95% de confianza, se
permite estimar un rango plausible de valores para un parámetro estima que el peso promedio de todos los animales de esa
desconocido de una población, basado en una muestra de datos. especie en el área geográfica se encuentra dentro de ese
Estos intervalos proporcionan una medida de incertidumbre intervalo.
alrededor de una estimación puntual y permiten hacer
inferencias sobre la población en general. Los intervalos de confianza son herramientas estadísticas que
permiten estimar un rango plausible de valores para un
El concepto de intervalo de confianza se basa en la idea de que, parámetro desconocido de una población. Proporcionan una
al realizar múltiples muestras aleatorias de una población y medida de incertidumbre alrededor de una estimación puntual y
calcular el intervalo de confianza correspondiente para cada permiten hacer inferencias sobre la población en general. Los
muestra, un cierto porcentaje de esos intervalos contendrá el intervalos de confianza son ampliamente utilizados en la
verdadero valor del parámetro poblacional. Este porcentaje se investigación científica y en diferentes áreas donde se requiere
conoce como nivel de confianza y se establece antes de realizar estimar parámetros basados en muestras de datos [4].
el análisis.
Intervalo de confianza=Estimacioˊn puntual ±Valor crıtic
El cálculo de un intervalo de confianza depende del tipo de
estimación y de la distribución de los datos. En general, se sigue
el siguiente procedimiento:

1. Seleccionar un nivel de confianza. Comúnmente se utilizan [Link]

niveles de confianza del 90%, 95% o 99%.
1. Los métodos de pronóstico de demanda son herramientas
2. Obtener una muestra aleatoria de datos de la población de
interés. útiles para estimar el comportamiento futuro de variables
económicas y sociales, como la demanda de productos o
3. Calcular un estimador puntual del parámetro de interés servicios.
utilizando la muestra.
2. Cada método de pronóstico tiene sus propias
4. Determinar la distribución de probabilidad adecuada para el características y supuestos, lo que puede influir en la
estimador, generalmente utilizando la distribución t de Student o
precisión de los resultados obtenidos. Es importante
la distribución normal estándar.
seleccionar el método adecuado según las características
5. Calcular el intervalo de confianza utilizando la fórmula del problema y los datos disponibles.
correspondiente, que implica el estimador puntual, el nivel de
confianza seleccionado y los valores críticos de la distribución 3. La precisión de los pronósticos puede verse afectada por
utilizada. factores externos, como cambios en las condiciones
económicas, fluctuaciones estacionales o eventos
El resultado es un rango de valores que brinda una estimación imprevistos. Es fundamental realizar un seguimiento y
plausible del parámetro poblacional, con un cierto grado de
ajuste continuo de los pronósticos a medida que se
certeza determinado por el nivel de confianza. Por ejemplo, un
intervalo de confianza del 95% significa que, si se repitiera el disponga de nueva información.
proceso de muestreo y cálculo del intervalo muchas veces, se
esperaría que aproximadamente el 95% de los intervalos 4. El análisis de correlación y regresión lineal simple puede
obtenidos contengan el verdadero valor del parámetro. proporcionar información valiosa sobre la relación entre
variables y permitir la realización de pronósticos basados
Los intervalos de confianza son ampliamente utilizados en la en esta relación. Sin embargo, es necesario considerar
investigación científica, estudios de mercado, encuestas de
otros factores y variables que puedan influir en el
opinión y en cualquier situación en la que se necesite estimar un
parámetro desconocido basado en una muestra de datos. Estos comportamiento de la variable pronosticada.
5. El uso de herramientas tecnológicas, como hojas de Forecasting. John Wiley & Sons.
cálculo o software de análisis estadístico, facilita la 3. Pindyck, R. S., & Rubinfeld, D. L. (2017). Econometric
implementación y cálculo de los diferentes métodos de Models and Economic Forecasts. McGraw-Hill
pronóstico, mejorando la eficiencia y precisión de los Education.
resultados. 4. Armstrong, J. S. (2001). Principles of Forecasting: A
Handbook for Researchers and Practitioners. Springer.
6. La combinación de varios métodos de pronóstico puede 5. Chatfield, C. (2016). The Analysis of Time Series: An
proporcionar pronósticos más precisos y confiables, al Introduction. CRC Press.
aprovechar las fortalezas de cada técnica y mitigar sus 6. Brown, R. G. (1959). Statistical Forecasting for
limitaciones. Inventory Control. McGraw-Hill.
7. Ord, J. K., Fildes, R., & Kourentzes, N. (2017).
[Link] Principles of Business Forecasting. Wessex Press
Publishing.
1. Antes de aplicar cualquier método de pronóstico, es 8. Gardner, E. S. (2006). Exponential smoothing: The
necesario recopilar datos históricos relevantes y state of the art—Part II. International Journal of
asegurarse de su calidad y confiabilidad. Los datos Forecasting, 22(4), 637-666.
precisos y completos son fundamentales para obtener 9. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R.
pronósticos confiables. E. (2019). Multivariate Data Analysis. Cengage
Learning.
2. Es importante realizar un análisis y diagnóstico 10. Excel Easy. (n.d.). Regression Analysis in Excel.
exhaustivo de las variables involucradas en el Retrieved from:
pronóstico, considerando factores económicos, sociales, [Link]
tecnológicos y ambientales que puedan influir en su [Link]
comportamiento.

3. Se recomienda realizar comparaciones y validaciones

cruzadas de los resultados obtenidos utilizando
diferentes métodos de pronóstico. Esto permitirá evaluar
su precisión y seleccionar el enfoque más adecuado para
cada situación.

4. Para mejorar la precisión de los pronósticos, es

conveniente utilizar técnicas de ajuste y corrección de
sesgos, como el análisis de errores y la utilización de
modelos de corrección de errores.

5. El monitoreo continuo de los pronósticos y su

comparación con los datos reales permitirá evaluar la
precisión de los modelos utilizados y realizar ajustes en
caso necesario.

6. Es importante considerar la incertidumbre y el margen

de error en los pronósticos, especialmente al comunicar
los resultados a stakeholders y tomar decisiones basadas
en ellos. La presentación clara de los intervalos de
confianza y los límites de precisión ayudará a mitigar los
riesgos asociados a los pronósticos erróneos.

V. REFERENCIAS
1. Makridakis, S., Wheelwright, S. C., & Hyndman, R. J.
(1998). Forecasting: Methods and Applications. John
Wiley & Sons.
2. Montgomery, D. C., Jennings, C. L., & Kulahci, M.
(2015). Introduction to Time Series Analysis and