REGRESIN LINEAL Y CORRELACIN

RESUMEN PREPARADO POR

ALEJANDRINA DE BOUTAUD
2012
En estadstica la regresin lineal o ajuste lineal es
un mtodo matemtico que modeliza la relacin
entre una variable dependiente Y, las variables
independientes xi y un trmino aleatorio .
TRMINOS CLAVES
Regresin lineal
Anlisis de correlacin
Grupo de tcnicas para medir la asociacin entre
dos variables.
Diagrama de dispersin
Los datos se muestran como un conjunto de
puntos, cada uno con el valor de una variable que
determina la posicin en el eje horizontal y el
valor de la otra variable determinado por la
posicin en el eje vertical.
TRMINOS CLAVES
FORMAS TPICAS DE LOS DIAGRAMAS
DE DISPERSIN ESTADSTICA
Variable dependiente
Variable que se predice o estima.
Variable independiente
Variable que proporciona la base para la estimacin.
Es la variable del pronstico.
TRMINOS CLAVES
Independencia estadstica
Dependencia funcional
Dependencia
estadstica
Grado de asociacin entre dos variables
-
+

Describe la fuerza de la relacin entre dos
conjunto de variables en escala de intervalo
y de razn.
COEFICIENTE DE CORRELACIN
(Karl Pearson)
Coeficiente de Correlacion Lineal: Es una medida cuantitativa que mide la
fuerza de relacin lineal, mientras ms dispersos estn los puntos de la lnea de
regresin menor ser el coeficiente de correlacin.
EL valor de r puede oscilar entre +1 y -1. De no existir relacin entre las
variables r=0.
Interpretacin del coeficiente de correlacin
Valor Absoluto (r) Interpretacin
0.90----1.00 Correlacin muy alta
0.70----0.90 Correlacin alta
0.40----0.70 Correlacin moderada
0.20 ----0.40 Correlacin baja
0.00-----0.20 Correlacin muy baja
EL COEFICIENTE DE CORRELACIN
LINEAL DE PEARSON
Si el coeficiente de correlacin de Pearson (r) es cercano a
0, las dos variables no tienen mucho que ver entre s (no
tienen casi ninguna covariacin lineal). Si su valor es
cercano a +/-1, esto significa que la relacin entre las dos
variables es lineal y est bien representada por una lnea.
|
.
|

\
|

|
.
|

\
|

=
2
2
2
2

y
n
y
x
n
x
y x
n
y x
r
i i
i i
( ) | | ( ) | |
2
2
2
2




=
i i i i
i i i i
y y n x x n
y x y x n
r
COEFICIENTE DE
CORRELACIN DE PEARSON, r

REPRESENTANTE DE
VENTAS
LLAMADAS
X
VENTAS
Y

1 ALVARADO, MARIA LUISA 20 30 600 400 900 -2 -15 30
2 BETHANCOURT, ZULEIKA 40 60 2400 1600 3600 18 15 270
3 BLOTTA, YOLANDA MARIA 20 40 800 400 1600 -2 -5 10
4 BONFANTE, JOSE LUIS 30 60 1800 900 3600 8 15 120
5 CARDENAS, YANIZEL 10 30 300 100 900 -12 -15 180
6 CASTILLO, REINALDO 10 40 400 100 1600 -12 -5 60
7 CRUZ, EVELIA 20 40 800 400 1600 -2 -5 10
8 ESPINOSA, AILEEN 20 50 1000 400 2500 -2 5 -10
9 HERRERA, MELISSA 20 30 600 400 900 -2 -15 30
10 HERRERA, JUANA 30 70 2100 900 4900 8 25 200
Total 220 450 10800 5600 22100 900
MEDIA 22 45




r= 0,759




0,759

X X Y Y
( )( ) Y Y X X
|
.
|

\
|

|
.
|

\
|

=
2
2
2
2

y
n
y
x
n
x
y x
n
y x
r
i i
i i
2
x
2
y
i i
y x
EJEMPLO: VENTAS DE COPIADORAS
22 = x
45 = y
Una correlacin nos proporciona tres datos principales:
1) la existencia o no de una relacin lineal entre las
variables (si da diferente de cero)
2) la direccin de esta relacin, si es que existe (por su
signo positivo o negativo)
3) el grado de esta relacin (por el valor absoluto del
coeficiente).
Estos tres aspectos se dan, simultneamente, con un solo
valor
En la seccin anterior se presento el coeficiente
de correlacin lineal para expresar la fuerza y la
direccin de la relacin lineal entre dos variables.
En esta seccin se elabora la ecuacin para
expresar la relacin lineal entre dos variables y se
estima el valor de la variable dependiente y, y la
variable independiente x.
La tcnica para desarrollar la ecuacin y
proporcionar los valores estimados se denomina
anlisis de regresin.

ANLISIS DE REGRESIN

ANLISIS DE REGRESIN

LA ECUACIN BSICA DE UNA LNEA RECTA ES
Y= a +bx
y= variable dependiente, su valor se desea predecir
a= Interseccin con el eje Y, de la lnea de mejor
aproximacin
b= Pendiente de la lnea de mejor aproximacin
x = Variable independiente, en trminos de la cual se
predice la variable dependiente. Puede estar dada en
funcin del tiempo o como un indicador econmico

ANLISIS DE REGRESIN PARA : VENTAS
DE COPIADORAS
FORMULAS:
i
i
n
i
n
y b
x
n
i =

= 1 1
a=
( )
n
n x x
i
i
n
i
i
i
n
i
n
n
i i
i
n
i
n
x
y
x
y
= = =
= =

1 1 1
2
1
2
1
b=
De nuestro primer ejemplo determinaremos
la ecuacin de la recta.
EJEMPLO: VENTAS DE COPIADORAS
REPRESENTANTE DE
VENTAS LLAMADAS X VENTAS Y
1 ALVARADO, MARIA LUISA 20 30 600 400 900 -2 -15 30
2 BETHANCOURT, ZULEIKA 40 60 2400 1600 3600 18 15 270
3 BLOTTA, YOLANDA MARIA 20 40 800 400 1600 -2 -5 10
4 BONFANTE, JOSE LUIS 30 60 1800 900 3600 8 15 120
5 CARDENAS, YANIZEL 10 30 300 100 900 -12 -15 180
6 CASTILLO, REINALDO 10 40 400 100 1600 -12 -5 60
7 CRUZ, EVELIA 20 40 800 400 1600 -2 -5 10
8 ESPINOSA, AILEEN 20 50 1000 400 2500 -2 5 -10
9 HERRERA, MELISSA 20 30 600 400 900 -2 -15 30
10 HERRERA, JUANA 30 70 2100 900 4900 8 25 200
Total 220 450 10800 5600 22100 900
MEDIA 22 45
X X Y Y ( )( ) Y Y X X
2
x
2
y
i i
y x

ANLISIS DE REGRESIN
FORMULAS:
i
i
n
i
n
y b
x
n
i =

= 1 1
a=
( )
n
n x x
i
i
n
i
i
i
n
i
n
n
i i
i
n
i
n
x
y
x
y
= = =
= =

1 1 1
2
1
2
1
b=
Y= a +bx
b= 1,184210526

a= 18,94736842
Y=

18,947 6 + 1,1842*x
REPRESENTANTE DE VENTAS LLAMADAS X
VENTAS ESTIMADAS
Y= 18,9476 + 1,1842*x
1
ALVARADO, MARIA LUISA
20 42,6316
2
BETHANCOURT, ZULEIKA
40 66,3156
3
BLOTTA, YOLANDA MARIA
20 42,6316
4
BONFANTE, JOSE LUIS
30 54,4736
5
CARDENAS, YANIZEL
10 30,7896
6
CASTILLO, REINALDO
10 30,7896
7
CRUZ, EVELIA
20 42,6316
8
ESPINOSA, AILEEN
20 42,6316
9
HERRERA, MELISSA
20 42,6316
10
HERRERA, JUANA
30 54,4736
ETAPAS DEL ANLISIS DE REGRESIN Y
CORRELACIN
Procedimiento:
1. Seleccionar una Muestra de la Poblacin a ser
estudiada y organizarla en pares de valores;
2. Dibujar un Diagrama de Dispersin (Scatter
Diagram)para visualizar la posible relacin entre
las variables;
3. Determinar la Ecuacin de la Linea de
Regresin, usando el Mtodo de los Cuadrados
Mnimos.
4. Evaluar la Ecuacin.
5. Hacer las Proyecciones a partir de la Ecuacin.


ANALISIS DE REGRESIN

DESCRIBE UNA RELACION FUNCIONAL ENTRE LAS VARIABLES Y ESTIMA
UNA ECUACIN USANDO LA TECNICA DE LOS MNIMOS CUADRADOS:
EL USO DE ESTE ANLISIS, ASUME QUE EL CONJUNTO TOTAL DE
FACTORES QUE GENERARON EL SISTEMA DE CAUSA EN EL PASADO,
CONTINUA EN EL FUTURO.
CON ESTE MODELO SE CALCULA LA TENDENCIA Y NO CADA VALOR
INDIVIDUAL DE LA DEMANDA.
UN MODELO DE ANLISIS DE TENDENCIA TIENE AL TIEMPO COMO
VARIABLE INDEPENDIENTE Y LA VARIABLE QUE SE ESTA
PRONOSTICANDO ES LA VARIABLE DEPENDIENTE
LA PREDICCIN SE CONVIERTE EN UNA CUESTION DE DETERMINAR LA
LINEA DE TENDENCIA GENERAL. ESTA LNEA SE DETERMINA POR EL
METODO DE LOS MNIMOS CUADRADOS QUE DA COMO RESULTADO UNA
ECUACIN QUE DESCRIBE Y LOCALIZA LA LNEA DE MEJOR
APROXIMACIN.
PRONOSTICOS
ES UN PROCESO QUE PERMITE ESTIMAR UN
EVENTO FUTURO ANALIZANDO PARA ELLO
DATOS DEL PASADO.
SUMINISTRAN LA BASE PARA ESTABLECER EL
NIVEL GENERAL DE ACTIVIDADES DE LAS
OPERACIONES:
QU PRODUCTOS COMPRAR
CUNTOS COMPRAR
CUNDO OCURRIRAN LAS DEMANDAS CON EL
FIN DE PROVEER LOS RECURSOS PARA SU
PRODUCCIN.

ENFOQUES BSICOS DE PRONOSTICOS
TIPO DE ENFOQUE TECNICAS
CUALITATIVO
ESTIMATIVO INTUITIVO
DEL FUTURO
- METODO DELPHI
- DATOS HISTORICOS
- TECNICA DE GRUPO NOMINAL
CUANTITATIVO
SON MODELOS
FORMALES
ESTADISTICOS.
MODELOS BASADOS EN LA DEMANDA
- MEDIA O PROMEDIO SIMPLE MOVIL
- SUAVIZACIN EXPONENCIAL
MODELOS CAUSALES
- ANALISIS DE REGRESION
- MODELOS ECONOMICOS
Promedio Simple Movil
El Promedio Simple Mvil combina los datos de la
demanda de varios de los periodos ms recientes y su
promedio se toma como Pronstico para el Periodo
Siguiente.
Promedio Mvil= Suma de las demandas de los n ltimos
perodos
PM= SDt/n= 1 D1 + 1 D2 + ... + 1 Dn
n n n
donde:
t=1 es el periodo ms lejano para el perodo n
t=n es el perodo de tiempo ms reciente

Promedio Simple Movil
Ejemplo
Una empresa que vende congeladores muestra la siguiente demanda durante los
ltimos seis meses:
Tiempo Demanda por Congeladores
Enero 200
Febrero 300
Marzo 200
Abril 400
Mayo 500
Junio 600
* El administrador de la planta ha solicitado que se preparen pronsticos usando
un promedio simple mvil, para 6 y 3 perodos, para pronosticar las ventas de
julio
PM
6
= 367; PM
3
= 500

SUAVIZACIN EXPONENCIAL

EL MTODO DE SUAVIZACIN EXPONENCIAL DA PESOS
RELATIVOS A PRONSTICOS ANTERIORES Y A LA
DEMANDA MS RECIENTE.
ESTO LO HACE DE MANERA MUY INGENIOSA EN LA CUAL
SE NECESITAN TRES DATOS PARA GENERAR LA
PREDICCIN DEL PRXIMO PERIODO.
LA PREDICCIN DEL LTIMO PERIODO
LA DEMANDA DEL LTIMO PERIODO
UNA CONSTANTE DE SUAVIZACIN LA CUAL
DETERMINA LA PONDERACIN RELATIVA QUE SE
ASIGNA A LOS VALORES RECIENTES DE LA DEMANDA.

SUAVIZACION EXPONENCIAL
Una alternativa a los promedios mviles es el mtodo de suavizacin exponencial. Igual
que los promedios mviles se usa para pronsticar a corto y mediano plazo.
Frmula


:
Pronstico de la
demanda para el = a( Demanda ms reciente) + (1- a)(Pronstico ms reciente)
periodo siguiente
( ) ( ) P t = D
t-1
o o
o
+
s s

1
1 0
1
P
donde
t
:
SUAVIZACION EXPONENCIAL
Seleccin del coeficiente de suavizacin :

1. Un coeficiente de suavizacin con valor alto es ms apropiado para
productos nuevos o para tems e los cuales la demanda esta cambiando
es decir que es inestable. Un valor de =0.7; 0.8; 0.9 ser el indicado
en estas condiciones.
2. Si la demanda es muy estable y se cree es representativa del futuro el
analista seleccionar un valor bajo de a, el cual podr ser 0.1;0.2;0.3
3. Cuando la demanda es ligeramente inestable podr ser apropiado para
lograr un pronstico ms preciso un coeficiente de suavizacin
exponencial de 0.4;0.5;0.6

SUAVIZACIN EXPONENCIAL
EJEMPLO:
NEW. CAP., ESTA INTRODUCIENDO EN EL MERCADO UNA NUEVA LNEA DE GORRAS
DE CACERA PARA HOMBRES. NEW CAP DESEA HACER UN PRONSTICO DE
SUAVIZADO EXPONENCIAL. LA DIRECCIN NO CUENTA CON INFORMACIN
HISTRICA PARA ESTAS GORRAS:
QU RECOMENDARA USTED A LA NEW CAP , PARA ESCOGER LOS
PARMETROS Y EL COEFICIENTE DE SUAVIZACIN EXPONENCIAL PARA LOS
PRXIMOS SEIS MESES.
DESPUS DE CUATRO MESES SE CUENTA CON LOS SIGUIENTES DATOS SOBBRE
LA DEMANDA ACTUAL. ESTARA USTED DE ACUERDO CON LA NEW CAP EN
SELECCIONAR UN COEFICIENTE DE SUAVIZACIN DE 0.3 O ESCOGERA UNO DE
0.9, QU ES EL OTRO NICO VALOR QUE SE DESEA CONSIDERAR. SUPNGASE
QUE EL PRONSTICO DE JUNIO ES DE 100.

MES GORRAS EMBARCADAS(DOCENAS)
JUNIO 50
JULIO 175
AGOSTO 225
SEPTIEMBRE 400

SUAVIZACIN EXPONENCIAL
EJEMPLO
Si EL NMERO DE TONELADAS DE BIENES ENLATADOS QUE
RECIBI UN CENTRO DE DISTRIBUCIN DE UNA CADENA DE
ABARROTES EL MES PASADO FUE 500. LA CANTIDAD
PRONOSTICADA ERA 785. LA COMPAA USA UN MODELO
EXPONENCIAL DE 0.6 PARA DESARROLLAR SUS PRONSTICOS.
CUL SER EL PRONSTICO DE LA COMPAA PARA EL
PRXIMO MES?

SUAVIZACIN EXPONENCIAL
CONCLUSIN:
EL SUAVIZADO EXPONENCIAL ES UN MODELO
MUY UTILIZADO POR SU SENCILLEZ Y LOS
POCOS DATOS QUE REQUIERE, AS PODEMOS
SEALAR QUE SUS VENTAJAS PRINCIPALES
SON:
LA SENCILLEZ Y LA EFICACIA CON QUE
FUNCIONA ESTE MODELO PARA OBTENER DE
UNA MANERA ECONMICA PRONSTICOS
RPIDOS Y FCILES