INTRODUCCION

Como hemos visto en esta unidad existen varios métodos para el cálculo estadísticos que
nos ayudara a tener más noción o tener más orientado el futuro en nuestra empresa, para el
funcionamiento más eficiente de los procesos que involucran sus fabricaciones. Me refiero
que gracias al cálculo de estos métodos podremos ver futuras ventas, costos de distribución,
costos de fabricación de productos, como se comportar los consumidores o potenciales
consumidores a futuro.
Uno de estos métodos estadísticos es la regresión múltiple.
La Regresión múltiple consiste que tenemos nuestra variable dependiente (Y) y podemos ver
como se relaciona con otras variables independientes pudiendo ser estas 2 o más variables.
Mientras más variables tengamos, más exacto seria nuestra predicción a futuro de nuestros
cálculos.

INSTRUCCIONES
Objetivo(s) específico(s) de la evaluación:

Construir, criticar y comparar modelos que sirven para la estructuración y explicación de

fenómenos que pueden afectar a la organización o a la sociedad.
En el presente trabajo usted deberá:

I. Para el trabajo final usted deberá construir un Modelo de Regresión. Para esto tome en
cuenta lo siguiente:

1. Elegir un problema relevante; éste puede estar relacionado con la sociedad, con la
organización, con algún grupo de interés, etc.

2. Escoger algunas variables que se relacionen con este problema.

3. Estas variables deben ser por lo menos 4 variables exógenas importantes (variables
explicativas), más la variable explicada o variable endógena.

4. Con las variables anteriores, usted deberá construir un modelo de regresión múltiple,
estudiarlo y analizarlo desde el punto de vista estadístico, y criticar los supuestos que lo
sustentan.

5. Con el modelo anterior y los contenidos vistos en el curso, usted deberá proponer otra
forma de explicar en términos cuantitativos la variable estudiada. No deberá calcular nada,
solo describir en forma teórica el nuevo modelo y su justificación.

6. Por último, deberá decidir en base a argumentos técnicos, con cuál de ellos se quedaría y
fundamentar el por qué.

Importante:

Muestre en sus respuestas detalle de los supuestos usados, fuentes, teorías o teoremas
utilizados, y cualquier otro elemento que sustente sus argumentos.
Desarrolle una (s) conclusión (es), a partir de los modelos expuestos.
 DESARROLLO

La regresión lineal múltiple debemos tener una variable dependiendo y dos o más variables
independientes, mientras más variables independientes haya, mayor será el grado de
exactitud que se obtendrá en los resultados como lo había dicho anteriormente.
Para el método de regresión múltiple se utiliza la siguiente formula:
Y = a + b1x1 + b2x2 + ….. bkxk
Donde:
Y = es valor estimado de la variable dependiente y
A = intersección
b1,b2 …. Bk = son las estimadores muéstrales de los coeficientes de las variables
independientes
x1, x2 ……xk = son las variables independientes.

Para desarrollar este modelo debemos construir una matriz con los datos que tenemos, en
las filas irán los datos y en las columnas irán cada parámetro que involucra en la regresión.
Se calculan los coeficientes, multiplicando la matriz de diseño transpuesta consigo misma.
Multiplicando la matriz de diseños transpuesta con el vector de valores de destino, y
multiplicando la inversa de la matriz del paso a por la matriz del paso b. (IBM, 2022)

Para entenderlo de mejor forma, se desarrollará un ejemplo.

Ejemplo:
Se realiza un estudio entre 15 alumnos elegidos al azar, para medir mediante cuatro
asignaturas que han desarrollado, se indique su promedio general que han tenido mediante
los datos obtenidos.
 Promedio Calificación Calificación Calificación Calificación
Estudiantes General Matemáticas Lenguaje Cs Naturales Historia
1 56 55 58 42 62
2 55 52 62 55 60
3 65 64 55 63 65
4 68 65 62 65 62
5 58 55 55 53 54
6 55 52 68 57 55
7 52 54 62 60 55
8 65 66 54 57 68
9 68 62 57 60 65
10 50 62 52 52 65
11 62 68 62 52 65
12 60 59 60 61 60
13 62 62 60 63 60
14 62 68 62 65 65
15 57 62 55 57 60
Sumatoria 895 906 884 862 921

Para esto construiré la matriz para desarrollar dicha ecuación.

a n Σx1 Σx2 Σx3 Σx4 Σy
b1 Σx1 Σx1² Σx2x1 Σx3x1 Σx4x1 Σx1y
b2 Σx2 Σx1x2 Σx2² Σx3x2 Σx4x2 Σx2y
b3 Σx3 Σx1x3 Σx2x3 Σx3² Σx4x3 Σx3y
b4 Σx4 Σx1x4 Σx2x4 Σx3x4 Σx4² Σx4y

Cálculos
x1² x2² x3² x4² x1x2 x1x3 x1x4 x2x3 x2x4 x3x4 x1y x2y x3y x4y
3025 3364 1764 3844 3190 2310 3410 2436 3596 2604 3080 3248 2352 3472
2704 3844 3025 3600 3224 2860 3120 3410 3720 3300 2860 3410 3025 3300
4096 3025 3969 4225 3520 4032 4160 3465 3575 4095 4160 3575 4095 4225
4225 3844 4225 3844 4030 4225 4030 4030 3844 4030 4420 4216 4420 4216
3025 3025 2809 2916 3025 2915 2970 2915 2970 2862 3190 3190 3074 3132
2704 4624 3249 3025 3536 2964 2860 3876 3740 3135 2860 3740 3135 3025
2916 3844 3600 3025 3348 3240 2970 3720 3410 3300 2808 3224 3120 2860
4356 2916 3249 4624 3564 3762 4488 3078 3672 3876 4290 3510 3705 4420
3844 3249 3600 4225 3534 3720 4030 3420 3705 3900 4216 3876 4080 4420
3844 2704 2704 4225 3224 3224 4030 2704 3380 3380 3100 2600 2600 3250
4624 3844 2704 4225 4216 3536 4420 3224 4030 3380 4216 3844 3224 4030
3481 3600 3721 3600 3540 3599 3540 3660 3600 3660 3540 3600 3660 3600
3844 3600 3969 3600 3720 3906 3720 3780 3600 3780 3844 3720 3906 3720
4624 3844 4225 4225 4216 4420 4420 4030 4030 4225 4216 3844 4030 4030
3844 3025 3249 3600 3410 3534 3720 3135 3300 3420 3534 3135 3249 3420
55156 52352 50062 56803 53297 52247 55888 50883 54172 52947 54334 52732 51675 55120

Con Microsoft Excel el cálculo de la regresión lineal múltiple se simplica en los siguientes
pasos
Verificar si la herramienta de Análisis de Datos se encuentra activa, la cual se debe dirigir a
Archivo, Opciones, Complementos, complementos de Excel, ir, Herramientas para Análisis,
aceptar.
Luego Ir a Análisis de Datos, Regresión, en la primera celda seleccionar la variable
dependiente (Y), y en la segunda celda se selecciona todo el resto de variables
independientes en este las 4 (x1, x2, x3, x4).
Estadísticas de la regresión
Coeficiente de correlación
múltiple 0,718172982
Coeficiente de
determinación R^2 0,515772432
R^2 ajustado 0,322081404
Error típico 4,570158544
Observaciones 15

ANÁLISIS DE VARIANZA
Grados de Suma de Promedio de los Valor crítico
  libertad cuadrados cuadrados F de F
Regresión 4 222,4698422 55,61746055 2,662861769 0,095277977
Residuos 10 208,8634911 20,88634911
Total 14 431,3333333      

Superior Inferior
  Coeficientes Error típico Estadístico t Probabilidad Inferior 95% 95% 95,0%
- -
Intercepción -6,336506506 32,51275273 -0,194892957 0,849379425 78,77943404 66,106421 78,7794340
- 1,2500248 -
Variable X 1 0,307340817 0,423081367 0,726434302 0,484229116 0,635343213 5 0,63534321
- 0,8436714 -
Variable X 2 0,110489064 0,329055966 0,335775904 0,743978365 0,622693318 5 0,62269331
- 0,8766666 -
Variable X 3 0,323106394 0,248440657 1,300537514 0,222588656 0,230453885 7 0,23045388
- 1,5183437 -
Variable X 4 0,364176735 0,517996015 0,703049298 0,498065569 0,789990311 8 0,78999031
A partir de los cálculos realizados con la herramienta de Excel Análisis de datos, se puede
concluir de este ejercicio.
Podemos concluir mediante el Coeficiente de determinación que el modelo es confiable con
un 51, 57%
Nuestra ecuación de esta regresión múltiple seria
Y = a + b1x1 + b2x2 + ….. bkxk
y = -6.3365 + 0.3073 (x1) + 0.1105 (x2) + 0.3231 (x3) + 0.3642 (x4)
por lo tanto, esta ecuación nos serviría para calcular en el caso que hubiera el 16 alumno,
podríamos ver la relación que tiene con el promedio general
por ejemplo, si tenemos un estudiante que tiene un 40 en matemáticas, 50 en lenguaje, 55
en Cs Naturales, y 58 en Historia, este alumno tendría el siguiente promedio

y = -6.3365+ 0.3073 (40) + 0.1105 (50) + 0.3231 (55) + 0.3642 (58)

promedio general = 50.37

También se puede señalar que por ejemplo al calcular el promedio, si hay un aumento por
punto en Historia será la mayor asignatura que incluya en el promedio con unos 0,3642
puntos, siendo lenguaje el que tendrá menos influencia teniendo con 0,1105 puntos de
influencia.

La correlación de este ejercicio la calcularemos sacando la raíz cuadrada al coeficiente de

determinación, es decir, √ 0,515772432 = 0.7181729819
Por lo tanto, estos datos tienen una correlación de 0.7181, lo que se considera una
correlación positiva moderada con las variables que se realizaron con el promedio general.

También tenemos el dato de error típico, en este caso es de 4,57, esto quiere decir que esta
cifra es el margen que podría variar el cálculo del promedio según los datos obtenidos.
 CONCLUSION

Como he visto al desarrollar este Módulo Métodos Cuantitativos para la gestión, hemos
conocidos varios métodos matemáticos que realizan cálculos estadísticos. Estos pueden ser
aleatorios y/o deterministas
Para poder elegir el método correcto, tenemos que considerar algunos factores para que el
cálculo que se realice sea el adecuado para las necesidades de nuestra organización.
 Cuál es el problema o que queremos lograr con el cálculo.
 Después hay q ver estudios anteriores si lo existieran para el problema que tenemos
 Ver el marco teórico, ósea con que teoría o hipótesis contamos para el método
 Recolectar los datos e información que tenemos para lograr la solución del problema.
 Elegir el método que satisfaga de mejor forma el problema

Con el análisis de los datos podemos lograr predecir datos concretos que nos servirá para
lograr mayor eficacia y eficiencia en nuestra gestión de administración de la organización.
En el módulo vimos métodos:
Programación Lineal: en el cual se puede proyectar maximizando o minimizando la
información para lograr proyecciones a futuro, un ejemplo que nos sirve es cuando
queremos sacar el máximo de ganancias de nuestros productos, así encontrando la
mezcla de suministros para nuestro producto, elevemos nuestras ganancias.
Punto de equilibrio: Es un método que calcula el punto justo en que los costos se igualan
a los ingresos. Por lo cual es el punto en obtendremos perdidas y desde cuanto
empezaremos a tener ganancias.
Cadenas de Markov: esta conserva una secuencia durante el tiempo que nos hace
proyectar como podemos prepararnos dependiendo al tiempo que vamos a enfrentar, por
ejemplo, este cálculo nos hace proyectar demandas de productos que nos hace que
podemos enfrentar al máximo las ventas en donde la demanda sea mayor y prepararnos
además de reducir costos con esta proyección.
Regresión Lineal simple y múltiple, estas regresiones nos permite calcular como o que
tendencia tienen los datos obtenidos, mediante una variable dependiente y una
independiente (lineal simple) y más de dos variables independientes (lineal múltiple).

Como vemos hemos conocidos métodos que ayudan a proyectar ventas, demandas,
estimaciones, comportamientos, etc., que al ocupar estas herramientas podemos
optimizar los recursos de la organización y ser más certeros en las proyecciones para
nuestra empresa.
 BIBLIOGRAFIA

Freile, I. C. (06 de 11 de 2021). Youtuve. Obtenido de youtuve:

https://www.youtube.com/watch?v=OnKgKp8IeMs
IBM. (01 de 11 de 2022). IBM. Obtenido de IBM: https://www.ibm.com/docs/es/cognos-
analytics/11.1.0?topic=tests-multiple-linear-regression