Los métodos De Suavización, Regresión Lineal Simple Con Pruebas De Hipótesis.

En todo proceso de producción, ventas, compras e información de inversiones a futuro requieren de métodos precisos para pronosticar los datos que ayuden a tomar decisiones correctas, pero se debe recordar en todo momento que un pronóstico no es una verdad absoluta, solo es una aproximación, y por lo cual el objetivo de ello es reducir la incertidumbre o factores riesgo de lo que puede acontecer en el futuro, así proporcionando información cercana a la realidad que permita tomar decisiones.

Contenido:

Explica claramente cuando es mejor utilizar

• Suavización exponencial simple: Este tipo de modelo es bueno para trabajar con datos que no tienen una tendencia que pueda ser predecible hacia abajo o hacia arriba.

• Suavización exponencial lineal: este método es útil cuando los datos que tenemos presentan una tendencia definida y que permita predecir como los próximos datos se moverán hacia arriba o hacia abajo. Estimando la pendiente y el nivel.

• Método de Winters: Es como una extensión del método exponencial lineal, sólo que el método de Winters utiliza una ecuación mas para estimar la estacionalidad de los datos, es decir, que este método se utiliza cuando las variaciones en nuestros datos tienen tendencia y son estaciónales.

Menciona cuales son los métodos de pronósticos basados en promedios:

Son los promedios móviles simples y promedios móviles lineales (promedios móviles dobles).

Define cuando es útil el análisis de regresión lineal simple:

Es útil cuando queremos conocer la relación existente entre dos variables, donde una variable es dependiente y la otra es una variable independiente, se debe de establecer una función para este análisis, la ecuación de una línea recta es la que mejor se adapta a nuestra necesidad. La idea básica es pronosticar el valor de la variable dependiente a partir de que se conoce la variable independiente.

Describe y explica los conceptos utilizados en la regresión lineal simple.

• Coeficiente de determinación: Mide el porcentaje de variabilidad, que es el porcentaje de variación de la variable independiente.

• Ajuste de curvas: Puede ocurrir para ciertos datos, que el diagrama de dispersión no sea lineal entre X y Y.

Un modelo de regresión lineal simple sigue siendo útil para tratar estas situaciones.

Debemos transformar la variable X para así obtener una relación lineal y entonces si aplicar el modelo de regresión simple.

Intervalo de confianza: Un par de números entre los cuales se estima que estará cierto valor desconocido con una determinada probabilidad de acierto. Definimos un intervalo para una mejor predicción, ya que la incertidumbre siempre existirá.

¿A qué se refiere la “parte explicada por la regresión” y la “parte no explicada”?

La parte no explicada de la regresión nos dice que si el coeficiente es cero indica que no hay relación lineal entre las variables X y Y, lo cual significa que ninguna parte de la variación de Y, esta explicada por X, cuando del valor de (Y-Y)2 va a ser =0 cuando SSR Variación explicada = 0 y SSE Variación no explicada = SST Variación total.

La parte explicada de regresión lineal el valor de (Y-Y)2 =1 indica una relación lineal perfecta entre las variables X y Y, y todos los puntos observados están sobre la recta de regresión muestral, SSE =0 y SSR = SST, ajuste perfecto.

¿Qué alternativa puedes utilizar cuando tu diagrama de dispersión no presenta una tendencia lineal y requieres analizar el caso con regresión lineal?

Para cuando no se comporta con una tendencia lineal, la regresión lineal es porque algún dato no se comporta con características lineales, existen cuatro funciones que ayudan a transformar la variable X para una relación lineal con Y

...