Demanda para el producto o servicio

| 1

Pronsticos

| 2 Ao | 3 | 4

Anlisis de Regresin y Causalidad

En un pronstico causal, nuestro conocimiento del valor de una variable (o quizs de algunas variables) nos permite pronosticar el valor de otra variable.

Anlisis de Regresin y Causalidad

Para utilizar un modelo de pronstico causal, se deben cumplir dos condiciones bsicas: bsicas:
-Debe haber una relacin entre los valores de las variables independiente y dependiente, de forma que la primera proporcione informacin sobre la segunda. segunda. -Los valores de las variables independientes deben ser conocidos y estar disponibles para quien hace el pronstico en el momento en que ste deba hacerse. hacerse.

Anlisis de Regresin y Causalidad

y = a + bx
^

y = y gorro es el valor calculado de la variable

que debe predecirse (variable dependiente). a = ordenada b = pendiente de la recta de regresin (o la tasa de cambio en y para los cambios dados en x) x = variable independiente

Anlisis de Regresin y Causalidad

En general, i = yi a bxi

Anlisis de Regresin y Causalidad

Usando el mtodo de Mnimos Cuadrados para ajustar la curva de regresin, debemos encontrar una expresin para el mejor ajuste, lo cual implica encontrar un valor para a y b.

Anlisis de Regresin y Causalidad

Una medida de qu tambin se ajusta la curva a los datos est dada por por: :
n

min

i2 i=1

= min

(yi [a +bxi])2 i=1

Usando Mnimos Cuadrados, se escogen a y b de manera que se minimicen la suma de errores al cuadrado

Anlisis de Regresin y Causalidad

Derivando la expresin respecto a y b:
n

anterior

con

-2(yi [a +bxi]) = 0 i=1

n

-2xi (yi [a +bxi]) = 0 i=1

Ahora se tienen dos ecuaciones con dos incgnitas. incgnitas .

Anlisis de Regresin y Causalidad

Las expresiones para a y b son: son:
1 x y i i n i=1 1 2 x i -n
i=1

b=

xi yi i=1 i=1 xi i=1

n n
2

a= 1 n

1 y b i n
i=1

xi i=1

Anlisis de Regresin y Causalidad

Consideremos una compaa de petrleos que planea expandir su red de estaciones de servicio de gasolina. La empresa planea utilizar la cantidad de automviles por hora para pronosticar las ventas por hora.

Anlisis de Regresin y Causalidad

La empresa ha tenido cinco estaciones en operacin por ms de un ao, y ha utilizado datos histricos para calcular los siguientes promedios:

Anlisis de Regresin y Causalidad

Estacin 1 2 3 4 5 Automviles por hora 150 55 220 130 95 Ventas por hora $ 220,00 $ 75,00 $ 250,00 $ 145,00 $ 200,00

Anlisis de Regresin y Causalidad

$ 300,00 $ 250,00 Ventas por hora $ 200,00 $ 150,00 $ 100,00 $ 50,00 $0 50 100 150 200 250 Automviles por hora y = 0,93x + 57,104 2 R = 0,694

Anlisis de Regresin y Causalidad Hay un par de aspectos importantes en el modelo de pronstico: pronstico :
-Los coeficientes -El Coeficiente de Determinacin

o R2

Anlisis de Regresin y Causalidad

Ajustando otra curva: curva:
$ 300,00 $ 250,00 Ventas por hora $ 200,00 $ 150,00 $ 100,00 $ 50,00 $0 50 100 150 200 250 Automviles por hora y = -0,0044x2 + 2,1461x - 13,547 R2 = 0,741

Cul ajuste es mejor?

Se podra decir que el R2 es una buena medida de la bondad del ajuste de una curva, pero no siempre es as. Depende tambin del conocimiento y relacin entre variables que intervienen en el proceso del mundo real.

Anlisis de Regresin y Causalidad

La lnea de regresin no implica relaciones de causa efecto!

Anlisis correlacin
Qu tan fuerte es la relacin lineal entre las variables? El coeficiente de correlacin r mide el grado de asociacin. ste se encuentra entre -1 y 1.

Anlisis correlacin

r=

nxy - xy [nx2 - (x)2][ny2 - (y)2]

1 r 1

Anlisis correlacin

(a) Correlacin
positiva perfecta:

r = +1

(b) Correlacin positiva: 0<r<1

Anlisis correlacin

(c) No correlacin: x r=0

(d) Correlacin
negativa perfecta: r = -1