UNITEC

CLASE PRACTICA
ESTADISTICA II
 APLICACION
Muchos problemas de investigación requieren la estimación de las
relaciones existentes entre la pauta de variabilidad de una variable
aleatoria y los valores de una o más variables (aleatorias o no) de las que
la primera depende o puede depender.
El análisis de regresión es una técnica estadística para la estimación de los
parámetros de una ecuación que relaciona una determinada variable con
un conjunto de variables. El análisis se lleva a cabo mediante el
establecimiento de “un modelo de regresión” cuyos parámetros recogen
y cuantifican los efectos que se pretende estudiar.
La razón básica por la cual se construye un modelo de regresión es describir la
naturaleza de una relación en forma cuantitativa. Sin embargo, los objetivos
son con frecuencia más específicos. Por ejemplo, para un proceso en el que la
humedad es controlable.

El objetivo podría ser hallar el valor particular de la humedad que minimiza

inestabilidad de un instrumento, o alguna función de costos basada en dicha
inestabilidad. O bien determinar variables independientes importantes de un
proceso. Por ejemplo, ver si la humedad, presión y temperatura afectan a una
característica de calidad de un producto.
En síntesis la utilidad de los modelos de regresión puede ser la siguiente:
1. Proyecto y predicción
2. Descripción cuantitativa entre un conjunto de variables
3. Interpretación de los valores de la función
4. Determinación de variables independientes
importantes
5. Descubrimiento de las condiciones de funcionamiento
óptimas
6. Selección entre modelos alternativos
7. Estimación de coeficientes de regresión particulares
El análisis de regresión ha cobrado popularidad
debido al gran número de paquetes
estadísticos que lo incluyen y por ser un
“proceso robusto que se adapta a un sinfín de
aplicaciones científicas y ejecutivas que
permite la toma de decisiones”

De manera general, podemos decir que el uso

del las estadísticas en cualquier área de
estudio y trabajo es importante; ya que ayuda
a ordenar datos, obtener resultados y a tomar
decisiones.
Métodos de cálculo para el pronóstico de ventas
Existen muchos métodos para calcular el pronóstico de ventas; entre otros
algunos son:
Método Estadístico y matemático.
- Mínimos cuadrados
- Logarítmicos
Método de criterios personales.
- Personal de ventas y comercialización.
- Departamento de comercialización.
- Consultores externos
Método aritmético.
- Incremento porcentual.
- Incremento absoluto.
- Promedio móvil
A continuación se analizan algunos de los citados.
 El método de mínimos cuadrados,
es un método que sirve para
proyectar las ventas de futuros
períodos con base a ventas de
gestiones pasadas. Como cualquier
otro, el método de mínimos
cuadrados debe ser ajustado en
caso de que existan factores que
cambien las condiciones y
situaciones, tanto económicas,
políticas, de mercado, capacidad,
tanto externas como internas.
 EJEMPLOS
si la cantidad de ventas en los anteriores cinco
años fueron:

Si se desea estimar las ventas para los siguientes cinco años

con la misma tendencia, se puede acudir al método de
mínimos cuadrados.
Aplicando el método de mínimos cuadrados, se ajusta a la recta:

DONDE:
Por lo que para reemplazar en éstas fórmulas, previamente es
necesario determinar:
Reemplazando en las fórmulas:
Con lo cual la recta ajustada por mínimos cuadrados es:

Mientras que el crecimiento (c) se determina mediante

la fórmula:
Por ejemplo, el crecimiento (c) para
cinco años es el siguiente:

Esto significa que las ventas crecerán a un

promedio de 4.8 % por período
Por tanto, las ventas estimadas para los siguientes cinco
períodos son:
Pronóstico de ventas para el período 6

Pronóstico de ventas para el período 7

Pronóstico de ventas para el período 8

Pronóstico de ventas para el período 9

 Por tanto, el pronóstico de ventas para los siguientes
cinco períodos es:

La gráfica de las ventas proyectadas es la

siguiente
 FORMULAS TENDENCIA LINEAL

Se puede calcular el coeficiente de determinación, a fin de

n xy   x y
b evaluar qué tan correcta es la estimación de la recta de
n x 2   x 
2
regresión.

a  y
b  x El coeficiente de determinación r² se calcula como:

n xy   x y 
n n
2


n x   x n y   y  
2
r 2 2 2 2

También es posible calcular intervalos de confianza

para la estimación. Para ello es necesario calcular el
error estándar de la estimación.

Se   y 2
 a  y  b xy
n2
 Tendencia lineal
80
75
70
65
60
55
50
45
40
35
30
1994 1995 1996 1997 1998 1999 2000 2001
 Si no todos los untos están en una recta, ¿cómo
puedo saber cuánto se acercan a una recta?

Hay un número que mide la "bondad de ajuste" de la recta de regresión

llamado coeficiente de correlación. Este número, que se representa por r,
está entre −1 y 1. Cuanto más se acerca r a−1 o 1, el ajuste es mejor. Si el
ajuste es malo, se acerca r a 0. Si el ajusto es exacto, r=−1 para una recta con
pendiente negativa, o r=1 para una recta de pendiente positiva. La figura más
abajo muestra varios conjuntos de puntos con sus rectas de regresión, y los
valores correspondientes de r.
!!!!MUCHAS GRACIAS!!!!