Nombre:
Cristian Yair Coronado Rosas
Nombre del curso: Nombre del profesor:
Estadística y pronósticos para la toma de Mónica Ortega
decisiones.
Actividad 4
Bibliografía:
[Link]
module_item_id=367784
Define los siguientes términos:
a. Criterios de estimación de la precisión de un pronóstico (desviación absoluta
media, error cuadrático medio, error porcentual absoluto medio y error
porcentual medio).
Desviación absoluta media: La desviación media absoluta de un conjunto de datos es la distancia promedio
entre cada valor y el promedio. La desviación media absoluta es una manera de describir la variación en un
conjunto de datos. La desviación media absoluta nos ayuda a tener una idea de qué tan "extendidos" están
los valores en un conjunto de datos.
Error cuadrático medio: Mide la cantidad de error que hay entre dos conjuntos de datos. En otras palabras,
compara un valor predicho y un valor observado o conocido
Error porcentual absoluto medio: Es un indicador del desempeño del Pronóstico de Demanda que mide el
tamaño del error (absoluto) en términos porcentuales. El hecho que se estime una magnitud del error
porcentual lo hace un indicador frecuentemente utilizado por los encargados de elaborar pronósticos
debido a su fácil interpretación.
Error porcentual medio: Es la manifestación de un error relativo en términos porcentuales. En otras
palabras, es un error numérico expresado por el valor que arroja un error relativo, posteriormente
multiplicado por 100.
b. Análisis de la regresión simple.
Se utiliza para predecir el valor de una variable según el valor de otra. La variable que desea predecir se
denomina variable dependiente. La variable que está utilizando para predecir el valor de la otra variable se
denomina variable independiente.
c. Estimadores de mínimos cuadrados.
Los errores, conocidos como residuos, se calculan como la diferencia entre los valores observados y los
valores estimados de la variable dependiente. El estimador de mínimos cuadrados minimiza la suma
residual, es decir, la suma de los cuadrados de los residuos. Las estimaciones de los mínimos cuadrados se
calculan mediante el ajuste de una línea de regresión a los puntos de un conjunto de datos que tiene la
suma mínima de las desviaciones elevada al cuadrado (error de mínimos cuadrados).
d. Intervalo de confianza.
Un intervalo de confianza nos va a permitir calcular dos valores alrededor de una media muestral (uno
superior y otro inferior). Estos valores van a acotar un rango dentro del cual, con una determinada
probabilidad, se va a localizar el parámetro poblacional.
Intervalo de confianza = media +- margen de error
e. Coeficiente de regresión.
Los coeficientes de regresión representan el cambio medio en la variable de respuesta para una unidad de
cambio en la variable predictora mientras se mantienen constantes los otros predictores presentes en el
modelo.
f. Coeficiente de correlación.
El coeficiente de correlación es la medida específica que cuantifica la intensidad de la relación lineal entre
dos variables en un análisis de correlación. En los informes de correlación, este coeficiente se simboliza con
la r.
g. Coeficiente de determinación.
Es la proporción de la varianza total de la variable explicada por la regresión. Es también denominado R
cuadrado y sirve para reflejar la bondad del ajuste de un modelo a la variable que se pretende explicar.
h. Error estándar de estimación.
La desviación estándar de una estimación se denomina error estándar. El error estándar del coeficiente mide
la precisión con la que el modelo estima el valor desconocido del coeficiente. El error estándar del
coeficiente siempre es positivo.
Durante la actividad colaborativa
1. En equipos, desarrollen los siguientes ejercicios y respondan las preguntas planteadas.
En una compañía fabricante de helados se sospecha que almacenar el helado a
temperaturas bajas durante largos periodos tiene un efecto lineal en la pérdida
de peso del producto. En la planta de almacenamiento de la compañía se
obtuvieron los siguientes datos:
Pérdida de peso (gr) Y 28 37 36 30 28 36 35
Tiempo (semanas) X 26 32 35 27 25 31 30
a. Según los datos, ajusten e interpreten un modelo de regresión lineal simple.
b. Calculen el error estándar de estimación.
c. Prueben la significancia de la pendiente β1.
d. Calculen e interpreten R2.
R2 = 0.8379 r = 0.91
e. Elaboren un intervalo de confianza del 90% para β1.
f. Pronostiquen la pérdida cuando el tiempo es de 33 semanas.
52.88 / √ 6140 – 7(29.43)2 = 11.11, 13.15
