PRONOSTICO EN

LOS NEGOCIOS I
REGRESIN LINEAL SIMPLE

TRANSFORMACIN DE
VARIABLES
Ventas

1.1
1.7
2.6
2.4
2.3
2.9
0.4
3.2
3.3
3.1
3.2
3.0
3.7
3.3

(Y)

Gastos de
publicidad (X)

3.9
4.9
7.6
6.8
5.9
9.1
3.4
11.6
14.1
14.9
10.5
9.9
17.1
12.4

4.5
4.0
3.5
3.0

2.5

y = 0.1942x + 0.7535

2.0

R = 0.7772

1.5
1.0

0.5
0.0
3.0

8.0

13.0

18.0

TRANSFORMACIN DE
VARIABLES
Ventas

1.1
1.7
2.6
2.4
2.3
2.9
0.4
3.2
3.3
3.1
3.2
3.0
3.7
3.3

(Y)

Gastos de
publicidad (X)

3.9
4.9
7.6
6.8
5.9
9.1
3.4
11.6
14.1
14.9
10.5
9.9
17.1
12.4

Grfico de los residuales

0.6
0.4
0.2
0
3.0
-0.2
-0.4
-0.6
-0.8
-1

-1.2

5.0

7.0

9.0

11.0

13.0

15.0

17.0

19.0

TRANSFORMACIN DE
VARIABLES
Cuando un diagrama de dispersin
indica que hay que hay una relacin no
lineal entre Y y X, existe dos enfoques.
1.

Ajustar los datos con una funcin de

regresin que grafique una curva.

2.

Transformar la variable X en otra formula,

de manera que la relacin resultante con Y
sea lineal.

TRANSFORMACIN DE
VARIABLES
Ventas

1.1
1.7
2.6
2.4
2.3
2.9
0.4
3.2
3.3
3.1
3.2
3.0
3.7
3.3

(Y)

Gastos de
publicidad (X)

3.9
4.9
7.6
6.8
5.9
9.1
3.4
11.6
14.1
14.9
10.5
9.9
17.1
12.4

4.5
4.0
3.5
3.0

2.5
2.0
1.5
1.0

0.5
0.0
0.0

5.0

10.0

15.0

20.0

TRANSFORMACIN DE
VARIABLES
Transformaciones
de la variable X mas comunes.
1/x, log(x), x, x2

Ventas
(Y)

1.1
1.7
2.6
2.4
2.3
2.9
0.4
3.2
3.3
3.1
3.2
3.0
3.7
3.3

Gastos de
publicida Log(X)
d (X)

3.9
4.9
7.6
6.8
5.9
9.1
3.4
11.6
14.1
14.9
10.5
9.9
17.1
12.4

1.36
1.59
2.03
1.92
1.77
2.21
1.22
2.45
2.65
2.70
2.35
2.29
2.84
2.52

X2

1/X

1.97
2.21
2.76
2.61
2.43
3.02
1.84
3.41
3.75
3.86
3.24
3.15
4.14
3.52

15.21
24.01
57.76
46.24
34.81
82.81
11.56
134.56
198.81
222.01
110.25
98.01
292.41
153.76

0.26
0.20
0.13
0.15
0.17
0.11
0.29
0.09
0.07
0.07
0.10
0.10
0.06
0.08

4.0
3.5
3.0
2.5
2.0
1.5
1.0
0.5
0.0
1.00

1.50

2.00

2.50

3.00

TRANSFORMACIN DE
VARIABLES
Transformaciones
de la variable X mas comunes.
1/x, log(x), x, x2

Ventas
(Y)

1.1
1.7
2.6
2.4
2.3
2.9
0.4
3.2
3.3
3.1
3.2
3.0
3.7
3.3

Gastos de
publicida Log(X)
d (X)

3.9
4.9
7.6
6.8
5.9
9.1
3.4
11.6
14.1
14.9
10.5
9.9
17.1
12.4

1.36
1.59
2.03
1.92
1.77
2.21
1.22
2.45
2.65
2.70
2.35
2.29
2.84
2.52

X2

1/X

1.97
2.21
2.76
2.61
2.43
3.02
1.84
3.41
3.75
3.86
3.24
3.15
4.14
3.52

15.21
24.01
57.76
46.24
34.81
82.81
11.56
134.56
198.81
222.01
110.25
98.01
292.41
153.76

0.26
0.20
0.13
0.15
0.17
0.11
0.29
0.09
0.07
0.07
0.10
0.10
0.06
0.08

4.0
3.5
3.0
2.5
2.0
1.5
1.0
0.5
0.0
1.00

2.00

3.00

4.00

5.00

TRANSFORMACIN DE
VARIABLES

Transformaciones de la variable X mas comunes.

1/x, log(x), x, x2
Ventas
(Y)

1.1
1.7
2.6
2.4
2.3
2.9
0.4
3.2
3.3
3.1
3.2
3.0
3.7
3.3

Gastos de
publicida Log(X)
d (X)

3.9
4.9
7.6
6.8
5.9
9.1
3.4
11.6
14.1
14.9
10.5
9.9
17.1
12.4

1.36
1.59
2.03
1.92
1.77
2.21
1.22
2.45
2.65
2.70
2.35
2.29
2.84
2.52

X2

1/X

1.97
2.21
2.76
2.61
2.43
3.02
1.84
3.41
3.75
3.86
3.24
3.15
4.14
3.52

15.21
24.01
57.76
46.24
34.81
82.81
11.56
134.56
198.81
222.01
110.25
98.01
292.41
153.76

0.26
0.20
0.13
0.15
0.17
0.11
0.29
0.09
0.07
0.07
0.10
0.10
0.06
0.08

4.0
3.5
3.0
2.5
2.0
1.5
1.0
0.5
0.0
0.00

100.00

200.00

300.00

TRANSFORMACIN DE
VARIABLES
Transformaciones
de la variable X mas comunes.
1/x, log(x), x, x2

Ventas
(Y)

1.1
1.7
2.6
2.4
2.3
2.9
0.4
3.2
3.3
3.1
3.2
3.0
3.7
3.3

Gastos de
publicida Log(X)
d (X)

3.9
4.9
7.6
6.8
5.9
9.1
3.4
11.6
14.1
14.9
10.5
9.9
17.1
12.4

1.36
1.59
2.03
1.92
1.77
2.21
1.22
2.45
2.65
2.70
2.35
2.29
2.84
2.52

X2

1/X

1.97
2.21
2.76
2.61
2.43
3.02
1.84
3.41
3.75
3.86
3.24
3.15
4.14
3.52

15.21
24.01
57.76
46.24
34.81
82.81
11.56
134.56
198.81
222.01
110.25
98.01
292.41
153.76

0.26
0.20
0.13
0.15
0.17
0.11
0.29
0.09
0.07
0.07
0.10
0.10
0.06
0.08

4.0
3.5
3.0
2.5
2.0
1.5
1.0
0.5
0.0
0.05

0.15

0.25

TRANSFORMACIN DE
VARIABLES

4.0

R = 0.9811

3.5
3.0
2.5
2.0
1.5
1.0

y = 4.2859 -12.713 (1/x)

0.5
0.0
Grfico de los residuales
0.05

0.10

0.15

0.20

0.2
0.1
0
0.03
-0.1
-0.2
-0.3
-0.4

0.08

0.13

0.18

0.23

0.28

0.33

0.25

0.30

Validacin de un Modelo
La primera suposicin de normalidad se requiere para
efectuar pruebas t y F.
La segunda suposicin se refiere a la dispersin de los
puntos de datos de la poblacin alrededor del plano
de la poblacin.
La tercera suposicin implica una muestra aleatoria
de puntos de datos X-Y. (correlacin).
La cuarta suposicin indica una relacin lineal.

Heteroscedasticidad
Se presenta debido a cambios en las condiciones
antecedentes no reconocidos en la especificacin del
modelo.

Existe Heteroscedasticidad cuando los errores o

residuos no tienen una varianza constante a
travs de un nivel completo de valores.

Heteroscedasticidad
Y

Yest
Y

Yest
X
CONSTANTE

X
HETEROSCEDASTICA

 En la tabla se muestran dos valores para cada

combinacin de (nivel de significancia), n(tamao de
muestra) y k (nmero de variables Independientes en el
modelo). El primer valar dL representa el valor critico
inferior. SI D esta por debajo de dL. se puede concluir que
existe evidencia de una auto correlacin positiva entre
los residuos. Si esto ocurre. el mtodo de los mnimos
cuadrados utilizado en este capitulo sera Inadecuado. y
se tendran que utilizar mtodos alternativos.
El segundo valor dU representa el valor critico superior de
D, por arriba del cual se concluye que no existen
evidencias de una auto correlacin positiva entre los
residuos.
Si D se encuentra entre dL y dU no es posible llegar a una
conclusin definitiva.

Colinealidad
Siempre que aparece ms de una variable independiente en
una ecuacin de regresin, es posible que estas variables
estn relacionadas entre si. A esta situacin se le conoce
como colinealidad.

La colinealidad es la situacin en Ia que las

variables independientes de una ecuacin de
regresin
mltiple
estn
altamente
intercorrelacionadas.

Problemas causadas por la

Colinealidad
1.

Un coeficiente de regresin que tiene signo positivo

en una ecuacin de regresin de dos variables,
pudiera cambiar a signo negativo en una ecuacin
de regresin mltiple que contenga otras variables
con las que est altamente interrelacionado.

2.

La estimacin de los coeficientes de regresin

flucta marcadamente entre una muestra otra.

3.

Cuando las variables de prediccin estn

intercorrelacionadas, stas explican la misma
varianza en Ia estimacin de Ia variable
dependiente.