ESTADÍSTICA Prof. Edgar A. Aponte C.

TEMA 5: PRONÓSTICO DE UNA VARIABLE ALEATORIA

1. Propósitos
El tema tiene como propósito estudiar la relación que puede existir entre dos variables, para desarrollar un modelo
matemático que nos permita estudiar su comportamiento.
Este modelo podrá ser utilizado para hacer predicciones, así como también controlar y optimizar el grado de asociación
existente entre las variables
Desde el punto de vista de los negocios, un pronóstico o predicción corresponde a la estimación de futuras demandas
de los clientes por los productos o servicios.
De esta forma, el pronóstico nos orienta a:
 Determinar qué productos o servicios se requieren.
 Cuántos serán solicitados por los clientes.
 Cuándo ocurrirán estas demandas.
Todo lo anterior se evalúa con el propósito de proveer los recursos para su producción.
2. Métodos utilizados
2.1. Subjetivo
Se basan en opiniones de expertos o de personas con experiencia, quienes hacen pronósticos sin la necesidad de
utilizar modelos matemáticos.
2.2. Histórico
Se basan en la actuación pasada o los antecedentes históricos, utilizando modelos matemáticos para realizar los
pronósticos. Ejemplo: promedio simple, promedio móvil, regresión múltiple, series de tiempo, etc.
2.3. Causal
Se basan en las causas que determinan los acontecimientos que se darán en el futuro. Ejemplo el modelo de
correlación lineal simple.
3. Análisis de Regresión y Correlación Lineal y Curvilíneo
Uso del método gráfico: Como primer paso, se deben graficar los datos y determinar si existe una relación entre las
variables. A esta gráfica se le denomina diagrama de dispersión.
Ventajas:
 Ahorran tiempo y trabajo.
 Ayudan a planear operaciones y juzgar los resultados.
 El analista puede eliminar valores extremos que distorsionan la tendencia general de los datos.
Desventajas:
 Potencialmente, reflejan los errores subjetivos del analista.
 Debido a la presencia del elemento subjetivo en los métodos gráficos, la falta de experiencia puede conllevar
a utilizar malas escalas en la evaluación.
 En una ecuación es más fácil de resumir las relaciones y evaluar resultados para predecir nuevas
observaciones.
Ejemplos de relaciones:

~1~
ESTADÍSTICA Prof. Edgar A. Aponte C.

3.1.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.
Se basa en la ecuación: Y = a +bX
Y : variable dependiente, valor que se desea predecir
a : punto de intersección con el eje “Y”
b : valor de la pendiente
X : variable independiente

~2~
ESTADÍSTICA Prof. Edgar A. Aponte C.

Modelo de regresión lineal simple: Y = a +bX

b (pendiente) : incremento o disminución promedio, según el signo, del valor de la variable dependiente con respecto
al cambio en una unidad de medida de la variable independiente.

n n n
n  X i Yi   X i  Yi
b i 1 i 1 i 1
2
n
 n 
n  X i2    X i 
i 1  i 1 
a (punto de intersección) : referencia para identificar el punto de inicio de la línea de mejor aproximación y el eje de
las ordenadas.
n n

 Y  b X
i i
a i 1 i 1

n
Ejemplo: En la sección de artículos para autos de una tienda por departamentos se obtiene
que el comportamiento de la demanda mensual de cierto cobertor se ha dado de la siguiente
manera:
Utilice el modelo de predicción correcto para estimar la demanda del próximo mes de
enero.
Paso 1 - Graficar

~3~
ESTADÍSTICA Prof. Edgar A. Aponte C.

Paso 2 – Generar tabla de resultados:

Paso 3 – Calcular de acuerdo con la fórmula:

Paso 4 – Ecuación de la línea de regresión o de mejor aproximación:

Y = 45.621 + 2.7378X
Paso 5 – Obtener la demanda estimada para el próximo mes de enero:
Para X = 13, entonces Y = 45.621 + 2.7378 (13) = 81.2124, es decir, 82cobertores

~4~
ESTADÍSTICA Prof. Edgar A. Aponte C.

Coeficiente de correlación lineal de Pearson

Herramienta que se utiliza para medir el grado con el cual una variable está linealmente relacionada con otra, para
darle validez al pronóstico.
Mientras más dispersos se encuentren los puntos con respecto a la línea de mejor aproximación, menor será el valor
del coeficiente.
n n n
n  X i Yi   X i  Yi
r i 1 i 1 i 1
2 2
n
 n  n
 n 
n  X    Xi 
2
i n  Y    Yi 
i
2

i 1  i 1  i 1  i 1 
Interpretación del coeficiente:
 Si “b” es positiva “r” también. Relación directamente
proporcional entre las variables. “r” oscila entre 0 y 1.
 Si “b” es negativa “r” también. Relación inversamente
proporcional entre las variables. “r” oscila entre -1 y 0.
Ejemplo: En base al ejemplo de los cobertores de autos,
tenemos:

r = +0.946. Como conclusión, el resultado indica que existe una correlación o asociación “muy alta” entre la demanda
de los cobertores y los meses transcurridos. De hecho, se puede pronosticar la demanda con un grado de confiabilidad
“muy alto”, preparando así, los recursos financieros y humanos necesarios para dar frente a dicha demanda.
Coeficiente de determinación:
Mide el grado en que la variable independiente explica la variabilidad de la variable dependiente. Al expresar la
variación explicada como una razón de la variación total de la variable dependiente, obtenemos el coeficiente de
determinación. Mide el porcentaje de la variación en Y que se explica por la variación en X. Corresponde al cuadrado
del coeficiente de correlación.
Ejemplo: Continuando con el ejemplo de los cobertores de auto, obtuvimos:
Si r = +0.946 entonces r2 = (0.946)2 = 0.8949 .Este resultado es una relación proporcional o porcentaje que puede
interpretarse como que el 89.49% de la variación de la demanda en el número de cobertores se explica por la variación
en los meses.

~5~
ESTADÍSTICA Prof. Edgar A. Aponte C.

3.2.Multiple
Utilizamos regresión múltiple cuando estudiamos la posible relación entre varias variables independientes (predictoras
o explicativas) y otra variable dependiente (criterio, explicada, respuesta).
Una ecuación de regresión expresa una relación lineal entre una variable de respuesta “y” y dos o más variables de
predicción (x1, x2, … xk). La forma general de una ecuación de regresión múltiple obtenida a partir de datos muestrales
es:

donde:
a - es la intersección, el valor de Y cuando todas las x son cero
bj - es la cantidad en que Y cambia cuando esa xj particular aumenta una unidad,
cuando los valores de todas las demás variables independientes se mantienen
constantes.
Ejemplo: En la tabla mostrada se incluye una muestra aleatoria simple de las
estaturas de madres y padres y sus hijas. Encuentre la ecuación de regresión
múltiple donde la variable de respuesta (Y) es la estatura de una hija y las
variables de predicción (x) son las estaturas de la madre y el padre.
El cálculo realizado en excel muestra:

La ecuación correspondiente es:

INFORMACIÓN TOMADA DE:

 Daly, K., Herrera, J., Cardoze, R. (2013). Estadística General Aplicada. Panamá: Editorial Universitaria UTP.
 Triola, M. F. (2013). Estadística (11ª ed.). México: PEARSON EDUCACIÓN.

~6~