Universidad de Guayaquil

Facultad de Ciencias Administrativas

MATERIA

Administración de Operaciones

TEMA
MÉTODO DE REGRESIÓN LINEAL PARA PRONÓSTICOS
DOCENTE

ING. Emilio Flores Villacrés

INTEGRANTES GRUPO # 5

1 CEDEÑO JAMA ODALIS MISHELLE

2 LEON ROMERO DAYANA YIMABEL
3 MORA REYES ALLISON MICHELLE
4 VALDEZ VERA PAOLA DANIELA
Contenido
Tabla de contenido........................................................................................................................2
Introducción..................................................................................................................................3
Desarrollo......................................................................................................................................3
Conclusión.....................................................................................................................................4
Referencias....................................................................................................................................6
Introducción
Los modelos de regresión lineal son relativamente simples y proporcionan una fórmula
matemática fácil de interpretar para generar predicciones. La regresión lineal es una técnica
estadística establecida y se aplica fácilmente al software y a la computación. Las empresas lo
utilizan para convertir datos sin procesar de manera confiable y predecible en inteligencia
empresarial y conocimiento práctico. Los científicos de muchos campos, incluidas la biología y
las ciencias del comportamiento, ambientales y sociales, utilizan la regresión lineal para realizar
análisis de datos preliminares y predecir tendencias futuras. Muchos métodos de ciencia de datos,
como el machine learning y la inteligencia artificial, utilizan la regresión lineal para resolver
problemas complejos.
En esencia, es una técnica de regresión lineal simple intenta trazar un gráfico lineal entre dos
variables de datos, x e y. Como variable independiente, x se traza a lo largo del eje horizontal.
Las variables independientes también se denominan variables explicativas o variables
predictivas. La variable dependiente, y, se traza en el eje vertical. También puede hacer
referencia a los valores y como variables de respuesta o variables pronosticadas.
En el machine learning, los programas de computación denominados algoritmos analizan grandes
conjuntos de datos y trabajan hacia atrás a partir de esos datos para calcular la ecuación de
regresión lineal. Los científicos de datos primero entrenan el algoritmo en conjuntos de datos
conocidos o etiquetados y, a continuación, utilizan el algoritmo para predecir valores
desconocidos. Los datos de la vida real son más complicados que el ejemplo anterior. Es por eso
que el análisis de regresión lineal debe modificar o transformar matemáticamente los valores de
los datos para cumplir con los siguientes cuatro supuestos.
Relación lineal
Debe existir una relación lineal entre las variables independientes y las dependientes. Para
determinar esta relación, los científicos de datos crean una gráfica de dispersión (una colección
aleatoria de valores x e y) para ver si caen a lo largo de una línea recta. De lo contrario, puede
aplicar funciones no lineales, como la raíz cuadrada o el registro, para crear matemáticamente la
relación lineal entre las dos variables.
Independencia residual
Los científicos de datos utilizan residuos para medir la precisión de la predicción. Un residuo es
la diferencia entre los datos observados y el valor previsto. Los residuos no deben tener un patrón
identificable entre ellos. Por ejemplo, no querrá que los residuos crezcan con el tiempo. Puede
utilizar diferentes pruebas matemáticas, como la prueba de Durbin-Watson, para determinar la
independencia residual.
Normalidad
Las técnicas de representación gráfica, como las gráficas Q-Q, determinan si los residuos se
distribuyen normalmente. Los residuos deben caer a lo largo de una línea diagonal en el centro de
la gráfica. Si los residuos no están normalizados, puede probar los datos para detectar valores
atípicos aleatorios o valores que no sean típicos. Eliminar los valores atípicos o realizar
transformaciones no lineales puede solucionar el problema.
Homocedasticidad
La homocedasticidad supone que los residuos tienen una variación constante o desviación
estándar de la media para cada valor de x. De lo contrario, es posible que los resultados del
análisis no sean precisos. Si no se cumple esta suposición, es posible que tenga que cambiar la
variable dependiente. Dado que la variación se produce de forma natural en grandes conjuntos de
datos, tiene sentido cambiar la escala de la variable dependiente. Por ejemplo, en lugar de usar el
tamaño de la población para predecir la cantidad de estaciones de bomberos en una ciudad,
podría usar el tamaño de la población para predecir la cantidad de estaciones de bomberos por
persona.
Desarrollo

El método de regresión lineal es un enfoque estadístico utilizado para predecir valores futuros
basados en una relación lineal entre una variable dependiente y una o más variables
independientes. A continuación, se presenta el desarrollo del método de regresión lineal para
pronósticos:
1. Recopilación de datos: El primer paso consiste recopilar datos relevantes para las variables
dependientes e independientes. os datos deben ser lo más completos y representativos
posible.
2. Análisis exploratorio de datos: Antes de aplicar el método de regresión lineal, es
importante realizar unisisatorio de los datos. Esto implica calcular estadísticas
descriptivas, como medias, desviaciones estándar y correlaciones, para comprender la
relación entre las variables.
3. Selección de variables: Si hay múltiples variables independientes, es necesario seleccionar
ellas que tengan una mayor influencia en la variable dependiente. Esto se puede hacer
mediante pruebas de significancia estadística o utilizando técnicas de selección de
variables, como la regresión stepwise.
4. Ajuste del modelo de regresión: Una vez seleccionadas las variables independientes, se
procede a ajustar el modelo de regresión lineal. El objetivo es encontrar la mejor línea
recta que se ajuste a los datos existentes. Esto se logra minimizando la suma de los errores
cuadrados entre los valores observados y los pronosticados por el modelo.
5. Evaluación del modelo: Una vez ajustado el modelo, es fundamental evaluar su calidad.
Se utilizan medidas como eficiente de determinación (R-cuadrado), el error estándar de la
estimación y las pruebas de significancia de los coeficientes de regresión para evaluar su
precisión y fiabilidad.
6. Pronóstico de valores futuros: Una vez que se ha validado el modelo, se puede utilizar
para hacer pronósticos de valores futuros. A partir de los valores de las variables
independientes, el modelo calcula los valores pronosticados de la variable dependiente.
7. Monitoreo y actualización del modelo: Es importante monitorear regularmente el
rendimiento del modelo y
actualizarlo si es necesario. A
medida que tengan nuevos
datos, se pueden realizar
ajustes y mejoras en el
modelo de regresión lineal para
mejorar su precisión y
rendimiento.
Conclusión

La regresión lineal se
utiliza en todo, desde las
ciencias biológicas,
conductuales,
ambientales y sociales hasta
en los negocios. Los modelos
de regresión lineal se han
convertido en una forma
comprobada de predecir
el futuro de forma
científica y
confiable. Como la regresión
lineal es un procedimiento
estadístico establecido hace
mucho tiempo, las
propiedades de sus modelos
de regresión lineal se conocen
bien y
pueden enseñarse muy rápido.
Por ejemplo, el análisis de los
datos de ventas y compras
puede ayudarle a descubrir
patrones de compra
específicos para días o
momentos determinados. Los
insights que
se recopilan de los análisis de
regresión pueden ayudar a
que los líderes de empresas
anticipen los momentos en los
cuales los productos tendrán
una demanda alt
La regresión lineal se
utiliza en todo, desde las
ciencias biológicas,
conductuales,
ambientales y sociales hasta
en los negocios. Los modelos
de regresión lineal se han
convertido en una forma
comprobada de predecir
el futuro de forma
científica y
confiable. Como la regresión
lineal es un procedimiento
estadístico establecido hace
mucho tiempo, las
propiedades de sus modelos
de regresión lineal se conocen
bien y
pueden enseñarse muy rápido.
Por ejemplo, el análisis de los
datos de ventas y compras
puede ayudarle a descubrir
patrones de compra
específicos para días o
momentos determinados. Los
insights que
se recopilan de los análisis de
regresión pueden ayudar a
que los líderes de empresas
anticipen los momentos en los
cuales los productos tendrán
una demanda alt
La regresión lineal se
utiliza en todo, desde las
ciencias biológicas,
conductuales,
ambientales y sociales hasta
en los negocios. Los modelos
de regresión lineal se han
convertido en una forma
comprobada de predecir
el futuro de forma
científica y
confiable. Como la regresión
lineal es un procedimiento
estadístico establecido hace
mucho tiempo, las
propiedades de sus modelos
de regresión lineal se conocen
bien y
pueden enseñarse muy rápido.
Por ejemplo, el análisis de los
datos de ventas y compras
puede ayudarle a descubrir
patrones de compra
específicos para días o
momentos determinados. Los
insights que
se recopilan de los análisis de
regresión pueden ayudar a
que los líderes de empresas
anticipen los momentos en los
cuales los productos tendrán
una demanda alt
La regresión lineal se
utiliza en todo, desde las
ciencias biológicas,
conductuales,
ambientales y sociales hasta
en los negocios. Los modelos
de regresión lineal se han
convertido en una forma
comprobada de predecir
el futuro de forma
científica y
confiable. Como la regresión
lineal es un procedimiento
estadístico establecido hace
mucho tiempo, las
propiedades de sus modelos
de regresión lineal se conocen
bien y
pueden enseñarse muy rápido.
Por ejemplo, el análisis de los
datos de ventas y compras
puede ayudarle a descubrir
patrones de compra
específicos para días o
momentos determinados. Los
insights que
se recopilan de los análisis de
regresión pueden ayudar a
que los líderes de empresas
anticipen los momentos en los
cuales los productos tendrán
una demanda alt
La regresión lineal se
utiliza en todo, desde las
ciencias biológicas,
conductuales,
ambientales y sociales hasta
en los negocios. Los modelos
de regresión lineal se han
convertido en una forma
comprobada de predecir
el futuro de forma
científica y
confiable. Como la regresión
lineal es un procedimiento
estadístico establecido hace
mucho tiempo, las
propiedades de sus modelos
de regresión lineal se conocen
bien y
pueden enseñarse muy rápido.
Por ejemplo, el análisis de los
datos de ventas y compras
puede ayudarle a descubrir
patrones de compra
específicos para días o
momentos determinados. Los
insights que
se recopilan de los análisis de
regresión pueden ayudar a
que los líderes de empresas
anticipen los momentos en los
cuales los productos tendrán
una demanda alt
La regresión lineal se
utiliza en todo, desde las
ciencias biológicas,
conductuales,
ambientales y sociales hasta
en los negocios. Los modelos
de regresión lineal se han
convertido en una forma
comprobada de predecir
el futuro de forma
científica y
confiable. Como la regresión
lineal es un procedimiento
estadístico establecido hace
mucho tiempo, las
propiedades de sus modelos
de regresión lineal se conocen
bien y
pueden enseñarse muy rápido.
Por ejemplo, el análisis de los
datos de ventas y compras
puede ayudarle a descubrir
patrones de compra
específicos para días o
momentos determinados. Los
insights que
se recopilan de los análisis de
regresión pueden ayudar a
que los líderes de empresas
anticipen los momentos en los
cuales los productos tendrán
una demanda alt
La regresión lineal se utiliza en todo, desde las ciencias biológicas,
conductuales, ambientales y sociales hasta en los negocios. Los modelos de regresión
lineal se han convertido en una forma comprobada de predecir el futuro de
forma científica y confiable. Como la regresión lineal es un procedimiento estadístico
establecido hace mucho tiempo, las propiedades de sus modelos de regresión lineal se
conocen bien y pueden enseñarse muy rápido. Por ejemplo, el análisis de los datos de
ventas y compras puede ayudarle a descubrir patrones de compra específicos para días o
momentos determinados. Los insights que se recopilan de los análisis de regresión pueden
ayudar a que los líderes de empresas anticipen los momentos en los cuales los productos
tendrán una demanda alta.
Referencias

IBM. (Recuperado 2022). Regresión lineal. Obtenido de https://www.ibm.com/mx-

es/analytics/learn/linear-regression
MathWorks. (Recuperado 2022). ¿Qué es la regresión lineal? Obtenido de
https://la.mathworks.com/discovery/linear-regression.html
Walpole, R., Myers, R., Myers, S., & Ye, K. (2012). Probabilidad y Estadística para
Ingenería y Ciencias. Ciudad de México: Pearson.