PROYECTO PRÁCTICO
“Proyecto practico”
Palma Dulce
CITA:
[Link]
[Link]
[Link]
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:
[Link] 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