Administración de marketing Estratégico

[pic 1]

[pic 2]

Nombre de la materia

Pronóstico de negocios.

Nombre de la Maestría

         Administración de marketing

         Estratégico.                                                          

Nombre del alumno

Noemí Dzul López

Matrícula

010081517

Nombre de la Tarea.

Proyecto integrador.

Unidad #2

Conceptos de probabilidad.

Nombre del Asesor.

Dr. Ricardo Vargas de Basterra.

Fecha 15/Noviembre/2019

PROYECTO DE INTEGRACIÓN ACADÉMICA

Introducción

[pic 3]

El modelo de pronóstico de regresión lineal permite hallar el valor esperado de una variable aleatoria a cuando b toma un valor específico. La aplicación de este método implica un supuesto de linealidad cuando la demanda presenta un comportamiento creciente o decreciente, por tal razón, se hace indispensable que previo a la selección de este método exista un análisis de regresión que determine la intensidad de las relaciones entre las variables que componen el modelo.

Según Leonard y Díaz (2006) Dice que el objetivo principal del análisis de regresión es estimar el valor de una variable aleatoria (la variable dependiente). La variable dependiente también se denomina variable de respuesta mientras que la variable independiente también se denomina variable predictora.

Conceptos claros. “El análisis de regresión lineal no es más que encontrar un modelo lineal. Una función matemática. La función de una recta. Así de simple. Es decir encontrar la mejor función de la recta que te permita predecir el valor de una variable sabiendo los valores de otra variable que observes.

Análisis de correlación

1. Primer análisis

Y Variable independiente: Edad

X Variable Dependiente: Días de Mora

I. Realizar el análisis estadístico calculando las variables que consideras pertinentes

La media aritmética de X es: 106.84

X = 10684 / 100 = 106.84

La media aritmética de Y es: 31.66

Y = 3166 / 100 = 31.66

La varianza 𝜎𝑥2 es: 1455.09

[pic 4]= 1286988 / 100 - 106.84 = 12869.9 - 11414.79 = 1455.09

La varianza ay2 es: 57.16

[pic 5] = 105952 / 100 – 31.66 = 1059.52 – 1002.356 = 57.16

Obtenemos la raíz cuadrada de las varianzas:

 x= 38.14

[pic 6] = 38.14

Y= 7.56

[pic 7] = 7.56

La covariancia 𝜎xy es 93.14

[pic 8] =  347569 / 100 – 106.84 x 31.66 = 3475.69 – 3382.55 = 93.14

Con los datos sustituimos y dejamos como incógnita la X y Y

[pic 9]

Y – 31.66 = 93.13 / 1455.09 (X – 106.84) = .064 (x – 106.84) = .064x – 6.8384

Despejando Y nos queda:

Y = 0.064x – 6.8384 + 31.66 = 0.064x + 24.82

La ecuación de la recta que obtenemos es: Y= 0.64x + 24.82

Calculamos el coeficiente de relación de Pearson:

[pic 10] = 94.1356 / 38.15 * 7.56 =  0.3229

ii. Elaborar la gráfica de dispersión cruzando ambas variables

[pic 11]

iii. Elaborar la gráfica con la regresión lineal sobre la dispersión de las variables

[pic 12]

iv. Calcular el coeficiente de determinación[pic 13]

                              = 93.13562 / 1455.0944 * 57.1644 = 0.104283

v. Calcular el coeficiente de correlación

[pic 14]=  93.1356 / 38.14 *  7.56 =  0.322929

vi. Aceptar o rechazar según cada caso las hipótesis nula y alterna (Caso 1)

Ho= No hay relación entre la edad y el tiempo en días de la mora

...