CASO: DESPACHO DE HARDWARE

CASO: DESPACHO DE HARDWARE

La Empresa desea estimar el tiempo necesario para atender un pedido, lo cual le permitirá destinar la cantidad adecuada de trabajadores. Mediante una REGRESION LINEAL MULTIPLE se determinará un modelo estadístico para poder pronosticar dicho tiempo.

• MULTICOLINEALIDAD

Se ha analizado la matriz de correlación entre todas las variables independientes, para determinar la existencia de relaciones entre estas variables.

[pic 1]

El cuadro muestra que existe una ligera relación (0,60 a 0,69) entre las variables Número de Artículos moderados en el pedido (NUMMOO) y el numero requerido de contenedores (SKIDS), además del número de artículos frecuentes en el pedido (NUMFREQ) y el númerode artículos moderados en el pedido (NUMMOO).  Es necesario implementar una prueba estadística adicional para verificar la significancia de esta relación.

• REGRESION LINEAL MULTIPLE

Variable DEPENDIENTE:

Y: Tiempo necesario para surtir el pedido (en minutos-trabajador)

Variables INDEPENDIENTES:

X1: SKIDS Número requerido de contenedores

X2: NUMLOOSE Numero de artículos de caja suelta

X3: NUMMOD Numero de artículos moderados en el pedido

X4: NUMRARE Numero de artículos poco comunes en el pedido

X5: NUMFREQ Numero de artículos frecuentes en el pedido

X6: AVSZCAR Tamaño medio de los paquetes

X7: AVSZLB Tamaño medio de los artículos de caja suelta (piezas/artículo)

X8: SPECIALA Si se empaqueto en el puesto A

X9: SPECIALB Si se empaqueto en el puesto B

MODELO REGRESION LINEAL MULTIPLE

[pic 2]

MODELO REGRESION LINEAL MULTIPLE ESTIMADO

[pic 3]

Recta estimada de regresión lineal múltiple

Para estimar este modelo utilizaremos el Análisis de Varianza para Regresión, haciendo uso herramientas de Excel (REGRESION) podemos evaluar el modelo de regresión lineal múltiple y estimar sus parámetros.

[pic 4]

COEFICIENTE DE DETERMINACION MULTIPLE

[pic 5]

Evalúa en cuanto las variables independientes explican el comportamiento de la VARIABLE DEPENDIENTE

Las variables independientes están altamente relacionadas con el Tiempo necesario para surtir el pedido (en minutos-trabajador) y servirían para hacer pronósticos.

EL 91,6% de la variación de los datos es explicada por el modelo de regresión lineal múltiple.

• SUPUESTOS ACERCA DEL ERROR ()[pic 7]

1. La variable Error esta Normalmente distribuida.

[pic 8]

1. La media del Error  es Cero.[pic 9]
2. Homocedasticidad, la varianza del error es la misma para las variables independientes.
3. Los valores del error  son independientes. [pic 10]

• PRUEBA DE SIGNIFICACION

Nivel de significancia alfa (α)= 0.01

[pic 11]

En esta prueba global de significancia utilizaremos el Estadístico F, y podremos concluir en función del p-valor.

HIPOTESIS ESTADISTICA:

Ho:  (El Modelo de Regresión Lineal Múltiple NO explica adecuadamente la variable dependiente)[pic 12]

...