MODULO 5

PRONÓSTICO DE UNA
VARIABLE ALEATORIA

Prof. Ing. Gilda Espinosa P.

 Concepto de Pronóstico (Predicción)

• Desde el punto de vista de los negocios, corresponde a la

estimación de las futuras demandas de los clientes por los
productos o servicios.
• Bajo este concepto se puede estudiar la relación que puede
existir entre dos variables, para desarrollar un modelo
matemático que permita analizar su comportamiento.

• El pronóstico o predicción nos orienta a:

 Determinar que productos se requieren
 Conocer cuantos se solicitarán (demanda)
 Saber cuando ocurrirán estas demandas
Métodos utilizados
Métodos subjetivos
• Opiniones
• Intuición
• Predicción personal
Métodos Históricos (antecedentes/modelos matemáticos)
• Promedio simple
• Promedio móvil
• Método de los mínimos cuadrados (regresión lineal simple)
• Regresión múltiple
• Regresión curvilínea
• Regresión logística
• Series de tiempo
• Atenuación exponencial
Métodos causales
• Modelo de correlación lineal simple
Métodos utilizados
Métodos subjetivos
• Opiniones
• Intuición
• Predicción personal
Uso del Método Gráfico:
• Permite determinar si existe una relación entre la variables.
A esta gráfica se le denomina Diagrama de Dispersión.
• Es el primer paso para el análisis y refleja los errores
subjetivos del analista.
• Se recomienda utilizar los métodos gráficos y matemáticos
en forma combinada para aprovechar las ventajas de cada
uno de ellos.
Ventajas del método gráfico:
• Ahorra tiempo y trabajo
• Ayuda a planear operaciones y juzgar los resultados
• Se pueden eliminar valores extremos que distorsionan la
tendencia de los datos
• Permite determinar el tipo de relación entre las variables
Tipo de correlación entre las variables
Diagrama de dispersión
Ejemplo # 1
Ganancias
18

16
x = Gastos de investigación
Y= Ganancia anual 14

Tabla de Datos 12

Ganancias
n Gastos Ganancias
10
1 2 4
8
2 3 7 Ganancias

3 4 10 6

4 5 11
4
5 7 16
6 4 5 2

7 6 14 0
0 2 4 6 8
Gastos
Ejemplo # 2
Número de llamadas de ventas y copiadoras vendidas
por cada empleado
Representantes Numero de Número de
de ventas llamadas de ventas copiadoras
A 20 30
B 40 40
C 20 60
D 30 40
E 10 30
F 10 40
G 20 40
H 20 50
I 20 30
J 30 70
Diagrama de Dispersión
 Ejemplo # 3.

Calificación No de Diagrama de Dispersión

No de 250
de la Unidades
Vendedor
prueba vendidas

Número de unidades vendidas

200
1 2.6 95
2 3.7 140
150
3 2.4 85
4 4.5 180
100 Series1
5 2.6 100
6 5 195
50
7 2.8 115
8 3 136
0
9 4 175 0 2 4 6
Calificación de la prueba
10 3.4 150
Totales 34 1371
Uso del programa Excel para el
Análisis de Regresión-
Diagrama de Dispersión
 Análisis de Regresión Lineal Simple
En todos los campos de negocios, este análisis permite
expresar la relación entre dos variables, proporcionando
información sobre las formas de elevar las ganancias,
reducir los costos o predecir la demanda.

• Consiste en estimar el
valor de una variable con
base en el valor de otra; a
través del análisis de una
ecuación matemática del
modelo lineal.
 Análisis de Regresión Lineal Simple
Para este modelo, el pronóstico se convierte en una
cuestión de determinar la línea de mejor tendencia
general y de interpolar o extrapolar esta línea hacia un
comportamiento futuro.
 Análisis de Regresión

Explica el comportamiento de una variable dependiente

Y(variable de respuesta) con base a los valores que toma
una variable independiente (o variable regresora) X o n
variables independientes.
El comportamiento de la variable Y respecto a X se puede
estudiar mediante un modelo de regresión, que consiste en
ajustar un modelo matemático de la forma: Y  f ( X ) a
i
n parejas de puntos.
 Análisis de Regresión Lineal Simple
• Esquema gráfico para la Línea de Regresión

Yi
Y= a+ bX
Variable Dependiente

c
d

b= c/d
a

Variable Independiente Xi
Modelo de Regresión Lineal simple

Fórmulas
D e la expresión de una línea recta: Y= a+ bX

Y: Variable dependiente, su valor se desea predecir

a: punto de intersección con el eje “Y” de la línea de mejor
aproximación.
b: valor de la pendiente de la línea de mejor aproximación
X: variable independiente

El Modelo sólo se restringe a relaciones de tipo lineal.

 Análisis de Regresión
Dado un valor para cada variable independiente se
puede predecir un valor promedio de Y.
La variables independientes no son necesariamente
aleatorias, en algunas ocasiones el investigador fija sus
valores.
La variable dependiente Y siempre es aleatoria.

Dado un valor para cada variable independiente se

puede predecir un valor promedio de Y.
La variables independientes no son necesariamente
aleatorias, en algunas ocasiones el investigador fija sus
valores. La variable dependiente Y siempre es
aleatoria.
P 1. Identificar un proyecto de mejora
A 2. Definir un propósito
R
S 3. Definir las variables
E
O
G 4.. Diseñar formato y recolectar los datos
S
R 5. Representar los datos en un diagrama de
E dispersión para entender la relación que existe entre
A S
la variable de respuesta y la ( s) variable( s )
independiente( s )
N I
A 6. Seleccionar el modelo de regresión
O
L N 7. Estimar los parámetros a través del método de
I mínimos cuadrados o utilizando el software indicado
S 8. Encontrar la ecuación de mejor ajuste
I 9. Valorar los datos y hacer el pronóstico.
S
 Caso Lineal
La ecuación para una línea recta donde la variable
dependiente Y está determinada por la variable
independiente X está dada por la expresión:

Y=a+bX
Ecuaciones Normales
n n
Y: variable dependiente
 y  an  b x
i 1 i 1
i
(valor a predecir)
n n n
a: la intersección con el eje X  i i   i
x y
i 1
 a x 
i 1
b x 2

i 1
b: la pendiente de la recta
X: variable independiente
 Método de Mínimos Cuadrados
•Se deben estimar los valores

n
X iYi  n X Y
de los parámetros, a través de b i 1


n
las siguientes ecuaciones:
i 1
X i
2
 n ( X ) 2

Para encontrar el valor de b,

Para calcular el valor de a, la
intersección con el eje X se
utiliza:
a  Y bX
b es la pendiente de estimación de
mejor ajuste
Xi Valores de X
Yi Valores de Y
X media de los valores de X
Y media de los valores de Y
n numero de parejas para las VD y VI

Luego se reemplazan los

valores en la ecuación: Y=a+bX
Con esta ecuación se puede encontrar la línea de regresión
Ejercicio # 1.
En la sección de artículos para autos de una tienda por departamentos, se
obtiene que el comportamiento de la demanda mensual de cierto cobertor
utilizado para la protección del sol, se da como se muestra a continuación:
Meses Número de cobertores
Enero 50
Febrero 51
Marzo 48
Abril 60
Mayo 60
Junio 66
Julio 59
Agosto 70
Septiembre 68
Octubre 74
Noviembre 79
Diciembre 76

Paso 1. Graficar los datos para comprobar la existencia de una correlación y

tendencia lineal entre las dos variables; a través de un Diagrama de dispersión.
y= número de artículos
x= meses tomados en consideración. (Debe transformarse los meses del año de
variable cualitativa a el número de meses, una variable cuantitativa)
 Distrubución de la demanda según los meses
90

79
80 76
74
70
68
70 66

60 60 59
60

50 51
48
50
Demanda

Series1

40

30

20

10

0
0 2 4 6Meses 8 10 12 14
ene feb mar abril mayo junio julio agost. sept. oct. nov. dic.
Paso 2. Tabla de Datos

Tabla de recolección de datos: demanda de cobertores

Meses X Y X2 Y2 XY
Enero 1 50 1 2500 50
Febrero 2 51 4 2601 102
Marzo 3 48 9 2304 144
Abril 4 60 16 3600 240
Mayo 5 60 25 3600 300
Junio 6 66 36 4356 396
Julio 7 59 49 3481 413
Agosto 8 70 64 4900 560
Septiembre 9 68 81 4624 612
Octubre 10 74 100 5476 740
Noviembre 11 79 121 6241 869
Diciembre 12 76 144 5776 912
Totales 78 761 650 49459 5338
Paso 3. Remplazando valores para calcular la pendiente b y el punto de
intersección a.

12 5338 − (78) 761

𝑏=
(12) (650)2 − 78 2

b = 2.74 artículos por mes

761 − 2.74 (78)

𝑎=
12
a= 45.6 artículos
 Paso 4. Reemplazar los valores de a y b en la ecuación
La línea de regresión o ecuación de mejor ajuste quedará representada por la
siguiente ecuación:
Y = 45.6 + 2.74x

Ecuación con Excel

Distrubución de la demanda según los meses
90
79
80 76
74
70
68
70 66
60 60 59 y = 2.7378x + 45.621
60
50 51
48
Demanda

50
Numero de cobertores
40
Lineal (Numero de cobertores)

30

20

10

0
0 2 4 6 8 10 12 14
ene feb mar abril mayo junio julio agost. sept. oct. nov. dic.
Meses
Paso 5. Cálculo de la Demanda estimada
Para obtener la demanda estimada en el próximo mes de enero, se sustituye
el valor de “x” por el mes 13.

Y = 45.6 + 2.74 (13) Y = 81.1 ≈ 82 artículos

Conclusión: Si el sistema que causa la demanda no cambia, se espera

fuertemente que esta sea de 81 artículos.
Ejercicio # 2.

La Autoridad de la Competencia y asuntos del consumidor (ACODECO)

monitorea el precio de cierto producto y su correspondiente demanda.
La siguiente tabla presenta los datos de la demanda en cientos de kilos
y su precio de venta en centavos de dólar.

Precio en centavos Demanda en cientos de

kilos
30 35
22 90
26 55
23 78
27 48
25 65
Ejercicio # 2. Resuelva lo siguiente

a. Defina la variable dependiente e independiente y clasifíquela.

b. Haga el diagrama de dispersión e indique que tipo de relación
entre las dos variables.
c. Elabore una tabla donde recolecte las sumatoria de los factores
d. Calcule la Ecuación de regresión a través del método de los
mínimos cuadrados.
e. Con base a esta ecuación de regresión, estime la demanda
esperada si el precio de venta es de 24 centavos.
f. Calcule el coeficiente de correlación lineal (utilizando la fórmula) e
interprete sus resultados. Compare sus resultados utilizando el
programa Excel.
Ejercicio # 2 del libro UTP (Pág. 81) Formato para Registro de Datos (Caso Lineal)

Observación Variable Variable 2 2

Y X Y i X i
XY i i

1
2
3
4
5
6
Totales
Coeficiente de correlación Lineal (Pearson)
• El coeficiente de correlación lineal mide el grado de
intensidad de la posible relación entre las variables.

• Este coeficiente se aplica cuando la relación que puede

existir entre las variables es lineal es decir, si se
representa en un gráfico los pares de valores de las dos
variables, la nube de puntos se aproximaría a una recta.

Fórmula:
 Coeficiente de correlación: Características

• El coeficiente de correlación de la muestra se identifica por la letra

r (minúscula)
• Muestra la dirección y fuerza de la relación (recta) entre dos
variables.
• Los valores que puede tomar el coeficiente de correlación "r" son:
-1 < r < 1
• Un valor cercano a 0 indica que hay poca asociación entre las
variables
• Un valor cercano a 1 indica una asociación directa o positiva.
• Un valor cercano a -1 indica una asociación inversa o negativa.
 INTERPRETACION PARA EL VALOR DEL
COEFICIENTE DE CORRELACIÓN

Valor absoluto del Interpretación del

Coeficiente Coeficiente
Igual a 0 Nula
Mayor de 0 y menor que 0.10 Muy baja

De 0.10 y menor que 0.20 Baja

De 0.20 y menor que 0.40 Moderadamente baja
De 0.40 y menor que 0.60 Moderada
De 0.60 y menor que 0.80 Moderadamente alta
De 0.80 y menor que 0.90 Alta
De 0.90 y menor que1.00 Muy Alta
Igual a 1.00 Perfecta
Ref. Tomado del libro Estadística General Aplicada de : Herrera, Daly y Cardoze
Ejemplo # 1

Ganancias
18

x = Gastos de investigación 16

Y= Ganancia anual 14
Tabla de Datos
12
n Gastos Ganancias

Ganancias
1 2 4 10

2 3 7
8 Ganancias
3 4 10
4 5 11 6

5 7 16 4
6 4 5
7 6 14 2

0
0 2 4 6 8
Gastos
 Formato para Registro de Datos (Caso Lineal)

Observación Variable Variable

2 2
Y X
Y i X i
XY i i

2 2
1 Y1 X1 Y 1 X1 XY 1 1

2 2
2 Y2 X2 Y 2 X 2
XY 2 2

3 Y3 X3 Y
2
3 X
2
3
X 3Y 3
. . . . . .
. . . . . .
. . . . . .
n Yn Xn Y
2
n X
2
n
XY n n

n
Totales  Xi
n n

Y X Y
n n

 Yi  i
2 2
i X i 1
i i

i 1 i 1 i 1 i 1
Paso 2. Tabla de Datos

Tabla de recolección de datos: demanda de cobertores

Meses X Y X2 Y2 XY
Enero 1 50 1 2500 50
Febrero 2 51 4 2601 102
Marzo 3 48 9 2304 144
Abril 4 60 16 3600 240
Mayo 5 60 25 3600 300
Junio 6 66 36 4356 396
Julio 7 59 49 3481 413
Agosto 8 70 64 4900 560
Septiembre 9 68 81 4624 612
Octubre 10 74 100 5476 740
Noviembre 11 79 121 6241 869
Diciembre 12 76 144 5776 912
Totales 78 761 650 49459 5338
 12 5338 − 78 (761)
𝑟=
12 650 − 78 2 12(49459) − 761 2

4698
𝑟= r = .9455
4668.713

Columna 1 Columna 2
Uso de Excel: Columna 1 1
Columna 2 0.9455168 1
 Ejemplo # 2

x = Gastos de investigación
Y= Ganancia anual

n Gastos Ganancias x2 Y2 XY
1 2 4 4 16 8
2 3 7 9 49 21
3 4 10 16 100 40
4 5 11 25 121 55
5 7 16 49 256 112
6 4 5 16 25 20
7 6 14 36 196 84
𝑛

෍ 𝐹𝑎𝑐𝑡𝑜𝑟𝑒𝑠 31 67 155 763 340

𝑥=1
 7 * (340) - (31) (67)
r= = 0.93
√ [(7* (155) - (312)][7*(763) - (672)]

Columna 1 1
Resultado usando Excel
Columna 2 0.9322062 1
 Asignación práctica:
• Libro: Estadística general aplicada:
Karim Daly, José Herrera, Rodolfo Cardoze.
• Pág. 80 a 85

• Libro: Lind, Marchal y Wathen

• Pág. 481 a 483