Documentos de Académico
Documentos de Profesional
Documentos de Cultura
El análisis de regresión lineal es una técnica estadística utilizada para estudiar la regresión entre
variable. Se adapta a una amplia variedad de situaciones. Esta investigación social, el análisis de
regresiones usa para presidir un amplio rango de fenómenos desde medidas económicas hasta
diferentes aspectos del comportamiento humano. En contexto de la investigación de mercados
pueden utilizarse para determinar en cual de diferentes medios de comunicación puede resultar más
eficaz invertir o para presidir el número de ventas de un determinado producto
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.
PRONÓSTICO Y REGRESIÓN (ANALISIS)
Regresión es un proceso estadístico para estimar las relaciones entre variables. Incluye
muchas técnicas para el modelado y análisis de diversas variables, cuando la atención se centra
en la relación entre una variable dependiente y una o más variables independientes (o
predictores). Más específicamente, el análisis de regresión ayuda a entender cómo el valor de la
variable dependiente varía al cambiar el valor de una de las variables independientes,
manteniendo el valor de las otras variables independientes fijas.
TIPOS DE REGRESIÓN
La regresión lineal simple examina la relación lineal entre dos variables continuas:
una respuesta (Y) y un predictor (X). Cuando las dos variables están relacionadas, es
posible predecir un valor de respuesta a partir de un valor predictor con una exactitud
mayor que la asociada únicamente a las probabilidades.
Ejemplos:
Estudiar cómo influye la estatura del padre sobre la estatura del hijo.
40
35
30
25
NÚMERO DE
20
RECHAZOS
15
10
0
0 5 10 15
SEMANA DE EXPERIENCIA
COVARIANZA
La covarianza aprovecha esta característica señalada en la transparencia anterior (al emplear el
producto de las puntuaciones diferencias de X e Y). He aquí la fórmula:
X i X Yi Y
sxy i 1
n
En el caso 1, la covarianza será un valor positivo, y en el caso 2, la covarianza será un valor negativo.
Por tanto la covarianza nos da una idea de si la relación entre X e Y es positiva o negativa.
X i X Yi Y
rxy
sxy
rxy i 1
sx s y
n sx s y
obs X Y
1 67 481
2 52 292
3 56 357
4 66 396
5 65 345
6 80 469
7 77 425
8 65 393
9 68 346
10 66 401
11 70 267
12 59 368
13 58 295
14 52 391
15 64 487
16 72 481
17 57 374
18 59 367
19 70 469
20 63 252
Promedios: 64,3 382,8
Calcularemos de la covarianza entre estas dos variables.
Covarianza
Por tanto, es una medida estadística que cuantifica la dependencia lineal entre dos variables, es decir, si se
representan en un diagrama de dispersión los valores que toman dos variables, el coeficiente de correlación
lineal señalará lo bien o lo mal que el conjunto de puntos representados se aproxima a una recta.
La podemos definir como el número que mide el grado de intensidad y el
sentido de la relación entre dos variables.
Siendo:
Hablamos de correlación positiva si siempre que el valor «x» sube, el valor «y» sube, y
además con la misma intensidad (+1).
En el caso opuesto, si siempre que el valor «x» sube, y el valor «y» baja, y además con la
misma intensidad, entonces estamos hablando de
REPRESENTACIÓN GRÁFICA DE LA
CORRELACIÓN
Correlación perfecta positiva:
No hay correlación:
RECTA DE REGRESIÓN DE MÍNIMOS CUADRADOS
Es un procedimiento de análisis numérico en la que, dados un conjunto de datos (pares ordenados y familia de
funciones), se intenta determinar la función continua que mejor se aproxime a los datos (línea de regresión o la
línea de mejor ajuste), proporcionando una demostración visual de la relación entre los puntos de los
mismos. En su forma más simple, busca minimizar la suma de cuadrados de las diferencias ordenadas
(llamadas residuos) entre los puntos generados por la función y los correspondientes datos.
Σ Es el símbolo sumatoria de todos los términos, mientas (x, y) son los datos en estudio y n la
cantidad de datos que existen.
En segundo lugar, faltaría dividir entre T. Que, en otros casos, se nota como N o número
de observaciones. Sin embargo, dado que la fórmula del denominador también la
llevaría, eliminamos los denominadores (parte de abajo) de ambas fórmulas para
simplificar la expresión. De esta manera es más fácil trabajar con ella.
A continuación, vamos a realizar el mismo análisis con la parte del denominador (parte
de abajo).
CONSECUENCIAS
PARTICIÓN DE LA VARIANZA DE Y, 𝑺𝒙𝟐
INVARIANZA DEL COEFICIENTE DE REGRESIÓN
Y DEL ÍNDICE DE CORRELACIÓN