PROYECTO PRÁCTICO

“Proyecto practico”
Palma Dulce

CITA:

https://la.mathworks.com/discovery/linear-regression.html

https://www.ibm.com/docs/es/spss-statistics/SaaS?topic=regression-nonlinear

https://www.pricing.cl/conocimiento/series-de-tiempo/
 RESUMEN

Durante el curso de estadística inferencial II hemos visto que suele hacerse para ver

si dos variables aleatorias están relacionadas o no siendo X e Y; siendo Y la variable

dependiente, y X la variable independiente, teniendo una toma de muestra aleatoria. En

cada individuo de la muestra se analizan las dos características en estudio, de modo

que para cada individuo se tenga un par de valores a los que se les conoce como (xᵢ,

yᵢ), se representan dichos valores dentro de los ejes cartesianos, dando lugar a un

diagrama.

El objetivo principal de un modelo de regresión es el explicar la relación que existe

entre una variable dependiente Y un conjunto de variables independientes. Entro de

esto tenemos el modelo de regresión lineal simple el cual explicar la relación que existe

entre la variable respuesta Y y la variable explicativa X.

Siendo el objetivo el principal del curso es el aprender a ajustar modelos lineales o

linealizables entre una variable dependiente y más de una variables independientes asi

como el entender lo que se está haciendo en cada momento porque estos principios

sirven para prácticamente todos los modelos que se emprendan a continuación y

después, con modelos más complejos y menos intuitivos, serán más difíciles de

comprender; para la resolución de problemas propuestos, ejercicios que veremos a

continuación para encontrar una solución.

 ABSTRACT

During the statistics course II we have seen that it is usually done to see if two

random variables are related or not being X and Y; where Y is the dependent variable,

and X is the independent variable, taking a random sample. In each individual in the

sample, the two characteristics under study are analyzed, so that for each individual

there is a pair of values ​known as (xᵢ, yᵢ), these values ​are represented within the

Cartesian axes, giving place to a diagram.

The main objective of a regression model is to explain the relationship that exists

between a dependent variable and a set of independent variables. Among this we have

the simple linear regression model which explains the relationship that exists between

the response variable Y and the explanatory variable X.

Being the main objective of the course is to learn to adjust linear or linearizable

models between a dependent variable and more than one independent variables as well

as to understand what is being done at each moment because these principles are used

for practically all the models that are undertaken. next and after, with more complex and

less intuitive models, they will be more difficult to understand; For the resolution of

proposed problems, exercises that we will see below to find a solution.

 INTRODUCCIÓN

La importancia regresión lineal múltiple, no lineal y series de tiempos

En este documento se investigarán los modelos matemáticos de regresión lineal

múltiple, el método no lineal y serie de tiempos. Podremos definir la regresión lineal

múltiple como la extensión del modelo de regresión lineal simple.

Este tipo de regresión puede utilizarse cuando queremos conocer la fuerza del efecto

que las variables independientes tienen en una variable dependiente. También se utiliza

para entender cómo cambia la variable dependiente cuando cambiamos las variables

independientes. el método no lineal es una ecuación que describe la relación no lineal

entre la variable respuesta y la variable predictora cuando esta no puede ser formada

adecuadamente mediante una relación lineal, es decir, se utilizan cuando los datos no

se ajustan a la recta de mejor ajuste tanto como el investigador quisiera, entonces se

debe de tomar otras opciones como una relación: logarítmica, exponencial, potencial,

polinomial, entre muchas más.

Las series de tiempo son pronósticos, o predicciones, son una herramienta esencial en

cualquier proceso de toma de decisiones. Sus aplicaciones varían desde la

determinación de los requerimientos de inventario de una pequeña zapatería hasta la

estimación de las ventas anuales de juegos de video. La calidad de los pronósticos que

los tomadores de decisiones pueden realizar está estrechamente relacionada con la

información que puede extraerse y utilizar a partir de los datos históricos. El análisis de
series de tiempo es un método cuantitativo que utilizamos para determinar patrones de

comportamiento en los datos recolectados a través del tiempo.

MARCO TEÓRICO

1. Regresión lineal

La regresión lineal es una técnica de modelado estadístico que se emplea para

describir una variable de respuesta continua como una función de una o varias

variables productoras. Puede ayudar a comprender y predecir el comportamiento de

sistemas complejos o a analizar datos experimentales, financieros y biológicos.

Las técnicas de regresión lineal permiten crear un modelo lineal. Este modelo

describe la relación entre una variable dependiente y (también conocida como la

respuesta) como una función de una o varias variables independientes Xi

(denominadas predictores). La ecuación general correspondiente a un modelo de

regresión lineal es:

Y=β0+∑ βiXi+ϵi

Donde β representa las estimaciones de parámetros lineales que se deben calcular

y ϵ representa los términos de error.

1.1 Regresión lineal múltiple: modelos que utilizan múltiples predictores. Esta

regresión tiene múltiples Xi para predecir la respuesta, Y. Este es un ejemplo de la

ecuación:
 Y=β0+β1X1+β2X2+ϵ

1.2 Aplicaciones de la regresión lineal: La regresión lineal cuenta con ciertas

características ideales para las siguientes aplicaciones:

● Predicción o pronóstico: utilice un modelo de regresión para crear un modelo de

pronóstico para un conjunto de datos específico. A partir de la moda, puede usar

la regresión para predecir valores de respuesta donde solo se conocen los

predictores.

● Fuerza de la regresión: utilice un modelo de regresión para determinar si existe

una relación entre una variable y un predictor, y cuán estrecha es esta relación.

2. Regresión no lineal

En estadística, la regresión no lineal es un problema de inferencia para un modelo

tipo: y fx = ( ,θ ) + ε basado en datos multidimensionales x , y , donde f es alguna

función no lineal respecto a algunos parámetros desconocidos θ . Como mínimo, se

pretende obtener los valores de los parámetros asociados con la mejor curva de ajuste

(habitualmente, con el método de los mínimos cuadrados). Con el fin de determinar si

el modelo es adecuado, puede ser necesario utilizar conceptos de inferencia

estadística tales como intervalos de confianza para los parámetros así como pruebas

de bondad de ajuste.

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.

3. Serie de tiempo

Una serie de tiempo es una secuencia de datos u observaciones, medidos en

determinados momentos y ordenados cronológicamente. Visualmente, es una curva

que evoluciona en el tiempo. Es un conjunto de observaciones sobre los valores que

toma una variable (cuantitativa) a través del tiempo. Por tanto, una serie de tiempo es

una forma estructurada de representar datos.

Los datos se pueden comportar de diferentes maneras a través del tiempo: puede

que se presente una tendencia, estacionalidad o simplemente no presenten una forma

definida.

Todo pronóstico tiene asociado un alcance, pudiendo ser de corto, mediano o largo

plazo. A modo general se presenta la siguiente tabla resumen, no obstante el alcance

varía de acuerdo a la industria.

ALCANCE HORIZONTE DE PLANIFICACIÓN DECISIONES

Corto Plazo < 3 meses Operativas

Mediano Plazo > 3 meses y < 3 años Tácticas

Largo Plazo > 3 años Estratégicas

3.1 Aplicaciones de las series de tiempo

Representar los datos del negocio como series de tiempo suele ayudar a las

empresas a visualizar la actividad del negocio. A su vez, usualmente las series de

tiempo se utilizan para predecir el comportamiento futuro de la variable medida.

A modo de ejemplo, el siguiente gráfico presenta la serie de tiempo de las ventas de

un producto. A simple vista, se aprecia una cierta estacionalidad. Durante los meses de

verano (Diciembre-Febrero) baja la venta, mientras sube en invierno.

Predicción de series de tiempo

 La predicción de series de tiempo significa que se extienden los valores históricos de

la serie al futuro, donde aún no se han hecho mediciones. Para llevar a cabo el

pronóstico se definen dos variables principales: cantidad de períodos y horizonte de

predicción. La cantidad de períodos representa el nivel de agregación de los datos.

Usualmente los datos se encuentran por meses, semanas o días, permitiendo obtener

el grado necesario de desagregación para sacar correctas conclusiones. Por su parte,

el horizonte de planificación representa el número de períodos futuros o alcance a

pronosticar.

METODOLOGÍA

1.- Se pretende estudiar la posible relación lineal entre el precio de pisos en miles de

euros, en una conocida ciudad española y variables como la superficie en m2 y la

antigüedad del inmueble en años. Para ello, se realiza un estudio, en el que se

selecciona de forma aleatoria una muestra estratificada representativa de los distintos

barrios de la ciudad. Los datos aparecen en la siguiente tabla.

2. Savings and Loan contiene 25 observaciones por año de las variables. Utilizaremos

estos datos para desarrollar un modele lineal que prediga el margen anual de

beneficios en funci6n de los ingresos por dólar depositado y del número de oficinas.
3.- El Gobierno Municipal de Aguascalientes desea estimar la recaudación de adeudos

en los servicios públicos en función de los gastos de publicidad en TV y en volante de

los descuentos disponibles que ofrece a sus habitantes. ¡Los datos! históricos de una

muestra de" semanas son los siguientes:

4.Usando los siguientes datos, consumo nacional (C₁) y renta nacional (R₁) en España

para 1995-2005 a precios corrientes ( 10⁹ euros), obtenga las estimaciones por MCO,
así como las sumas de cuadrados total, explicada y residual, y el coeficiente de

determinación, para el modelo de regresión C₁=B₁ + B₂ R₁+ U₁.

II.- regresión no lineal

5.- En la empresa VENPLASA, que se dedica a la venta a plazos, se registró el

siguiente volumen de ventas anuales (en millones de pesos)

6.- En la empresa PRESTAMOS, que se dedica a la venta a plazos, se registró el siguiente volumen de

ventas anuales (en millones de pesos).

II.- SERIE DE TIEMPOS

7.- Hay días que viene mucha gente, y no doy abasto... Y otros días, nos quedamos

mirándonos la cara porque no entra nadie... Los días que estamos colmados de gente,

perdemos algunos clientes que no quieren esperar tanto...Tengo la posibilidad de tomar

peluqueros por el día, siempre y cuando les avise con una semana de anticipación.
8.- Los datos trimestrales de ventas (número de productos que se venden) de una

empresa de cosméticos en los últimos 3 años son los siguientes:

9.- En la empresa de plástico, que se dedica a la venta de juguete, se registró el

siguiente volumen de ventas cuatrimestres (en millones de peos) durante los años

2017, 2018, 2019 y 2020.

10.- elabore un caso practico que conozca (tienda, panadería, herrería, tu salario, covid

19 en la cuadra, gasto para la comida, clientes de algún negocio etc

Conclusión

En conclusión tenemos diferentes formas de realizar o dar solución dentro de un

problema vistos 3 los cuales son con fórmulas en Excel, en análisis de datos, a mano

(en el cuaderno) o bien con ayuda de aplicaciones como lo son el minitab en donde se

abarca que los tres modelos matemáticos de estadística inferencial, los cuales nos

sirve para determinar soluciones más acertadas para los problemas que nos podemos

encontrar en nuestro desarrollo como ingenieros industriales. Visto así todos los

métodos son diferentes lo que tienen en común es que utilizan variables para

determinar una posible respuesta más acertada, casi precisa.

Referencias
Anexos