CASO 01 CONSUMER CREDIT

COUNSELING SECCIÓN A

Métodos de Predicción

2019
 Métodos de predicción – Caso 01

FACULTAD DE INGENIERÍA CIVIL, SISTEMAS Y

ARQUITECTURA
ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS
CURSO : METODOS DE PREDICCION

TEMA : CASO O1 – CONSUMER CREDIT COUNSELING

DOCENTE : ING. MARY GUZMAN VALLE

AUTORES :

CHILÓN TORRES JENIFFER

DÍAZ COTRINA JOSÉ LUIS

HUAMÁN GUEVARA LADY

ROQUE LEONARDO IRVIN

CICLO : 2014 – I

Lambayeque, Octubre de 2014

2
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO – ING. DE SISTEMAS
 Métodos de predicción – Caso 01

Caso 01 : CONSUMER CREDIT COUNSELING

La operación de Consumer Credit Counseling (CCC) se describió en el caso 1-2.

[Consumer Credit Counseling (CCC), una empresa privada sin fines de lucro, se fundó
en 1982.4 El objetivo de CCC es proporcionar a los consumidores ayuda en la
planeación y el seguimiento de presupuestos, así como asistencia en la negociación con
acreedores para liquidar deudas con morosidad y en capacitación sobre la
administración del dinero.]

El director ejecutivo, Marv Harnishfeger, concluyó que la variable más importante que
CCC necesitaba pronosticar era el número de nuevos clientes que serían atendidos
durante el resto de 1993. Marv proporcionó a Dorothy Mercer los datos mensuales del
número de clientes nuevos atendidos por CCC en el periodo de enero de 1985 a marzo
de 1993 (véase el caso 3-3). En el caso 3-3, Dorothy utilizó el análisis de
autocorrelación para explorar el patrón de datos. En el caso 4-3 utilizó los métodos de
promedios móviles y de suavización exponencial para pronosticar los meses restantes
de 1993.

Número de clientes nuevos atendidos por CCC

El índice de actividad económica

3
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO – ING. DE SISTEMAS
 Métodos de predicción – Caso 01

Dorothy se pregunta si podría utilizar el análisis de regresión para desarrollar un buen

modelo de pronóstico.
Le pidió a Marv que pensara en algunas variables posibles de predicción. Marv sentía
que el número de personas con cupones canjeables por alimentos podría estar
relacionado con el número de clientes nuevos atendidos.
Dorothy sólo pudo obtener los datos del número de personas con cupones canjeables
por alimentos a partir de enero de 1989 y hasta diciembre de 1992.A continuación se
presentan esos datos.
Marv también estaba familiarizado con un índice de actividad de negocios calculado
para el condado por el Consejo de Desarrollo Económico local. El índice de actividad
económica era un indicador de los cambios relativos en las condiciones generales de
los negocios para la región. Los datos de este índice se encuentran en la parte superior
de la página.

El número de personas con cupones canjeables

4
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO – ING. DE SISTEMAS
 Métodos de predicción – Caso 01

1.- Determine si existe una relación significativa entre el número de clientes nuevos
atendidos y el número de personas con cupones canjeables por alimentos y/o el
índice de actividad de negocios. No olvide la posibilidad de transformar los datos.

PARA LA VARIABLE X1 – INDICE ECONOMICO

Realizamos primero la gráfica de dispersión para cada una de las variables

independientes o predictoras, comenzaremos por X1 – índice económico.

PASO N° 01 – DIAGRAMA DE DISPERSIÓN

Diagrama de Dispersión para X1(índice económico) y la variable dependiente Y

(número de clientes nuevos atendidos por CCC).

PASO N° 02 - CÁLCULO DEL COEF. CORRELACIÓN

Con ayuda de minitab, calculamos el coeficiente de correlación para las variables Y

(número de clientes nuevos atendidos) y la variable X1 (índice económico)

Del resultado podemos decir, que el coeficiente de correlación que existe entre ambas
variables es positivo y fuerte. Positivo porque la pendiente es de manera positiva,
además son directamente proporcionales ambas variables; y fuerte porque es cercano
a 1.
5
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO – ING. DE SISTEMAS
 Métodos de predicción – Caso 01

PASO N° 03 - PRUEBA DE HIPOTESIS

Realizamos una prueba de hipótesis para probar el nivel de significancia con respecto a
la variable- índice económico (x1)

A un nivel de significancia de α = 0.05.

Se consideran las siguientes hipótesis:

H0: β1=0
H1: β1 ≠0

Tomaremos el valor P de la siguiente tabla y la compararemos con α=0.05.

INTERPRETACIÓN
Si comparamos el valor P = 0.000 con el valor α=0.05, entonces podemos
concluir que P<α, entonces rechazamos H0. Es decir que tenemos evidencia
estadística suficiente para concluir que la variable X1 – índice económico es
significativa con respecto a los nuevos clientes atendidos por CCC.
Observamos también que el valor del coeficiente de determinación es de un
56.5%, nos da una idea que si existe una relación, siendo esta de tipo
moderada, pero aquí no queda todo el trabajo para poder concluir que es
nuestro mejor modelo, más adelante se realizara las pruebas correspondientes.

6
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO – ING. DE SISTEMAS
 Métodos de predicción – Caso 01

PARA LA VARIABLE X2 – NUMERO DE PERSONAS CON CUPONES CANJEABLES

PASO N° 01 – DIAGRAMA DE DISPERSIÓN

Diagrama de Dispersión para X2(número de personas con cupones canjeables) y la

variable dependiente Y (número de clientes nuevos atendidos por CCC).

PASO N° 02 - CÁLCULO DEL COEF. CORRELACIÓN

Con ayuda de minitab, calculamos el coeficiente de correlación para las variables Y

(número de clientes nuevos atendidos) y la variable X2 (número de personas con
cupones canjeables).

Del resultado podemos decir, que el coeficiente de correlación que existe entre ambas
variables es positivo y algo bajo (no están fuertemente correlacionadas). Positivo
porque la pendiente es de manera positiva, además son directamente proporcionales
ambas variables.

7
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO – ING. DE SISTEMAS
 Métodos de predicción – Caso 01

PASO N° 03 - PRUEBA DE HIPOTESIS

Realizamos una prueba de hipótesis para probar el nivel de significancia con respecto a
la variable- número de personas con cupones canjeables (x2)

A un nivel de significancia de α = 0.05.

Se consideran las siguientes hipótesis:

H0: β1=0
H1: β1 ≠0

Tomaremos el valor P de la siguiente tabla y la compararemos con α=0.05.

INTERPRETACIÓN
Si comparamos el valor P = 0.002 con el valor α=0.05, entonces podemos
concluir que P<α, entonces rechazamos H0. Es decir que tenemos evidencia
estadística suficiente para concluir que la variable X2 (número de personas con
cupones canjeables) es significativa con respecto a los nuevos clientes
atendidos por CCC (Y).
Observamos también que el valor del coeficiente de determinación es de un
18.6%, nos da una idea que si existe una relación, siendo esta de tipo muy
débil, porque a un 18.6% la variabilidad de los nuevos clientes atendidos por
CCC es explicada por la variabilidad del número de personas con cupones
canjeables, de esto decimo que este modelo de regresión no nos permite
asegurar un buen pronostico con esta variable, además un 81.4% de la
variabilidad no viene siendo explicada por el número de personas con cupones.

8
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO – ING. DE SISTEMAS
 Métodos de predicción – Caso 01

ANALISIS PARA AMBAS VARIABLES X1, X2

PASO N° 01 - CÁLCULO DE LA MATRIZ DE COEF. CORRELACIÓN

Con ayuda de minitab, calculamos la matriz de correlación para las variables Y (número
de clientes nuevos atendidos), la variable X1 (índice económico) y la variable X2
(número de personas con cupones canjeables).

Con esta matriz podemos analizar si existe o no relación entre todas las variables que
tenemos, analizando la imagen podemos observar que los coeficientes de
correlaciones para X1 y X2 con respecto a Y, son las mismas que habíamos encontrado.

Nos permite observar además si existe alguna relación entre variables independientes,
si así fuese el caso, se produciría un problema de multicolienalidad. Es así, que
debemos eliminar una de las variables porque seguro ya viene siendo explicada por
una de ellas.

Para nuestro caso podemos observar claramente una relación muy fuerte entre las
variables independientes X1 y X2, por lo que nos encontramos con el problema de la
multicolienalidad, pasaremos a continuación a escoger la variable que debemos quitar.

PASO N° 02 - PRUEBA DE HIPOTESIS

A un nivel de significancia de α = 0.05.

Se consideran las siguientes hipótesis:

H0: β1= β2 = 0
H1: β1 ≠ β2 ≠ 0

Tomaremos el valor P de la siguiente tabla y la compararemos con α=0.05.

9
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO – ING. DE SISTEMAS
 Métodos de predicción – Caso 01

INTERPRETACIÓN
Si comparamos el valor Px1 = 0.000 y Px2= 0.009 con el valor α=0.05, entonces
podemos concluir que tanto Px1 y Px2 <α, entonces rechazamos H0. Es decir que
tenemos evidencia estadística suficiente para concluir que las variables
X1(índice económico) y X2 (número de personas con cupones canjeables) son
significativas con respecto a los nuevos clientes atendidos por CCC (Y).

Observamos también que el valor del coeficiente de determinación es de un

45.4%, nos da una idea que si existe una relación, siendo esta de tipo
moderada, porque a un 45.4% la variabilidad de los nuevos clientes atendidos
por CCC es explicada por la variabilidad del índice económico y la variabilidad
del número de personas con cupones canjeables, pero como sabemos por
conocimiento existe multicolienalidad, por lo tanto pasamos a eliminar la
variable que ya está siendo explicada por la otra variable independiente.

Entonces pasamos a eliminar a la variable con una probabilidad menos

significativa, que en este caso es la variable x2 por tener un valor de p= 0.009.

10
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO – ING. DE SISTEMAS
 Métodos de predicción – Caso 01

Conclusión previa antes de escoger el mejor modelo de regresión seria que la variable
que mejor se relaciona con la variable a pronosticar es el índice económico (x1), por lo
tanto pasamos a proceder solo a trabajar con esta variable.

Pasaremos entonces a realizar un análisis de transformación de esta variable, y ver si

alguna de estas modificaciones, mejora el modelo de regresión.

TRANSFORMACION DE LA VARIABLE X2 – NUM DE PERSONAS CON CUPONES

Por si las dudas realizaremos la matriz de correlaciones para la transformada de la

variable x2 para verificar que la relación que existe es muy débil aun después de haber
realizado las transformaciones correspondientes, por lo que decidimos desde un
comienzo no trabajar con esta variable.

TRANSFORMACION DE LA VARIABLE X1 – INDICE ECONOMICO

Realizamos entonces las correspondientes transformaciones de la variable X1 – índice

económico y analizar si entre estas transformaciones, existe una variable transformada
que nos proporcione un mejor coeficiente de correlación con la variable Y, con lo que
pueda aportar un mejor modelo de regresión.

11
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO – ING. DE SISTEMAS
 Métodos de predicción – Caso 01

De la matriz podemos concluir que la mejor transformación de la variable X 1, es la

inversa (1/X1) con un coeficiente de correlación de -0.766, lo que nos permite ver que
está fuertemente relacionado con la variable Y.

Luego pasamos a analizar el modelo de regresión con esta transformada inversa de la

variable índice económico (1/X1).

INTERPRETACIÓN
Si comparamos el valor P = 0.000 con el valor α=0.05, entonces podemos
concluir que P<α, entonces rechazamos H0. Es decir que tenemos evidencia
estadística suficiente para concluir que la variable 1/X1 – inversa del índice

12
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO – ING. DE SISTEMAS
 Métodos de predicción – Caso 01

económico es significativa con respecto a los nuevos clientes atendidos por

CCC.
Observamos también que el valor del coeficiente de determinación es de un
58.7%, nos da una idea que si existe una relación, siendo esta de tipo
moderada, pero mucho mejor que la variable sin transformación (X1- índice
económico), además podemos ver que el Error estándar de la estimación (S =
19.4093) disminuye con respecto al inicial (S0= 19.9159).

Por lo que podríamos decir que esta ecuación de regresión es mejor para poder
pronosticar la cantidad de nuevos clientes de CCC. Pero aquí no acaba todo
debemos analizar si realmente es un mejor modelo de regresión lineal, para
eso se realizara un análisis de los residuos más adelante.

2. Desarrolle una ecuación de regresión y utilícela para pronosticar el número de

clientes nuevos para los primeros tres meses de 1993.

Según el análisis de la pregunta anterior tomamos a la inversa del índice económico

como variable predictora, ya que mejor se adecua al modelo, porque como pudimos
apreciar nuestro coeficiente de determinación es mucho mayor.

ECUACION DE REGRESION LINEAL

Nuestra ecuación de regresión lineal quedaría expresada de la siguiente manera:

13
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO – ING. DE SISTEMAS
 Métodos de predicción – Caso 01

Calculando los pronósticos según lo que nos plantea el ejercicio, obtenemos lo

siguiente utilizando el minitab:

PARA LOS MESES DE ENERO, FEBRERO de 1993:

El valor de la inversa del índice económico es de 0.00800 para ambos caso obtenemos
lo mismo

PARA EL MES DE MARZO de 1993:

El valor de la inversa del índice económico es de 0.00769 reemplazando obtenemos:

Resumiendo tenemos los siguientes pronósticos:

PRONOSTICOS DEL AÑO 1993

Enero 167.38
Febrero 167.38
Marzo 178.99

14
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO – ING. DE SISTEMAS
 Métodos de predicción – Caso 01

3. Compare los resultados de su pronóstico con las observaciones reales para los primeros
tres meses de 1993.

Meses OBSER. PRONOSTICOS

REALES DEL AÑO 1993
Enero 152 167.38
Febrero 151 167.38
Marzo 199 178.99

INTERPRETACIÓN:

Como apreciamos en la tabla los valores para los meses de Enero y Febrero, el pronóstico ha
sobreestimado el valor que dio la técnica utilizada, mientras que en el mes de Marzo el
pronóstico ha subestimado el valor real.

Por lo que es una evidencia que el modelo de la regresión lineal, no nos permite hacer un buen
pronóstico de los nuevos clientes atendidos por CCC.

4. ¿El índice de actividad de negocios sería un buen factor de predicción del número de
clientes nuevos?

El índice de actividad de negocios, si es un buen factor de predicción el número de clientes

nuevos, y lo podemos evidenciar realizando una regresión y verificar la probabilidad que
obtenemos que sea menor que alfa (0.5), además podemos observar que el r2 es igual a 56.5%
lo que nos indica una variabilidad de los datos de la variable a pronosticar (y), y poder utilizar
este modelo de regresión.

ANALISIS DE REGRESIÓN PARA LOS NUEVOS CLIENTES ATENDIDOS Y EL INDICE ECONÓMICO

15
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO – ING. DE SISTEMAS
 Métodos de predicción – Caso 01

ANALISIS DE REGRESION PARA LOS NUEVOS CLIENTES ATENDIDOS Y LA INVERSA DEL INDICE
ECONÓMICO

Además hemos analizado la inversa del índice económico, lo que mejora el modelo de
regresión lineal, por lo que optamos como el mejor modelo hasta ahora para poder
pronosticar, pero más adelante observaremos que este modelo aun siendo significante no nos
permite dar un buen pronóstico del número de clientes nuevos atendidos por CCC.

5. Los datos consisten en una serie de tiempo. ¿Significa esto que se ha violado el supuesto
de la independencia

Realizaremos las siguientes pruebas para saber si los datos son o presentan una serie de
tiempo:

- Primero realizamos una gráfica de auto correlaciones a los datos para verificar si
presentan un patrón:
Para doce desfases a nuestros nuevos clientes que deseamos pronosticar, para el año
de 1993 tenemos la siguiente imagen proporcionada por el minitab:

16
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO – ING. DE SISTEMAS
 Métodos de predicción – Caso 01

Analizando la gráfica podemos observar que los datos están fuertemente

correlacionados entre sí, además podemos evidenciar que los datos siguen un patrón
de Tendencia para los primeros meses de cada año.

Además vemos que el coeficiente de auto correlación para los primeros desfases es
significativamente diferente de cero, por lo tanto podemos evidenciar que los datos no
son aleatorios. Si queremos más precisión realizamos la prueba del chi-cuadrado,
donde el LBQ 121.87 debe ser mayor que el resultado del chi-cuadrado.

Al evidenciar que existe un patrón en los datos, podemos evidenciar que existe una
violación supuesto de independencia porque, es el más importante, ya que la falta de
independencia podría distorsionar en forma drástica en las conclusiones de las
pruebas t. Como pudimos ver es riesgoso porque nuestros datos presentan un patrón
de serie de tiempo (tendencia).

Posteriormente analizaremos los residuos para verificar si existe o no la violación del

supuesto de independencia.

17
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO – ING. DE SISTEMAS
 Métodos de predicción – Caso 01

6. Suponga que usted desarrolló una buena ecuación de regresión. ¿Usaría usted esta
ecuación para hacer un pronóstico del resto de 1993? Explique su respuesta.

La ecuación de regresión, encontrada por nosotros no realiza un buen pronóstico para el resto
de los meses de 1993. Porque está infringiendo el supuesto de independencia, por presentar
un patrón como lo habíamos mencionado antes, para eso hacemos un análisis de los residuos
que hallaremos para esta regresión, de la siguiente manera:

- Realizamos la gráfica de residuales, mediante el minitab

- Obtendremos la siguiente figura:

De las siguientes graficas podemos analizar lo siguiente:

1.- El histograma nos ayuda a ver si se cumple con el supuesto de normalidad. Podemos ver
que el histograma está ligeramente centrado cerca de 0, por lo que diríamos que demuestra
un buen supuesto de normalidad, podríamos incluso decir que se infringe en un porcentaje
muy bajo por así decirlo. Otro motivo que infringe este supuesto es cuando se pueden apreciar
una forma de campana. Aunque este supuesto no es muy significativo con respecto a los otros
supuestos.

2.- En la gráfica de normalidad podemos observar que los residuos en su gran mayoría siguen
una distribución normal, aunque para algunos valores no se ajusta muy bien al modelo, están
ligeramente alejados dela recta.

18
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO – ING. DE SISTEMAS
 Métodos de predicción – Caso 01

3.-

La segunda gráfica de la primera fila en la imagen si la dispersión alrededor del cero en la

dirección vertical debe ser aproximadamente igual para todos los valores a lo largo del eje
horizontal. Es decir, las magnitudes de los residuos para valores ajustados pequeños deben ser
aproximadamente iguales que las magnitudes de los residuos para valores ajustados
intermedios y aproximadamente iguales que las magnitudes de los residuos para valores
ajustados grandes. Este comportamiento ideal sugiere dos cosas: 1. La relación subyacente
entre Y y X es lineal, y 2. la variabilidad del error es constante (las Y para diferentes valores de
X tienen la misma dispersión alrededor de la línea de regresión).

Por lo que diríamos que el modelo de regresión no nos asegura con certeza que podemos
pronosticar el número de clientes nuevos atendidos por CCC para los meses restantes del año
de 1993.

19
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO – ING. DE SISTEMAS