TRABAJO DE INVESTIGACIÓN DE REGRESIÓN LINEAL

1. Indique los cuatro tipos de Regresión

Regresión lineal simple

La regresión lineal simple se basa en estudiar los cambios en una variable, no

aleatoria, afectan a una variable aleatoria, en el caso de existir una relación funcional

entre ambas variables que puede ser establecida por una expresión lineal, es decir, su

representación gráfica es una línea recta. Es decir, se esta en presencia de una

regresión lineal simple cuando una variable independiente ejerce influencia sobre otra

variable dependiente.

Ejemplo: Y = f(x)

Regresión lineal múltiple

La regresión lineal permite trabajar con una variable a nivel de intervalo o razón,

así también se puede comprender la relación de dos o más variables y permitirá

relacionar mediante ecuaciones, una variable en relación a otras variables

llamándose Regresión múltiple. O sea, la regresión lineal múltiple es cuando dos o

más variables independientes influyen sobre una variable dependiente.

Ejemplo: Y = f(x, w, z).

Regresión no lineal:

Regresión no lineal es un método para encontrar un modelo no lineal para la

relación entre la variable dependiente y un conjunto de variables independientes.

A diferencia de la regresión lineal tradicional, que está restringida a la estimación

de modelos lineales, la regresión no lineal puede estimar modelos con relaciones

arbitrarias entre las variables independientes y las dependientes. Esto se lleva a

cabo usando algoritmos de estimación iterativos. Tenga en cuenta que este

procedimiento no es necesario para los modelos polinómicos simples de la forma

Y = A + BX**2. Definiendo W = X**2, obtenemos un modelo lineal simple, Y = A +

BW, que se puede estimar usando métodos tradicionales como el procedimiento

Regresión lineal.

Regresión lineal:

En estadística la regresión lineal o ajuste lineal es un modelo matemático usado

para aproximar la relación de dependencia entre una variable dependiente Y,

las variables independientes Xi y un término aleatorio ε.

2. ¿Qué es pronosticar?

El pronóstico es el proceso de estimación en situaciones de incertidumbre. El

término predicción es similar, pero más general, y usualmente se refiere a la

estimación de series temporales o datos instantáneos. El pronóstico ha

evolucionado hacia la práctica del plan de demanda en el pronóstico diario de los

negocios. La práctica del plan de demanda también se refiere al pronóstico de la

cadena de suministros.

Por consiguiente, los pronósticos son procesos críticos y continuos que se

necesitan para obtener buenos resultados durante la planificación, de un proyecto.

Si los clasificamos respecto al tiempo que abarcan, se puede clasificar en:

 Pronósticos a corto plazo: En las empresas modernas, este tipo de pronóstico

se efectúa cada mes o menos, y su tiempo de planeación tiene vigencia de un

año. Se utiliza para programas de abastecimiento, producción, asignación de

mano de obra a las plantillas de trabajadores, y planificación de los

departamentos de fabricación.

 Pronósticos a mediano plazo : Abarca un lapso de seis meses a tres años. Este

se utilizan para estimar planes de ventas, producción, flujos de efectivo y

elaboración de presupuestos.

 Pronósticos a largo plazo: Este tipo de pronóstico se utiliza en la planificación

de nuevas inversiones, lanzamiento de nuevos productos y tendencias

tecnológicas de materiales, procesos y productos, así como en la preparación

de proyectos.

3. ¿Cuál es el objetivo del análisis de regresión como método causal?

El objetivo del análisis de regresión como método causal es pronosticar

la demanda a partir de una o más causas (variables independientes),

las cuales pueden ser por ejemplo el tiempo, precios del producto o

servicio, precios de la competencia, economía del país, acciones del

gobierno o fomentos publicitarios.

4. Indique algunos ejemplos de variables independientes

 la variable independiente también se le conoce como como

‘manipulada’, ya que debido a ella, puede dar como resultado varios

ejemplos de variables dependientes. Se dice que en un experimento no

 suele haber más de dos variables independientes. Porque sino, los

resultados pueden no ser del todo fiables. Se trata de una variable que está

aislada de otros factores y es por este motivo por el cual, hay una

manipulación de carácter experimental. Consiguiendo así resultados que

pueden ser analizados. Hay que decir que, en una función, el valor de la

variable independiente se puede fijar de manera libre y es un tipo de valor

que no depende de ninguna otra.

 Número de horas de que tiene un día. Es algo que no depende de ningún

tipo de estación, sino que es un valor predeterminado. Eso sí, por ejemplo

las horas de sol ya dependerán del mes o de la estación en la que nos

encontremos.

 La deshidratación es el efecto o variable dependiente de las horas que has

dejado al cuerpo sin proporcionarle agua. Así que, las horas sin beber es la

variable independiente.

5. ¿Qué nos indica el coeficiente de correlación?

El Coeficiente de correlación es una medida que permite conocer el grado de

asociación lineal entre dos variables cuantitativas (X, Y).

En los siguientes Diagramas de dispersión se puede observar que existe una

relación lineal entre la variable X y la variable Y.

Sin embargo si trazamos una linea recta en los diagramas.

Podemos observar que en un diagrama B los puntos se acercan mas a la recta,

caso contrario en el diagrama A, los puntos están mas alejados. Entonces

podemos decir que la relación lineal del diagrama A es mas débil con comparación

a la relación que existe en el diagrama B.

Un diagrama dispersión no nos da certeza de que tan débil o fuerte es la relación

lineal, necesitamos una medida que nos de la fuerza de la asociación y la

dirección que toma esta relación.

Para esto sirve el coeficiente de correlación que esta dado por la siguiente

formula.

¿De donde sacamos estos valores?

Recordar entonces que el coeficiente de relación lineal, mide la fuerza y el sentido

de la relación lineal entre 2 variables cuantitativas.

Luego de haber aplicado la formula, según el resultado se puede clasificar en este

rango.
Entre mas cercano es a 1 es mas fuerte, entre mas cercano a 0 es débil hasta

llegar hacerse nula, si los valores del coeficiente de relación es -1 es

una Asociación lineal perfecta Negativa, si es 0 no existe relación y si es 1 es

una Asociación Lineal perfecta Positiva.

¿Entonces como identificamos cuan dispersos son los puntos de la linea recta?.

Con la siguiente tabla podemos clasificar nuestros resultados y responder esta

interrogante.