Este documento presenta información sobre modelos estadísticos como regresión simple, regresión múltiple y series de tiempo, los cuales permiten realizar pronósticos y explicar el comportamiento de variables. Incluye definiciones de conceptos clave como coeficiente de correlación, coeficiente de determinación, y componentes de series temporales. Se recomienda el estudio de estos temas para tomar decisiones informadas y se proveen ejemplos de su aplicación.
Presentación de Estrategias de Enseñanza-Aprendizaje Virtual.pptx
Regresión múltiple y pronósticos
1. UNIVERSIDAD
MARIANO GALVEZ
MAESTRIA EN DIRECION Y GESTIÓN DEL RECURSO
HUMANO
CURSO MODELO PARA LA TOMA DE DECISIONES
LIC. RODRIGO ZEBADÚA
SESIÓN 1
TEMA:
IV PRONÓSTICOS
ALUMNA: Leydi Iveth Villafuerte Monroy
CARNET: 0232089742
Chiquimula 28 de febrero de 2014.
2. INTRODUCCION
Como la Estadística Inferencial nos permite trabajar con una
variable a nivel de intervalo o razón, así también se puede
comprender la relación de dos o más variables y nos permitirá
relacionar mediante ecuaciones, una variable en relación de
la otra variable llamándose Regresión Lineal y una variable en
relación a otras variables llamándose Regresión múltiple. Es
evidente que lo más económico y rápido para modelar el
comportamiento de una variable Y es usar una sola variable
pre editora y usar un modelo lineal. Pero algunas veces es
bastante obvio de que el comportamiento de Y es imposible
que sea explicada en gran medida por solo una variable.
3. Modelo de regresión simple:
El objetivo es explicar el comportamiento de una
variable cuantitativa de interés Y (consumo de
gasolina de un coche hibrido, temperatura del
agua marina) como función de otra variable
cuantitativa X observable (velocidad del vehículo
en ciudad, profundidad a la que se observa la
temperatura del agua).
Y = variable respuesta, endógena o dependiente
X = regresor, predictor, variable explicativa,
exógena o independiente.
4. Ecuacion de pronostico:
Y´=a+bx
Y’ se lee Y prima, es el valor pronosticado de la variable Y para un valor
seleccionador de X.• «a» es la ordenada de la intersección con el eje Y,
es decir, el valor estimado de Y cuando X=0, es decir, donde la recta de
regresión cruza el eje Y.• «b» es la pendiente de la recta, o el cambio
promedio en Y’ por unidad de cambio en la variable independiente X.• X
es cualquier valor seleccionado de la variable independiente. los valores
de a y b en la ecuación de regresión En general, se denominan
coeficientes de regresión estimados, o también coeficientes de
regresión.
5. Error estándar de estimación:
Medida de la variabilidad alrededor de la recta de
regresión, su desviación estándar.
Mide el error desde la variable dependiente, “y”,
hasta la recta de regresión, en lugar de hasta la
media.
Donde
y = valor de y de cada dato puntual
yc = valor calculado de la variable dependiente,
a partir de la ecuación de regresión.
N = número de datos puntuales
6. Analisis de Correlacion
El análisis de correlación emplea métodos para medir la
significación del grado o intensidad de asociación entre
dos o mas variables. El concepto de correlación esta
estrechamente vinculado al concepto de regresión, pues,
para que una ecuación de regresión sea razonable los
puntos muéstrales deben estar cenidos a la ecuación de
regresión; además el coeficiente de correlación debe ser:
- Grande cuando el grado de asociación es alto (cerca de
+1 o -1, y pequeño cuando es bajo, cerca de cero.
-
Independiente de las unidades en que se miden las
variables.
7. Coeficiente de Determinación
Denominamos
coeficiente
de
determinación R2 como el coeficiente
que nos indica el porcentaje del ajuste
que se ha conseguido con el modelo
lineal, es decir el porcentaje de la
variación de Y(ventas) que se explica a
través del modelo lineal que se ha
estimado, es decir a través del
comportamiento de X (publicidad) .
8. A mayor porcentaje mejor es nuestro modelo
para predecir el comportamiento de la variable
Y también se puede entender este coeficiente
de determinación como el porcentaje de
varianza explicada por la recta de regresión y
su valor siempre estará entre 0 y 1 y siempre
es igual al cuadrado del coeficiente de
correlación (r).
R2 = r 2
9. Regresion multiple
La regresión múltiple es una extensión práctica del
modelo simple de regresión que acabamos de ver. Nos
permite construir un modelo con varias variables
independientes en lugar de sólo una variable. Por
ejemplo, si en el ejemplo anterior se desea incluir el alza
en los pasajes de los huéspedes, la ecuación apropiada
sería:
10. SERIES DE TIEMPO:
Una serie tiempo es una secuencia de
observaciones, medidos en determinados
momentos
del
tiempo,
ordenados
cronológicamente y, espaciados entre sí de
manera uniforme, así los datos usualmente son
dependientes entre sí. El principal objetivo de
una serie de tiempo , Xt ,donde t = 1,2,3,…n es
su análisis para hacer pronóstico
Algunos ejemplos donde se puede utilizar series
temporales:
Economía y Marketing
Demografía
Medioambiente
11. Componentes de una serie
temporal:
El análisis clásico de las series temporales se
basa en la suposición de que los valores que
toma la variable de observación es la
consecuencia de tres componentes, cuya
actuación conjunta da como resultado los valores
medidos, estos componentes son:
a.- Componente tendencia.-
b.- Componente estacional.c.- Componente aleatoria.-
12. Clasificación descriptiva de
las series temporales :
Las series temporales se pueden clasificar en:
a.- Estacionarias.- Una serie es estacionaria cuando es estable a lo
largo del tiempo, es decir, cuando la media y varianza son constantes en
el tiempo. Esto se refleja gráficamente en que los valores de la serie
tienden a oscilar alrededor de una media constante y la variabilidad con
respecto a esa media también permanece constante en el tiempo.
b.- No estacionarias.- Son series en las cuales la tendencia y/o
variabilidad cambian en el tiempo. Los cambios en la media determinan
una tendencia a crecer o decrecer a largo plazo, por lo que la serie no
oscila alrededor de un valor constante. aleatoria.-
13. CONCLUSIONES
• Dependiendo el
obtenida como
podremos aplicar
del modelo
de
simple.
tipo de información
resultados deseados
a la utilización ya sea
regresión múltiple o
• El principal objetivo de una serie de
tiempo es su análisis para hacer
pronóstico
que
permitirán
tomar
decisiones acertadas y puntuales.
14. RECOMENDACIONES
Entre los modelos estadísticos más importantes
están los de regresión simple y regresión múltiple.
En ocasiones nos valdremos también de
ecuaciones que nos permitan sacar pronósticos,
así como realizar series de tiempos.
Informaciones que nos permitirán agenciarnos de
información que nos permitirán tomar decisiones
de manera mas acertada.
Recomendando así su estudio de una forma mas
profunda
15. APLICACIÓN
EJEMPLIFICAREMOS SU APLICACIÓN EN LOS CASOS SIGUIENTES:
PARA EXPRESAR EL PESO DE LOS EJEMPLARES DE CIERTA ESPECIE DE
AVE EN FUNCIÓN DE SU LONGITUD Y DE SU ENVERGADURA.
PARA EXPLICAR EL NIVEL DE CIERTO CONTAMINANTE EN FUNCIÓN DE LA
DENSIDAD INDUSTRIAL Y DE LAS LLUVIAS MEDIAS MENSUAL.
POR EJEMPLO, ES IMPOSIBLE TRATAR DE EXPLICAR EL RENDIMIENTO DE
UN ESTUDIANTE EN UN EXAMEN, TENIENDO EN CUENTA SOLAMENTE EL
NÚMERO DE HORAS QUE SE PREPARÓ PARA ELLA. CLARAMENTE, EL
PROMEDIO ACADÉMICO DEL ESTUDIANTE, LA CARGA ACADÉMICA QUE
LLEVA, EL AÑO DE ESTUDIOS, SON TRES DE LAS MUCHAS OTRAS
VARIABLES QUE PUEDEN EXPLICAR SU RENDIMIENTO. TRATAR DE
EXPLICAR EL COMPORTAMIENTO DE Y CON MÁS DE UNA VARIABLE PRE
EDITORA USANDO UNA FUNCIONAL LINEAL ES EL OBJETIVO DE
REGRESIÓN LINEAL MÚLTIPLE.
16. BIBLIOGRAFIA
Iranzo C., Huggins M. (2007) Temas de Formación Sociopolítica
Venezuela: Publicaciones UCAB.
Mankiw G. (2007) Principios de Economía (4ª. Edición) Madrid: Learning
Edición Paraninfo S.A.
EGRAFIA
http://pendientedemigracion.ucm.es/info/socivmyt/paginas/D_departa
mento/materiales/analisis_datosyMultivariable/18reglin_SPSS.pdf
http://www.slideshare.net/jotape74/clase-n3-pronostico
http://www.uam.es/personal_pdi/ciencias/abaillo/AmbEst/Tema3.pdf
http://www.slideshare.net/adangraus/regresion-lineal-simple-13381573
http://tarwi.lamolina.edu.pe/~fmendiburu/indexfiler/academic/metodos1/Regresion.pdf
http://www.uoc.edu/in3/emath/docs/RegresionLineal.pdf
http://www.estadisticas.gobierno.pr/iepr/LinkClick.aspx?fileticket=4_Bxec
UaZmg%3D&tabid=100
http://www.slideshare.net/isaacgflores/anlisis-de-series-de-tiempo
http://ciberconta.unizar.es/LECCION/seriest/INICIO.HTML